图：图的遍历

图的遍历

---

和树的遍历一样，我们希望从图中某一顶点出发遍历图中其余顶点，且使的每一个顶点仅被访问一次。这一过程称之为图的遍历。
图的遍历算法是求解图的连通性、拓扑排序和求解关键路径等算法的基础。
图的遍历通常有两种方法：广度优先搜索(BFS) 和 深度优先搜素(DFS)；他们对 无向图 和 有向图 都适用。

广度优先搜索(BFS)

---

广度优先搜索（BFS）： 类似于树的按层次遍历过程。其算法过程如下：

• 假设从图中某个 $V_1$ 出发，在访问了 $V_1$ 之后，依次访问 $V_1$ 的各个未曾访问的相连点 { $V_2、V_6、V_9、V_{12} $ }；
• 然后分别从这些相连点出发依次访问它们的连接点，直至所有的连接点被访问到；访问顺序如下：
  • { V 3 , V 4 , V 5 } \{ V_3, V_4, V_5 \} {V3​,V4​,V5​}；
  • { V 7 , V 8 } \{ V_7, V_8 \} {V7​,V8​}；
  • { V 1 0 , V 1 1 } \{ V_10, V_11 \} {V1​0,V1​1}；
  • { V 1 3 , V 1 4 } \{ V_13, V_14 \} {V1​3,V1​4}；

假设有如下的一个有向图，我们需要检索从"you" 能否找到 "mongo"：

我们用字典来表示如上有向图：

graph = {}
graph["you"] = ["alice", "bob", "claire"]
graph["bob"] = ["anuj", "peggy"]
graph["alice"] = ["peggy"]
graph["claire"] = ["thom", "jonny"]
graph["anuj"] = []
graph["peggy"] = []
graph["thom"] = []
graph["jonny"] = []

算法的实现原理：

代码实现如下：

from collections import deque
search_queue = deque() // 创建一个双端队列
search_queue += graph["you"] // 将顶点 "you" 的邻居加入到这个搜索队列

while search_queue: // 只有队列不为空
    person = search_queue.popleft() // 就取出第一个人
    if person == "mango": # 检查这个节点是不是 "mongo"
        print(person + " is a mango seller!") # 是 "mongo"
        return True
    else:
        search_queue += graph[person] // 将这个人的邻居加入搜索队列
return False # 如果到达这里，就说明队列中没有 "mongo"

上述代码存在一个问题，即有些节点被多次添加队列中，例如 “PEGGY”，即会存在多次访问一个节点的情况；如果出现环，会造成无限循环访问部分节点的情况，如下所示：

检查一个人之前，要确认之前没检查过他，这很重要。为此，你可使用一个列表来记录检查过的人。
上述代码修改为如下：

from collections import deque
def BFSearch(name): // 从节点 name 处开始访问
    search_queue = queue()
    search_queue += graph[name] 
    searched = [] // 这个数组用于记录检查过的人
    while search_queue:
        person = search_queue.popleft() # 取出队列中第一个节点
        if person not in searched: # 仅当这个人没检查过时才检查
            print(person + " is a mango seller!")
            return True
        else:
            search_queue += graph[person] // 将这个人的邻居加入搜索队列
            searched.apped[person] # 将这个人标记为检查过
    return False

BFSearch("you") # 从节点 "you" 开始搜索

上述代码并不适合含有多个子图的图结构。

运行时间

如果你在你的整个人际关系网中搜索 “mongo”，就意味着你将沿每条边前行（记住，边是从一个节点到另一个节点的箭头或连接），因此运行时间至少为 $O(边数)$。
你还使用了一个队列，其中包含要检查的每个人。将一个人添加到队列需要的时间是固定的，即为 $O(1)$，因此对每个人都这样做需要的总时间为 $O(人数)$。所以，广度优先搜索的运行时间为 $O(人数+边数)$，这通常写作 $O(V+E)$，其中 $V$ 为顶点（vertice）数， $E$ 为边数。

深度优先搜索

---

深度优先搜索是优先从一个节点的深度进行搜索，这个过程需要用到栈；
算法的实现过程如下：

序号	操作	栈
1	创建一个栈，用来存储节点	“you”
2	从栈中取出一个节点，例如：“you”
3	判断节点是否符合要求，如果符号要求，则退出；如果不符合要求，进入 $5$
4	不符合要求，把此节点的邻居加入栈	“alice” “bob” “claire”
5	回到第二步	“alice” “bob” “claire”
6	如果栈空，说明并没有想要的节点	None

代码实现如下：

def DFSearch(name): // 从节点 name 处开始访问
    search_stack = [] # 用列表实现栈
    search_stack = graph[name] + search_stack # 给栈添加元素
    searched = [] // 这个数组用于记录检查过的人
    while search_stack:
        person = search_stack.pop(0) # 取栈顶节点
        if person not in searched: # 仅当这个人没检查过时才检查
            print(person + " is a mango seller!")
            return True
        else:
            search_stack = graph[person] + search_stack // 将这个人的邻居加入栈中
            searched.apped[person] # 将这个人标记为检查过
    return False

DFSearch("you") # 从节点 "you" 开始搜索

上述代码并不适合含有多个子图的图结构。

时间复杂度：$O(V+E)$

小结

---

1. 图的搜索指出是否有从节点 $A$ 到节点 $B$ 的存在路径；
2. BFS 用一个队列来维护待检查节点；DFS 用一个栈来维护待检查节点；
3. 对于检查过的人，务必不要再检查，否则可能导致无限循环；

参考资料

---

1. 《算法新解》
2. 《数据结构(C语言版)》