易行男·龙大崇1. 图搜索算法基础：从生活场景到计算机实现
第一次接触图搜索算法时，我正试图解决一个实际问题：如何在陌生的校园里找到从宿舍到图书馆的最短路径。这种日常生活中的寻路需求，恰恰是深度优先搜索(DFS)和广度优先搜索(BFS)最直观的应用场景。在计算机科学中，这两种算法构成了图遍历的基础，也是解决许多复杂问题的关键工具。
图论中的"图"概念与我们日常使用的地图非常相似。想象一下城市中的道路网络：交叉路口就是图中的"顶点"(Vertex)，连接路口的道路就是"边"(Edge)。计算机处理这类问题时，首先需要将这种网状结构转化为它能理解的数据形式，这就是图的存储结构要解决的问题。
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. 图的存储结构详解
2.1 邻接矩阵：直观的空间换时间方案
邻接矩阵是我最早接触的图存储方式，它的核心思想非常简单：用一个n×n的二维数组来表示图中n个顶点之间的连接关系。对于无权图，矩阵元素为1表示存在边，0表示不存在；对于有权图，则用具体权值代替1。
cpp复制const int N = 105;
int g[N][N]; // 邻接矩阵
int main() {
int n, m; // 顶点数和边数
cin >> n >> m;
// 初始化邻接矩阵
memset(g, 0, sizeof(g));
// 读入边信息
for (int i = 1; i <= m; i++) {
int u, v, w;
cin >> u >> v >> w;
g[u][v] = w;
g[v][u] = w; // 无向图需要双向赋值
}
// 查询与顶点x相邻的顶点
int x;
cin >> x;
for (int i = 1; i <= n; i++) {
if (g[x][i] != 0) {
cout << "顶点" << x << "到顶点" << i
<< "的边权为：" << g[x][i] << endl;
}
}
return 0;
}
邻接矩阵的优势在于：
- 查询任意两顶点间是否存在边只需O(1)时间
- 适合稠密图（边数接近顶点数平方的情况）
- 实现简单直观，适合教学和理解
但它的缺点也很明显：
- 空间复杂度O(n²)，对于稀疏图浪费严重
- 遍历某个顶点的所有邻接点需要O(n)时间，即使实际邻接点很少
实际工程中，当顶点数超过10000时，邻接矩阵往往会消耗过多内存，此时应考虑其他存储方式。
2.2 邻接表：灵活高效的主流选择
邻接表采用更聪明的存储策略：对每个顶点，只存储与之直接相连的顶点信息。这就像在校园地图上，为每个路口只记录直接连通的其他路口，而不是维护整个地图的完整矩阵。
cpp复制const int N = 1e5 + 5; // 更大的顶点容量
vector<pair<int, int>> adj[N]; // 邻接表，存储(邻接顶点, 边权)
int main() {
int n, m;
cin >> n >> m;
for (int i = 1; i <= m; i++) {
int u, v, w;
cin >> u >> v >> w;
adj[u].emplace_back(v, w);
adj[v].emplace_back(u, w); // 无向图
}
int x;
cin >> x;
cout << "顶点" << x << "的邻接点：";
for (auto [v, w] : adj[x]) {
cout << v << "(边权" << w << ") ";
}
cout << endl;
return 0;
}
邻接表的优势包括：
- 空间复杂度O(n+m)，特别适合稀疏图
- 遍历某个顶点的邻接点非常高效，时间复杂度等于实际邻接点数量
- 可以方便地存储附加信息（如边权）
我在实际项目中更倾向于使用邻接表，特别是处理社交网络、交通路线等稀疏图问题时。它的主要缺点是查询特定边是否存在需要遍历链表，不过大多数图算法都不需要频繁进行这种操作。
3. 深度优先搜索(DFS)深入解析
3.1 DFS的核心思想与实现
DFS就像走迷宫时选择的策略：沿着一条路一直走到底，直到走不通再回溯。这种"不撞南墙不回头"的方式用递归实现非常自然。
cpp复制vector<int> adj[N];
bool vis[N]; // 访问标记
void dfs(int u) {
vis[u] = true;
cout << "访问顶点：" << u << endl;
for (int v : adj[u]) {
if (!vis[v]) {
dfs(v); // 递归深入
}
}
}
int main() {
// 初始化图和vis数组...
dfs(1); // 从顶点1开始DFS
return 0;
}
DFS的非递归实现使用显式栈，避免了递归的栈溢出风险：
cpp复制void dfs_iterative(int start) {
stack<int> s;
s.push(start);
vis[start] = true;
while (!s.empty()) {
int u = s.top();
s.pop();
cout << "访问顶点：" << u << endl;
// 注意邻接点要逆序入栈以保证顺序一致
for (auto it = adj[u].rbegin(); it != adj[u].rend(); ++it) {
int v = *it;
if (!vis[v]) {
vis[v] = true;
s.push(v);
}
}
}
}
3.2 DFS的应用场景与实战技巧
- 连通分量检测：DFS非常适合查找图中的所有连通块。每次从未访问的顶点开始DFS，就能标记出一个连通分量。
cpp复制int count_components() {
int cnt = 0;
memset(vis, false, sizeof(vis));
for (int u = 1; u <= n; u++) {
if (!vis[u]) {
dfs(u);
cnt++;
}
}
return cnt;
}
-
拓扑排序：对有向无环图(DAG)进行DFS后序遍历，逆序即为拓扑排序结果。
-
寻找桥和割点：通过记录DFS访问顺序和回溯值，可以高效找出图中的关键连接点。
实际调试DFS时，我习惯在递归入口和出口打印缩进的日志，这样可以清晰看到递归的深度和回溯过程。对于复杂问题，适当添加辅助数组记录中间状态也非常有帮助。
4. 广度优先搜索(BFS)全面剖析
4.1 BFS的算法原理与实现
BFS采取"层层推进"的策略，就像水波扩散一样从起点向外逐层探索。这种特性使它天然适合寻找最短路径问题。
cpp复制void bfs(int start) {
queue<int> q;
q.push(start);
vis[start] = true;
while (!q.empty()) {
int u = q.front();
q.pop();
cout << "访问顶点：" << u << endl;
for (int v : adj[u]) {
if (!vis[v]) {
vis[v] = true;
q.push(v);
}
}
}
}
BFS的一个关键变种是记录层数的实现方式，这在需要知道距离的应用中非常有用：
cpp复制void bfs_with_level(int start) {
queue<int> q;
q.push(start);
vis[start] = true;
vector<int> level(n+1, 0); // 记录每个顶点的层数
while (!q.empty()) {
int u = q.front();
q.pop();
cout << "顶点" << u << "位于层数：" << level[u] << endl;
for (int v : adj[u]) {
if (!vis[v]) {
vis[v] = true;
level[v] = level[u] + 1;
q.push(v);
}
}
}
}
4.2 BFS的典型应用与优化
-
无权图最短路径：BFS保证首次访问某个顶点时的路径就是最短路径。
-
扩散类问题：如迷宫逃脱、病毒传播模拟等场景。
-
双向BFS：当起点和终点都已知时，从两端同时进行BFS可以大幅减少搜索空间。
cpp复制int bidirectional_bfs(int start, int target) {
if (start == target) return 0;
queue<int> q1, q2;
unordered_map<int, int> vis1, vis2;
q1.push(start); vis1[start] = 0;
q2.push(target); vis2[target] = 0;
while (!q1.empty() && !q2.empty()) {
// 从起点端扩展
if (!q1.empty()) {
int u = q1.front(); q1.pop();
for (int v : adj[u]) {
if (vis2.count(v)) {
return vis1[u] + 1 + vis2[v];
}
if (!vis1.count(v)) {
vis1[v] = vis1[u] + 1;
q1.push(v);
}
}
}
// 从终点端扩展
if (!q2.empty()) {
int u = q2.front(); q2.pop();
for (int v : adj[u]) {
if (vis1.count(v)) {
return vis2[u] + 1 + vis1[v];
}
if (!vis2.count(v)) {
vis2[v] = vis2[u] + 1;
q2.push(v);
}
}
}
}
return -1; // 不连通
}
5. DFS与BFS的综合对比与选择策略
5.1 算法特性对比
| 特性 | DFS | BFS |
|---|---|---|
| 数据结构 | 栈（递归或显式栈） | 队列 |
| 空间复杂度 | O(h)，h为最大递归深度 | O(w)，w为最宽层的宽度 |
| 时间复杂度 | O(V+E) | O(V+E) |
| 解的性质 | 不一定是最短路径 | 保证无权图中的最短路径 |
| 适用场景 | 拓扑排序、连通性检测、回溯问题 | 最短路径、扩散问题、层序遍历 |
5.2 选择策略与实战经验
-
当需要寻找所有可能解时：DFS更适合，如排列组合、子集生成等问题。它的回溯特性可以系统地探索所有可能性。
-
当需要最短路径时：BFS是首选，特别是无权图或边权相同的情况。对于加权图，则需要Dijkstra等更复杂的算法。
-
空间考虑：在深度很大的树或图中，DFS可能面临栈溢出风险，此时应使用迭代DFS或BFS。
-
特殊问题需求：如检测环路使用DFS，二部图检测使用BFS染色法等。
我在解决实际问题时，通常会先分析问题的性质：
- 如果需要"尽可能深"的探索（如走迷宫找到出口而不关心步数），选择DFS
- 如果需要"尽可能广"的覆盖（如社交网络中的好友推荐），选择BFS
- 有时甚至会结合使用两种算法，如IDA*等启发式搜索
6. 实战演练：文献查找问题
让我们用洛谷P5318题作为综合练习，完整实现DFS和BFS遍历：
cpp复制#include <iostream>
#include <vector>
#include <queue>
#include <algorithm>
#include <cstring>
using namespace std;
const int N = 1e5 + 5;
vector<int> adj[N];
bool vis[N];
int n, m;
void dfs(int u) {
vis[u] = true;
cout << u << " ";
for (int v : adj[u]) {
if (!vis[v]) {
dfs(v);
}
}
}
void bfs(int start) {
queue<int> q;
q.push(start);
vis[start] = true;
while (!q.empty()) {
int u = q.front();
q.pop();
cout << u << " ";
for (int v : adj[u]) {
if (!vis[v]) {
vis[v] = true;
q.push(v);
}
}
}
}
int main() {
cin >> n >> m;
for (int i = 0; i < m; i++) {
int u, v;
cin >> u >> v;
adj[u].push_back(v);
}
// 题目要求按编号从小到大访问，所以需要排序
for (int i = 1; i <= n; i++) {
sort(adj[i].begin(), adj[i].end());
}
memset(vis, false, sizeof(vis));
dfs(1);
cout << endl;
memset(vis, false, sizeof(vis));
bfs(1);
cout << endl;
return 0;
}
这个实现中有几个关键点需要注意：
- 题目要求按编号从小到大访问，所以需要对邻接表进行排序
- DFS和BFS使用同一个vis数组，需要在两次遍历间重置
- 邻接表存储的是有向图，与前面无向图的实现有所不同
7. 高级应用与性能优化
7.1 迭代加深搜索(IDDFS)
当搜索树很深但解在较浅层时，可以结合DFS和BFS的优点：
cpp复制bool dls(int u, int depth, int limit) {
if (depth > limit) return false;
cout << u << " ";
for (int v : adj[u]) {
if (!vis[v]) {
vis[v] = true;
if (dls(v, depth+1, limit)) return true;
vis[v] = false; // 回溯
}
}
return false; // 本层未找到解
}
void iddfs(int start, int max_depth) {
for (int limit = 0; limit <= max_depth; limit++) {
memset(vis, false, sizeof(vis));
vis[start] = true;
if (dls(start, 0, limit)) break;
}
}
7.2 并行化搜索
对于大规模图，可以考虑并行化BFS：
- 使用多线程处理不同层次的节点
- 使用CUDA等GPU加速技术进行矩阵运算
- 分布式计算框架如Pregel处理超大规模图
7.3 内存优化技巧
- 对于稀疏图，使用压缩稀疏行(CSR)格式存储邻接表
- 位图标记访问状态以减少内存占用
- 对于固定图结构，考虑使用内存池分配节点
8. 常见问题与调试技巧
8.1 典型错误排查
- 无限递归/循环：忘记设置vis标记或标记位置错误
- 错误的最短路径：在加权图中误用BFS
- 栈溢出：递归深度过大，应改用迭代实现
- 顺序错误：邻接表未排序导致遍历顺序不符合要求
8.2 调试日志建议
在算法关键点添加日志输出：
cpp复制void dfs_debug(int u, int depth) {
vis[u] = true;
cout << string(depth*2, ' ') << "进入顶点" << u << endl;
for (int v : adj[u]) {
if (!vis[v]) {
dfs_debug(v, depth+1);
} else {
cout << string((depth+1)*2, ' ') << "顶点" << v << "已访问" << endl;
}
}
cout << string(depth*2, ' ') << "离开顶点" << u << endl;
}
8.3 性能调优经验
- 对于大规模数据，使用更快的输入输出方式（如scanf/printf或关闭同步）
- 预分配足够内存避免vector多次扩容
- 使用位运算代替vis数组可以提升缓存命中率
- 考虑内存访问模式，尽量顺序访问数据
经过多年实践，我发现图搜索算法的关键在于深入理解问题本质，而非机械套用模板。每种算法都有其适用场景，优秀的开发者应该能够根据具体需求选择合适的工具，并针对性地进行优化。