【面试高频算法解析】算法练习6 广度优先搜索

news2024/9/23 13:27:28

前言

本专栏旨在通过分类学习算法，使您能够牢固掌握不同算法的理论要点。通过策略性地练习精选的经典题目，帮助您深度理解每种算法，避免出现刷了很多算法题，还是一知半解的状态

专栏导航

二分查找
回溯（Backtracking）
双指针
滑动窗口
深度优先搜索
广度优先搜索
贪心算法
单调队列
堆（Heap）

算法解析

广度优先搜索（Breadth-First Search，简称 BFS）是一种遍历或搜索树结构或图结构的算法。它从一个节点开始，逐层（层次）遍历节点的邻居，然后是邻居的邻居，以此类推，直到找到所需的解或遍历完所有可达的节点。

BFS 的核心思想是先访问离起始点最近的节点，也就是说，它先宽后深地访问节点，这就是“广度优先”的含义。这种算法一般使用队列数据结构来实现。

以下是 BFS 的基本步骤：

初始化队列：首先将起始节点放入队列中。
遍历队列中的节点：只要队列不为空，就从队列的前端取出一个节点，并检查它是否是目标节点。
- 如果找到目标，根据问题的需要，可以返回结果或继续搜索。
- 如果不是目标，将该节点的所有未访问的邻居节点加入队列的后端。
标记已访问节点：为了避免重复访问节点，需要记录已经访问过的节点。可以在节点数据结构中添加一个访问标记，或者使用一个单独的数据结构（如哈希表）来存储已访问节点。
重复步骤2：继续执行步骤2，直到队列为空或找到目标。

BFS 通常用于解决以下类型的问题：

最短路径问题：在无权图中找到两个节点之间的最短路径。
连通性问题：检查图中的两个节点是否连通，或者图是否完全连通。
层次遍历：层次遍历树结构或图结构（如二叉树的层次遍历）。

以下是一个在无向图中进行 BFS 的 Python 示例：

from collections import deque

def bfs(graph, start, target):
    visited = set()  # 创建一个集合用于存储已访问的节点
    queue = deque([start])  # 创建一个队列，并将起始节点加入队列
    
    while queue:
        node = queue.popleft()  # 从队列中取出一个节点
        if node == target:
            return True  # 如果该节点是目标，则返回True
        visited.add(node)  # 将该节点标记为已访问
        for neighbor in graph[node]:
            if neighbor not in visited:
                queue.append(neighbor)  # 将所有未访问的邻居加入队列
    return False  # 队列为空，未找到目标，返回False

# 示例图
graph = {
    'A': ['B', 'C'],
    'B': ['A', 'D', 'E'],
    'C': ['A', 'F'],
    'D': ['B'],
    'E': ['B', 'F'],
    'F': ['C', 'E'],
}

# 调用 BFS
print(bfs(graph, 'A', 'F'))  # 输出：True