《图论算法入门:掌握DFS和BFS,理解图与树的遍历》

《图论算法入门:掌握DFS和BFS,理解图与树的遍历》
  

🎬 博主名称个人主页

🔥 个人专栏《算法通关》《Java讲解》

⛺️心简单,世界就简单

目录

序言

DFS

全排列问题

剪枝操作---n皇后问题

BFS

树与图的深度优先遍历

树,图的存储

遍历树,图

树与图的宽度优先遍历


序言

到图论这章节了,先讲讲DFS,BFS,然后讲树和图咋存储,还有树和图的DFS以及BFS,

DFS

dfs是一个执着的人(可爱捏),他一直搜索到叶子节点,然后才会回头去看别的路,然后继续一条路走到头

从数据结构来看,我们的dfs用的是

从空间来看,我们dfs空间使用是与高度成正比的O( h )

我们dfs搜索是一条路走到头,所以我们dfs不具有最短路的性质

我们来看个最经典的题,

全排列问题

我们从0开始出发,然后往下搜,当搜到n的话就说明我们搜完了输出一下就行(用path记录搜索的路径),当搜完之后,我们肯定要恢复原状,所以把st给回复,path不用是因为,下次直接就覆盖了,不用再path[ i ] = 0;·,,这里的u是层数,我们一层选一个数嘛,到第n层了,那不就是选够n个数了。

#include <iostream> using namespace std; const int N = 10; int n; int path[N]; bool st[N]; void dfs(int u){ if(u == n){ for(int i = 0; i < n; i ++) printf("%d" , path[i]); puts(""); return ; } for(int i = 1; i <= n; i ++){ if(!st[i]){ path[u] = i; st[i] = 1; dfs(u + 1); //恢复现场 st[i] = false; } } } int main(){ cin >> n; dfs(0); }

我们dfs通常还会有剪枝操作,这里我们拿八皇后问题来讲解

剪枝操作---n皇后问题

序言注意的是,对角线这里

//正对角线 y = x + b; b = x - y; 由于可能为负值,我们加个n 变为x - y +n就行
//反对角线 y = -x + b; b = x + y; 

我们这个方式是什么呢,是枚举每一行的位置,看皇后能不能在这

#include <iostream> using namespace std; const int N = 10; int n; char g[N][N]; bool col[N], dg[N], udg[N];//列,对角线,反对角线 //正对角线 y = x + b; b = x - y; 由于可能为负值,我们加个n //反对角线 y = -x + b; b = x + y; void dfs(int u){ if(u == n){ for(int i = 0; i < n; i++) puts(g[i]); puts(""); return ; } for(int i = 0; i < n; i ++){ if(!col[i] && !dg[u + i] && !udg[n - u + i]){ g[u][i] = 'Q'; col[i] = dg[u + i] = udg[n + i - u] = true; dfs(u + 1); //恢复现场 g[u][i] = '.'; col[i] = dg[u + i] = udg[n + i - u] = false; } } } int main(){ cin >> n; for(int i = 0; i < n; i++){ for(int j = 0; j < n; j ++){ g[i][j] = '.'; } } dfs(0); }

BFS

是一个眼观六路,耳听八方的人,他搜索会一层一层搜索,走一次看看哪个好走,再继续搜

从数据结构来看,我们bfs用的是队列

从空间来看,我们bfs空间使用是O( 2^h )

我们BFS搜索时一层一层搜索,每次搜的都是离自己最近的路,所以我们BFS具有一种最短路的性质。

宽搜是有一个固定框架的, 就是建一个队列,然后每次搜到就扔进去,然后取出第一个元素,这个走迷宫也相当于模板了,看看就行,然后我们加了个输出的路径,用prev数组存取每个点的前一步点

#include<iostream> #include<algorithm> #include<cstring> using namespace std; const int N = 1e2+ 10; typedef pair<int, int> PII; int n, m; int g[N][N]; int d[N][N];//每个点到起点的距离 PII q[N * N], Prev[N][N]; int bfs(){ int hh = 0, tt = 0; q[0] = {0, 0}; memset(d, -1, sizeof(d)); d[0][0] = 0; int dx[4] = {-1, 0, 1, 0}; int dy[4] = {0, 1, 0, -1}; while(hh <= tt){ auto t = q[hh++];//取出第一个点,然后 for(int i = 0; i < 4; i++){ int x =t.first +dx[i], y = t.second + dy[i]; if(x >=0 &&x < n && y >= 0 && y < m && g[x][y] == 0 && d[x][y] == -1){ d[x][y] = d[t.first][t.second] + 1; Prev[x][y]= t;//记录一下每个点的前一个点 q[ ++tt] = {x, y};//把这个点扔进u低劣里 } } } // int x = n - 1, y = m - 1; // while(x || y){ // cout << x << ' ' << y <<endl; // auto t = Prev[x][y]; // x = t.first, y = t.second; // } // return d[n - 1][m - 1]; } int main(){ cin >> n >>m; for(int i = 0; i < n; i++){ for(int j = 0; j < m; j++){ cin >> g[i][j]; } } cout<<bfs(); }

树与图的深度优先遍历

先说树的存储,树是一种特殊的图,他是无环图,那我们就直说图的遍历就行了

树,图的存储

图分为有向图和无向图

无向图就是说如果a和b有之间有边,那就是a能走到b,b也能走向a

有向图就是,说有一条边的话,只能从一个点到另一个点,是有方向的

无向图就是特殊的有向图,我们只讲有向图就行,

有向图可以用邻接表,邻接矩阵来存,我们不常用邻接矩阵,他比较浪费空间,适合稠密的图,稀疏的话就很浪费空间,所以我们一般都用邻接表

邻接表:就是每个点上都有一个单链表



我们一般都用静态链表,也是常说的链式前向星遍历树,图

我们去dfs遍历这个图,然后得到以每个节点为根节点,求去掉这个根节点后,他的子树里最大的节点数量为多少,然后我们求出这个最大值,然后用一个全局变量存储,然后和每一个去掉的节点后求得的这个值进行min比较,具体去看代码吧,看代码来思考


树与图的宽度优先遍历

这个直接找个题看就行了

#include<iostream> #include<algorithm> #include<cstring> using namespace std; const int N = 1e5 +10; int n, m, q[N], d[N]; //d记录每个节点到节点1的距离 int e[N], h[N], idx, ne[N]; void add(int a, int b){ e[idx] = b; ne[idx] = h[a]; h[a] = idx++; } int bfs(){ int hh = 0, tt = 0; q[0] = 1; memset(d, -1, sizeof d); d[1] = 0; while(hh <= tt){ int t = q[hh++]; for(int i = h[t]; i != -1; i = ne[i]){ int j = e[i]; if(d[j] == -1){ d[j] = d[t] + 1; q[ ++tt] = j; } } } return d[n]; } int main(){ cin >> n >> m; memset(h, -1, sizeof h); for(int i = 0; i < m; i++){ int a, b; cin >> a >> b; add(a, b); } cout<< bfs(); } 

Read more

IoTDB AINode 实战指南:SQL 原生时序 AI 建模,毫秒级预测 / 异常检测落地

IoTDB AINode 实战指南:SQL 原生时序 AI 建模,毫秒级预测 / 异常检测落地

IoTDB AINode 实战指南:SQL 原生时序 AI 建模,毫秒级预测 / 异常检测落地 AINode 作为 IoTDB 原生时序 AI 节点,内置 Timer 系列等业界领先时序大模型,支持通过标准 SQL 语句完成模型注册、管理与推理全流程,无需 Python/Java 编程,更无需迁移 IoTDB 存储的数据。本文详细拆解 AINode 的核心优势、模型注册 / 调用 / 权限管理等关键操作,结合电力负载预测、变电站电压预测、民航旅客异常检测三大工业级案例,手把手演示如何通过简单 SQL 实现时序数据的趋势预测、缺失值填补与异常识别,助力开发者快速落地毫秒级实时时序 AI 应用。 AINode 是支持时序相关模型注册、管理、调用的 IoTDB

By Ne0inhk
LLM - 基于 Spring AI Alibaba Graph 重构多智能体订单助手:从单体 Agent 到图工作流的工程实践

LLM - 基于 Spring AI Alibaba Graph 重构多智能体订单助手:从单体 Agent 到图工作流的工程实践

文章目录 * Pre * 背景:为什么要上 Graph? * 项目结构:按真实工程拆分 * 订单助手 Graph 设计:从多 Agent 视角出发 * 业务场景回顾 * Graph 拆分为节点 * 实战:定义 OverAllState 与 Graph * 定义 OverAllState * 构建 StateGraph * 节点实现:把 Agent 融入 Graph * 1. 入口节点 EntryNode * 2. 意图路由节点 IntentRouterNode * 3. 条件边分发器 IntentRouteDispatcher * 4. 商品 Agent 节点 ProductAgentNode * 对外暴露:Controller 触发 Graph 执行 * 工程落地经验:

By Ne0inhk
TensorFlow深度学习实战(22)——Transformer架构详解与实现

TensorFlow深度学习实战(22)——Transformer架构详解与实现

TensorFlow深度学习实战(22)——Transformer架构详解与实现 * 0. 前言 * 1. Transformer 架构 * 1.1 关键思想 * 1.2 计算注意力 * 1.3 编码器-解码器架构 * 1.4 Transformer 架构 * 1.5 模型训练 * 2. Transformer 类别 * 2.1 解码器(自回归)模型 * 2.2 编码器(自编码)模型 * 2.3 Seq2seq * 3. 经典注意力机制 * 3.1 稀疏注意力 * 3.2 LSH 注意力 * 3.

By Ne0inhk

OpenClaw Gateway 开机自启 + 自动打开 Dashboard 完整解决方案(非静默版)

最近在部署 OpenClaw Gateway 的过程中遇到了几个麻烦: 1. 手动启动不稳定 * 每次启动 Gateway 都会提示 already running (pid xxx) * 必须手动去杀掉残留 PID,并删除 lock 文件,才能重新启动 2. 计划任务自启动失败 * 用 openclaw gateway install 创建计划任务时,报错 系统找不到指定的文件 或权限问题 * 放在 C:\Windows\System32 下又遇到访问权限问题 3. 静默启动的问题 * 默认后台静默启动时,终端看不到日志 * Dashboard 不会自动打开,需要手动访问 * 启动失败或者端口冲突时,很难发现 问题分析 总结下来,主要问题有三个: 1. PID / lock 文件残留

By Ne0inhk