BFS(广度优先搜索):
图1 BFS
图2 BFS
图3 Queue of BFS
图一是BFS(广度优先搜索)在树的情况下的执行过程,从A出发,搜索A的第二层,发现有B,C,D(必须从左到右搜索),再搜索B的第二层,发现B的第二层没有元素,再搜索C的第二层,发现有E,F,放置于D后面,再搜索D的第二层,发现有G,放置于F后面,再往下搜索E,F,G,发现只有G有第二层H和I,所以最后得到:
A B C D E F G H I
图二是BFS(广度优先搜索)在图的情况下的执行过程,假设从A出发,第二层是B和C,先搜索B的第二层,发现有D,再搜索C的第二层,发现只有E了,最后D,E中只有D有第二层F,所以最后得到:
A B C D E F
⚠️:这里不可以是:A B C E D F,因为必须先搜索B的第二层再搜索C的第二层
同理以E为起始点可以得到:E C D A B F(不同的起始点的路径不同)
BFS在python中实现运用了Queue(队列)将搜索结果进行排列
DFS(深度优先搜索):
图4 DFS
图5 stack of DFS
图4是DFS(深度优先搜索)在图的情况下的执行过程,其规则是从起始点往下走,走到底再返回,直到走完所有点:
从起始点A出发->B->C->D->F(此时到底了,返回)->E->C(此时所有点都走完了)
DFS在python中实现运用了Stack(栈)将搜索结果进行堆砌:
将起始点A先放入栈->拿出A,A后可以选择走B和C->将B,C放入栈->拿出B,B之后只能走D->将D放入栈->拿出D,D之后可以走E,F->将E,F放入栈->拿出F,F之后到底了->无放入->拿出E->拿出C
最后得到 A B D F E C (不同的起始点的路径不同)
完整python代码解析
从‘A’出发:
BFS得到A B C D E F (答案不唯一)
DFS得到A B D F E C (答案不唯一)
用字典的映射去表示图2
>>> graph = {
... 'A': ['B', 'C'],
... 'B': ['A', 'C', 'D'],
... 'C': ['A', 'B', 'D', 'E'],
... 'D': ['B', 'C', 'E', 'F'],
... 'E': ['C', 'D'],
... 'F': ['D']
... }
>>> graph.keys()-------返回图上所有节点的名称,顺序不固定
dict_keys(['A', 'B', 'C', 'D', 'E', 'F'])
>>> graph['E']------看看E的连接点
['C', 'D']
1
2
3
4
5
6
7
8
9
10
11
12
13
数组可以动态加东西,用append(),动态删东西用pop()
>>> queue = []
>>> queue.append('A')---在列表末端添加元素
>>> queue.append('B')
>>> queue.append('C')
>>> queue
['A', 'B', 'C']
>>> queue.pop(0)---删除第一个元素并返回
'A'
>>> queue
['B', 'C']
>>> queue.pop()----删除最后一个元素并返回
'C'
>>> queue
['B']
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
graph = {
'A': ['B', 'C'],
'B': ['A', 'C', 'D'],
'C': ['A', 'B', 'D', 'E'],
'D': ['B', 'C', 'E', 'F'],
'E': ['C', 'D'],
'F': ['D']
}
# input一个graph和起始点s
def BFS(graph, s):
#创建队列
queue = []
#将起始点s放入队列,假设起始点为‘A’
queue.append(s)
#set():创建一个无序不重复元素集,可进行关系测试,删除重 复数据,还可以计算交集、差集、并集
seen = set()
#'A'我们已经见过,放入seen
seen.add(s)
#当队列不是空的时候
while len(queue) > 0:
#将队列的第一个元素读出来,即‘A’
vertex = queue.pop(0)
#graph['A']就是A的相邻点:['B','C'],将其储存到nodes
nodes = graph[vertex]
#遍历nodes中的元素,即['B','C']
for w in nodes:
#如果w没见过
if w not in seen:
queue.append(w)
#加入seen表示w我们看见过了
seen.add(w)
print(vertex)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
执行过程:
step 1:queue=[‘A’]->seen=[‘A’]->queue=[ ]->vertex=‘A’->nodes=[‘B’,‘C’]->queue=[‘B’,‘C’]->seen=[‘A’,‘B’,‘C’]->return ‘A’
step 2:vertex=‘B’->queue=[‘C’]->nodes=[‘A’, ‘C’, ‘D’]->queue=[‘C’‘D’]->seen=[‘A’,‘B’,‘C’,‘D’]->return’B’
step 3:vertex=‘C’->queue=[‘D’]->nodes=[‘A’, ‘B’, ‘D’, ‘E’]->queue=[‘D’‘E’]->seen=[‘A’,‘B’,‘C’,‘D’‘E’]->return’C’
…
"DFS的方法就是将BFS中的队列改成栈即可"
def DFS(graph, s):
stack = []
stack.append(s)
seen = set()
seen.add(s)
while len(stack) > 0:
vertex = stack.pop()
nodes = graph[vertex]
for w in nodes:
if w not in seen:
stack.append(w)
seen.add(w)
print(vertex)
print(DFS(graph, 'A'))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
求最短路径问题:
求A到E的最短路径,我们用parent建一个表,表显示每个点的前一个点是哪个点,这样我们先找E的前一个点为C,C的前一个点为A,A前没有点了,因此A到E的最短路径为A->C->E
# 用字典表示S的前一个点为空
parent = {s: None}
之前w的前一个点就是vertex,因此:
parent[w] = vertex
将这两行代码加入之前的代码中:
1
2
3
4
5
完整代码为:
def BFS(graph, s):
queue = []
queue.append(s)
seen = set()
seen.add(s)
parent = {s: None}
while len(queue) > 0:
vertex = queue.pop(0)
nodes = graph[vertex]
for w in nodes:
if w not in seen:
queue.append(w)
seen.add(w)
parent[w] = vertex
print(vertex)
return parent
"测试从‘E’出发"
parent = BFS(graph, 'E')
for key in parent:
print(key, parent[key])
————————————————
原文链接:https://blog.csdn.net/Huangkaihong/article/details/106131950
http://luanren.com/home.php?mod=space&uid=483567
http://luanren.com/home.php?mod=space&uid=289024
http://luanren.com/home.php?mod=space&uid=354351
http://luanren.com/home.php?mod=space&uid=27716
http://luanren.com/home.php?mod=space&uid=485621