105 lines
5.4 KiB
Markdown
105 lines
5.4 KiB
Markdown
# 广度优先搜索理论基础
|
||
|
||
在[深度优先搜索](./图论深搜理论基础.md)的讲解中，我们就讲过深度优先搜索和广度优先搜索的区别。
|
||
|
||
广搜（bfs）是一圈一圈的搜索过程，和深搜（dfs）是一条路跑到黑然后再回溯。
|
||
|
||
## 广搜的使用场景
|
||
|
||
广搜的搜索方式就适合于解决两个点之间的最短路径问题。
|
||
|
||
因为广搜是从起点出发，以起始点为中心一圈一圈进行搜索，一旦遇到终点，记录之前走过的节点就是一条最短路。
|
||
|
||
当然，也有一些问题是广搜 和 深搜都可以解决的，例如岛屿问题，**这类问题的特征就是不涉及具体的遍历方式，只要能把相邻且相同属性的节点标记上就行**。 （我们会在具体题目讲解中详细来说）
|
||
|
||
## 广搜的过程
|
||
|
||
上面我们提过，BFS是一圈一圈的搜索过程，但具体是怎么一圈一圈来搜呢。
|
||
|
||
我们用一个方格地图，假如每次搜索的方向为 上下左右（不包含斜上方），那么给出一个start起始位置，那么BFS就是从四个方向走出第一步。
|
||
|
||
|
||
|
||
如果加上一个end终止位置，那么使用BFS的搜索过程如图所示：
|
||
|
||
|
||
|
||
我们从图中可以看出，从start起点开始，是一圈一圈，向外搜索，方格编号1为第一步遍历的节点，方格编号2为第二步遍历的节点，第四步的时候我们找到终止点end。
|
||
|
||
正是因为BFS一圈一圈的遍历方式，所以一旦遇到终止点，那么一定是一条最短路径。
|
||
|
||
而且地图还可以有障碍，如图所示：
|
||
|
||
|
||
|
||
在第五步，第六步 我只把关键的节点染色了，其他方向周边没有去染色，大家只要关注关键地方染色的逻辑就可以。
|
||
|
||
从图中可以看出，如果添加了障碍，我们是第六步才能走到end终点。
|
||
|
||
只要BFS只要搜到终点一定是一条最短路径，大家可以参考上面的图，自己再去模拟一下。
|
||
|
||
## 代码框架
|
||
|
||
大家应该好奇，这一圈一圈的搜索过程是怎么做到的，是放在什么容器里，才能这样去遍历。
|
||
|
||
很多网上的资料都是直接说用队列来实现。
|
||
|
||
其实，我们仅仅需要一个容器，能保存我们要遍历过的元素就可以，**那么用队列，还是用栈，甚至用数组，都是可以的**。
|
||
|
||
**用队列的话，就是保证每一圈都是一个方向去转，例如统一顺时针或者逆时针**。
|
||
|
||
因为队列是先进先出，加入元素和弹出元素的顺序是没有改变的。
|
||
|
||
**如果用栈的话，就是第一圈顺时针遍历，第二圈逆时针遍历，第三圈有顺时针遍历**。
|
||
|
||
因为栈是先进后出，加入元素和弹出元素的顺序改变了。
|
||
|
||
那么广搜需要注意 转圈搜索的顺序吗？ 不需要！
|
||
|
||
所以用队列，还是用栈都是可以的，但大家都习惯用队列了，**所以下面的讲解用我也用队列来讲，只不过要给大家说清楚，并不是非要用队列，用栈也可以**。
|
||
|
||
下面给出广搜代码模板，该模板针对的就是，上面的四方格的地图： （详细注释）
|
||
|
||
```CPP
|
||
int dir[4][2] = {0, 1, 1, 0, -1, 0, 0, -1}; // 表示四个方向
|
||
// grid 是地图，也就是一个二维数组
|
||
// visited标记访问过的节点，不要重复访问
|
||
// x,y 表示开始搜索节点的下标
|
||
void bfs(vector<vector<char>>& grid, vector<vector<bool>>& visited, int x, int y) {
|
||
queue<pair<int, int>> que; // 定义队列
|
||
que.push({x, y}); // 起始节点加入队列
|
||
visited[x][y] = true; // 只要加入队列，立刻标记为访问过的节点
|
||
while(!que.empty()) { // 开始遍历队列里的元素
|
||
pair<int ,int> cur = que.front(); que.pop(); // 从队列取元素
|
||
int curx = cur.first;
|
||
int cury = cur.second; // 当前节点坐标
|
||
for (int i = 0; i < 4; i++) { // 开始想当前节点的四个方向左右上下去遍历
|
||
int nextx = curx + dir[i][0];
|
||
int nexty = cury + dir[i][1]; // 获取周边四个方向的坐标
|
||
if (nextx < 0 || nextx >= grid.size() || nexty < 0 || nexty >= grid[0].size()) continue; // 坐标越界了，直接跳过
|
||
if (!visited[nextx][nexty]) { // 如果节点没被访问过
|
||
que.push({nextx, nexty}); // 队列添加该节点为下一轮要遍历的节点
|
||
visited[nextx][nexty] = true; // 只要加入队列立刻标记，避免重复访问
|
||
}
|
||
}
|
||
}
|
||
|
||
}
|
||
```
|
||
|
||
|
||
## 总结
|
||
|
||
当然广搜还有很多细节需要注意的地方，后面我会针对广搜的题目还做针对性的讲解。
|
||
|
||
**因为在理论篇讲太多细节，可能会让刚学广搜的录友们越看越懵**，所以细节方面针对具体题目在做讲解。
|
||
|
||
本篇我们重点讲解了广搜的使用场景，广搜的过程以及广搜的代码框架。
|
||
|
||
其实在二叉树章节的[层序遍历](https://programmercarl.com/0102.%E4%BA%8C%E5%8F%89%E6%A0%91%E7%9A%84%E5%B1%82%E5%BA%8F%E9%81%8D%E5%8E%86.html)中，我们也讲过一次广搜，相当于是广搜在二叉树这种数据结构上的应用。
|
||
|
||
这次则从图论的角度上再详细讲解一次广度优先遍历。
|
||
|
||
相信看完本篇，大家会对广搜有一个基础性的认识，后面再来做对应的题目就会得心应手一些。
|
||
|