分享两个常见的搜索算法：BFS和DFS
摘要：本文为大家分享两个常见的搜索算法：BFS和DFS。
本文分享自华为云社区《BFS和DFS算法初探》，作者： ayin。
本次分享两个常见的搜索算法：
1.BFS 即广度优先搜索
2.DFS 即深度优先搜索
岛屿数量
给定一个由 ‘1’（陆地）和 ‘0’（水）组成的的二维网格，计算岛屿的数量。一个岛被水包围，并且它是通过水平方向或垂直方向上相邻的陆地连接而成的。你可以假设网格的四个边均被水包围。
示例 1:
11110
11010
11000
00000
输出: 1
示例 2:
11000
11000
00100
00011
输出: 3
其实我们还是比较容易想到初步解法的，即从二维网络某点出发，寻找其四周相邻的陆地，直到所有包含的点都没有相邻的陆地为止，这里可以认为已经找到了一个岛屿，其余岛屿同理可以找到。这里的关键问题是遍历岛屿的顺序，其实不难看出有两种顺序
a.
优先寻找某a节点的所有相邻位置然后拿出一个相邻位置比如说b寻找其所有相邻位置拿出a节点下一个相邻位置重复第2步直到a节点的相邻位置都执行过该操作拿出b，重复1，2，3步b.
优先寻找a节点的相邻位置比如说b寻找b的相邻位置c直到没有相邻位置后再返回到a的下一个相邻位置，重复1，2步§ 方案一
我们对第一种方法进行观察：
越是接近根结点的结点将越早地遍历思考用什么存储结构来存放我们找到的位置：我们把root的相邻位置存储到x结构中，然后取出x的某个相邻位置a，寻找其相邻位置继续存放到x中，再取出x中与root相邻的下个位置b继续寻找其相邻位置放入x中。这里我们发现我们存储x的顺序与我们处理x得到其他数据的顺序一致：先进先出（FIFO），不难得出我们可以采用队列来存储需要一种方法避免对已经找到的位置重复访问现在可以尝试写出实际的程序
public int numIslands(char[][] grid) {
if (grid.length==0){
return 0;
}
Queue<Point> queue = new LinkedList<>();
int count =0;
for(int y=0;y<grid.length;y++){
for(int x=0;x<grid[0].length;x++){
// 核心部分
if(grid[y][x]==1){
queue.offer(new Point(x,y));
while (queue.size() != 0) {
Point nowPoint = queue.peek();
List<Point> pointList = getNearPoints(nowPoint, grid);
for (Point point : pointList) {
queue.offer(point);
// 标记已经访问的位置
grid[point.y][point.x] = 2;
System.out.println(point.y * grid[0].length + point.x);
}
queue.poll();
}
count++;
}
// 核心部分
}
}
通过这个实例我们可以进一步抽象为图论中的一种算法–BFS
可以参考leetcode的动图和算法模板来加深印象§ 方案二
同样来观察第二中方法，我们发现
优先走完一条路径直到结束我们需要在某一路径结束后，回溯到初始位置，即存储节点位置的顺序和处理的顺序相反，即现进后出（FILO）。这里我们可以用递归或者栈来处理。试着写出实际的程序
1.递归
public int numIslands(char[][] grid) {
int len = 0;
Set <Integer> visited = new HashSet<>();
for (int y = 0; y < grid.length; y++) {
for (int x = 0; x < grid[0].length; x++) {
Integer node = y * grid[0].length + x;
if (!visited.contains(node)&&grid[y][x] == 1) {
visited.add(node);
DFS3(node, visited, grid);
len++;
}
}
}
return len;
}
boolean DFS(Integer cur, Set<Integer> visited,char [][]grid) {
for (Integer next : getNearNodes(cur,grid[0].length,grid.length,grid)) {
if (!visited.contains(next)) {
visited.add(next);
System.out.println(next);
DFS(next,visited,grid);
}
}
return true;
}
2.栈
boolean DFS3(Integer cur, Set<Integer> visited,char [][]grid){
Stack<Integer> nodeStack = new Stack<>();
nodeStack.push(cur);
while(!nodeStack.empty()){
Integer node = nodeStack.peek();
boolean hasNearNode = false;
for(Integer next:getNearNodes(node,grid[0].length,grid.length,grid)){
if(!visited.contains(next)){
visited.add(next);
nodeStack.push(next);
hasNearNode = true;
}
}
// 如果当前节点没有邻居则去除栈顶节点
if(!hasNearNode){
nodeStack.pop();
}
}
return true;
}
通过这个实例我们可以进一步抽象为图论中的一种算法–DFS
参考leetcode的动图和模板算法（递归和栈）来加深印象
分享两个常见的搜索算法：BFS和DFS来源于网络由小明云采集,如果触犯您的利益,请联系站长删除此文链接:https://687267.com/8007.html
THE END
二维码
打赏
共有 0 条评论