图论-DFS-拓扑排序

本文介绍了一种算法,用于判断在给定的课程先修条件列表下,是否能完成所有课程的学习。通过构建有向图并进行深度优先搜索,检查是否存在有向环,以此判断课程安排是否合理。

import java.util.ArrayList;
import java.util.List;

/**
 * 你这个学期必须选修 numCourse 门课程,记为 0 到 numCourse-1 。
 *
 * 在选修某些课程之前需要一些先修课程。 例如,想要学习课程 0 ,你需要先完成课程 1 ,我们用一个匹配来表示他们:[0,1]
 *
 * 给定课程总量以及它们的先决条件,请你判断是否可能完成所有课程的学习?
 *
 * 示例 1:
 *
 * 输入: 2, [[1,0]]
 * 输出: true
 * 解释: 总共有 2 门课程。学习课程 1 之前,你需要完成课程 0。所以这是可能的。
 * 示例 2:
 *
 * 输入: 2, [[1,0],[0,1]]
 * 输出: false
 * 解释: 总共有 2 门课程。学习课程 1 之前,你需要先完成 课程 0;并且学习课程 0 之前,你还应先完成课程 1。这是不可能的。
 *
 * 提示:
 *
 * 输入的先决条件是由 边缘列表 表示的图形,而不是 邻接矩阵 。详情请参见图的表示法。
 * 你可以假定输入的先决条件中没有重复的边。
 * 1 <= numCourses <= 10^5
 *
 */

public class CanFinish {
    public static void main(String[] args) {
        int[][] prerequisites = {{9, 6}, {9, 7}, {10, 7}, {10, 8}, {8, 5}, {7, 4}, {6, 3}, {5, 2}, {4, 1}, {4, 2},
            {3, 1}, {2, 0}, {1, 0}};

        CanFinishSolution s = new CanFinishSolution();
        boolean b = s.canFinish(11, prerequisites);
        System.out.println(b);
    }
}

class CanFinishSolution {
    List<List<Integer>> courses;
    int[] visited;
    boolean valid = true;

    public void init(int numCourses, int[][] prerequisites) {
        courses = new ArrayList<List<Integer>>();

        for (int i = 0; i < numCourses; i++) {
            courses.add(new ArrayList<Integer>());
        }

        for (int[] info : prerequisites) {
            courses.get(info[1]).add(info[0]);
        }

        visited = new int[numCourses];
    }

    public boolean canFinish(int numCourses, int[][] prerequisites) {
        if (numCourses < 1 || numCourses > Math.pow(10, 5)) {
            return false;
        }

        init(numCourses, prerequisites);

        for (int i = 0; i < numCourses; i++) {
            if (visited[i] == 0) {
                // visited == 0 表示未访问的节点
                dfs(i);
            }
        }

        return valid;
    }

    private void dfs(int u) {
        visited[u] = 1;  // visited == 1 表示节点访问中

        for (int v : courses.get(u)) {
            if (visited[v] == 0) {
                // 如果找到的节点没有被访问,则继续查找此节点的下一跳;
                dfs(v);
                if (!valid) {
                    return;
                }
            } else if (visited[v] == 1) {
                // 如果找到的节点正在访问中,则属于有向环图
                valid = false;
                return;
            }
            // 剩下的情况只有已经访问完毕,可以不用处理
        }

        visited[u] = 2;  // visited == 2 表示节点访问完毕
    }
}

运行结果:
true

### 拓扑排序的概念 拓扑排序是指在一个有向无环图(Directed Acyclic Graph, DAG)中,将所有顶点排列成一个线性序列的过程[^1]。该序列需满足如下条件:如果存在一条从顶点 \( u \) 到顶点 \( v \) 的路径,则在最终的线性序列中,\( u \) 必须位于 \( v \) 之前。 只有当图为有向无环图时,才可能完成拓扑排序[^2]。这是因为如果有环路存在,则无法找到一种顺序来满足所有的约束条件。 --- ### 拓扑排序的实现方法 #### 方法一:基于深度优先搜索 (DFS) 通过深度优先遍历的方式可以实现拓扑排序。其核心思想是在 DFS 遍历时记录每个节点的退出时间,并按照退出时间逆序构建拓扑序列。 以下是 C++ 中基于 DFS拓扑排序实现: ```cpp #include <iostream> #include <vector> using namespace std; void dfs(int node, vector<vector<int>> &adjList, vector<bool> &visited, vector<int> &result) { visited[node] = true; for(auto neighbor : adjList[node]) { if(!visited[neighbor]) { dfs(neighbor, adjList, visited, result); } } result.push_back(node); // 记录退出顺序 } vector<int> topologicalSort_DFS(vector<vector<int>> &graph, int n) { vector<bool> visited(n, false); vector<int> result; for(int i = 0; i < n; ++i){ if(!visited[i]){ dfs(i, graph, visited, result); } } reverse(result.begin(), result.end()); // 反转退出顺序得到拓扑序列 return result; } ``` 此代码片段展示了如何利用深度优先搜索生成拓扑排序结果[^3]。 #### 方法二:基于入度计数 (Kahn's Algorithm) 另一种常见的方法是 Kahn 提出的算法,它依据节点的入度计算来进行排序。具体过程为先找出所有入度为零的节点并加入队列;随后依次移除这些节点及其关联边,更新剩余节点的入度直到全部处理完毕为止。 下面是 Python 版本的 Kahn 算法实现: ```python from collections import deque def topological_sort_kahn(graph): indegree = {node: 0 for node in range(len(graph))} queue = deque() topo_order = [] # Calculate the initial indegrees of all nodes. for node in range(len(graph)): for neighbor in graph[node]: indegree[neighbor] += 1 # Initialize a queue with all nodes that have zero indegree. for node in indegree: if indegree[node] == 0: queue.append(node) while queue: current_node = queue.popleft() topo_order.append(current_node) for neighbor in graph[current_node]: indegree[neighbor] -= 1 if indegree[neighbor] == 0: queue.append(neighbor) if len(topo_order) != len(graph): # Check for cycles raise ValueError("Cycle detected! Topological sort not possible.") return topo_order ``` 上述代码实现了基于入度减少策略的拓扑排序逻辑[^4]。 --- ### 拓扑排序应用场景 拓扑排序广泛应用于各种实际问题之中,尤其是在涉及依赖关系的情况下尤为有效。例如,在项目管理领域,它可以用来安排任务执行次序以确保前置工作已完成后再启动后续作业;又或者用于编译器优化过程中决定变量声明与初始化间的先后关系等情形下均能发挥重要作用。 另外一个重要应用实例便是课程表规划问题——给定一系列必修课以及它们之间存在的先决条件限制,求是否存在合理的学习进度安排方案使得学生能够顺利完成学业目标的同时也遵循既定规则的要求。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值