拓扑排序算法解析：课程表问题与Kahn/DFS实现

1. 课程表问题解析

课程表问题（Course Schedule）是算法领域经典的拓扑排序应用场景，也是力扣（LeetCode）平台上高频出现的面试题型。这个问题抽象自大学选课场景：假设你需要修读n门课程，某些课程可能有先修要求（比如必须先修完数学才能学习物理），如何判断能否顺利完成所有课程？

这个问题的核心在于检测有向图中是否存在环。如果课程依赖关系形成环（比如A依赖B，B依赖C，C又依赖A），那么这些课程将永远无法完成。拓扑排序算法能够有效解决这类依赖关系检测问题。

2. 问题建模与算法选择

2.1 问题建模

我们可以将课程表问题建模为有向图：

• 节点：每门课程（编号0到n-1）
• 边：如果课程u是课程v的先修课，则添加一条从u指向v的边

例如，输入prerequisites = [[1,0]]表示课程1需要先修课程0，对应的图就是0→1。

2.2 算法选择

解决这类依赖关系问题，主要有两种经典算法：

1. Kahn算法（基于入度统计）：

   • 统计每个节点的入度（有多少边指向它）
   • 将入度为0的节点加入队列
   • 依次处理队列中的节点，将其邻接节点的入度减1
   • 如果最终所有节点都被处理，说明无环；否则存在环

2. DFS深度优先搜索：

   • 对每个未访问的节点启动DFS
   • 维护三种状态：未访问、访问中、已访问
   • 如果在DFS过程中遇到"访问中"的节点，说明存在环

两种算法的时间复杂度都是O(V+E)（V是节点数，E是边数）。Kahn算法通常更直观，而DFS可能在某些情况下更节省空间。

3. Kahn算法实现详解

3.1 算法步骤

以下是Kahn算法的完整实现步骤：

1. 构建邻接表和入度数组：

   • 邻接表：记录每个节点的后继节点
   • 入度数组：记录每个节点的入度数

2. 初始化队列：

   • 将所有入度为0的节点加入队列

3. 拓扑排序过程：

   • 从队列取出节点，加入结果集
   • 将该节点的所有邻接节点入度减1
   • 如果邻接节点入度变为0，加入队列

4. 结果验证：

   • 如果结果集大小等于课程总数，说明可以完成所有课程
   • 否则说明存在环，无法完成