穆晶波1. 问题描述与核心思路
Leetcode 200题"岛屿数量"是一个经典的图论问题，题目给定一个由'1'(陆地)和'0'(水)组成的二维网格，要求计算网格中岛屿的数量。岛屿被定义为被水包围的、通过水平或垂直方向相邻的陆地连接形成的区域。
这个问题的核心在于如何高效地遍历二维网格，并准确识别和标记相连的陆地区域。在实际应用中，这类算法常用于图像处理中的连通区域分析、地理信息系统中的岛屿或地块统计等场景。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 算法选择与比较
2.1 深度优先搜索(DFS)解法
DFS是解决这类连通性问题最直观的方法之一。其基本思路是：当遇到一个未被访问的'1'时，以此为起点进行深度优先搜索，将所有相连的'1'都标记为已访问，这样整个岛屿就被完整识别。
python复制def numIslands(grid):
if not grid:
return 0
count = 0
rows, cols = len(grid), len(grid[0])
def dfs(r, c):
if r < 0 or c < 0 or r >= rows or c >= cols or grid[r][c] != '1':
return
grid[r][c] = '0' # 标记为已访问
dfs(r+1, c)
dfs(r-1, c)
dfs(r, c+1)
dfs(r, c-1)
for r in range(rows):
for c in range(cols):
if grid[r][c] == '1':
count += 1
dfs(r, c)
return count
DFS的时间复杂度为O(M×N)，其中M和N分别是网格的行数和列数，因为每个网格最多被访问一次。空间复杂度在最坏情况下也是O(M×N)，这是由递归调用栈的深度决定的。
2.2 广度优先搜索(BFS)解法
BFS是另一种解决连通性问题的有效方法。与DFS不同，BFS使用队列来按层次遍历相邻节点。
python复制from collections import deque
def numIslands(grid):
if not grid:
return 0
count = 0
rows, cols = len(grid), len(grid[0])
for r in range(rows):
for c in range(cols):
if grid[r][c] == '1':
count += 1
grid[r][c] = '0'
queue = deque([(r, c)])
while queue:
row, col = queue.popleft()
for dr, dc in [(-1,0),(1,0),(0,-1),(0,1)]:
nr, nc = row + dr, col + dc
if 0 <= nr < rows and 0 <= nc < cols and grid[nr][nc] == '1':
grid[nr][nc] = '0'
queue.append((nr, nc))
return count
BFS的时间复杂度同样为O(M×N)，空间复杂度在最坏情况下是O(min(M,N))，因为队列中最多存储网格对角线上的节点数。
2.3 并查集(Union-Find)解法
并查集是解决动态连通性问题的经典数据结构，特别适合处理需要频繁查询和合并操作的场景。
python复制class UnionFind:
def __init__(self, grid):
rows, cols = len(grid), len(grid[0])
self.count = 0
self.parent = [i for i in range(rows * cols)]
self.rank = [0] * (rows * cols)
for r in range(rows):
for c in range(cols):
if grid[r][c] == '1':
self.count += 1
def find(self, i):
if self.parent[i] != i:
self.parent[i] = self.find(self.parent[i])
return self.parent[i]
def union(self, x, y):
rootx = self.find(x)
rooty = self.find(y)
if rootx != rooty:
if self.rank[rootx] > self.rank[rooty]:
self.parent[rooty] = rootx
elif self.rank[rootx] < self.rank[rooty]:
self.parent[rootx] = rooty
else:
self.parent[rooty] = rootx
self.rank[rootx] += 1
self.count -= 1
def numIslands(grid):
if not grid:
return 0
rows, cols = len(grid), len(grid[0])
uf = UnionFind(grid)
for r in range(rows):
for c in range(cols):
if grid[r][c] == '1':
grid[r][c] = '0'
for dr, dc in [(-1,0),(1,0),(0,-1),(0,1)]:
nr, nc = r + dr, c + dc
if 0 <= nr < rows and 0 <= nc < cols and grid[nr][nc] == '1':
uf.union(r * cols + c, nr * cols + nc)
return uf.count
并查集解法的时间复杂度可以近似为O(M×N×α(M×N))，其中α是反阿克曼函数，增长极其缓慢，可以认为是常数时间。空间复杂度为O(M×N)。
3. 算法优化与变种
3.1 空间优化技巧
在实际应用中，我们可以通过修改原始网格来标记已访问的节点，从而避免使用额外的空间。这在前面给出的DFS和BFS代码中已经体现，通过将访问过的'1'改为'0'来实现。
如果题目要求不能修改原始输入，我们可以使用一个独立的visited矩阵来记录访问状态，但这会增加O(M×N)的空间复杂度。
3.2 并行计算优化
对于大规模网格，可以考虑并行计算的方法。基本思路是将网格划分为多个区域，分别计算各区域的岛屿数量，然后处理边界处的合并问题。这种方法特别适合GPU加速实现。
3.3 岛屿问题的变种
基于基本的岛屿数量问题，Leetcode上还有多个变种题目，例如：
- 岛屿的最大面积
- 被围绕的区域
- 岛屿的周长
- 统计子岛屿数量
这些变种问题都可以使用类似的DFS/BFS/并查集方法解决，但需要根据具体问题调整算法细节。
4. 实际应用与性能考量
4.1 实际应用场景
岛屿计数算法在实际中有广泛的应用：
- 图像处理中的连通区域分析
- 地理信息系统中的地块统计
- 社交网络中的社群发现
- 电路设计中的连通性检查
4.2 算法选择建议
在实际应用中，选择哪种算法取决于具体场景：
- 对于小规模网格，三种方法性能差异不大，DFS代码最简洁
- 对于大规模网格，BFS的空间效率更高
- 如果需要频繁的动态更新和查询，并查集是最佳选择
4.3 常见错误与调试技巧
在实现岛屿计数算法时，常见的错误包括：
- 忘记处理空输入的情况
- 边界条件处理不当（网格边缘的访问）
- 在BFS实现中，忘记及时标记已访问节点导致重复入队
- 并查集实现中路径压缩或按秩合并的逻辑错误
调试时可以：
- 使用小规模测试用例逐步验证
- 打印中间状态检查访问标记是否正确
- 对于并查集，可以打印parent数组观察合并过程
5. 代码实现细节与优化
5.1 Python实现中的性能优化
在Python中实现这些算法时，有几个性能优化的技巧：
- 将嵌套循环中的重复计算提取到循环外
- 使用局部变量缓存频繁访问的值
- 对于BFS，使用collections.deque比list.pop(0)更高效
- 在DFS中，考虑使用迭代而非递归以避免栈溢出
5.2 方向数组的使用技巧
在处理网格的四个方向时，可以定义一个方向数组来简化代码：
python复制directions = [(-1,0),(1,0),(0,-1),(0,1)]
然后在循环中遍历这个数组，避免重复写四个相似的代码块。
5.3 边界检查的优化
边界检查是这类算法中的高频操作，可以通过以下方式优化：
- 将边界检查提取为内联函数或lambda表达式
- 在某些情况下，可以在网格周围添加一圈'0'作为哨兵值，从而简化边界检查
6. 扩展思考与进阶题目
掌握了基本的岛屿计数算法后，可以尝试解决以下进阶问题：
- 如何统计岛屿的周长？
- 如何找到最大的岛屿面积？
- 如果允许对角线连接，算法需要如何修改？
- 如何高效处理动态变化的网格（实时增减岛屿）？
这些问题都可以基于我们已经讨论的算法框架进行扩展和修改。例如，统计岛屿周长时，可以在遍历过程中统计每个陆地格子与水域相邻的边数；寻找最大岛屿面积时，可以在DFS/BFS过程中累加访问的格子数并记录最大值。