一、什么是“搜索”算法?
- 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。
- 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。
- 具体方法有很多,两种最简单、最“暴力”的方法为深度优先、广度优先搜索,还有A 、 IDA 等启发式搜索算法。
- 图有两种主要存储方法,邻接表和邻接矩阵。
- 以无向图,采用邻接表存储为例:
public class Graph { // 顶点的个数 private int v; // 每个顶点后面有个链表 private LinkedList[] adj; public Graph(int v) { this.v = v; adj = new LinkedList[v]; for (int i = 0; i < v; i++) { adj[i] = new LinkedList<>(); } } /** * 添加边 * @param s 顶点 * @param t 顶点 */ public void addEdge(int s,int t){ // 无向图一条边存两次(联想微信好友) adj[s].add(t); adj[t].add(s); }}
二、广度优先搜索(BFS)
- 广度优先搜索(Breadth-First-Search),简称为 BFS。
- 它是一种“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 。
2.1、实现过程
/** * 图的广度优先搜索,搜索一条从 s 到 t 的路径。 * 这样求得的路径就是从 s 到 t 的最短路径。 * * @param s 起始顶点 * @param t 终止顶点 */public void bfs(int s, int t) { if (s == t) { return; } // visited 记录已经被访问的顶点,避免顶点被重复访问。如果顶点 q 被访问,那相应的visited[q]会被设置为true。 boolean[] visited = new boolean[v]; visited[s] = true; // 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,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。 // 当访问到第k层的顶点的时候,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,用这个队列来实现记录的功能。 Queue queue = new LinkedList<>(); queue.add(s); // prev 用来记录搜索路径。当从顶点s开始,广度优先搜索到顶点t后,prev数组中存储的就是搜索的路径。 // 不过,这个路径是反向存储的。prev[w]存储的是,顶点w是从哪个前驱顶点遍历过来的。 // 比如,通过顶点2的邻接表访问到顶点3,那prev[3]就等于2。为了正向打印出路径,需要递归地来打印,就是print()函数的实现方式。 int[] prev = Arrays.stream(new int[v]).map(f -> -1).toArray(); while (queue.size() != 0) { int w = queue.poll(); LinkedList wLinked = adj[w]; // 表示:邻接表存储时顶点为w,所对应的链表 for (int i = 0; i < wLinked.size(); ++i) { int q = wLinked.get(i); // 判断顶点 q 是否被访问 if (!visited[q]) { // 未被访问 prev[q] = w; if (q == t) { print(prev, s, t); return; } visited[q] = true; queue.add(q); } } }}// 递归打印s->t的路径private void print(int[] prev, int s, int t) { if (prev[t] != -1 && t != s) { print(prev, s, prev[t]); } System.out.print(t + " ");}
原理如下:
2.2、复杂度分析
- 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。
- 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)。
- 广度优先搜索的空间消耗主要在几个辅助变量 visited 数组、queue 队列、prev 数组上。
- 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) 。
三、深度优先搜索(DFS)
- 深度优先搜索(Depth-First-Search),简称DFS。
- 最直观的例子就是“走迷宫,假设站在迷宫的某个岔路口,然后想找到出口。
- 随意选择一个岔路口来走,走着走着发现走不通的时候,就回退到上一个岔路口,重新选择一条路继续走,直到最终找到出口。这种走法就是一种深度优先搜索策略。
- 如下图所示,在图中应用深度优先搜索,来找某个顶点到另一个顶点的路径。
- 搜索的起始顶点是 s,终止顶点是 t,在图中寻找一条从顶点 s 到顶点 t 的路径。
- 用深度递归算法,把整个搜索的路径标记出来了。实线箭头表示遍历,虚线箭头表示回退。
- 从图中可以看出,深度优先搜索找出来的路径,并不是顶点 s 到顶点 t 的最短路径。
3.1、实现过程
// 全局变量或者类成员变量,标记是否找到终点 tboolean found = false;/** * 深度优先搜索 * * @param s 起始顶点 * @param t 终止顶点 */public void dfs(int s, int t) { found = false; // 标记顶点是否被访问 boolean[] visited = new boolean[v]; // prev 用来记录搜索路径,prev[w] = a 表示 w 顶点的上一级节点为 a int[] prev = Arrays.stream(new int[v]) .map(f -> -1).toArray(); recurDfs(s, t, visited, prev); print(prev, s, t);}private void recurDfs(int w, int t, boolean[] visited, int[] prev) { if (found == true) { return; } visited[w] = true; if (w == t) { found = true; return; } LinkedList wLinked = adj[w]; for (int i = 0; i < wLinked.size(); ++i) { int q = wLinked.get(i); if (!visited[q]) { prev[q] = w; recurDfs(q, t, visited, prev); } }}
3.2、复杂度分析
- 深度搜索中每条边最多会被访问两次,一次是遍历,一次是回退。
- 所以,深度优先搜索算法的 时间复杂度是 O(E) , E 表示边的个数。
- 深度优先搜索算法的消耗内存主要是 visited、 prev 数组和递归调用栈。
- visited、 prev 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) 。
四,两者对比
- 广度优先搜索和深度优先搜索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。
- 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。
- 广度优先搜索需要借助队列来实现,遍历得到的路径就是,起始顶点到终止顶点的最短路径。
- 深度优先搜索用的是回溯思想,非常适合用递归实现。换种说法,深度优先搜索是借助栈来实现的。
- 在执行效率方面,深度优先和广度优先搜索的时间复杂度都是 O(E),空间复杂度是 O(V)。