算法之深度优先搜素(DFS)和广度优先搜素(BFS)

本文详细介绍了深度优先搜索(DFS)与广度优先搜索(BFS)两种图遍历算法,通过具体实例展示了两种搜索方式的不同路径,同时探讨了在二叉树中寻找特定路径的应用场景。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

深度优先搜素(DFS):如果当前节点有孩子,遍历当前孩子的孩子再遍历兄弟节点的孩子(一条路走到头再回来走另一条)。

**HTML 代码**
<div class="root">
	<div class="items">
		<ol>
			<li class="list-item">a</li>
		</ol>
		<div class="item">
			<span>aaa</span>
		</div>
	</div>
</div>
// 深度优先搜索 递归版
<script>
	function DFS(node, list) {
		if (node) {
			list.push(node);
			var child = node.children;
			// 如果存在孩子,对每个孩子再进行递归搜索
			for (var i = 0; i < child.length; i++) {
				DFS(child[i], list);
			}
		}
		return list;
	}
	var root = document.querySelector('.root');
	var list = [];
	console.log(DFS(root, list));
</script>

输出为: [div.root, div.items, ol, li.list-item, div.item, span]

广度优先搜索:先遍历根节点的所有孩子,再遍历所有孩子的孩子(一层一层的往外走)

function BFS(node) {
		// 分别定义两个数组,result 用来存放最后结果;arr 模拟先进先出队列
		var result = [];
		var arr = [];
		if (node) {
			arr.push(node);
			while(arr.length) {
				// 每次取出队列中的第一个元素,并将该元素的孩子 push 进队列
				var item = arr.shift();
				var children = item.children;
				result.push(item);
				for (var i = 0; i < children.length; i++) {
					arr.push(children[i]);
				}
			}
		}
		return result;
	}
	var node = document.querySelector('.root');
	console.log(BFS(node));

输出为: [div.root, div.items, ol, div.item, li.list-item, span]

扩展:
输入一颗二叉树的跟节点和一个整数,打印出二叉树中结点值的和为输入整数的所有路径。路径定义为从树的根结点开始往下一直到叶结点所经过的结点形成一条路径。(注意: 在返回值的list中,数组长度大的数组靠前)
用例:
{10,5,12,4,7},22

对应输出应该为:

[[10,5,7],[10,12]]

/* function TreeNode(x) {
    this.val = x;
    this.left = null;
    this.right = null;
} */
function FindPath(root, expectNumber)
{
    // write code here
    // 深度优先搜索求和问题
    var result = [];
    if (!root) {
        return result;
    }
    DFS(root, expectNumber, [], 0, result);
    return result;
}

function DFS(root, expectNumber, path, currentSum, result) {
    currentSum += root.val;
    path.push(root.val);
    if (currentSum === expectNumber && root.left === null && root.right === null) {
        result.push(path.slice(0));
    }
    if (root.left) {
        DFS(root.left, expectNumber, path, currentSum, result);
    }
    if (root.right) {
        DFS(root.right, expectNumber, path, currentSum, result);
    }
    // 每次清空数组
    path.pop();
}
内容概要:本文档详细介绍了在三台CentOS 7服务器(IP地址分别为192.168.0.157、192.168.0.158和192.168.0.159)上安装和配置Hadoop、Flink及其他大数据组件(如Hive、MySQL、Sqoop、Kafka、Zookeeper、HBase、Spark、Scala)的具体步骤。首先,文档说明了环境准备,包括配置主机名映射、SSH免密登录、JDK安装等。接着,详细描述了Hadoop集群的安装配置,包括SSH免密登录、JDK配置、Hadoop环境变量设置、HDFS和YARN配置文件修改、集群启动与测试。随后,依次介绍了MySQL、Hive、Sqoop、Kafka、Zookeeper、HBase、Spark、Scala和Flink的安装配置过程,包括解压、环境变量配置、配置文件修改、服务启动等关键步骤。最后,文档提供了每个组件的基本测试方法,确保安装成功。 适合人群:具备一定Linux基础和大数据组件基础知识的运维人员、大数据开发工程师以及系统管理员。 使用场景及目标:①为大数据平台建提供详细的安装指南,确保各组件能够顺利安装和配置;②帮助技术人员快速掌握Hadoop、Flink等大数据组件的安装与配置,提升工作效率;③适用于企业级大数据平台的建与维护,确保集群稳定运行。 其他说明:本文档不仅提供了详细的安装步骤,还涵盖了常见的配置项解释和故障排查建议。建议读者在安装过程中仔细阅读每一步骤,并根据实际情况调整配置参数。此外,文档中的命令和配置文件路径均为示例,实际操作时需根据具体环境进行适当修改。
在无线通信领域,天线阵列设计对于信号传播方向和覆盖范围的优化至关重要。本题要求设计一个广播电台的天线布局,形成特定的水平面波瓣图,即在东北方向实现最大辐射强度,在正东到正北的90°范围内辐射衰减最小且无零点;而在其余270°范围内允许出现零点,且正西和西南方向必须为零。为此,设计了一个由4个铅垂铁塔组成的阵列,各铁塔上的电流幅度相等,相位关系可自由调整,几何布置和间距不受限制。设计过程如下: 第一步:构建初级波瓣图 选取南北方向上的两个点源,间距为0.2λ(λ为电磁波波长),形成一个端射阵。通过调整相位差,使正南方向的辐射为零,计算得到初始相位差δ=252°。为了满足西南方向零辐射的要求,整体相位再偏移45°,得到初级波瓣图的表达式为E1=cos(36°cos(φ+45°)+126°)。 第二步:构建次级波瓣图 再选取一个点源位于正北方向,另一个点源位于西南方向,间距为0.4λ。调整相位差使西南方向的辐射为零,计算得到相位差δ=280°。同样整体偏移45°,得到次级波瓣图的表达式为E2=cos(72°cos(φ+45°)+140°)。 最终组合: 将初级波瓣图E1和次级波瓣图E2相乘,得到总阵的波瓣图E=E1×E2=cos(36°cos(φ+45°)+126°)×cos(72°cos(φ+45°)+140°)。通过编程实现计算并绘制波瓣图,可以看到三个阶段的波瓣图分别对应初级波瓣、次级波瓣和总波瓣,最终得到满足广播电台需求的总波瓣图。实验代码使用MATLAB编写,利用polar函数在极坐标下绘制波瓣图,并通过subplot分块显示不同阶段的波瓣图。这种设计方法体现了天线阵列设计的基本原理,即通过调整天线间的相对位置和相位关系,控制电磁波的辐射方向和强度,以满足特定的覆盖需求。这种设计在雷达、卫星通信和移动通信基站等无线通信系统中得到了广泛应用。
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