图论算法精讲：拓扑排序与最短路径实践

1. 图论基础与拓扑排序详解

图论作为计算机科学中最重要的数学分支之一，广泛应用于路径规划、任务调度、网络分析等领域。在程序员日常开发中，掌握图论算法就像厨师掌握刀工一样基础而关键。拓扑排序作为图论中的经典算法，特别适合解决具有依赖关系的任务排序问题。

1.1 拓扑排序的核心思想

拓扑排序针对的是有向无环图（DAG），其核心思想可以类比为大学课程的先修关系：当你需要学习《操作系统》前，必须先完成《数据结构》和《计算机组成原理》两门课。这种先后依赖关系就构成了一个有向无环图。

算法实现通常采用Kahn算法或DFS方式。以Kahn算法为例，其步骤如下：

1. 初始化一个队列，将所有入度为0的节点加入队列
2. 从队列中取出节点并输出
3. 将该节点指向的所有邻接节点的入度减1
4. 如果某个邻接节点入度变为0，则加入队列
5. 重复上述过程直到队列为空

python复制def topological_sort(graph):
    in_degree = {u:0 for u in graph}
    for u in graph:
        for v in graph[u]:
            in_degree[v] += 1
    
    queue = [u for u in in_degree if in_degree[u] == 0]
    topo_order = []
    
    while queue:
        u = queue.pop(0)
        topo_order.append(u)
        for v in graph[u]:
            in_degree[v] -= 1
            if in_degree[v] == 0:
                queue.append(v)
    
    if len(topo_order) == len(graph):
        return topo_order
    else:
        return []  # 存在环

1.2 拓扑排序的实战应用

在实际工程中，拓扑排序最常见的应用场景包括：

• 编译器的依赖解析：当你的项目有多个源文件