深度优先搜索(DFS)算法原理与应用实战

1. 深度优先搜索（DFS）算法解析

深度优先搜索（Depth-First Search）是图论和树结构中最基础的遍历算法之一。我第一次接触DFS是在解决迷宫问题时——想象你站在迷宫的入口处，选择一条路径一直走到尽头，遇到死胡同就回退到上一个岔路口，这种"不撞南墙不回头"的策略正是DFS的核心思想。

与广度优先搜索（BFS）的"层层推进"不同，DFS采用"纵深探索"的方式，其典型应用场景包括：

• 路径查找（如迷宫求解）
• 拓扑排序
• 连通分量检测
• 解决回溯问题（如八皇后、数独）
• 生成排列组合

python复制# 最基本的DFS递归实现模板
def dfs(node, visited):
    if node in visited:  # 终止条件
        return
    
    visited.add(node)    # 处理当前节点
    for neighbor in node.neighbors:
        dfs(neighbor, visited)  # 递归访问相邻节点

2. DFS的核心实现机制

2.1 递归与栈的辩证关系

DFS最直观的实现方式是递归，这利用了系统调用栈自动保存上下文的特性。但递归存在栈溢出风险，当处理深度超过1000层的树结构时（如链状树），Python默认递归深度会抛出RecursionError。

迭代式实现则显式使用栈数据结构：

python复制def dfs_iterative(start):
    stack = [start]
    visited = set()
    
    while stack:
        node = stack.pop()
        if node not in visited:
            visited.add(node)
            # 注意邻接节点逆序入栈以保证遍历顺序
            for neighbor in reversed(node.neighbors):  
                stack.append(neighbor)

关键细节：邻接节点的入栈顺序决定了遍历方向。若要维持与递归相同的访问顺序，需要先将邻接节点逆序排列。

2.2 时间复杂度分析

DFS的时间复杂度取决于图的表示方式：

• 邻接表：O(V+E)（V为顶点数，E为边数）
• 邻接矩阵：O(V²)

空间复杂度主要来自：

• 递归调用栈/显式栈：O(V)
• 访问标记集合：O(V)

3. 典型应用场景实战

3.1 全排列问题

以数字[1,2,3]的全排列为例，DFS通过"选择-递归-撤销"的三部曲实现回溯：

python复制def permute(nums):
    res = []
    
    def backtrack(path, choices):
        if not choices:
            res.append(path.copy())
            return
        
        for i in range(len(choices)):
            path.append(choices[i])  # 做选择
            backtrack(path, choices[:i]+choices[i+1:])  # 递归
            path.pop()  # 撤销选择
    
    backtrack([], nums)
    return res