图论路径搜索：DFS与BFS算法实战解析

1. 项目概述

"代码随想录算法训练营第四十九天|98. 所有可达路径"这个标题揭示了算法学习过程中的一个经典问题——图论中的路径搜索。作为一名参加过多个算法训练营的老学员，我深知这类题目在面试和实际工程中的重要性。可达路径问题不仅考察基础数据结构掌握程度，更是检验递归思维和回溯技巧的试金石。

这个题目来自知名的"代码随想录"算法训练体系，该体系以系统性和实战性著称。第49天的训练内容聚焦于中等难度的图遍历问题，要求找出从起点到终点的所有可能路径。这类问题在社交网络分析、路由算法、依赖关系解析等场景都有广泛应用。

2. 核心算法解析

2.1 问题定义与建模

题目给定一个有向无环图(DAG)，要求找出从源节点到目标节点的所有可能路径。以LeetCode 98题为例：

• 输入：图的邻接表表示，如 [[1,2], [3], [3], []]
• 输出：所有路径列表，如 [[0,1,3],[0,2,3]]

这个问题本质上是图遍历的变种，与简单路径查找不同之处在于需要记录所有可行解而非单个解。建模时需要注意：

1. 图的表示方式（邻接矩阵/邻接表）
2. 节点访问状态的维护
3. 路径记录的时机和方式

2.2 深度优先搜索(DFS)实现

DFS是解决这类问题的首选方法，其核心在于递归探索和回溯：

python复制def allPathsSourceTarget(graph):
    def dfs(node, path):
        if node == len(graph) - 1:  # 到达目标节点
            res.append(path.copy())
            return
        for neighbor in graph[node]:
            path.append(neighbor)
            dfs(neighbor, path)
            path.pop()  # 回溯
    
    res = []
    dfs(0, [0])
    return res

关键点解析：

1. 递归终止条件：当前节点为目标节点时记录完整路径
2. 邻居遍历：对当前节点的每个邻居进行深度探索
3. 回溯操作：探索完成后撤销当前选择，尝试其他路径

2.3 时间复杂度分析

对于n个节点的图：

• 最坏情况下（完全图），时间复杂度为O(2^n)
• 空间复杂度主要取决于递归栈深度和路径存储，为O(n)

提示：实际面试中，面试官常会追问时间/空间复杂度，建议提前准备清晰的解释。

3. 算法优化与变种

3.1 记忆化搜索优化

对于存在重复子问题的图结构，可以采用记忆化技术：

python复制from functools import lru_cache

def allPathsSourceTarget(graph):
    @lru_cache(maxsize=None)
    def dfs(node):
        if node == len(graph)-1:
            return [[len(graph)-1]]
        paths = []
        for neighbor in graph[node]:
            for path in dfs(neighbor):
                paths.append([node] + path)
        return paths
    
    return dfs(0)

这种优化特别适用于存在大量重叠路径的情况，如网格图等。

3.2 广度优先搜索(BFS)实现

虽然DFS更直观，但BFS也可以解决这个问题：

python复制from collections import deque

def allPathsSourceTarget(graph):
    q = deque()
    q.append((0, [0]))
    res = []
    
    while q:
        node, path = q.popleft()
        if node == len(graph)-1:
            res.append(path)
            continue
        for neighbor in graph[node]:
            q.append((neighbor, path + [neighbor]))
    
    return res

BFS的优势在于可以天然避免递归栈溢出问题，适合处理大规模图数据。

4. 常见问题与调试技巧

4.1 无限递归问题

新手常犯的错误是忘记标记访问状态，导致循环图中出现无限递归。解决方法：

1. 对于无环图可以直接遍历
2. 含环图需要维护visited集合：

python复制def dfs(node, path, visited):
    visited.add(node)
    # ...其余逻辑
    visited.remove(node)  # 回溯时移除

4.2 路径记录错误

常见错误包括：

1. 忘记拷贝路径列表（Python中列表是可变对象）
2. 错误的时间点记录路径
3. 路径中包含多余节点

调试建议：

• 在递归入口/出口打印当前路径
• 使用小规模测试用例逐步验证

4.3 性能优化技巧

1. 提前终止：当确定后续不可能到达终点时可提前剪枝
2. 并行处理：对于大规模图可考虑多线程/多进程DFS
3. 迭代实现：用显式栈替代递归避免栈溢出

5. 实际应用场景

5.1 社交网络分析

在社交网络中，可达路径分析可以用于：

• 发现潜在的人脉联系
• 计算用户影响力传播路径
• 识别信息传播的关键节点

5.2 路由规划系统

地图导航系统中的多路径规划本质上就是可达路径问题的变种：

• 找出所有可能的行车路线
• 结合权重筛选最优路径
• 动态调整路径选择策略

5.3 软件依赖解析

在构建系统中分析依赖关系时：

• 确定所有可能的编译顺序
• 检测循环依赖
• 优化构建流程

6. 扩展练习建议

为了真正掌握这类算法，建议尝试以下变种题目：

1. 加权图的最短/最长路径（LeetCode 787）
2. 存在障碍物的网格路径（LeetCode 980）
3. 要求路径满足特定条件（如经过某些节点）
4. 大规模图的近似算法实现

我在参加训练营时，会针对每个主题做3-5道相似题目，这种刻意练习对算法能力提升效果显著。对于可达路径问题，重点要培养递归思维和回溯的代码手感，这些能力在解决更复杂的动态规划问题时也很有帮助。