13 | 树的广度优先搜索（上）：人际关系的六度理论是真的吗？

Jan 11, 2019

13 | 树的广度优先搜索（上）：人际关系的六度理论是真的吗？-极客时间



下载APP





关闭

讲堂部落提薪训练营云原生训练营架构实战营企业版极客商城兑换中心 App下载浏览器插件

渠道合作

推荐作者

13 | 树的广度优先搜索（上）：人际关系的六度理论是真的吗？

2019-01-11 黄申来自北京

《程序员的数学基础课》

课程介绍



讲述：黄申

时长15:24大小14.11M



你好，我是黄申。
上一节，我们探讨了如何在树的结构里进行深度优先搜索。说到这里，有一个问题，不知道你有没有思考过，树既然是两维的，我们为什么一定要朝着纵向去进行深度优先搜索呢？是不是也可以朝着横向来进行搜索呢？今天我们就来看另一种搜索机制，广度优先搜索。
社交网络中的好友问题LinkedIn、Facebook、微信、QQ 这些社交网络平台都有大量的用户。在这些社交网络中，非常重要的一部分就是人与人之间的“好友”关系。
在数学里，为了表示这种好友关系，我们通常使用图中的结点来表示一个人，而用图中的边来表示人和人之间的相识关系，那么社交网络就可以用图论来表示。而“相识关系”又可以分为单向和双向。
单向表示，两个人 a 和 b，a 认识 b，但是 b 不认识 a。如果是单向关系，我们就需要使用有向边来区分是 a 认识 b，还是 b 认识 a。如果是双向关系，双方相互认识，因此直接用无向边就够了。在今天的内容里，我们假设相识关系都是双向的，所以我们今天讨论的都是无向图。
从上面的例图可以看出，人与人之间的相识关系，可以有多条路径。比如，张三可以直接连接赵六，也可以通过王五来连接赵六。比较这两条通路，最短的通路长度是 1，因此张三和赵六是一度好友。也就是说，这里我用两人之间最短通路的长度，来定义他们是几度好友。照此定义，在之前的社交关系示意图中，张三、王五和赵六互为一度好友，而李四和赵六、王五为二度好友。
寻找两个人之间的最短通路，或者说找出两人是几度好友，在社交中有不少应用。例如，向你推荐新的好友、找出两人之间的关系的紧密程度、职场背景调查等等。在 LinkedIn 上，有个功能就是向你推荐了你可能感兴趣的人。下面这张图是我的 LinkedIn 主页里所显示的好友推荐。
这些被推荐的候选人，和我都有不少的共同连接，也就是共同好友。所以他们都是我的二度好友。但是，他们和我之间还没有建立直接的联系，因此不是一度好友。也就是说，对于某个当前用户，LinkedIn 是这么来选择好友推荐的：
被推荐的人和当前用户不是一度好友；
被推荐的人和当前用户是二度好友。
那为什么我们不考虑“三度”甚至是“四度”好友呢？我前面已经说过，两人之间最短的通路长度，表示他们是几度好友。那么三度或者四度，就意味着两人间最短的通路也要经历 2 个或更多的中间人，他们的关系就比较疏远，互相添加好友的可能性就大大降低。
所以呢，总结一下，如果我们想进行好友推荐，那么就要优先考虑用户的“二度”好友，然后才是“三度”或者“四度”好友。那么，下一个紧接着要面临的问题就是：给定一个用户，如何优先找到他的二度好友呢？
深度优先搜索面临的问题这种情况下，你可能会想到上一篇介绍的深度优先搜索。深度优先搜索不仅可以用在树里，还可以应用在图里。不过，我们要面临的问题是图中可能存在回路，这会增加通路的长度，这是我们在计算几度好友时所不希望的。
所以在使用深度优选搜索的时候，一旦遇到产生回路的边，我们需要将它过滤。具体的操作是，判断新访问的点是不是已经在当前通路中出现过，如果出现过就不再访问。
如果过滤掉产生回路的边，从一个用户出发，我们确实可以使用深度优先的策略，搜索完他所有的 n 度好友，然后再根据关系的度数，从二度、三度再到四度进行排序。这是个解决方法，但是效率太低了。为什么呢？
你也许听说过社交关系的六度理论。这个理论神奇的地方在于，它说地球上任何两个人之间的社交关系不会超过六度。乍一听，感觉不太可能。仔细想想，假设每个人平均认识 100 个人（我真心不觉得 100 很多，不信你掰着指头数数看自己认识多少人），那么你的二度好友就是 100^2，这个可以用我们前面讲的排列思想计算而来。
以此类推，三度好友是 100^3，到五度好友就有 100 亿人了，已经超过了地球目前的总人口。即使存在一些好友重复的情况下，例如，你的一度好友可能也出现在你的三度好友中，那这也不可能改变结果的数量级。所以目前来看，地球上任何两个人之间的社会关系不会超过六度。
六度理论告诉我们，你的社会关系会随着关系的度数增加，而呈指数级的膨胀。这意味着，在深度搜索的时候，每增加一度关系，就会新增大量的好友。
但是你仔细回想一下，当我们在用户推荐中查看可能的好友时，基本上不会看完所有推荐列表，最多也就看个几十个人，一般可能也就看看前几个人。所以，如果我们使用深度优先搜索，把所有可能的好友都找到再排序，那效率实在太低了。
什么是广度优先搜索？更高效的做法是，我们只需要先找到所有二度的好友，如果二度好友不够了，再去找三度或者四度的好友。这种好友搜索的模式，其实就是我们今天要介绍的广度优先搜索。
广度优先搜索（Breadth First Search），也叫宽度优先搜索，是指从图中的某个结点出发，沿着和这个点相连的边向前走，去寻找和这个点距离为 1 的所有其他点。只有当和起始点距离为 1 的所有点都被搜索完毕，才开始搜索和起始点距离为 2 的点。当所有和起始点距离为 2 的点都被搜索完了，才开始搜索和起始点距离为 3 的点，如此类推。
我用上一节介绍深度优先搜索顺序的那棵树，带你看一下广度优先搜索和深度优先搜索，在结点访问的顺序上有什么不一样。
同样，我们用结点上的数字表示结点的 ID，用虚线表示遍历前进的方向，用结点边上的数字表示该结点在广度优先搜索中被访问的顺序。从这个图中，你有没有发现，广度优先搜索其实就是横向搜索一棵树啊！
尽管广度优先和深度优先搜索的顺序是不一样的，它们也有两个共同点。
第一，在前进的过程中，我们不希望走重复的结点和边，所以会对已经被访问过的点做记号，而在之后的前进过程中，就只访问那些还没有被标记的点。这一点上，广度优先和深度优先是一致的。有所不同的是，在广度优先中，如果发现和某个结点直接相连的点都已经被访问过，那么下一步就会看和这个点的兄弟结点直接相连的那些点，从中看看是不是有新的点可以访问。
例如，在上图中，访问完结点 945 的两个子结点 580 和 762 之后，广度优先策略发现 945 没有其他的子结点了，因此就去查看 945 的兄弟结点 131，看看它有哪些子结点可以访问，因此下一个被访问的点是 906。
而在深度优先中，如果到了某个点，发现和这个点直接相连的所有点都已经被访问过了，那么不会查看它的兄弟结点，而是回退到这个点的父节点，继续查看和父结点直接相连的点中是不是存在新的点。例如在上图中，访问完结点 945 的两个子结点之后，深度优先策略会回退到点 110，然后访问 110 的子结点 131。
第二，广度优先搜索也可以让我们访问所有和起始点相通的点，因此也被称为广度优先遍历。如果一个图包含多个互不连通的子图，那么从起始点开始的广度优先搜索只能涵盖其中一个子图。这时，我们就需要换一个还没有被访问过的起始点，继续广度优先遍历另一个子图。广度优先搜索可以使用同样的方式来遍历有多个连通子图的图，这也回答了上一讲的思考题。
如何实现社交好友推荐？第 12 讲中我说深度优先是利用递归的嵌套调用、或者是栈的数据结构来实现的。然而，广度优先的访问顺序是不一样的，我们需要优先考虑和某个给定结点距离为 1 的所有其他结点。
等距离为 1 的结点访问完，才会考虑距离为 2 的结点。等距离为 2 的结点访问完，才会考虑距离为 3 的结点等等。在这种情况下，我们无法不断地根据结点的边走下去，而是要先遍历所有距离为 1 的点。
那么，如何在记录所有已被发现的结点情况下，优先访问距离更短的点呢？仔细观察，你会发现和起始点更近的结点，会先更早地被发现。也就是说，越早被访问到的结点，越早地处理它，这是不是很像我们平时排队的情形？早到的人可以优先接受服务，而晚到的人需要等前面的人都离开，才能轮到。所以这里我们需要用到队列这种先进先出（First In First Out）的数据结构。
如果你不是很熟悉队列的数据结构，我这里简短地回顾一下。队列是一种线性表，要被访问的下一个元素来自队列的头部，而所有新来的元素都会加入队列的尾部。
我画了张图给你讲队列的工作过程。首先，读取已有元素的时候，都是从队列的头部来取，例如 x1​，x2​ 等等。所有新的元素都加入队列的尾部，例如 xm​，xm+1​。
那么在广度优先搜索中，队列是如何工作的呢？这主要分为以下几个步骤。
首先，把初始结点放入队列中。然后，每次从队列首位取出一个结点，搜索所有在它下一级的结点。接下来，把新发现的结点加入队列的末尾。重复上述的步骤，直到没有发现新的结点为止。
我以上面的树状图为例，并通过队列实现广度优先搜索。
第 1 步，将初始结点 110 加入队列中。
第 2 步，取出结点 110，搜出下一级结点 123、879、945 和 131。
第 3 步，将点 123、879、945 和 131 加入队列的末尾。
第 4 步，重复第 2 和第 3 步，处理结点 123，将新发现结点 162 和 587 加入队列末尾。
第 5 步，重复第 2 和第 3 步，处理结点 879，没有发现新结点。
第 6 步，重复第 2 和第 3 步，处理结点 945，将新发现的结点 580 和 762 加入队列末尾。
……
第 n-1 步，重复第 2 和第 3 步，处理结点 906，没有发现新结点。
第 n 步，重复第 2 和第 3 步，处理结点 681，没有发现新的结点，也没有更多待处理的结点，整个过程结束。
理解了如何使用队列来实现广度优先搜索之后，我们就可以开始着手编写代码。我们现在没有现成的用户关系网络数据，所以我们需要先模拟生成一些用户结点及其间的相识关系，然后利用队列的数据结构进行广度优先的搜索。基于此，主要使用的数据结构包括：
用户结点 Node。这次设计的用户结点和前缀树结点 TreeNode 略有不同，包含了用户的 ID user_id，以及这个用户的好友集合。我用 HashSet 实现，便于在生成用户关系图的时候，确认是否会有重复的好友。
表示整个图的结点数组 Node[]。由于每个用户使用 user_id 来表示，所以我可以使用连续的数组表示所有的用户。用户的 user_id 就是数组的下标。
队列 Queue。由于 Java 中 Queue 是一个接口，因此需要用一个拥有具体实现的 LinkedList 类。
首先我们列出结点 Node 类的示例代码。
public class Node {
 
 public int user_id; // 结点的名称，这里使用用户id
 public HashSet<Integer> friends = null; 
 // 使用哈希映射存放相连的朋友结点。哈希便于确认和某个用户是否相连。
 public int degree; // 用于存放和给定的用户结点，是几度好友
 
 // 初始化结点
 public Node(int id) {
 user_id = id;
 friends = new HashSet<>();
 degree = 0;
 } 
 }
我们可以用代码随机生成用户间的关系。首先根据指定的用户数量，生成 Node[]数组，以及数组中的每个用户的节点 Node。然后根据边的数量，生成用户之间的相识关系。需要注意的是，自己不能是自己的好友，而且某个用户的所有好友之中不能有重复的人。
Node[] user_nodes = new Node[user_num];
// 生成所有表示用户的结点
for (int i = 0; i < user_num; i++) {
 user_nodes[i] = new Node(i);
}
// 生成所有表示好友关系的边
for (int i = 0; i < relation_num; i++) {
 int friend_a_id = rand.nextInt(user_num);
 int friend_b_id = rand.nextInt(user_num);
 if (friend_a_id == friend_b_id) continue; 
 // 自己不能是自己的好友。如果生成的两个好友id相同，跳过
 Node friend_a = user_nodes[friend_a_id];
 Node friend_b = user_nodes[friend_b_id];
 friend_a.friends.add(friend_b_id);
 friend_b.friends.add(friend_a_id);
}
其中，user_num- 用户的数量，也就是结点的数量。relation_num- 好友关系的数量，也就是边的数量。由于 HashSet 有去重的功能，所以我这里做了简化处理，没有判断是否存在重复的边，也没有因为重复的边而重新生成另一条边。
随后我们的主角，广度优先搜索就要出场了。这里我使用了一个 visited 变量，存放已经被访问过的结点，防止回路的产生。
/**
* @Description: 通过广度优先搜索，查找好友
* @param user_nodes-用户的结点；user_id-给定的用户ID，我们要为这个用户查找好友
* @return void
*/
public static void bfs(Node[] user_nodes, int user_id) {
 
 if (user_id > user_nodes.length) return; // 防止数组越界的异常
 
 Queue<Integer> queue = new LinkedList<Integer>(); // 用于广度优先搜索的队列
 
 queue.offer(user_id); // 放入初始结点
 HashSet<Integer> visited = new HashSet<>(); // 存放已经被访问过的结点，防止回路
 visited.add(user_id);
 
 while (!queue.isEmpty()) {
 int current_user_id = queue.poll(); // 拿出队列头部的第一个结点
 if (user_nodes[current_user_id] == null) continue;
 
 // 遍历刚刚拿出的这个结点的所有直接连接结点，并加入队列尾部
 for (int friend_id : user_nodes[current_user_id].friends) {
 if (user_nodes[friend_id] == null) continue;
 if (visited.contains(friend_id)) continue;
 queue.offer(friend_id);
 visited.add(friend_id); // 记录已经访问过的结点
 user_nodes[friend_id].degree = user_nodes[current_user_id].degree + 1; // 好友度数是当前结点的好友度数再加1
 System.out.println(String.format("\t%d度好友：%d", user_nodes[friend_id].degree, friend_id));
 }
 }
 
 }
需要注意的是，这里用户结点之间的边是随机生成的，所以每次结果会有所不同。如果想重现固定的结果，可以从某个文件加载用户之间的关系。
小结在遍历树或者图的时候，如果使用深度优先的策略，被发现的结点数量可能呈指数级增长。如果我们更关心的是最近的相连结点，比如社交关系中的二度好友，那么这种情况下，广度优先策略更高效。也正是由于这种特性，我们不能再使用递归编程或者栈的数据结构来实现广度优先，而是需要用到具有先进先出特点的队列。
思考题在计算机的操作系统中，我们常常需要查看某个目录下的文件或子目录。现在给定一个目录的路径，请分别使用深度优先和广度优先搜索，列出该目录下所有的文件和子目录。对于子目录，需要进一步展示其下的文件和子目录，直到没有更多的子目录。
欢迎在留言区交作业，并写下你今天的学习笔记。你可以点击“请朋友读”，把今天的内容分享给你的好友，和他一起精进。

分享给需要的人，Ta购买本课程，你将得20元

生成海报并分享

赞 6

提建议

12 | 树的深度优先搜索（下）：如何才能高效率地查字典？

14 | 树的广度优先搜索（下）：为什么双向广度优先搜索的效率更高？

 写留言

精选留言(17)

罗耀龙@坐忘
2020-04-05
茶艺师学编程一张由节点和边构成的图如何遍历? 在学完“一条路走到黑”的深度优先搜索（DFS）后，今天我们迎来另一种遍历算法：广度优先搜索（BFS）。我把她理解为：谁和我最亲近? 其实，广度优先搜索这思想早已是我们生活的一部分。费孝通先生用“差序格局”来形容我们中国的古代社会，其中作为主骨的儒家思想，其“创始人”孔子教导道：修身齐家治国平天下（先把自己管好，再把自己家事处理好，然后才是国家、天下）。在西方，（神话）经济学之父亚当斯密也有类似的洞见，他说 “正因为人的同情心就那么一点点，他肯定会优先自己，然后是家人、朋友，再然后才是同一条街的领居……也正因为这样，当要与更远的陌生人发生协作时，这时候就需要市场来协调……” 这些，其底层的数学原理，正是今天所讲的广度优先搜索。而各位程序员大神把这＊教＊给了计算机，让它反过来帮助人类处理更加复杂的问题。
展开
作者回复: 你的比方都很形象👍
共 2 条评论
11
cwtxz
2019-12-31
编程这么些年，就从来没有把递归相关的编程问题克服过。虽然天天加班，但是一直都在做一些重复的业务，遇到一些稍微麻烦的问题，下意识的就会去网上搜索现成的解决方案，久而久之，自己独立分析思考问题的能力变得羸弱不堪。一旦遇到一些稍微抽象一点、分析步骤稍微繁琐的问题，往往找不到破解问题的方向，坚持不了多久就容易心浮气躁，心生放弃。所以，类似递归这类抽象度高又复杂的算法，本能地会畏惧，敬而远之。但是，男人不能怂，这次我不能避而不战了，我一定要克服递归，无论多难，我都不想放弃！！！加油！！！
展开
作者回复: 相信你可以做到的，新年新气象👍
共 3 条评论
6
strentchRise
2019-01-11
自己代码功力不行，尽力写一个python版本的 class Node: def __init__(self, number): self.num = number self.nodes = [] def setNode(self, num): if(self.nodes.__contains__(num) == False): node = Node(num) self.nodes.append(node) return node else: return None def setNodeUnder(self, num, base): if (self.num == num): return self.setNode(num) baseNode = self.get(base, self.nodes) if baseNode == None: return None else: return baseNode.setNode(num) def get(self, num, nodes=None): if(self.nodes == None or len(nodes) == 0): return None else: someNodes = [] for node in nodes: if node.num == num: return node for n in node.nodes: someNodes.append(n) return self.get(num, someNodes) def search(self): print(self.num) self.printNodes(self.nodes) def printNodes(self, nodes=None): if nodes == None or len(nodes) == 0: return else: someNodes = [] for node in nodes: print(node.num) for n in node.nodes: someNodes.append(n) return self.printNodes(someNodes) root = Node(110) root.setNode(123) root.setNode(879) root.setNode(945) root.setNode(131) root.setNodeUnder(162, 123) root.setNodeUnder(587, 123) root.setNodeUnder(580, 945) root.setNodeUnder(762, 945) root.setNodeUnder(906, 131) root.setNodeUnder(681, 587) root.search() output: 110 123 879 945 131 162 587 580 762 906 681 finish...
展开
作者回复: 很好的还原了原文的示例👍
6
qinggeouye
2019-02-24
# 思考题 python import getpass import os import queue def bfs_dir(path): """ 广度优先搜索：在给定路径下，搜索文件或子目录，子目录需要进一步搜索其下的文件和子目录，直到没有更多的子目录 :param path: 给定目录的路径 :return: """ # 给出的路径是否是一个目录 if not os.path.isdir(path): return que = queue.Queue() visited = set() for p in os.listdir(path): bfs_path = path + os.sep + p if os.path.isdir(bfs_path): que.put(bfs_path) visited.add(bfs_path) print('文件夹\t', bfs_path) else: print('文件\t', bfs_path) while not que.empty(): cur_path = que.get() if len(os.listdir(cur_path)) == 0: continue for p in os.listdir(cur_path): bfs_path = cur_path + os.sep + p if bfs_path in visited: continue if os.path.isdir(bfs_path): que.put(bfs_path) visited.add(bfs_path) print("文件夹\t", bfs_path) else: print("文件\t", bfs_path) if __name__ == "__main__": dir_path = '' user = getpass.getuser() # 计算机当前登陆用户 if os.name == "posix": # Unix 或 OS X 操作系统 dir_path = '/Users/' + user + '/Desktop/GeekTime/MathematicProgrammer' elif os.name == "nt": # Win 操作系统 dir_path = '\\Users\\' + user + '\\Desktop\\GeekTime\\MathematicProgrammer' bfs_dir(dir_path)
展开
5
escray
2020-02-03
回过头来重看了一遍，对于树的广度优先搜索，从概念上理解了，但是实际动手写一段 Java 或者是 Python 的代码，还是没有信心。学习了 @qinggeouye 的 Python 代码和 @恬毅的 Java 代码。希望以后自己也能提交一些代码。
作者回复: 反复学习，坚持就可以
3
Joe
2019-01-20
C++实现DFS显示ubuntu指定目录下所有的文件，请老师指点。 #include <dirent.h> #include <stdlib.h> #include <string.h> #include <unistd.h> #include <iostream> #include <regex> #include <stack> using namespace std; class FileSearch { private: stack<string> path; // 路径栈 public: /** * Detail: DFS显示ubuntu指定目录下文件 * basePath- 文件路径 * return: null */ void DfsFile(char *basePath) { DIR *dir; struct dirent *ptr; char base[1000]; char temp[1000]; // 路径入栈 path.push(basePath); // 遍历开始 while (!path.empty()) { // 打开当前目录 strcpy(temp, path.top().c_str()); path.pop(); cout << "Current path: " << temp << endl; if ((dir = opendir(temp)) == NULL) { perror("Open dir error, please input the right path"); exit(1); } // 显示当前路径下的文件 while ((ptr = readdir(dir)) != NULL) { // 忽略隐藏文件和路径: .and.. if (regex_match(ptr->d_name, regex("\\.(.*)"))) { continue; } if (ptr->d_type == 8) { // A regular file //cout << "file: " << basePath << "/" << ptr->d_name << endl; cout << ptr->d_name << endl; } else if (ptr->d_type == 4) { // 检测为文件夹 memset(base, '\0', sizeof(base)); strcpy(base, temp); strcat(base, "/"); strcat(base, ptr->d_name); path.push(base); continue; } } } // 关闭文件 closedir(dir); } }; int main(void) { FileSearch test; // 需要遍历的文件夹目录 char basePath[] = {"/home/joe/Desktop/leetcode"}; test.DfsFile(basePath); return 0; } // 大致输出结果为： Current path: /home/joe/Desktop/leetcode leetcodePractice.cpp a.out README.md Current path: /home/joe/Desktop/leetcode/math_fundamental_algorithms recursion.cpp tree_depth_first_search.cpp recursion_integer.cpp permutation.cpp dynamic_programming.md iteration_way.cpp tree_breadth_first_search.md a.out tree_breadth_first_search.cpp math_induction.cpp byte_operation.cpp ......
展开
作者回复: 注意到了隐藏路径和文件的处理，很棒
3
喻茂
2020-03-16
php示例 <?php // 用户节点相关类 class Node { public $user_id;// 用户id public $friends = []; // 朋友节点id public $degree;// 好友度数 public function __construct($user_id) { $this->user_id = $user_id; $this->degree=0; } } /** * @Description: 通过广度优先搜索，查找好友 * @param user_nodes-用户的结点；user_id-给定的用户ID，我们要为这个用户查找好友 * @return void */ function bfs($user_nodes,$user_id) { if (empty($user_nodes[$user_id])) { echo "uer_id为{$user_id}的用户不存在"; return; } $queueArr = []; $visited = [];// 存放已经访问过的节点 $visited[] = $user_id; array_push($queueArr,$user_id); while (!empty($queueArr)) { $current_user_id = array_shift($queueArr);// 拿出队列头部的第一个结点 if (empty($user_nodes[$current_user_id])) { // 当前用户不存在 continue; } $cur_node = $user_nodes[$current_user_id]; $cur_node_friends_ids = $cur_node->friends; // 获取当前用户的所有直接连接结点 // 遍历刚刚拿出的这个结点的所有直接连接结点，并加入队列尾部 foreach ($cur_node_friends_ids as $friends_id_one) { if (empty($user_nodes[$friends_id_one])) {// 当前用户不存在 continue; } if (in_array($friends_id_one,$visited)) { // 当前用户已经访问过 continue; } array_push($queueArr,$friends_id_one); $visited[] = $friends_id_one; $user_nodes[$friends_id_one]->degree =$user_nodes[$current_user_id]->degree+1; echo "user_id为{$friends_id_one}的用户是user_id为{$user_id}用户的".$user_nodes[$friends_id_one]->degree."度好友 "; } } } $user_nodes=[];// 用户列表 $user_num = 100; $relation_num = 1000; // 生成100个用户 for($i=0;$i<$user_num;$i++) { $user_nodes[$i] = new Node($i); } // 随机生成好友关系 for($i=0;$i<$relation_num;$i++) { $friend_a_id = mt_rand(0,$user_num-1); $friend_b_id = mt_rand(0,$user_num-1); if ($friend_a_id == $friend_b_id) { // 自己和自己不能是好友关系 continue; } $friend_a = $user_nodes[$friend_a_id]; if (in_array($friend_b_id,$friend_a->friends)) { // 说明a,b已经是好友，没必要重复添加 continue; } $friend_a->friends[] = $friend_b_id; // a的好友列表中添加b $friend_b->friends[] = $friend_a_id; // b的好友列表中添加a } bfs($user_nodes,10);
展开
1
建强
2019-12-21
简单用Python写了一个程序： # 用深搜和广搜列出目录 import os # 深搜列目录 def dls(path,level): #BEGIN for file in os.listdir(path): # 如果是子目录，则递归访问该子目录 if os.path.isdir(file): print('-' * level * 2, '子目录：{}'.format(file)) dls(path + '/' + file, level + 1) else: print('-' * level * 2, '文件名：{}'.format(file), '-'*10) #END # 广搜列目录 def bls(path): #BEGIN level = 0 #创建并初始化队列 queue = [] queue.append((path,level)) # 队列不空时，取出队列中的元素进行遍历 while len(queue) > 0: subpath = queue[0][0] level = queue[0][1] queue.remove(subpath) print('-' * level * 2, '{}下的所有文件：'.format(subpath), '-' * level * 2) for file in os.listdir(subpath): # 如果是子目录仍然进队列 if os.path.isdir(file): print(' ' * (level + 1) * 2, '子目录：{}'.format(file)) queue.append((subpath + '/' + file, level + 1)) else: print(' ' * (level + 1) * 2, '文件名：{}'.format(file)) #END # 主程序 def main(): #BEGIN print('深度优先搜索目录：C:\') dls('c:/', 1) print('广度优先搜索目录：C:\') bls('c:/') #END if __name__ == '__main__': main()
展开
1
恬毅
2019-08-22
package package13; import java.util.HashSet; import java.util.LinkedList; import java.util.Queue; import java.util.Stack; public class File { public String name; public HashSet<File> children; public String parent; public String getPath() { if (name == null) return null; if (parent == null) { return this.name; } return this.parent.concat("/").concat(this.name); } public File(String name, String parent) { this.name = name; this.parent = parent; this.children = new HashSet<File>(); } public static void addFile(File file, String path) { String[] arr = path.split("/"); boolean exist = false; File newFile = null; for (File files : file.children) { if (files.name.equals(arr[0])) { exist = true; newFile = files; } } if (!exist) { newFile = new File(arr[0], file.getPath()); file.children.add(newFile); } if (arr.length > 1) { addFile(newFile, path.substring(path.indexOf("/") + 1)); } } public static void guangdu(File file) { Queue<File> queue = new LinkedList<File>(); queue.offer(file); while(!queue.isEmpty()) { File iterator = queue.poll(); System.out.println(iterator.getPath()); for (File child : iterator.children) { queue.offer(child); } } } public static void shendu(File file) { Stack<File> stack = new Stack<File>(); stack.push(file); while(!stack.isEmpty()) { File iterator = stack.pop(); System.out.println(iterator.getPath()); for (File child : iterator.children) { stack.push(child); } } } public static void main(String[] args) { File file = new File(null, null); addFile(file, "d:/a/b/c"); addFile(file, "d:/a/b/c"); addFile(file, "d:/a/b/d"); addFile(file, "d:/a/b2/d"); addFile(file, "d:/a/b3/d"); addFile(file, "d:/b/b3/d"); // shendu(file); guangdu(file); } }
展开
1
杨芸芸
2023-01-02 来自湖北
1、采用广度优先搜索BFS算法，像剥洋葱一样一层层搜索每一层路径下的文件和目录。使用两个队列，一个队列存储待继续搜索的目录和文件，一个队列存储搜索到的结果文件和目录，知道第一个队列为空则搜索结束。 2、也可以使用深度优先搜索算法DFS，使用栈存储待搜索的目录或文件，采用迭代的方式：把某一个路径搜索到底然后返回父目录，继续搜索父目录的其他子目录或文件，不断重复这个过程直到栈为空
展开
作者回复: 是的，不过要看具体需求和应用场景。
013923
2022-07-28 来自陕西
谢谢老师！
抱紧我的小鲤鱼
2022-06-22
曾经面试遇到过这个问题，现在豁然开朗
作者回复: 很高兴对你有帮助！
大头
2021-01-22
/** * 广度优先 * @param file */ private static void bsf(File file) { Queue<File> queue = new LinkedList<>(); queue.offer(file); while (!queue.isEmpty()) { File current_file = queue.poll(); System.out.println(current_file.getName()); if(current_file.isDirectory()) { File[] files = current_file.listFiles(); for(File file_new : files) { queue.offer(file_new); } } } } /** * 深度优先 * @param file */ private static void dsf(File file) { System.out.println(file.getName()); if(file.isDirectory()) { File[] files = file.listFiles(); for(File file_new : files) { dsf(file_new); } } }
展开
Paul Shan
2019-08-23
树的广度优先是从根开始，从上到下，按层遍历，每一层，按照从左到右遍历，如果把结果排出来，也就是按两个维度排序，层次是第一优先级，左右是第二优先级。实现中用队列。二叉树的深度遍历有两个顺序，一个顺序是节点被发现的顺序，另外一个是节点完成的顺序。被发现的顺序和树的前序遍历一致，中左右递归进行。完成的顺序和树的后序遍历一致，左右中递归进行。实现中用栈。
展开
菩提
2019-01-16
我好好检查了一下我的代码逻辑，您的逻辑是正确的。我这边visited集合没有把user_id加入，导致的问题。控制台的输出日志。我查询的是user_id是 0，而控制台打印了一行记录是 2度好友:0 。出现这个打印的原因是遍历0的好友。该好友的friends包含了0，在for循环中算了user_id=0的情况。谢谢老师指正！
展开
作者回复: 找到问题就好👍
菩提
2019-01-15
广度优先搜索那块有2个小瑕疵，您看一下。 1. 防止数组越界的异常，user_id 等于数组长度也会越界。 2.遍历子节点的时候，如果子节点friends中存在需要查询的user_id,则出现错误的打印输出。如果是查询的user_id应该continue。控制台打印 0:[3]:0 1:[3]:0 2:[3]:0 3:[0, 1, 2, 4]:0 4:[3]:0 1 度好友:3 2 度好友:0 2 度好友:1 2 度好友:2 2 度好友:4 代码如下， public static Node[] init(int user_num, int relation_num) { Random rand = new Random(); Node[] user_nodes = new Node[user_num]; // 生成所有表示用户的节点 for (int i = 0; i < user_num; i++) { user_nodes[i] = new Node(i); } // 生成所有表示好友关系的边 for (int i = 0; i < relation_num; i++) { int friend_a_id = rand.nextInt(user_num); int friend_b_id = rand.nextInt(user_num); if (friend_a_id == friend_b_id) continue; Node friend_a = user_nodes[friend_a_id]; Node friend_b = user_nodes[friend_b_id]; friend_a.friends.add(friend_b_id); friend_b.friends.add(friend_a_id); } return user_nodes; } public static void bfs(Node[] user_nodes, int user_id) { // 防止数组越界异常 if (user_id >= user_nodes.length) return; // 用于广度优先搜索的队列 Queue<Integer> queue = new LinkedList<>(); // 放入初始节点 queue.offer(user_id); // 存放已经被访问过的节点，防止回路 HashSet<Integer> visited = new HashSet<>(); while (!queue.isEmpty()) { // 取出队列头部的第一个节点 int current_user_id = queue.poll(); if (user_nodes[current_user_id] == null) continue; // 遍历刚刚拿到的这个节点的所有直接连接节点，并加入队列尾部 for (int friend_id : user_nodes[current_user_id].friends) { if (user_nodes[current_user_id] == null) continue; if (visited.contains(friend_id)) continue; queue.offer(friend_id); // 记录已经访问过的节点 visited.add(friend_id); // 好友度数是当前节点的好友度数再加1 user_nodes[friend_id].degree = user_nodes[current_user_id].degree + 1; System.out.println(String.format("\t%d 度好友:%d", user_nodes[friend_id].degree, friend_id)); } } } public static void main(String[] args) { Node[] user_nodes = init(5, 8); for (Node d : user_nodes) { System.out.println(d.user_id + ":" + d.friends + ":" + d.degree); } bfs(user_nodes, 0); }
展开
作者回复: 第一点是很好的发现，我稍后加一下。第二点没有看太明白，能否补充说明一下？
Being
2019-01-11
使用C++的双端队列deque实现的BFS和DFS namespace FilePathOperator { struct St_FilePathNode; typedef std::set<St_FilePathNode*> SetterFilePathNode; typedef void(*FilPathOperator)(const St_FilePathNode& rStFilePathNode); typedef struct St_FilePathNode { int m_nLevel; std::string m_strFilePath; SetterFilePathNode m_setChildernPathNodes; }StFilePathNode; }; void FilePathOperator::BFSFilePathNodes(StFilePathNode * pRoot, FilPathOperator nodeOperator, int nMaxLevel) { if (NULL == pRoot) return; std::deque<StFilePathNode*> queNode; queNode.push_front(pRoot); pRoot->m_nLevel = 0; // Root Level is first one while (!queNode.empty()) { StFilePathNode* pNode = queNode.back(); queNode.pop_back(); if (NULL == pNode) continue; int nNodeLevel = pNode->m_nLevel; nodeOperator(*pNode); if (nNodeLevel + 1 > nMaxLevel) continue; // childern beyond MaxLevel SetterFilePathNode::iterator ChildItr = pNode->m_setChildernPathNodes.begin(); for (; ChildItr != pNode->m_setChildernPathNodes.end(); ChildItr++） { if (NULL == *ChildItr) continue; (*ChildItr)->m_nLevel = nNodeLevel + 1; queNode.push_front(*ChildItr); } } } void FilePathOperator::DFSFilePathNodes(StFilePathNode * pRoot, FilPathOperator nodeOperator, int nMaxLevel) { if (NULL == pRoot) return; std::deque<StFilePathNode*> deqNode; deqNode.push_front(pRoot); pRoot->m_nLevel = 0; // Root Level is first one while (!deqNode.empty()) { StFilePathNode* pNode = deqNode.front(); deqNode.pop_front(); if (NULL == pNode) continue; int nNodeLevel = pNode->m_nLevel; nodeOperator(*pNode); if (nNodeLevel + 1 > nMaxLevel) continue; // childern beyond MaxLevel SetterFilePathNode::iterator ChildItr = pNode->m_setChildernPathNodes.cbegin(); for (; ChildItr != pNode->m_setChildernPathNodes.cend(); ChildItr++) { if (NULL == *ChildItr) continue; (*ChildItr)->m_nLevel = nNodeLevel + 1; deqNode.push_front(*ChildItr); } } } （其他的Create、Destroy、Print就暂时不贴出来了）
展开
作者回复: Deque确实是个好东西，只是名字有时让人联想不到stack :)

