阿丁的猫1. 项目背景与核心需求
华为OD机考中的双机位C卷"朋友圈个数"题目，是考察考生对图论算法和Java编程能力的经典题型。这道题本质上属于社交网络分析中的连通分量问题，要求计算给定社交关系图中的独立朋友圈数量。
在实际开发场景中，类似功能广泛应用于社交平台的推荐系统、用户画像构建和社群发现等模块。比如微信的"可能认识的人"功能，就需要先计算用户间的连通关系。这道机考题将实际业务需求抽象为算法问题，非常考验开发者的问题建模能力。
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. 题目分析与算法选型
2.1 问题重述
给定一个n×n的矩阵M表示社交关系图，其中：
- M[i][j] = 1 表示第i个人和第j个人是朋友关系
- M[i][j] = 0 表示不是直接朋友
- 朋友关系具有传递性（A与B是朋友，B与C是朋友，则A与C间接是朋友）
要求计算矩阵中朋友圈的总数。
2.2 算法对比
常见的三种解法各有优劣：
-
深度优先搜索(DFS)
- 时间复杂度：O(n²)
- 空间复杂度：O(n)
- 优点：实现简单，适合小规模数据
- 缺点：递归可能栈溢出
-
广度优先搜索(BFS)
- 时间复杂度：O(n²)
- 空间复杂度：O(n)
- 优点：非递归实现，避免栈溢出
- 缺点：需要维护队列
-
并查集(Union-Find)
- 时间复杂度：O(n² α(n))，α为反阿克曼函数
- 空间复杂度：O(n)
- 优点：最优时间复杂度，适合大规模数据
- 缺点：实现稍复杂
提示：在华为OD机考环境中，推荐使用并查集解法，既能保证效率又展现算法功底。
3. Java实现详解
3.1 并查集实现方案
java复制class Solution {
class UnionFind {
private int[] parent;
private int count;
public UnionFind(int n) {
parent = new int[n];
count = n;
for (int i = 0; i < n; i++) {
parent[i] = i;
}
}
public int find(int p) {
while (p != parent[p]) {
parent[p] = parent[parent[p]]; // 路径压缩
p = parent[p];
}
return p;
}
public void union(int p, int q) {
int rootP = find(p);
int rootQ = find(q);
if (rootP == rootQ) return;
parent[rootP] = rootQ;
count--;
}
public int getCount() {
return count;
}
}
public int findCircleNum(int[][] M) {
int n = M.length;
UnionFind uf = new UnionFind(n);
for (int i = 0; i < n; i++) {
for (int j = i + 1; j < n; j++) {
if (M[i][j] == 1) {
uf.union(i, j);
}
}
}
return uf.getCount();
}
}
3.2 关键实现细节
-
路径压缩优化：
- 在find操作中通过
parent[p] = parent[parent[p]]实现 - 将树的高度保持为常数级别，大幅提升查询效率
- 在find操作中通过
-
按秩合并(可选)：
- 可以额外维护rank数组记录树的高度
- 合并时将小树合并到大树下，进一步优化性能
-
遍历优化：
- 由于矩阵对称，只需遍历右上三角部分
- 通过
j = i + 1避免重复处理
4. 双机位考试注意事项
4.1 环境准备要点
-
IDE配置：
- 确保Java环境变量配置正确
- 测试常用快捷键是否可用（如自动补全、代码格式化）
-
输入输出测试：
- 提前练习从控制台读取输入的多种方式
- 准备标准化的输出处理模板
-
边界条件处理：
- 空矩阵情况
- 单人情况（矩阵大小为1×1）
- 完全连通和完全不连通的情况
4.2 考试实战技巧
-
代码结构规划：
- 先写类结构和关键方法签名
- 注释中写明算法思路，方便考官理解
-
测试用例设计：
- 准备3-5组典型测试数据
- 包括常规情况和边界情况
-
时间分配建议：
- 问题分析：5分钟
- 代码实现：15分钟
- 测试调试：10分钟
5. 性能优化与扩展
5.1 大规模数据优化
当n很大时（如n>10000），可以考虑：
-
内存优化：
- 使用位运算压缩存储矩阵
- 分批处理数据
-
并行计算：
- 使用多线程处理不同区域
- 注意线程安全的并查集实现
5.2 实际业务扩展
在实际社交网络分析中，还可以：
-
社群发现：
- 记录每个连通分量成员
- 分析社群特征
-
关系强度计算：
- 考虑边的权重
- 使用更复杂的社群发现算法
-
动态更新：
- 支持增量式更新关系
- 实时计算连通分量
6. 常见问题排查
6.1 栈溢出问题
现象：DFS解法在大数据量时StackOverflowError
解决方案：
- 改用BFS或迭代式DFS
- 增加JVM栈空间：
-Xss2m
6.2 内存不足问题
现象：Java heap space不足
优化方案：
- 优化数据存储结构
- 增加JVM堆内存：
-Xmx512m - 使用流式处理大数据
6.3 特殊输入处理
边界情况：
- 空输入：应返回0
- 非法输入：如非方阵，需添加校验
- 自环关系：M[i][i]应为1（自己是自己的朋友）
7. 学习资源推荐
-
算法基础：
- 《算法导论》图算法章节
- LeetCode相关题目（#547 朋友圈）
-
Java优化：
- 《Effective Java》性能优化章节
- JVM参数调优指南
-
实战练习：
- 华为OJ平台类似题目
- 牛客网华为题库
在实际开发中，这类连通性问题还会遇到更多变种，比如：
- 带权重的朋友关系
- 动态增减关系
- 多维度关系处理
掌握好基础的并查集实现，再逐步扩展这些高级功能，是构建复杂社交网络分析系统的基础。我在实际项目中发现，很多复杂的推荐算法最终都会转化为图连通性问题，因此这个基础算法值得深入理解和掌握。