图的深度优先搜索(Depth First Search)，和树的先序遍历比较类似。
它的思想：假设初始状态是图中所有顶点均未被访问，则从某个顶点v出发，首先访问该顶点，然后依次从它的各个未被访问的邻接点出发深度优先搜索遍历图，直至图中所有和v有路径相通的顶点都被访问到。 若此时尚有其他顶点未被访问到，则另选一个未被访问的顶点作起始点，重复上述过程，直至图中所有顶点都被访问到为止。
显然，深度优先搜索是一个递归的过程。
广度优先搜索算法(Breadth First Search)，又称为"宽度优先搜索"或"横向优先搜索"，简称BFS。
它的思想是：从图中某顶点v出发，在访问了v之后依次访问v的各个未曾访问过的邻接点，然后分别从这些邻接点出发依次访问它们的邻接点，并使得“先被访问的顶点的邻接点先于后被访问的顶点的邻接点被访问，直至图中所有已被访问的顶点的邻接点都被访问到。如果此时图中尚有顶点未被访问，则需要另选一个未曾被访问过的顶点作为新的起始点，重复上述过程，直至图中所有顶点都被访问到为止。
换句话说，广度优先搜索遍历图的过程是以v为起点，由近至远，依次访问和v有路径相通且路径长度为1,2...的顶点。
# -*- coding: utf-8 -*-"""Created on Wed Sep 27 00:41:25 2017@author: my"""from collections import OrderedDictclass graph: nodes=OrderedDict({})#有序字典 def toString(self): for key in self.nodes: print key+'邻接点为'+str(self.nodes[key].adj) def add(self,data,adj,tag): n=Node(data,adj) self.nodes[tag]=n for vTag in n.adj: if self.nodes.has_key(vTag) and tag not in self.nodes[vTag].adj: self.nodes[vTag].adj.append(tag) visited=[] def dfs(self,v): if v not in self.visited: self.visited.append(v) print v for adjTag in self.nodes[v].adj: self.dfs(adjTag) visited2=[] def bfs(self,v): queue=[] queue.insert(0,v) self.visited2.append(v) while(len(queue)!=0): top=queue[len(queue)-1] for temp in self.nodes[top].adj: if temp not in self.visited2: self.visited2.append(temp) queue.insert(0,temp) print top queue.pop()class Node: data=0 adj=[] def __init__(self,data,adj): self.data=data self.adj=adjg=graph()g.add(0,['e','c'],'a')g.add(0,['a','g'],'b')g.add(0,['a','e'],'c')g.add(0,['a','f'],'d')g.add(0,['a','c','f'],'e')g.add(0,['d','g','e'],'f')g.add(0,['b','f'],'g')g.toString()print '深度优先遍历的结构为'g.dfs('c')print '广度优先遍历的结构为'g.bfs('c')
新闻热点
疑难解答
