深度优先搜索和广度优先搜索，都是图形搜索算法，它两相似，又却不同，在应用上也被用到不同的地方。这里拿一起讨论，方便比较。 先给大家说一下两者大概的区别：
- 如果搜索是以接近起始状态的程序依次扩展状态的，叫广度优先搜索。 如果扩展是首先扩展新产生的状态，则叫深度优先搜索。 深度优先搜索：对每一个可能的分支路径深入到不能再深入为止，而且每个结点只能访问一次。 广度优先搜索：又叫层次遍历，从上往下对每一层依次访问，在每一层中，从左往右（也可以从右往左）访问结点，访问完一层就进入下一层，直到没有结点可以访问为止。
- 二叉树的深度优先遍历的非递归的通用做法是采用栈，广度优先遍历的非递归的通用做法是采用队列。
- 通常
深度优先搜索法不全部保留结点，扩展完的结点从数据库中弹出删去，这样，一般在数据库中存储的结点数就是深度值，因此它占用空间较少。所以，当搜索树的结点较多，用其它方法易产生内存溢出时，深度优先搜索不失为一种有效的求解方法。广度优先搜索算法，一般需存储产生的所有结点，占用的存储空间要比深度优先搜索大得多，因此，程序设计中，必须考虑溢出和节省内存空间的问题。但广度优先搜索法一般无回溯操作，即入栈和出栈的操作，所以运行速度比深度优先搜索要快些。
一、深度优先搜索
深度优先搜索属于图算法的一种，是一个针对图和树的遍历算法，英文缩写为DFS即Depth First Search。深度优先搜索是图论中的经典算法，利用深度优先搜索算法可以产生目标图的相应拓扑排序表，利用拓扑排序表可以方便的解决很多相关的图论问题，如最大路径问题等等。一般用栈stack数据结构来辅助实现DFS算法。其过程简要来说是对每一个可能的分支路径深入到不能再深入为止，而且每个节点只能访问一次。
若将bfs策略应用于树结构，其效果等同与前中后序遍历。
- 对于下面的树而言，DFS方法首先从根节点1开始，其搜索节点顺序是1,2,3,4,5,6,7,8（假定左分枝和右分枝中优先选择左分枝）。
- 从stack中访问栈顶的点；
- 找出与此点邻接的且尚未遍历的点，进行标记，然后放入stack中，依次进行；
- 如果此点没有尚未遍历的邻接点，则将此点从stack中弹出，再按照（3）依次进行；
- 直到遍历完整个树，stack里的元素都将弹出，最后栈为空，DFS遍历完成。
1.2 代码模板
- 确认递归函数，参数 首先我们dfs函数一定要存一个图，用来遍历的，还要存一个目前我们遍历的节点，定义为x。至于单一路径，和路径集合可以放在全局变量，那么代码是这样的：
vector<vector<int>> result; // 收集符合条件的路径
vector<int> path; // 0节点到终点的路径
// x：目前遍历的节点
// graph：存当前的图
void dfs (vector<vector<int>>& graph, int x)
- 确认终止条件 什么时候我们就找到一条路径了？ 当目前遍历的节点 为 最后一个节点的时候，就找到了一条，从 出发点到终止点的路径。 当前遍历的节点，我们定义为x，最后一点节点，就是 graph.size() - 1。 所以 但 x 等于 graph.size() - 1 的时候就找到一条有效路径。 代码如下：
// 要求从节点 0 到节点 n-1 的路径并输出，所以是 graph.size() - 1
if (x == graph.size() - 1) { // 找到符合条件的一条路径
result.push_back(path); // 收集有效路径
return;
}
- 处理目前搜索节点出发的路径 接下来是走 当前遍历节点x的下一个节点。 首先是要找到 x节点链接了哪些节点呢？ 遍历方式是这样的：
for (int i = 0; i < graph[x].size(); i++) { // 遍历节点n链接的所有节点
接下来就是将 选中的x所连接的节点，加入到 单一路径来。
path.push_back(graph[x][i]); // 遍历到的节点加入到路径中来
- 当前遍历的节点就是 graph[x][i] 了，所以进入下一层递归
dfs(graph, graph[x][i]); // 进入下一层递归`
- 最后就是回溯的过程，撤销本次添加节点的操作。 该过程代码：
for (int i = 0; i < graph[x].size(); i++) { // 遍历节点n链接的所有节点
path.push_back(graph[x][i]); // 遍历到的节点加入到路径中来
dfs(graph, graph[x][i]); // 进入下一层递归
path.pop_back(); // 回溯，撤销本节点
}
- 整体代码
// 深度优先搜索 C++代码模板
class Solution {
private:
vector<vector<int>> result; // 收集符合条件的路径
vector<int> path; // 0节点到终点的路径
// x：目前遍历的节点
// graph：存当前的图
void dfs (vector<vector<int>>& graph, int x, vector<bool>& used) {
// 要求从节点 0 到节点 n-1 的路径并输出，所以是 graph.size() - 1
if (x == graph.size() - 1) { // 找到符合条件的一条路径
result.push_back(path);
return;
}
unordered_set<int> visited; // 定义set对同一节点下的本层去重
for (int i = 0; i < graph[x].size(); i++) { // 遍历节点n链接的所有节点
// 要对同一树层使用过的元素进行跳过
if (visited.find(graph[x][i]) != visited.end()) { // 如果发现出现过就pass
continue;
}
visited.insert(graph[x][i]); //set跟新元素
path.push_back(graph[x][i]); // 遍历到的节点加入到路径中来
dfs(graph, graph[x][i]); // 进入下一层递归
path.pop_back(); // 回溯，撤销本节点
}
}
public:
vector<vector<int>> allPathsSourceTarget(vector<vector<int>>& graph) {
path.push_back(0); // 无论什么路径已经是从0节点出发
dfs(graph, 0); // 开始遍历
return result;
}
};
二、广度优先搜索
广度优先搜索（也称宽度优先搜索，缩写BFS即即Breadth First Search）是连通图的一种遍历算法。这一算法也是很多重要的图的算法的原型。Dijkstra单源最短路径算法和Prim最小生成树算法都采用了和广度优先搜索类似的思想。其属于一种盲目搜寻法，目的是系统地展开并检查图中的所有节点，以找寻结果。换句话说，它并不考虑结果的可能位置，彻底地搜索整张图，直到找到结果为止。基本过程，BFS是从根节点开始，沿着树(图)的宽度遍历树(图)的节点。
所采用的策略可概况为越早被访问到的顶点，其邻居顶点越早被访问。于是，从根顶点s的BFS搜索，将首先访问顶点s；再依次访问s所有尚未访问到的邻居；再按后者被访问的先后次序，逐个访问它们的邻居。一般用队列queue数据结构来辅助实现BFS算法。
若将bfs策略应用于树结构，其效果等同与层次遍历。
2.1 基本步骤
仿照树的层次遍历，借助队列来存储已访问过得顶点。 过程：先从图中选取一个顶点，作为遍历图的起始顶点，并加入队列中，然后依次访问该顶点的邻居顶点，并按照顺序加入队列中。 当访问了该顶点的所有邻居顶点后，把该顶点从队列中移除。接着获取新的队列头，访问该顶点的邻居顶点，最后以此类推，直到所有顶点被访问。 在遍历时，该顶点的邻居顶点有可能已经被访问过了，意味着边不属于遍历树，可将该边归类为跨边(cross edge)
下图给出一个8个顶点，11条边的有向图的BFS，始于顶点s
在这里插入图片描述
2.2 代码模板
void bfs() {
if(root==nullptr) return;
queue<TreeNode*> que;
queue.push(root);
unordered_set<int> visited; // 记录遍历过的节点
vector<vector<int>> result;
//开始遍历队列
while (!que.empty()) {
int size = que.size();
vector<int> vec;
// 这里一定要使用固定大小size，不要使用que.size()，因为que.size是不断变化的
for (int i = 0; i < size; i++) {
TreeNode* node = que.front();
que.pop();
if (visited.find(node) != visited.end()) { // 如果发现出现过就pass
continue;
}
visited.insert(node); //set跟新元素
vec.push_back(node->val);
if (node->left) que.push(node->left);
if (node->right) que.push(node->right);
}
result.push_back(vec);
}
}
三、例题
在这里插入图片描述
3.1 深搜+递归
class Solution {
public:
// DFS 用递归实现
int dfs(vector<vector<int>>& grid, vector<vector<bool>>& visited, int i, int j) {
// 终止条件
if(i<0 || j<0 || i>=grid.size() || j>=grid[0].size() || grid[i][j]==0 || visited[i][j]==true)
return 0;
visited[i][j]=true; // true为已遍历过
int area = 1;
vector<vector<int>> directions = {{1,0},{0,1},{-1,0},{0,-1}};
for(auto dir : directions) {
int next_i = i + dir[0];
int next_j = j + dir[1];
area += dfs(grid, visited, next_i, next_j);
}
return area;
}
int maxAreaOfIsland(vector<vector<int>>& grid) {
vector<vector<bool>> visited(grid.size(), vector<bool>(grid[0].size(), false)); //初始化全为false没被遍历过
int maxArea = 0;
for(int i=0; i<grid.size(); i++) {
for(int j=0; j<grid[0].size(); j++) {
if(grid[i][j]==1 && visited[i][j]==false)
maxArea = max(maxArea, dfs(grid, visited, i, j));
}
}
return maxArea;
}
};
3.2 广搜+迭代
class Solution {
public:
// BFS 用迭代实现
int dfs(vector<vector<int>>& grid, vector<vector<bool>>& visited, int i, int j) {
queue<pair<int, int>> que;
que.push({i, j});
visited[i][j]=true; // true为已遍历过
int area = 0;
while(!que.empty()) {
auto pos = que.front();
que.pop();
area++;
vector<vector<int>> directions = {{1,0},{0,1},{-1,0},{0,-1}};
for(auto dir : directions) {
int next_i = pos.first + dir[0];
int next_j = pos.second + dir[1];
if(next_i>=0 && next_i<grid.size() && next_j>=0 && next_j<grid[0].size() && grid[next_i][next_j]==1 && visited[next_i][next_j]==false) {
que.push({next_i, next_j});
visited[next_i][next_j] = true;
}
}
}
return area;
}
int maxAreaOfIsland(vector<vector<int>>& grid) {
vector<vector<bool>> visited(grid.size(), vector<bool>(grid[0].size(), false)); //初始化全为false没被遍历过
int maxArea = 0;
for(int i=0; i<grid.size(); i++) {
for(int j=0; j<grid[0].size(); j++) {
if(grid[i][j]==1 && visited[i][j]==false)
maxArea = max(maxArea, dfs(grid, visited, i, j));
}
}
return maxArea;
}
};
3.3 深搜+迭代
class Solution {
public:
int maxAreaOfIsland(vector<vector<int>>& grid) {
int ans = 0;
for (int i = 0; i != grid.size(); ++i) {
for (int j = 0; j != grid[0].size(); ++j) {
int cur = 0;
stack<int> stacki;
stack<int> stackj;
stacki.push(i);
stackj.push(j);
while (!stacki.empty()) {
int cur_i = stacki.top(), cur_j = stackj.top();
stacki.pop();
stackj.pop();
if (cur_i < 0 || cur_j < 0 || cur_i == grid.size() || cur_j == grid[0].size() || grid[cur_i][cur_j] != 1) {
continue;
}
++cur;
grid[cur_i][cur_j] = 0;
int di[4] = {0, 0, 1, -1};
int dj[4] = {1, -1, 0, 0};
for (int index = 0; index != 4; ++index) {
int next_i = cur_i + di[index], next_j = cur_j + dj[index];
stacki.push(next_i);
stackj.push(next_j);
}
}
ans = max(ans, cur);
}
}
return ans;
}
};
