欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

深度优先搜索与广度优先搜索

程序员文章站 2022-05-21 15:06:58
...

算法是作用于具体数据结构之上的,深度优先搜索算法和广度优先搜索算法都是基于“图”这种数据结构的。这是因为,图这种数据结构的表达能力很强,大部分涉及搜索的场景都可以抽象成“图”。

图上的搜索算法,最直接的理解就是,在图中找出从一个顶点出发,到另一个顶点的路径。为了搞清楚图的搜索算法,必须先把图的存储方式理解透彻。

图的存储

图有多种存储方法,最常用的两种分别是:邻接矩阵和出边数组。

邻接矩阵的存储方式如下图所示,底层依赖一个二维数组。

深度优先搜索与广度优先搜索

对于无向图来说,如果顶点i与顶点j之间有边,我们就将A[i][j]和 A[j][i]标记1;对于有向图来说,如果顶点i到顶点j之间,有一条箭头从顶点i指向顶点j的边,那我们就将A[i][j]标记为1。同理,如果有一条箭头从顶点j指向顶点i的边,我们就将A[j][i]标记为1。对于带权图,数组中就存储相应的权重。

用邻接矩阵来表示一个图,虽然简单、直观,但是比较浪费存储空间。对于无向图来说,如果A[i][j]等于1,那A[j][i]也肯定等于1。实际上,我们只需要存储一个就可以了。也就是说,无向图的二维数组中,如果我们将其用对角线划分为上下两部分,那我们只需要利用上面或者下面这样一半的空间就足够了,另外一半白白浪费掉了。

针对上面邻接矩阵比较浪费内存空间的问题,出边数组可以避免空间浪费。如下图所示,每个顶点对应一条链表,链表中存储的是与这个顶点相连接的其他顶点。
深度优先搜索与广度优先搜索

例如上图中,我们要确定,是否存在一条从顶点2到顶点4的边,那我们就要遍历顶点2的所有出边,看出边是否能到达顶点4。所以,比起邻接矩阵的存储方式,在出边数组中查询两个顶点之间的关系就没那么高效了。

//无向图
public class UndirectedGraph { 
	/**
	 * 顶点的个数
	 */
	private int v;
	/**
	 * 邻接表(出边数组)
	  */
	private ArrayList<Integer>[] edges;

	public UndirectedGraph(int v) {
	  this.v = v;
	  edges = new ArrayList[v];
	  for (int i = 0; i < v; ++i) {
	    edges[i] = new ArrayList<>();
	  }
	}
	
	/**
	 * 对于无向图,其实就是点s到点t的两条边
	 * 用两条有向边代表无向图中的一条边
	 */
	public void addEdge(int s, int t) {
	  edges[s].add(t);
	  edges[t].add(s);
	}
}

深度优先搜索(DFS)

深度优先搜索用的是一种比较著名的算法思想,回溯思想。这种思想解决问题的过程,非常适合用递归来实现。例如下图中演示了用深度优先搜索的思想寻找一条从点s到点c的路径的方法。从图中我们可以看出,深度优先搜索找出来的路径,并不是点s到点c的最短路径。

深度优先搜索与广度优先搜索

我把上面的过程用递归的形式写下来如下。深度优先搜索代码里,有个比较特殊的全局变量found,它的作用是,当我们已经找到终止点之后,我们就不再递归地继续查找了。

//全局变量或者类成员变量
boolean found = false;
private int  v;
private ArrayList<Integer>[] edges;

public void existPath(int start, int t) {
    boolean[] visited = new boolean[v];
    recurDfs(start, t, visited);
}

private void recurDfs(int current, int t, boolean[] visited) {
    if (found == true) {
        return;
    }
    visited[current] = true;
    if (current == t) {
        found = true;
        return;
    }
    for (int i = 0; i < edges[current].size(); ++i) {
        int q = edges[current].get(i);
        if (!visited[q]) {
            recurDfs(q, t, visited);
        }
    }
}

理解了深度优先搜索算法之后,深度优先搜索的时间、空间复杂度是多少呢?从示意图可以看出,每条边最多会被访问两次,一次是遍历,一次是回退。所以,图上的深度优先搜索算法的时间复杂度是O(E),E表示边数。深度优先搜索算法的消耗内存主要是visited、数组和递归调用栈。visited数组的大小跟顶点的个数V成正比,递归调用栈的最大深度不会超过顶点的个数,所以总的空间复杂度就是O(V)。

广度优先搜索(BFS)

广度优先搜索直观地讲,就是一种“地毯式”层层推进的搜索策略,即先查找离起始顶点最近的,然后是次近的,依次往外搜索。理解起来并不难,示意图如下。
深度优先搜索与广度优先搜索

尽管广度优先搜索的原理挺简单,但代码实现还是稍微有点复杂度。实际上,这样得到的一条路径就是从起始点到指定点的最短路径。

private boolean existPathBfs(int current, int t) {
    if (current == t) {
        return true;
    }
    visited[current] = true;
    Queue<Integer> queue = new ArrayDeque<>();
    queue.add(current);
    while (!queue.isEmpty()) {
        int point = queue.poll();
        for (int i = 0; i < edges[point].size(); ++i) {
            int q = edges[point].get(i);
            if (!visited[q]) {
                if (q == t) {
                    return true;
                }
                queue.add(q);
                visited[q] = true;
            }
        }
    }
    return false;
}

BFS代码中的queue是一个队列,用来存储已经被访问、但相连的顶点还没有被访问的顶点。因为广度优先搜索是逐层访问的,也就是说,我们只有把第k层的顶点都访问完成之后,才能访问第k+1层的顶点。当我们访问到第k层的顶点的时候,我们需要把第k层的顶点记录下来,稍后才能通过第k层的顶点来找第k+1层的顶点。所以,我们用这个队列来实现记录的功能。

广度优先搜索的时间、空间复杂度是多少呢?最坏情况下,终止顶点t离起始顶点s很远,需要遍历完整个图才能找到。这个时候,每个顶点都要进出一遍队列,每个边也都会被访问一次,所以,广度优先搜索的时间复杂度是 O(V+E),其中,V表示顶点的个数,E表示边的个数。当然,对于一个连通图来说,也就是说一个图中的所有顶点都是连通的,E肯定要大于等于V-1,所以,广度优先搜索的时间复杂度也可以简写为O(E)。空间消耗主要在几个辅助变量visited数组、queue队列上。这三个存储空间的大小都不会超过顶点的个数,所以空间复杂度是O(V)。

DFS与BFS的实际应用

样题一:岛屿的数量

给你一个由’1’(陆地)和 ‘0’(水)组成的的二维网格,请你计算网格中岛屿的数量。岛屿总是被水包围,并且每座岛屿只能由水平方向和/或竖直方向上相邻的陆地连接形成。此外,你可以假设该网格的四条边均被水包围。
深度优先搜索与广度优先搜索
DFS的思路:将二维网格看成一个无向图,竖直或水平相邻的点’1’之间有边相连。为了求出岛屿的数量,我们可以扫描整个二维网格。如果一个位置为’1’,则以其为起始节点开始进行深度优先搜索。在深度优先搜索的过程中,每个搜索到的’1’都会被重新标记。

最终岛屿的数量就是我们进行深度优先搜索的次数。

class Solution {
    
    //垂直水平四个方向组成的方向数组
    private int[] dx = {-1,0,1,0};
    private int[] dy = {0,1,0,-1};
    private boolean[][] visited;

    public int numIslands(char[][] grid) {
        visited = new boolean[grid.length][grid[0].length];
        int ans = 0;
        for (int i = 0; i < grid.length; i++) {
            for (int j = 0; j < grid[0].length; j++) {
                if (grid[i][j] == '1' && !visited[i][j]) {
                    //以grid[i][j]这个点为起点,作深度优先遍历
                    dfs(grid, i, j);
                    //遍历的次数就是图中陆地独立成片的块数
                    ans++;
                }
            }
        }
        return ans;
    }

    //从点(x,y)出发,深度优先遍历
    private void dfs(char[][] grid, int x, int y) {
        //标记当前点grid[x][y]已经访问过了
        visited[x][y] = true;
        //然后遍历grid[x][y]点的所有出边,这里就是上下左右4个
        for (int i = 0; i < 4; i++) {
            int nx = x + dx[i];
            int ny = y + dy[i];
            //判断坐标合法时,才继续遍历
            if(nx < 0 || nx >= grid.length || ny < 0 || ny >= grid[0].length) {
                continue;
            }
            //只遍历没访问过且为陆地的点
            if (grid[nx][ny] == '1' && !visited[nx][ny]) {
                dfs(grid, nx, ny);
            }
        }
    }
}

同样地,我们也可以使用广度优先搜索代替深度优先搜索。

BFS的思路:为了求出岛屿的数量,我们可以扫描整个二维网格。如果一个位置为‘1’,则将其加入队列,开始进行广度优先搜索。在广度优先搜索的过程中,从原点出发能到达的每个点‘1’都会被重新标记。直到队列为空,搜索结束。

最终岛屿的数量就是我们进行广度优先搜索的次数。

class Solution {

    //垂直水平四个方向组成的方向数组
    private int[] dx = {-1,0,1,0};
    private int[] dy = {0,1,0,-1};
    private boolean[][] visited;

    public int numIslands(char[][] grid) {
        visited = new boolean[grid.length][grid[0].length];
        int ans = 0;
        for (int i = 0; i < grid.length; i++) {
            for (int j = 0; j < grid[0].length; j++) {
                if (grid[i][j] == '1' && !visited[i][j]) {
                    //以grid[i][j]这个点为起点,作广度优先遍历
                    bfs(grid, i, j);
                    ans++;
                }
            }
        }
        return ans;
    }

    //从点(x,y)出发,广度优先遍历
    private void bfs(char[][] grid, int x, int y) {
        //标记点(x,y)为已经访问过了
        visited[x][y] = true;
        Queue<Pair> queue = new ArrayDeque<>();
        queue.add(new Pair(x, y));
        while (!queue.isEmpty()) {
            Pair pair = queue.poll();
            //然后遍历grid[x][y]点的所有出边,这里就是上下左右4个
            for (int i = 0; i < 4; i++) {
                int nx = pair.row + dx[i];
                int ny = pair.column + dy[i];
                //判断坐标合法时,才继续遍历
                if(nx < 0 || nx >= grid.length || ny < 0 || ny >= grid[0].length) {
                    continue;
                }
                //只遍历没访问过且为陆地的点
                if (grid[nx][ny] == '1' && !visited[nx][ny]) {
                    queue.add(new Pair(nx, ny));
                    //入队时标记visited数组
                    visited[nx][ny] = true;
                }
            }
        }
    }

    class Pair {
        int row;
        int column;
        public Pair(int row, int column) {
            this.row = row;
            this.column = column;
        }
    }
}

样题二:被包围的区域

深度优先搜索与广度优先搜索

注意关键解释:被围绕的区域不会存在于边界上,换句话说,任何边界上的 ‘O’ 都不会被填充为 ‘X’。 任何不在边界上,或不与边界上的 ‘O’ 相连的 ‘O’ 最终都会被填充为 ‘X’。如果两个元素在水平或垂直方向相邻,则称它们是“相连”的。

问题可以转化为:从边界上的‘O’出发所有能被访问到的‘O’都不能被填充为’X’,剩下的‘O’可以被填充为’X’,这是一个搜索问题。

思路:将所有存在于边界上的点’O’都打上标记,例如标记为’#’,然后从这些点出发作搜索,所有能到达的点’O’也打上标记’#’,最后将矩阵中所有标记为’#‘的点都填充为’O’,所有为’O’的点都填充为’X’。

DFS思路下的代码。

class Solution {

    private int[] dx = {-1,0,1,0};
    private int[] dy = {0,1,0,-1};
    private boolean[][] visited;

    //寻找和边界连通的O,如果这个O与边界连通,那么不能替换,否则要替换
    public void solve(char[][] board) {
        visited = new boolean[board.length][board[0].length];
        for (int i = 0; i < board.length; i++) {
            for (int j = 0; j < board[0].length; j++) {
                if (board[i][j] == 'X') {
                    continue;
                }
                //判断点是否在边界上,如果在边界上并且是O,并且没访问过,就访问一次
                boolean isEdge = (i == 0 || j == 0 || i == board.length - 1 || j == board[0].length - 1);
                if (isEdge && board[i][j] == 'O') {
                    dfs(board, i, j);
                }
            }
        }
        for (int i = 0; i < board.length; i++) {
            for (int j = 0; j < board[0].length; j++) {
                if (board[i][j] == 'O') {
                    board[i][j] = 'X';
                } else if (board[i][j] == '#') {
                    board[i][j] = 'O';
                    continue;
                }
            }
        }
    }

    //从点(x,y)出发作深度优先遍历,访问从点(x,y)所能到达的所有点
    private void dfs(char[][] board, int x, int y) {
        if (board[x][y] == '#') {
            return;
        }
        visited[x][y] = true;
        board[x][y] = '#';
        //然后遍历board[x][y]的所有点,这里就是上下左右4个
        for (int i = 0; i < 4; i++) {
            int nx = x + dx[i];
            int ny = y + dy[i];
            //判断坐标合法时,才继续遍历
            if(nx < 0 || nx >= board.length || ny < 0 || ny >= board[0].length) {
                continue;
            }
            //只遍历没访问过且为'O'的点
            if (board[nx][ny] == 'O' && !visited[nx][ny]) {
                dfs(board, nx, ny);
            }
        }
    }
}

BFS思路下的代码。

class Solution {

    private int[] dx = {-1,0,1,0};
    private int[] dy = {0,1,0,-1};
    private boolean[][] visited;

    //寻找和边界连通的O,如果这个O与边界连通,那么不能替换,否则要替换
    public void solve(char[][] board) {
        visited = new boolean[board.length][board[0].length];
        for (int i = 0; i < board.length; i++) {
            for (int j = 0; j < board[0].length; j++) {
                if (board[i][j] == 'X') {
                    continue;
                }
                //判断点是否在边界上,如果在边界上并且是'O',并且没访问过,就访问一次
                boolean isEdge = (i == 0 || j == 0 || i == board.length - 1 || j == board[0].length - 1);
                if (isEdge && board[i][j] == 'O') {
                    bfs(board, i, j);
                }
            }
        }
        for (int i = 0; i < board.length; i++) {
            for (int j = 0; j < board[0].length; j++) {
                if (board[i][j] == 'O') {
                    board[i][j] = 'X';
                } else if (board[i][j] == '#') {
                    board[i][j] = 'O';
                    continue;
                }
            }
        }
    }

    //从点(x,y)出发作深度优先遍历,访问从点(x,y)所能到达的所有点
    private void bfs(char[][] board, int x, int y) {
        visited[x][y] = true;
        board[x][y] = '#';
        Queue<Pair> queue = new ArrayDeque<>();
        queue.add(new Pair(x, y));
        while (!queue.isEmpty()) {
            Pair pair = queue.poll();
            //然后遍历board[x][y]的所有点,这里就是上下左右4个
            for (int i = 0; i < 4; i++) {
                int nx = pair.row + dx[i];
                int ny = pair.column + dy[i];
                //判断坐标合法时,才继续遍历
                if(nx < 0 || nx >= board.length || ny < 0 || ny >= board[0].length) {
                    continue;
                }
                //只遍历没访问过且为'O'的点
                if (board[nx][ny] == 'O' && !visited[nx][ny]) {
                    queue.add(new Pair(nx, ny));
                    visited[nx][ny] = true;
                    board[nx][ny] = '#';
                }
            }
        }
    }

    class Pair {
        int row;
        int column;
        public Pair(int row, int column) {
            this.row = row;
            this.column = column;
        }
    }
}

小结

广度优先搜索,通俗的理解就是,地毯式层层推进,从起始顶点开始,依次往外遍历,遍历得到的路径就是,起始顶点到终止顶点的最短路径。广度优先搜索需要借助队列来实现。深度优先搜索用的是回溯思想,非常适合用递归实现。二者是图上的两种最常用、最基本的搜索算法,比起其他高级的搜索算法,比如A*、IDA*等,要简单粗暴,没有什么优化,所以,也被叫作暴力搜索算法。所以,这两种搜索算法仅适用于状态空间不大,也就是说图不大的搜索。

相关标签: 数据结构与算法