LeetCode算法笔记

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

目录

文章目录

前言

一、深度优先搜索

1.基于递归实现的深度优先搜索

我对这个的理解：其难点在递归调用的过程中，若在某一节点的下一个节点都被访问过，则要访问这一节点的上一节点。我认为是若这一节点的下一节点都被访问过，则结束这一次递归调用，直接执行上一次递归调用的剩余循环。

2.基于堆栈实现的深度优先搜索

我对这个的理解：其主要的难点在循环过程中运用堆栈结构存储节点下一个要访问的节点，要确保在这个节点中的所有节点都被访问了，可以找到该节点的上一个节点

总结

根据这次学习深度优先搜索算法，我觉得深度优先搜索算法的逻辑是从一组具有多个分叉数据，先从起始点开始沿着一条分叉数据开始查找匹配是否符合查找结果，若直到这条分支的最后也没有找到结果，则返回上一个具有分叉的节点，再继续分叉数据线查找。通过学习了解深度优先搜索算法的数据符合先进后出，可以通过递归和堆栈来实现。

---

前言

Datawhale十月组队学习，LeetCode算法

一、深度优先搜索

深度优先搜索算法（Depth First Search）：英文缩写为 DFS，是一种用于搜索树或图结构的算法。深度优先搜索算法采用了回溯思想，从起始节点开始，沿着一条路径尽可能深入地访问节点，直到无法继续前进时为止，然后回溯到上一个未访问的节点，继续深入搜索，直到完成整个搜索过程。

深度优先搜索算法中所谓的深度优先，就是说优先沿着一条路径走到底，直到无法继续深入时再回头。

1.基于递归实现的深度优先搜索

代码如下：

class Solution:
    def dfs_recursive(self, graph, u, visited):
        print(u)                        # 访问节点
        visited.add(u)                  # 节点 u 标记其已访问

        for v in graph[u]:
            if v not in visited:        # 节点 v 未访问过
                # 深度优先搜索遍历节点
                self.dfs_recursive(graph, v, visited)
      

graph = {
    "A": ["B", "C"],
    "B": ["A", "C", "D"],
    "C": ["A", "B", "D", "E"],
    "D": ["B", "C", "E", "F"],
    "E": ["C", "D"],
    "F": ["D", "G"],
    "G": []
}

# 基于递归实现的深度优先搜索
visited = set()
Solution().dfs_recursive(graph, "A", visited)

我对这个的理解：其难点在递归调用的过程中，若在某一节点的下一个节点都被访问过，则要访问这一节点的上一节点。我认为是若这一节点的下一节点都被访问过，则结束这一次递归调用，直接执行上一次递归调用的剩余循环。

2.基于堆栈实现的深度优先搜索

代码如下：

class Solution:
    def dfs_stack(self, graph, u):
        print(u)                            # 访问节点 u
        visited, stack = set(), []          # 使用 visited 标记访问过的节点, 使用栈 stack 存放临时节点
        
        stack.append([u, 0])                # 将节点 u，节点 u 的下一个邻接节点下标放入栈中，下次将遍历 graph[u][0]
        visited.add(u)                      # 将起始节点 u 标记为已访问
        
    
        while stack:
            u, i = stack.pop()              # 取出节点 u，以及节点 u 下一个将要访问的邻接节点下标 i
            print(u,i)
            if i < len(graph[u]):
                v = graph[u][i]             # 取出邻接节点 v
                stack.append([u, i + 1])    # 下一次将遍历 graph[u][i + 1]
                if v not in visited:        # 节点 v 未访问过
                    print(v)                # 访问节点 v
                    stack.append([v, 0])    # 下一次将遍历 graph[v][0]
                    visited.add(v)          # 将节点 v 标记为已访问                
        

graph = {
    "A": ["B", "C"],
    "B": ["A", "C", "D"],
    "C": ["A", "B", "D", "E"],
    "D": ["B", "C", "E", "F"],
    "E": ["C", "D"],
    "F": ["D", "G"],
    "G": []
}

# 基于堆栈实现的深度优先搜索
Solution().dfs_stack(graph, "A")

我对这个的理解：其主要的难点在循环过程中运用堆栈结构存储节点下一个要访问的节点，要确保在这个节点中的所有节点都被访问了，可以找到该节点的上一个节点

---

总结

根据这次学习深度优先搜索算法，我觉得深度优先搜索算法的逻辑是从一组具有多个分叉数据，先从起始点开始沿着一条分叉数据开始查找匹配是否符合查找结果，若直到这条分支的最后也没有找到结果，则返回上一个具有分叉的节点，再继续分叉数据线查找。通过学习了解深度优先搜索算法的数据符合先进后出，可以通过递归和堆栈来实现。