互联网面试突击算法-广度优先和深度优先

广度优先搜索（Breadth-First Search，BFS）和深度优先搜索（Depth-First Search，DFS）是两种常用的图搜索算法，用于在图中查找特定节点或路径。它们在不同情况下有着不同的应用和特点。

广度优先搜索（BFS）

• 特点：
  • 从起始节点开始，依次遍历其相邻节点，然后再遍历相邻节点的相邻节点，以此类推。
  • 广度优先搜索会先访问离起始节点最近的节点，然后逐层向外扩展，直到找到目标节点或遍历完整个图。
  • 常用队列数据结构来实现，先进先出（FIFO）的顺序。
• 适用场景：
  • 当需要找到最短路径时，广度优先搜索通常是更好的选择。
  • 用于检测图中的环、拓扑排序等。
• 优点：
  • 算法简单易懂，易于实现。
  • 可以找到最短路径。
• 缺点：
  • 空间复杂度较高，需要维护一个队列来存储节点。

深度优先搜索（DFS）

• 特点：
  • 从起始节点开始，沿着一条路径一直深入，直到到达叶子节点，然后回溯到上一个节点，继续探索其他分支。
  • 深度优先搜索会一直往深层节点探索，直到遇到死胡同，然后回溯到上一个节点，继续探索其他路径。
  • 常用栈数据结构来实现，后进先出（LIFO）的顺序。
• 适用场景：
  • 当需要找到所有可能路径时，深度优先搜索通常是更好的选择。
  • 用于拓扑排序、寻找连通分量等。
• 优点：
  • 算法在递归实现时比较简洁。
  • 空间复杂度较低。
• 缺点：
  • 不能保证找到最短路径。
  • 如果图的深度很大，可能会导致栈溢出。

下面是使用Python实现的广度优先搜索和深度优先搜索：

from collections import deque

def bfs(graph, start):
    visited = set()
    queue = deque([start])
    while queue:
        node = queue.popleft()
        if node not in visited:
            print(node)
            visited.add(node)
            queue.extend(graph[node] - visited)

def dfs(graph, start):
    visited = set()
    stack = [start]
    while stack:
        node = stack.pop()
        if node not in visited:
            print(node)
            visited.add(node)
            stack.extend(graph[node] - visited)

# 图的邻接表表示
graph = {
    'A': {'B', 'C'},
    'B': {'A', 'D', 'E'},
    'C': {'A', 'F'},
    'D': {'B'},
    'E': {'B', 'F'},
    'F': {'C', 'E'}
}

print("BFS traversal:")
bfs(graph, 'A')

print("\nDFS traversal:")
dfs(graph, 'A')

以上代码示例中，graph是一个图的邻接表表示，bfs函数实现了广度优先搜索，dfs函数实现了深度优先搜索。