算法详解之广度优先搜索算法

最新推荐文章于 2025-04-07 11:30:00 发布

Hiro · ZHAO

最新推荐文章于 2025-04-07 11:30:00 发布

阅读量2.5k

点赞数 1

分类专栏：算法专题 # 图算法

本文链接：https://blog.youkuaiyun.com/lingxi0726/article/details/103153602

版权

算法专题同时被 2 个专栏收录

5 篇文章

订阅专栏

图算法

2 篇文章

订阅专栏

本文深入探讨广度优先搜索算法(BFS)的基本原理及应用，解析如何利用BFS寻找图中两点间是否存在可达路径及最短路径。通过具体案例演示算法流程，包括使用Python和Java实现代码。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

算法简介

广度优先搜索算法(Breadth First Search，BFS)，又称为宽度优先搜索， 是用于图的一种简单遍历算法。它并不考虑结果的可能位置，彻底的搜索整张图，直到找到结果为止，是一种盲目搜索算法。

BFS用于解决两个问题：

判断从A点到B点是否有可达路径。
从A点出发到B点的最短路径（这里的最短路径是指经过的步骤最少）。

时间复杂度

广度优先搜索算法会沿着每条边（Edge）经过每个顶点（Vertice）逐一扫描，扫描每条边至少需要 $O (E)$ ，而为了保证扫描节点的顺序性，需要使用队列逐个添加各个顶点，因此扫描顶点至少也需要 $O (V)$ ，因此其时间复杂度通常为：
$O (V + E)$

图的分类

无向图： 顶点之间的边没有方向（即边没有箭头指向），表示两个顶点互为邻居节点，如下图所示：
有向图： 顶点之间的边具有方向（即从边有箭头指向），表示从一个顶点到另一个顶点的边是有方向的，如果两个顶点之间互相指向，则等价于无向图，如下图所示：
连通图： 如果各个顶点之间均有可达路径，则可以称为连通图，如下图所示：

案例

下面我们使用无向图来演示广度优先算法的原理，如下图所示：
BFS1
如上图所示，现在我们要找出从Start到End节点的最短路径，此时就可以使用广度优先搜索算法，具体算法原理步骤如下：

假设存在一个空的搜索队列Queue，首先将节点Start的所有邻居节点添加到队列中；
每次从队列中取出一个节点，并判断该节点是否是需要查找的目标节点，若不是，则将该节点的所有邻居节点也添加到队列中（注意队列的先进先出特性），并将该节点从队列中移除，同时将该节点加入到已处理节点集合（processed）中（防止循环处理节点导致死循环）；
重复步骤2，直到找到目标节点或队列为空时结束算法。

代码实现

Python实现

from collections import deque

def bfs(start,end,graph):
	search_queue = deque()  # 使用deque来表示扫描队列，将待扫描节点逐次添加到队列中
	search_queue += graph[start]  # 将起点的所有邻居节点加入到队列中
	processed = [start]  # 已处理节点列表,起点默认为已扫描节点
	path = []   # 最优路径节点列表
	
	# 开始遍历队列，直到队列为空
	while search_queue:
		current_node = search_queue.popleft()  # 将第一个元素出队作为当前扫描节点	
		print('当前节点: ', current_node)
		# 保证当前节点是未扫描节点
		if current_node not in processed:
			# 判断当前节点是否为目标节点
			if current_node == end:
				processed.append(current_node)  # 将目标节点也加入到已处理列表
				path.append(current_node)  # 将目标节点也加入到最优路径节点列表中
				# 扫描已处理节点列表得到最优路径
				while current_node != start:
					for pre_node in processed:
						# 判断当前节点是否存在前一节点的邻居节点列表中
						if current_node in graph[pre_node]:
							# 若当前节点存在于前一节点的邻居节点列表中，则表明前一节点为当前节点的父节点
							current_node = pre_node
							path.append(current_node)
							break
				break
			else:
				# 如果当前节点不是目标节点,则将当前节点的邻居节点也加入到队列中
				neighbors = graph[current_node]  # 当前节点的邻居节点
				print('当前节点 %s 的邻居节点 %s' % (current_node, neighbors))
				search_queue += neighbors  # 将邻居节点加入到队列中
				# 将当前节点加入到已处理节点列表中
				processed.append(current_node)
	if path:
		print('最短路径: %s' % ' -> '.join(path[::-1]))
		print('最少步数: %d' % (len(path) - 1))
	else:
		print('节点 %s 到 %s 没有可达路径' % (start, end))

if __name__ == '__main__':
	# 使用散列表+列表的方式表示图结构
	graph = dict()
    graph['Start'] = ['A', 'B']
    graph['A'] = ['C', 'start']
    graph['B'] = ['D', 'E', 'start']
    graph['C'] = ['A', 'D', 'End']
    graph['D'] = ['B', 'C']
    graph['E'] = ['B', 'F']
    graph['F'] = ['E', 'End']
    graph['End'] = ['C', 'F']
	bfs('Start','End',graph)

Java实现

public static void bfs(String start, String end, Map<String, List<String>> graph) {
        //节点扫描队列,保存待扫描节点
        Queue<String> searchQueue = new LinkedList<>();
        //已处理节点列表,保存已扫描过的节点
        List<String> processed = new ArrayList<>();
        //起点默认为已处理节点
        processed.add(start);
        //最优路径节点列表
        List<String> path = new ArrayList<>();
        //将起点的所有邻居节点加入到扫描队列
        searchQueue.addAll(graph.get(start));

        //开始扫描队列,直到找到目标节点或队列为空为止
        while (searchQueue.size() > 0) {
            //从队列中取出一个元素
            String current_node = searchQueue.poll();
            System.out.printf("当前节点为: %s\n",current_node);
            if (!processed.contains(current_node)) {
                //如果当前节点为目标节点
                if (current_node.equalsIgnoreCase(end)) {
                    //将目标节点也加入到已处理列表中
                    processed.add(current_node);
                    //将目标节点加入到最优路径节点列表中
                    path.add(current_node);
                    //遍历已处理节点列表,得出最优路径节点列表
                    while (!current_node.equalsIgnoreCase(start)) {
                        for (String pre_node : processed) {
                            //判断当前节点是否在前一节点的邻居节点中
                            if (graph.get(pre_node).contains(current_node)) {
                                current_node = pre_node;
                                path.add(current_node);
                                break;
                            }
                        }
                    }
                    break;
                } else {
                    //如果当前节点不是目标节点,则将其所有邻居节点加入到队列中
                    List<String> neighbors = graph.get(current_node);
                    System.out.printf("加入节点 %s 的邻居节点 %s\n",current_node,neighbors);
                    searchQueue.addAll(neighbors);
                    //将当前节点加入到已处理列表中
                    processed.add(current_node);
                }
            }
        }
        if (path.size() > 0) {
            Collections.reverse(path);
            String pathStr = path.stream().collect(Collectors.joining(" -> "));
            System.out.printf("最短路径为: %s\n",pathStr);
            System.out.printf("最少步数: %d\n",path.size() - 1);
        } else {
            System.out.printf("节点 %s 到 %s没有可达路径",start,end);
        }
    }

    public static void main(String[] args) {
        Map<String,List<String>> graph = new HashMap<>();
        graph.put("Start",Arrays.asList("A","B"));
        graph.put("A",Arrays.asList("C","Start"));
        graph.put("B",Arrays.asList("D","E","Start"));
        graph.put("C",Arrays.asList("A","D","End"));
        graph.put("D",Arrays.asList("B","C"));
        graph.put("E",Arrays.asList("B","F"));
        graph.put("F",Arrays.asList("E","End"));
        graph.put("End",Arrays.asList("C","F"));

        bfs("Start","End",graph);
    }

思考

我们这里在求解最短路径时，是默认假设各个顶点到达路径上开销是相同的，我们使用广度优先搜索算法得到的 “最短路径” 只是起点到终点所要经过的最少步骤，我们忽略了实际每条边所需要的真实开销。在不考虑其他任何因素，只看行动步骤的话，确实满足了我们的要求，但是这个结果真的就是 “最短路径” 吗？