广度优先搜索和深度优先搜索

合集下载

深度优先算法和广度优先算法的时间复杂度

深度优先算法和广度优先算法的时间复杂度深度优先算法和广度优先算法是在图论中常见的两种搜索算法，它们在解决各种问题时都有很重要的作用。

本文将以深入浅出的方式从时间复杂度的角度对这两种算法进行全面评估，并探讨它们在实际应用中的优劣势。

1. 深度优先算法的时间复杂度深度优先算法是一种用于遍历或搜索树或图的算法。

它从图中的某个顶点出发，沿着一条路径一直走到底，直到不能再前进为止，然后回溯到上一个节点，尝试走其他的路径，直到所有路径都被走过为止。

深度优先算法的时间复杂度与图的深度有关。

在最坏情况下，深度优先算法的时间复杂度为O(V+E)，其中V表示顶点的数量，E表示边的数量。

2. 广度优先算法的时间复杂度广度优先算法也是一种用于遍历或搜索树或图的算法。

与深度优先算法不同的是，广度优先算法是从图的某个顶点出发，首先访问这个顶点的所有邻接节点，然后再依次访问这些节点的邻接节点，依次类推。

广度优先算法的时间复杂度与图中边的数量有关。

在最坏情况下，广度优先算法的时间复杂度为O(V+E)。

3. 深度优先算法与广度优先算法的比较从时间复杂度的角度来看，深度优先算法和广度优先算法在最坏情况下都是O(V+E)，并没有明显的差异。

但从实际运行情况来看，深度优先算法和广度优先算法的性能差异是显而易见的。

在一般情况下，广度优先算法要比深度优先算法快，因为广度优先算法的搜索速度更快，且能够更快地找到最短路径。

4. 个人观点和理解在实际应用中，选择深度优先算法还是广度优先算法取决于具体的问题。

如果要找到两个节点之间的最短路径，那么广度优先算法是更好的选择；而如果要搜索整个图，那么深度优先算法可能是更好的选择。

要根据具体的问题来选择合适的算法。

5. 总结和回顾本文从时间复杂度的角度对深度优先算法和广度优先算法进行了全面评估，探讨了它们的优劣势和实际应用中的选择。

通过对两种算法的时间复杂度进行比较，可以更全面、深刻和灵活地理解深度优先算法和广度优先算法的特点和适用场景。

深度优先搜索和广度优先搜索

二、重排九宫问题游戏
在一个 3 乘 3 的九宫中有 1-8 的 8 个数及一个空格随机摆放在其中的格子里。如下面左图所示。现在要求实现这样的问题：将该九宫调整为如下图右图所示的形式。调整规则是：每次只能将与空格（上，下或左，右）相临的一个数字平移到空格中。试编程实现。
|2|8 |3|
|1|2|3|
from = f; to = t; distance = d; skip = false; } } class Depth { final int MAX = 100; // This array holds the flight information. FlightInfo flights[] = new FlightInfo[MAX]; int numFlights = 0; // number of entries in flight array Stack btStack = new Stack(); // backtrack stack public static void main(String args[]) {
下面是用深度优先搜索求解的程序:
// Find connections using a depth-first search. import java.util.*; import java.io.*; // Flight information. class FlightInfo {
String from; String to; int distance; boolean skip; // used in backtracking FlightInfo(String f, String t, int d) {
int dist; FlightInfo f; // See if at destination. dist = match(from, to); if(dist != 0) {

深度优先搜索和广度优先搜索

深度优先搜索和广度优先搜索一、深度优先搜索和广度优先搜索的深入讨论(一)深度优先搜索的特点是无论问题的内容和性质以及求解要求如何不同，它们的程序结构都是相同的，即都是深度优先算法(一)和深度优先算法(二)中描述的算法结构，不相同的仅仅是存储结点数据结构和产生规则以及输出要求。

(2)深度优先搜索法有递归以及非递归两种设计方法。

一般的，当搜索深度较小、问题递归方式比较明显时，用递归方法设计好，它可以使得程序结构更简捷易懂。

当搜索深度较大时，当数据量较大时，由于系统堆栈容量的限制，递归容易产生溢出，用非递归方法设计比较好。

(3)深度优先搜索方法有广义和狭义两种理解。

广义的理解是，只要最新产生的结点(即深度最大的结点)先进行扩展的方法，就称为深度优先搜索方法。

在这种理解情况下，深度优先搜索算法有全部保留和不全部保留产生的结点的两种情况。

而狭义的理解是，仅仅只保留全部产生结点的算法。

本书取前一种广义的理解。

不保留全部结点的算法属于一般的回溯算法范畴。

保留全部结点的算法，实际上是在数据库中产生一个结点之间的搜索树，因此也属于图搜索算法的范畴。

(4)不保留全部结点的深度优先搜索法，由于把扩展望的结点从数据库中弹出删除，这样，一般在数据库中存储的结点数就是深度值，因此它占用的空间较少，所以，当搜索树的结点较多，用其他方法易产生内存溢出时，深度优先搜索不失为一种有效的算法。

(5)从输出结果可看出，深度优先搜索找到的第一个解并不一定是最优解.如果要求出最优解的话，一种方法将是后面要介绍的动态规划法，另一种方法是修改原算法：把原输出过程的地方改为记录过程，即记录达到当前目标的路径和相应的路程值，并与前面已记录的值进行比较，保留其中最优的，等全部搜索完成后，才把保留的最优解输出。

二、广度优先搜索法的显著特点是：(1)在产生新的子结点时，深度越小的结点越先得到扩展，即先产生它的子结点。

为使算法便于实现，存放结点的数据库一般用队列的结构。

深度优先搜索和广度优先搜索

深度优先搜索和⼴度优先搜索深度优先搜索和⼴度优先搜索都是图的遍历算法。

⼀、深度优先搜索（Depth First Search） 1、介绍深度优先搜索（DFS），顾名思义，在进⾏遍历或者说搜索的时候，选择⼀个没有被搜过的结点（⼀般选择顶点），按照深度优先，⼀直往该结点的后续路径结点进⾏访问，直到该路径的最后⼀个结点，然后再从未被访问的邻结点进⾏深度优先搜索，重复以上过程，直⾄所有点都被访问，遍历结束。

⼀般步骤：（1）访问顶点v；（2）依次从v的未被访问的邻接点出发，对图进⾏深度优先遍历；直⾄图中和v有路径相通的顶点都被访问；（3）若此时图中尚有顶点未被访问，则从⼀个未被访问的顶点出发，重新进⾏深度优先遍历，直到图中所有顶点均被访问过为⽌。

可以看出，深度优先算法使⽤递归即可实现。

2、⽆向图的深度优先搜索下⾯以⽆向图为例，进⾏深度优先搜索遍历：遍历过程：所以遍历结果是：A→C→B→D→F→G→E。

3、有向图的深度优先搜索下⾯以有向图为例，进⾏深度优先遍历：遍历过程：所以遍历结果为：A→B→C→E→D→F→G。

⼆、⼴度优先搜索（Breadth First Search） 1、介绍⼴度优先搜索（BFS）是图的另⼀种遍历⽅式，与DFS相对，是以⼴度优先进⾏搜索。

简⾔之就是先访问图的顶点，然后⼴度优先访问其邻接点，然后再依次进⾏被访问点的邻接点，⼀层⼀层访问，直⾄访问完所有点，遍历结束。

2、⽆向图的⼴度优先搜索下⾯是⽆向图的⼴度优先搜索过程：所以遍历结果为：A→C→D→F→B→G→E。

3、有向图的⼴度优先搜索下⾯是有向图的⼴度优先搜索过程：所以遍历结果为：A→B→C→E→F→D→G。

三、两者实现⽅式对⽐深度优先搜索⽤栈（stack）来实现，整个过程可以想象成⼀个倒⽴的树形：把根节点压⼊栈中。

每次从栈中弹出⼀个元素，搜索所有在它下⼀级的元素，把这些元素压⼊栈中。

并把这个元素记为它下⼀级元素的前驱。

广度优先搜索（BFS）与深度优先搜索（DFS）的对比及优缺点

⼴度优先搜索（BFS）与深度优先搜索（DFS）的对⽐及优缺点深搜，顾名思义，是深⼊其中、直取结果的⼀种搜索⽅法。

如果深搜是⼀个⼈，那么他的性格⼀定倔得像头⽜！他从⼀点出发去旅游，只朝着⼀个⽅向⾛，除⾮路断了，他绝不改变⽅向！除⾮四个⽅向全都不通或遇到终点，他绝不后退⼀步！因此，他的姐姐⼴搜总是嘲笑他，说他是个⼀根筋、不撞南墙不回头的家伙。

深搜很讨厌他姐姐的嘲笑，但⼜不想跟⾃⼰的亲姐姐闹⽭盾，于是他决定给姐姐讲述⾃⼰旅途中的经历，来改善姐姐对他的看法。

他成功了，⽽且只讲了⼀次。

从那以后他姐姐不仅再没有嘲笑过他，⽽且连看他的眼神都充满了赞赏。

他以为是⾃⼰路上的各种英勇征服了姐姐，但他不知道，其实另有原因…… 深搜是这样跟姐姐讲的：关于旅⾏呢，我并不把⽬的地的风光放在第⼀位，⽽是更注重于沿路的风景，所以我不会去追求最短路，⽽是把所有能通向终点的路都⾛⼀遍。

可是我并不知道往哪⾛能到达⽬的地，于是我只能每到⼀个地⽅，就向当地的⼈请教各个⽅向的道路情况。

为了避免重复向别⼈问同⼀个⽅向，我就给⾃⼰规定：先问北，如果有路，那就往北⾛，到达下⼀个地⽅的时候就在执⾏此规定，如果往北不通，我就再问西，其次是南、东，要是这四个⽅向都不通或者抵达了终点，那我回到上⼀个地⽅，继续探索其他没去过的⽅向。

我还要求⾃⼰要记住那些帮过他的⼈，但是那些给我帮倒忙的、让我⽩费⼒⽓的⼈，要忘记他们。

有了这些规定之后，我就可以⼤胆的往前⾛了，既不⽤担⼼到不了不⽬的地，也不⽤担⼼重复⾛以前的路。

哈哈哈……深搜优缺点优点1、能找出所有解决⽅案2、优先搜索⼀棵⼦树，然后是另⼀棵，所以和⼴搜对⽐，有着内存需要相对较少的优点缺点1、要多次遍历，搜索所有可能路径，标识做了之后还要取消。

2、在深度很⼤的情况下效率不⾼⼴搜，顾名思义，是多管齐下、⼴撒⽹的⼀种搜索⽅法如果⼴搜是⼀个⼈，那么她⼀定很贪⼼，⽽且喜新厌旧！她从⼀点出发去旅游，先把与起点相邻的地⽅全部游览⼀遍，然后再把与她刚游览过的景点相邻的景点全都游览⼀边……⼀直这样，直⾄所有的景点都游览⼀遍。

广度优先和深度优先的例子

广度优先和深度优先的例子广度优先搜索(BFS)和深度优先搜索(DFS)是图遍历中常用的两种算法。

它们在解决许多问题时都能提供有效的解决方案。

本文将分别介绍广度优先搜索和深度优先搜索，并给出各自的应用例子。

一、广度优先搜索(BFS)广度优先搜索是一种遍历或搜索图的算法，它从起始节点开始，逐层扩展，先访问起始节点的所有邻居节点，再依次访问其邻居节点的邻居节点，直到遍历完所有节点或找到目标节点。

例子1：迷宫问题假设有一个迷宫，迷宫中有多个房间，每个房间有四个相邻的房间：上、下、左、右。

现在我们需要找到从起始房间到目标房间的最短路径。

可以使用广度优先搜索算法来解决这个问题。

例子2：社交网络中的好友推荐在社交网络中，我们希望给用户推荐可能认识的新朋友。

可以使用广度优先搜索算法从用户的好友列表开始，逐层扩展，找到可能认识的新朋友。

例子3：网页爬虫网页爬虫是搜索引擎抓取网页的重要工具。

爬虫可以使用广度优先搜索算法从一个网页开始，逐层扩展，找到所有相关的网页并进行抓取。

例子4：图的最短路径在图中，我们希望找到两个节点之间的最短路径。

可以使用广度优先搜索算法从起始节点开始，逐层扩展，直到找到目标节点。

例子5：推荐系统在推荐系统中，我们希望给用户推荐可能感兴趣的物品。

可以使用广度优先搜索算法从用户喜欢的物品开始，逐层扩展，找到可能感兴趣的其他物品。

二、深度优先搜索(DFS)深度优先搜索是一种遍历或搜索图的算法，它从起始节点开始，沿着一条路径一直走到底，直到不能再继续下去为止，然后回溯到上一个节点，继续探索其他路径。

例子1：二叉树的遍历在二叉树中，深度优先搜索算法可以用来实现前序遍历、中序遍历和后序遍历。

通过深度优先搜索算法，我们可以按照不同的遍历顺序找到二叉树中所有节点。

例子2：回溯算法回溯算法是一种通过深度优先搜索的方式，在问题的解空间中搜索所有可能的解的算法。

回溯算法常用于解决组合问题、排列问题和子集问题。

例子3：拓扑排序拓扑排序是一种对有向无环图(DAG)进行排序的算法。

广度优先搜索和深度优先搜索有何区别

广度优先搜索和深度优先搜索有何区别在计算机科学和算法领域中，广度优先搜索（BreadthFirst Search，简称 BFS）和深度优先搜索（DepthFirst Search，简称 DFS）是两种常见且重要的图或树的遍历算法。

它们在解决各种问题时都有着广泛的应用，但在搜索策略和特点上存在着显著的差异。

让我们先来了解一下广度优先搜索。

想象一下你正在一个迷宫中，你从入口开始，先探索与入口相邻的所有房间，然后再依次探索这些相邻房间相邻的房间，以此类推。

这就是广度优先搜索的基本思路。

广度优先搜索是以逐层的方式进行的。

它首先访问起始节点，然后依次访问起始节点的所有邻接节点，接着再访问这些邻接节点的邻接节点，就像在平静的湖面上泛起的层层涟漪。

这种搜索方式确保在访问更深层次的节点之前，先访问同一层次的所有节点。

在实现广度优先搜索时，通常会使用一个队列（Queue）数据结构。

将起始节点入队，然后循环取出队列头部的节点，并将其未访问过的邻接节点入队，直到队列为空。

这种方式保证了搜索的顺序是按照层次进行的。

广度优先搜索的一个重要应用是在寻找最短路径问题上。

因为它先访问距离起始节点近的节点，所以如果存在最短路径，它往往能够更快地找到。

例如，在地图导航中，要找到从一个地点到另一个地点的最短路线，广度优先搜索就可能是一个不错的选择。

接下来，我们看看深度优先搜索。

如果说广度优先搜索是逐层展开，那么深度优先搜索就像是一个勇敢的探险家，沿着一条路径一直走下去，直到走到尽头或者无法继续，然后才回溯并尝试其他路径。

深度优先搜索通过递归或者使用栈（Stack）来实现。

从起始节点开始，不断深入访问未访问过的邻接节点，直到无法继续，然后回溯到上一个未完全探索的节点，继续探索其他分支。

深度优先搜索在探索复杂的树形结构或者处理递归问题时非常有用。

比如在检查一个表达式是否合法、遍历一个复杂的文件目录结构等方面，深度优先搜索能够发挥其优势。

深度优先和广度优先比较

深度优先和⼴度优先⽐较区别：1）⼆叉树的深度优先遍历的⾮递归的通⽤做法是采⽤栈，⼴度优先遍历的⾮递归的通⽤做法是采⽤队列。

2）深度优先遍历：对每⼀个可能的分⽀路径深⼊到不能再深⼊为⽌，⽽且每个结点只能访问⼀次。

要特别注意的是，⼆叉树的深度优先遍历⽐较特殊，可以细分为先序遍历、中序遍历、后序遍历。

具体说明如下：先序遍历：对任⼀⼦树，先访问根，然后遍历其左⼦树，最后遍历其右⼦树。

中序遍历：对任⼀⼦树，先遍历其左⼦树，然后访问根，最后遍历其右⼦树。

后序遍历：对任⼀⼦树，先遍历其左⼦树，然后遍历其右⼦树，最后访问根。

⼴度优先遍历：⼜叫层次遍历，从上往下对每⼀层依次访问，在每⼀层中，从左往右（也可以从右往左）访问结点，访问完⼀层就进⼊下⼀层，直到没有结点可以访问为⽌。

3）深度优先搜素算法：不全部保留结点，占⽤空间少；有回溯操作(即有⼊栈、出栈操作)，运⾏速度慢。

⼴度优先搜索算法：保留全部结点，占⽤空间⼤；⽆回溯操作(即⽆⼊栈、出栈操作)，运⾏速度快。

通常深度优先搜索法不全部保留结点，扩展完的结点从数据库中弹出删去，这样，⼀般在数据库中存储的结点数就是深度值，因此它占⽤空间较少。

所以，当搜索树的结点较多，⽤其它⽅法易产⽣内存溢出时，深度优先搜索不失为⼀种有效的求解⽅法。

　⼴度优先搜索算法，⼀般需存储产⽣的所有结点，占⽤的存储空间要⽐深度优先搜索⼤得多，因此，程序设计中，必须考虑溢出和节省内存空间的问题。

但⼴度优先搜索法⼀般⽆回溯操作，即⼊栈和出栈的操作，所以运⾏速度⽐深度优先搜索要快些深度优先：前序遍历：35,20,15,16,29,28,30,40,50,45,55中序遍历：15,16,20,28,29,30,35,40,45,50,55后序遍历：16,15,28,30,29,20,45,55,50,40,35⼴度优先遍历：35 20 40 15 29 50 16 28 30 45 55代码：package www.hhy;import java.beans.beancontext.BeanContextChild;import java.util.*;class Binarytree {class TreeNode{int value;TreeNode left;TreeNode right;public TreeNode(int value) {this.value = value;}}//⽤递归创建⼆叉树public int i = 0;TreeNode creatTesttree(String s){TreeNode root = null;if (s.charAt(i)!='#') {root = new TreeNode(s.charAt(i));i++;root.left = creatTesttree(s);root.right = creatTesttree(s);}else{i++;}return root;}//⼆叉树的前序遍历递归void binaryTreePrevOrder(TreeNode root){if(root==null){return;}System.out.println(root.value+" ");binaryTreePrevOrder(root.left);binaryTreePrevOrder(root.right);}//⼆叉树的中序遍历递归void binaryTreeInOrder(TreeNode root){if(root==null){return;}binaryTreeInOrder(root.left);System.out.println(root.value+" ");binaryTreeInOrder(root.right);}//⼆叉树的后续遍历递归void binaryTreePostOrder(TreeNode root){if(root==null){return;}binaryTreePostOrder(root.left);binaryTreePostOrder(root.right);System.out.println(root.value+" ");}//层序遍历void binaryTreeLevelOrder(TreeNode root,int level){if(root ==null||level<1){return;}if(level==1){System.out.print(root.value+" ");}binaryTreeLevelOrder(root.left,level-1);binaryTreeLevelOrder(root.right,level-1);}void BTreeLevelOrder(TreeNode root){if (root == null)return;int dep = getHeight(root);for (int i = 1; i <= dep; i++){binaryTreeLevelOrder(root,i);}}//⼆叉树的层序遍历⾮递归void binaryTreeLevelOrder(TreeNode root) {Queue<TreeNode> queue = new LinkedList<>();if(root != null) {queue.offer(root);//LinkedList offer add}while (!queue.isEmpty()) {//1、拿到队头的元素把队头元素的左右⼦树⼊队 TreeNode cur = queue.poll();System.out.print(cur.value+" ");//2、不为空的时候才能⼊队if(cur.left != null) {queue.offer(cur.left);}if(cur.right != null) {queue.offer(cur.right);}}}//⼆叉树的前序遍历⾮递归void binaryTreePrevOrderNonR(TreeNode root){Stack<TreeNode> stack = new Stack<>();TreeNode cur = root;TreeNode top = null;while (cur != null || !stack.empty()) {while (cur != null) {stack.push(cur);System.out.print(cur.value + " ");cur = cur.left;}top = stack.pop();cur = top.right;}System.out.println();}//⼆叉树的中序遍历⾮递归void binaryTreeInOrderNonR(TreeNode root){Stack<TreeNode> stack = new Stack<>();TreeNode cur = root;TreeNode top = null;while (cur != null || !stack.empty()) {while (cur != null) {stack.push(cur);cur = cur.left;}top = stack.pop();System.out.print(top.value+" ");cur = top.right;}System.out.println();}//⼆叉树的后序遍历⾮递归void binaryTreePostOrderNonR(TreeNode root) {Stack<TreeNode> stack = new Stack<>();TreeNode cur = root;TreeNode prev = null;while (cur != null || !stack.empty()) {while (cur != null) {stack.push(cur);cur = cur.left;}cur = stack.peek();//L D//cur.right == prev 代表的是 cur的右边已经打印过了if(cur.right == null || cur.right == prev) {stack.pop();System.out.println(cur.value);prev = cur;cur = null;}else {cur = cur.right;}}}//⼆叉树的节点个数递归int getSize(TreeNode root){if(root==null){return 0;}return getSize(root.left)+getSize(root.right)+1;}//⼆叉树的叶⼦节点的个数递归int getLeafSize(TreeNode root){if(root==null){return 0;}if(root.left==null && root.right==null){return 1;}return getLeafSize(root.left)+getLeafSize(root.right); }//⼆叉树得到第K层结点的个数int getKlevelSize(TreeNode root ,int k){if(root==null){return 0;}if(k == 1){return 1;}return getKlevelSize(root.left,k-1)+getKlevelSize(root.right,k-1);}//⼆叉树查找并返回该结点递归// 查找，依次在⼆叉树的根、左⼦树、// 右⼦树中查找 value，如果找到，返回结点，否则返回 nullTreeNode find(TreeNode root, int value){if(root == null) {return null;}if(root.value == value){return root;}TreeNode ret = find(root.left,value);if(ret != null) {return ret;}ret = find(root.right,value);if(ret != null) {return ret;}return null;}//⼆叉树的⾼度int getHeight(TreeNode root){if(root==null){return 0;}int leftHeight = getHeight(root.left);int rightHeight = getHeight(root.right);return leftHeight>rightHeight ? leftHeight+1:rightHeight+1;}//判断⼀个树是不是完全⼆叉树public int binaryTreeComplete(TreeNode root) {Queue<TreeNode> queue = new LinkedList<TreeNode>();if(root != null) {queue.add(root);//offer}while(!queue.isEmpty()) {TreeNode cur = queue.peek();queue.poll();if(cur != null) {queue.add(cur.left);queue.add(cur.right);}else {break;}}while(!queue.isEmpty()) {TreeNode cur = queue.peek();if (cur != null){//说明不是满⼆叉树return -1;}else{queue.poll();}}return 0;//代表是完全⼆叉树}//检查两棵树是否是相同的，如果两棵树结构相同，并且在结点上的值相同，那么这两棵树是相同返回true public boolean isSameTree(TreeNode p,TreeNode q){if((p==null&&q!=null)||(p!=null&&q==null)){}if(p==null && q==null){return true;}if(p.value!=q.value){return false;}return isSameTree(p.left,q.left)&&isSameTree(p.right,q.left);}//检查是否为⼦树public boolean isSubTree(TreeNode s,TreeNode t){if(s==null||t==null){return false;}if(isSameTree(s,t)){return true;}else if (isSubTree(s.left,t)){return true;}else if(isSubTree(s.right,t)){return true;}else{return false;}}//1.判断是否为平衡⼆叉树，左右⼦树的⾼度之差不超过 "1"(⼤根本⾝是平衡⼆叉树，左右⼦树也必须是平衡⼆叉树) // 时间复杂度为n^2//2.求复杂度为O(n)的解法public boolean isBanlanced(TreeNode root){if(root==null){return true;}else{int leftHeight = getHeight(root.left);int rightHeight = getHeight(root.right);return Math.abs(leftHeight-rightHeight)<2&&isBanlanced(root.left)&&isBanlanced(root.right);}}//判断是否为对称⼆叉树public boolean isSymmetric(TreeNode root){if(root==null){return true;}return isSymmetric(root.left,root.right);}public boolean isSymmetric(TreeNode lefttree,TreeNode righttree){if((lefttree==null && righttree!=null)||(lefttree!=null && righttree ==null)){return false;}if(lefttree == null && righttree == null){return true;}return lefttree.value == righttree.value && isSymmetric(lefttree.left,righttree.right)&& isSymmetric(lefttree.right,righttree.left);}//⼆叉树创建字符串⾮递归写法public String tree2str(TreeNode t){StringBuilder sb = new StringBuilder();tree2strchild(t,sb);return sb.toString();}public void tree2strchild(TreeNode t ,StringBuilder sb){if (t==null){}sb.append(t.value);if (t.left!=null){sb.append("(");tree2strchild(t.left,sb);sb.append(")");}else {if (t.right==null){}}}//⼆叉树字符串递归写法public String CreateStr(TreeNode t){if(t==null){return "";}if(t.left==null&&t.right==null){return t.value+"";}if(t.left==null){return t.value+"()"+"("+CreateStr(t.right)+")";}if(t.right==null){return t.value+"("+CreateStr(t.left)+")";}return t.value+"("+CreateStr(t.left)+")"+"("+CreateStr(t.right)+")";}public int rob(TreeNode root) {if (root == null) return 0;return Math.max(robOK(root), robNG(root));}private int robOK(TreeNode root) {if (root == null) return 0;return root.value + robNG(root.left) + robNG(root.right);}private int robNG(TreeNode root) {if (root == null) return 0;return rob(root.left) + rob(root.right);}//⼆叉树的公共祖先public TreeNode lowestCommonAncestor(TreeNode root, TreeNode p, TreeNode q) { if(root==null){return null;}if(root==p||root==q){return root;}TreeNode leftTree = lowestCommonAncestor(root.left,p,q);//p||q nullTreeNode rightTree = lowestCommonAncestor(root.right,p,q);//p||q null//3if(leftTree!=null && rightTree!=null){return root;}//左边找到else if (leftTree!=null ){return leftTree;}//右边找到else if(rightTree!=null){return rightTree;}//都没找到的情况下return null;}//⼆叉搜索树，若他的左⼦树不为空，左⼦树上的所有节点都⼩于根节点，//如果他的右⼦树不为空，右⼦树上的所有节点都⼤于根节点//最终他的中序排列都是有序结果//输⼊⼀棵⼆叉搜索树，将该⼆叉搜索树转换成⼀个排序的双向链表。

信息学奥赛——深度优先搜索和广度优先搜索

全国青少年信息学奥林匹克联赛搜索基础算法一、深度搜索（DFS）从一个简单题目开始。

例1．输出n个元素的无重复的全排列。

（1<=n<=9）在这里我们可以对每一个元素编号，形成1,2,…,8,9个数字的全排列。

我们用一个一维数组来处理，相当于有9个位置，每个位置可以放1到9，再进行重复性判断，即在每个位置放一个数字时判断它前面是否已经使用该数字。

通过数组中元素值的变化，产生全排列。

下面给出非递归例程，其中，变量k是表示位置指针，数组x用来装每个位置的值。

广度优先算法和深度优先算法

广度优先算法和深度优先算法
广度优先算法和深度优先算法是最常用的两种图遍历算法，它们都能
够遍历整个图的节点，但在具体应用场景中选择哪种算法需要根据实
际需求来判断。

广度优先算法（BFS）将当前节点的所有邻居节点都遍历一遍后再遍历下一层，可以确保找到最短路径。

具体实现方式是使用一个队列来存
储被访问过但还未被遍历过的节点，同一层的节点都在队列中，不同
层的节点通过队列的先进先出特性被访问。

BFS遍历图通常需要记录
每个节点是否被访问过，以防止重复遍历。

深度优先算法（DFS）是一种递归算法，从某一节点出发一直向下遍
历到底（即遍历到一个叶子节点），然后返回到上一层节点继续遍历，直到遍历完整个图。

DFS相较于BFS具有更好的空间复杂度，但不能
保证找到最短路径。

DFS遍历图时通常需要记录每个节点是否被访问过，并保证不重复访问。

广度优先算法和深度优先算法在选择上需要根据具体算法应用需求。

如果需要找到最短路径，则选择广度优先算法，如果需要搜索所有可
能路径，则选择深度优先算法。

例如，在迷宫的寻找最短路径场景中，BFS可以从迷宫入口出发，按照层级一层一层的向外扩展搜索，最终
一定能够找到终点，但会消耗较大的空间；而DFS则可以搜索所有可能的路径，但不能确保找到最短路径。

综上所述，广度优先算法和深度优先算法都各有优缺点，在选择上需要根据实际应用场景判断。

浅析深度优先和广度优先遍历实现过程、区别及使用场景

浅析深度优先和⼴度优先遍历实现过程、区别及使⽤场景⼀、什么是深度/⼴度优先遍历？深度优先遍历简称DFS（Depth First Search），⼴度优先遍历简称BFS（Breadth First Search），它们是遍历图当中所有顶点的两种⽅式。

这两种遍历⽅式有什么不同呢？我们来举个栗⼦：我们来到⼀个游乐场，游乐场⾥有11个景点。

我们从景点0开始，要玩遍游乐场的所有景点，可以有什么样的游玩次序呢？1、深度优先遍历第⼀种是⼀头扎到底的玩法。

我们选择⼀条⽀路，尽可能不断地深⼊，如果遇到死路就往回退，回退过程中如果遇到没探索过的⽀路，就进⼊该⽀路继续深⼊。

在图中，我们⾸先选择景点1的这条路，继续深⼊到景点7、景点8，终于发现⾛不动了：于是，我们退回到景点7，然后探索景点10，⼜⾛到了死胡同。

于是，退回到景点1，探索景点9：按照这个思路，我们再退回到景点0，后续依次探索景点2、3、5、4、发现相邻的都玩过了，再回退到3，再接着玩6，终于玩遍了整个游乐场：具体次序如下图，景点旁边的数字代表探索次序。

当然还可以有别的排法。

像这样先深⼊探索，⾛到头再回退寻找其他出路的遍历⽅式，就叫做深度优先遍历（DFS）。

这⽅式看起来很像⼆叉树的前序遍历。

没错，其实⼆叉树的前序、中序、后序遍历，本质上也可以认为是深度优先遍历。

2、⼴度优先遍历除了像深度优先遍历这样⼀头扎到底的玩法以外，我们还有另⼀种玩法：⾸先把起点相邻的⼏个景点玩遍，然后去玩距离起点稍远⼀些（隔⼀层）的景点，然后再去玩距离起点更远⼀些（隔两层）的景点… 在图中，我们⾸先探索景点0的相邻景点1、2、3、4：接着，我们探索与景点0相隔⼀层的景点7、9、5、6：最后，我们探索与景点0相隔两层的景点8、10：像这样⼀层⼀层由内⽽外的遍历⽅式，就叫做⼴度优先遍历（BFS）。

这⽅式看起来很像⼆叉树的层序遍历。

没错，其实⼆叉树的层序遍历，本质上也可以认为是⼴度优先遍历。

搜索算法二分查找深度优先搜索和广度优先搜索

搜索算法二分查找深度优先搜索和广度优先搜索搜索算法：二分查找、深度优先搜索和广度优先搜索引言：搜索算法是计算机科学中重要的算法之一，它用来在给定的数据集中查找特定的元素或解决某个问题。

本文将重点介绍三种常用的搜索算法：二分查找、深度优先搜索和广度优先搜索。

通过对这些算法的介绍，读者将了解它们的原理、特点以及应用场景，从而更好地理解搜索算法的工作原理及其在实际开发中的应用。

一、二分查找二分查找（Binary Search）是一种高效的查找算法，它适用于有序数组。

算法的基本思路是从数组的中间元素开始比较，如果要查找的元素小于中间元素，则去数组的左半部分继续查找，否则去数组的右半部分继续查找。

通过不断缩小查找范围，最终可以找到目标元素或确定目标元素不存在于数组中。

二、深度优先搜索深度优先搜索（Depth First Search，DFS）是一种用于遍历或搜索树或图的算法。

它从起始节点开始，尽可能深地访问每个节点的未访问邻居，直到遇到无法继续前进的节点，然后回溯到上一个节点，继续深入访问其他未访问的节点，直到所有节点都被访问完毕。

DFS通常采用递归或栈的方式实现。

三、广度优先搜索广度优先搜索（Breadth First Search，BFS）也是一种用于遍历或搜索树或图的算法。

与深度优先搜索不同，BFS先访问起始节点的所有邻居节点，然后再访问邻居节点的邻居节点，依次向外拓展。

BFS通常采用队列的方式实现。

四、二分查找的应用场景1. 在有序数组中查找指定元素。

由于二分查找的时间复杂度为O(logN)，因此它在处理大规模数据集时非常高效。

例如，在一个包含百万个元素的数组中，通过二分查找可以迅速确定某个元素是否存在。

五、深度优先搜索的应用场景1. 图的遍历。

深度优先搜索可以用来遍历图的所有节点，查找特定节点或判断两个节点之间是否存在路径。

例如，可以使用DFS查找一个社交网络中与某个人关系最近的所有人。

六、广度优先搜索的应用场景1. 最短路径问题。

深度优先和广度优先算法

深度优先和广度优先算法深度优先和广度优先算法深度优先遍历和广度优先遍历是两种常用的图遍历算法。

它们的策略不同，各有优缺点，可以在不同的场景中使用。

一、深度优先遍历深度优先遍历（Depth First Search，DFS）是一种搜索算法，它从一个顶点开始遍历，尽可能深地搜索图中的每一个可能的路径，直到找到所有的路径。

该算法使用栈来实现。

1. 算法描述深度优先遍历的过程可以描述为：- 访问起始顶点v，并标记为已访问； - 从v的未被访问的邻接顶点开始深度优先遍历，直到所有的邻接顶点都被访问过或不存在未访问的邻接顶点； - 如果图中还有未被访问的顶点，则从这些顶点中任选一个，重复步骤1。

2. 算法实现深度优先遍历算法可以使用递归或者栈来实现。

以下是使用栈实现深度优先遍历的示例代码：``` void DFS(Graph g, int v, bool[] visited) { visited[v] = true; printf("%d ", v);for (int w : g.adj(v)) { if(!visited[w]) { DFS(g, w,visited); } } } ```3. 算法分析深度优先遍历的时间复杂度为O(V+E)，其中V是顶点数，E是边数。

由于该算法使用栈来实现，因此空间复杂度为O(V)。

二、广度优先遍历广度优先遍历（Breadth First Search，BFS）是一种搜索算法，它从一个顶点开始遍历，逐步扩展到它的邻接顶点，直到找到所有的路径。

该算法使用队列来实现。

1. 算法描述广度优先遍历的过程可以描述为：- 访问起始顶点v，并标记为已访问； - 将v的所有未被访问的邻接顶点加入队列中； - 从队列头取出一个顶点w，并标记为已访问； - 将w的所有未被访问的邻接顶点加入队列中； - 如果队列不为空，则重复步骤3。

2. 算法实现广度优先遍历算法可以使用队列来实现。

深度优先搜索和广度优先搜索的区别

深度优先搜索和⼴度优先搜索的区别1、深度优先算法占内存少但速度较慢，⼴度优先算法占内存多但速度较快，在距离和深度成正⽐的情况下能较快地求出最优解。

2、深度优先与⼴度优先的控制结构和产⽣系统很相似，唯⼀的区别在于对扩展节点选取上。

由于其保留了所有的前继节点，所以在产⽣后继节点时可以去掉⼀部分重复的节点，从⽽提⾼了搜索效率。

3、这两种算法每次都扩展⼀个节点的所有⼦节点，⽽不同的是，深度优先下⼀次扩展的是本次扩展出来的⼦节点中的⼀个，⽽⼴度优先扩展的则是本次扩展的节点的兄弟点。

在具体实现上为了提⾼效率,所以采⽤了不同的数据结构。

4、深度优先搜索的基本思想：任意选择图G的⼀个顶点v0作为根，通过相继地添加边来形成在顶点v0开始的路，其中每条新边都与路上的最后⼀个顶点以及不在路上的⼀个顶点相关联。

继续尽可能多地添加边到这条路。

若这条路经过图G的所有顶点，则这条路即为G的⼀棵⽣成树；若这条路没有经过G的所有顶点，不妨设形成这条路的顶点顺序v0,v1,......,vn。

则返回到路⾥的次最后顶点v(n-1).若有可能，则形成在顶点v(n-1)开始的经过的还没有放过的顶点的路；否则，返回到路⾥的顶点v(n-2)。

然后再试。

重复这个过程，在所访问过的最后⼀个顶点开始，在路上次返回的顶点，只要有可能就形成新的路，知道不能添加更多的边为⽌。

5、⼴度优先搜索的基本思想：从图的顶点中任意第选择⼀个根，然后添加与这个顶点相关联的所有边，在这个阶段添加的新顶点成为⽣成树⾥1层上的顶点，任意地排序它们。

下⼀步，按照顺序访问1层上的每⼀个顶点，只要不产⽣回路，就添加与这个顶点相关联的每个边。

这样就产⽣了树⾥2的上的顶点。

遵循同样的原则继续下去，经有限步骤就产⽣了⽣成树。

深度优先搜索和广度优先搜索

深度优先搜索和广度优先搜索深度优先搜索（DFS）和广度优先搜索（BFS）是图论中常用的两种搜索算法。

它们是解决许多与图相关的问题的重要工具。

本文将着重介绍深度优先搜索和广度优先搜索的原理、应用场景以及优缺点。

一、深度优先搜索（DFS）深度优先搜索是一种先序遍历二叉树的思想。

从图的一个顶点出发，递归地访问与该顶点相邻的顶点，直到无法再继续前进为止，然后回溯到前一个顶点，继续访问其未被访问的邻接顶点，直到遍历完整个图。

深度优先搜索的基本思想可用以下步骤总结：1. 选择一个初始顶点；2. 访问该顶点，并标记为已访问；3. 递归访问该顶点的邻接顶点，直到所有邻接顶点均被访问过。

深度优先搜索的应用场景较为广泛。

在寻找连通分量、解决迷宫问题、查找拓扑排序等问题中，深度优先搜索都能够发挥重要作用。

它的主要优点是容易实现，缺点是可能进入无限循环。

二、广度优先搜索（BFS）广度优先搜索是一种逐层访问的思想。

从图的一个顶点出发，先访问该顶点，然后依次访问与该顶点邻接且未被访问的顶点，直到遍历完整个图。

广度优先搜索的基本思想可用以下步骤总结：1. 选择一个初始顶点；2. 访问该顶点，并标记为已访问；3. 将该顶点的所有邻接顶点加入一个队列；4. 从队列中依次取出一个顶点，并访问该顶点的邻接顶点，标记为已访问；5. 重复步骤4，直到队列为空。

广度优先搜索的应用场景也非常广泛。

在求最短路径、社交网络分析、网络爬虫等方面都可以使用广度优先搜索算法。

它的主要优点是可以找到最短路径，缺点是需要使用队列数据结构。

三、DFS与BFS的比较深度优先搜索和广度优先搜索各自有着不同的优缺点，适用于不同的场景。

深度优先搜索的优点是在空间复杂度较低的情况下找到解，但可能陷入无限循环，搜索路径不一定是最短的。

广度优先搜索能找到最短路径，但需要保存所有搜索过的节点，空间复杂度较高。

需要根据实际问题选择合适的搜索算法，例如在求最短路径问题中，广度优先搜索更加合适；而在解决连通分量问题时，深度优先搜索更为适用。

bfs和dfs算法

bfs和dfs算法BFS（Breadth-First Search，广度优先搜索）和DFS （Depth-First Search，深度优先搜索）是两种常用的图搜索算法。

它们的主要区别在于访问节点的顺序不同。

BFS（广度优先搜索）BFS从图的某一节点（源节点）出发，首先访问该节点的所有未访问过的邻居节点，然后对每个邻居节点，再访问它们各自的未访问过的邻居节点，如此类推，直到所有的节点都被访问过。

BFS使用队列来保存待访问的节点，队列的先进先出（FIFO）特性保证了先访问的节点先被处理，后访问的节点后被处理，即按照广度优先的顺序进行搜索。

DFS（深度优先搜索）DFS也从图的某一节点（源节点）出发，但它首先访问该节点的任意一个未访问过的邻居节点，然后对这个邻居节点进行同样的操作，即再访问它的任意一个未访问过的邻居节点，如此类推，直到当前节点没有未访问过的邻居节点为止。

此时，DFS返回上一级节点，再尝试访问它的其他未访问过的邻居节点，直到所有节点都被访问过。

DFS使用栈来保存待访问的节点，栈的后进先出（LIFO）特性保证了先访问的节点后被处理，后访问的节点先被处理，即按照深度优先的顺序进行搜索。

应用BFS和DFS都有各自的应用场景。

例如，在解决图的连通性问题时，BFS和DFS都可以用来判断图是否是连通的。

在寻找最短路径时，BFS可以用来解决无权图的单源最短路径问题（例如，广度优先搜索算法可以用来实现图的Floyd-Warshall算法）。

DFS则可以用来解决树的深度、图的直径等问题。

此外，DFS还可以用于图的遍历、拓扑排序等任务。

总结BFS和DFS的主要区别在于访问节点的顺序不同，这导致它们在处理某些问题时具有不同的优势和劣势。

因此，在选择使用哪种算法时，需要根据具体问题的特点进行决策。

深度优先算法与广度优先算法

深度优先算法与⼴度优先算法深度优先搜索和⼴度优先搜索，都是图形搜索算法，它两相似，⼜却不同，在应⽤上也被⽤到不同的地⽅。

这⾥拿⼀起讨论，⽅便⽐较。

⼀、深度优先搜索深度优先搜索属于图算法的⼀种，是⼀个针对图和树的遍历算法，英⽂缩写为DFS即Depth First Search。

深度优先搜索是图论中的经典算法，利⽤深度优先搜索算法可以产⽣⽬标图的相应拓扑排序表，利⽤拓扑排序表可以⽅便的解决很多相关的图论问题，如最⼤路径问题等等。

⼀般⽤堆数据结构来辅助实现DFS算法。

其过程简要来说是对每⼀个可能的分⽀路径深⼊到不能再深⼊为⽌，⽽且每个节点只能访问⼀次。

基本步奏（1）对于下⾯的树⽽⾔，DFS⽅法⾸先从根节点1开始，其搜索节点顺序是1,2,3,4,5,6,7,8（假定左分枝和右分枝中优先选择左分枝）。

（2）从stack中访问栈顶的点；（3）找出与此点邻接的且尚未遍历的点，进⾏标记，然后放⼊stack中，依次进⾏；（4）如果此点没有尚未遍历的邻接点，则将此点从stack中弹出，再按照（3）依次进⾏；（5）直到遍历完整个树，stack⾥的元素都将弹出，最后栈为空，DFS遍历完成。

⼆、⼴度优先搜索⼴度优先搜索（也称宽度优先搜索，缩写BFS，以下采⽤⼴度来描述）是连通图的⼀种遍历算法这⼀算法也是很多重要的图的算法的原型。

Dijkstra单源最短路径算法和Prim最⼩⽣成树算法都采⽤了和宽度优先搜索类似的思想。

其别名⼜叫BFS，属于⼀种盲⽬搜寻法，⽬的是系统地展开并检查图中的所有节点，以找寻结果。

换句话说，它并不考虑结果的可能位置，彻底地搜索整张图，直到找到结果为⽌。

基本过程，BFS是从根节点开始，沿着树(图)的宽度遍历树(图)的节点。

如果所有节点均被访问，则算法中⽌。

⼀般⽤队列数据结构来辅助实现BFS算法。

基本步奏（1）给出⼀连通图，如图，初始化全是⽩⾊（未访问）；（2）搜索起点V1（灰⾊）；（3）已搜索V1（⿊⾊），即将搜索V2，V3，V4（标灰）；（4）对V2，V3，V4重复以上操作；（5）直到终点V7被染灰，终⽌；（6）最短路径为V1，V4，V7.作者：安然若知链接：https:///p/bff70b786bb6来源：简书简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。

深度优先搜索和广度优先搜索的比较和应用场景

深度优先搜索和广度优先搜索的比较和应用场景在计算机科学中，深度优先搜索（DFS）和广度优先搜索（BFS）是两种常用的图搜索算法。

它们在解决许多问题时都能够发挥重要作用，但在不同的情况下具有不同的优势和适用性。

本文将对深度优先搜索和广度优先搜索进行比较和分析，并讨论它们在不同应用场景中的使用。

一、深度优先搜索（DFS）深度优先搜索是一种通过遍历图的深度节点来查找目标节点的算法。

它的基本思想是从起始节点开始，依次遍历该节点的相邻节点，直到到达目标节点或者无法继续搜索为止。

如果当前节点有未被访问的相邻节点，则选择其中一个作为下一个节点继续进行深度搜索；如果当前节点没有未被访问的相邻节点，则回溯到上一个节点，并选择其未被访问的相邻节点进行搜索。

深度优先搜索的主要优势是其在搜索树的深度方向上进行，能够快速达到目标节点。

它通常使用递归或栈数据结构来实现，代码实现相对简单。

深度优先搜索适用于以下情况：1. 图中的路径问题：深度优先搜索能够在图中找到一条路径是否存在。

2. 拓扑排序问题：深度优先搜索能够对有向无环图进行拓扑排序，找到图中节点的一个线性排序。

3. 连通性问题：深度优先搜索能够判断图中的连通分量数量以及它们的具体节点组合。

二、广度优先搜索（BFS）广度优先搜索是一种通过遍历图的广度节点来查找目标节点的算法。

它的基本思想是从起始节点开始，先遍历起始节点的所有相邻节点，然后再遍历相邻节点的相邻节点，以此类推，直到到达目标节点或者无法继续搜索为止。

广度优先搜索通常使用队列数据结构来实现。

广度优先搜索的主要优势是其在搜索树的广度方向上进行，能够逐层地搜索目标节点所在的路径。

它逐层扩展搜索，直到找到目标节点或者遍历完整个图。

广度优先搜索适用于以下情况：1. 最短路径问题：广度优先搜索能够在无权图中找到起始节点到目标节点的最短路径。

2. 网络分析问题：广度优先搜索能够在图中查找节点的邻居节点、度数或者群组。

三、深度优先搜索和广度优先搜索的比较深度优先搜索和广度优先搜索在以下方面有所不同：1. 搜索顺序：深度优先搜索按照深度优先的顺序进行搜索，而广度优先搜索按照广度优先的顺序进行搜索。

数据结构之的遍历深度优先搜索和广度优先搜索的实现和应用

数据结构之的遍历深度优先搜索和广度优先搜索的实现和应用深度优先搜索和广度优先搜索是数据结构中重要的遍历算法，它们在解决各种问题时起着关键作用。

本文将介绍深度优先搜索和广度优先搜索的实现方法以及它们的应用。

一、深度优先搜索的实现和应用深度优先搜索（Depth First Search，DFS）是一种用于图或树的遍历算法。

它的基本思想是从起始节点开始，一直沿着某一分支深入直到不能再深入为止，然后回溯到前一个节点，再沿另一分支深入，直到遍历完所有节点。

深度优先搜索可以通过递归或者栈来实现。

在实现深度优先搜索时，可以采用递归的方式。

具体的实现步骤如下：1. 创建一个访问数组，用于标记节点是否已经被访问过。

2. 从起始节点开始，将其标记为已访问。

3. 遍历当前节点的邻接节点，对于每个邻接节点，如果该节点未被访问过，则递归调用深度优先搜索函数。

4. 重复步骤3，直到所有节点都被访问过。

深度优先搜索的应用非常广泛，以下是几个常见的应用场景：1. 图的连通性判断：深度优先搜索可以用于判断图中的两个节点是否连通。

2. 拓扑排序：深度优先搜索可以用于对有向无环图进行拓扑排序，即按照一种特定的线性顺序对节点进行排序。

3. 岛屿数量计算：深度优先搜索可以用于计算给定矩阵中岛屿的数量，其中岛屿由相邻的陆地单元组成。

二、广度优先搜索的实现和应用广度优先搜索（Breadth First Search，BFS）是一种用于图或树的遍历算法。

它的基本思想是从起始节点开始，逐层遍历，先访问当前节点的所有邻接节点，然后再依次访问下一层的节点，直到遍历完所有节点。

广度优先搜索可以通过队列来实现。

在实现广度优先搜索时，可以采用队列的方式。

具体的实现步骤如下：1. 创建一个访问数组，用于标记节点是否已经被访问过。

2. 创建一个空队列，并将起始节点入队。

3. 当队列不为空时，取出队首节点，并标记为已访问。

4. 遍历当前节点的邻接节点，对于每个邻接节点，如果该节点未被访问过，则将其入队。