1. 引言

在图论和树形结构的遍历与搜索中，深度优先搜索（DFS）、广度优先搜索（BFS）以及01BFS是三种基础且至关重要的算法。它们不仅是解决许多经典问题（如路径查找、连通性判断、最短路径等）的核心工具，也是理解更复杂算法（如Dijkstra、A*）的基石。本文将深入剖析这三种算法的原理、实现、应用场景及性能差异，并通过代码示例帮助读者建立清晰的认识。

2. 深度优先搜索（DFS）

2.1 核心思想与实现

深度优先搜索遵循“一条路走到黑，碰壁再回头”的策略。它从起始节点出发，尽可能深地探索图的分支，直到当前路径上的所有节点都被访问过，然后回溯到上一个分叉点，选择另一条未探索的路径继续深入。

递归实现（隐式栈）：

def dfs_recursive(graph, node, visited): if node not in visited: visited.add(node) print(node) # 处理节点 for neighbor in graph[node]: dfs_recursive(graph, neighbor, visited) 示例图（邻接表） graph = { 'A': ['B', 'C'], 'B': ['D', 'E'], 'C': ['F'], 'D': [], 'E': ['F'], 'F': [] } visited = set() dfs_recursive(graph, 'A', visited)

迭代实现（显式栈）：

def dfs_iterative(graph, start): visited = set() stack = [start] while stack: node = stack.pop() if node not in visited: visited.add(node) print(node) # 处理节点 # 注意：为了与递归顺序一致，邻接节点需逆序入栈 for neighbor in reversed(graph[node]): if neighbor not in visited: stack.append(neighbor)

2.2 时间复杂度与空间复杂度

• 时间复杂度：O(V + E)，其中 V 为顶点数，E 为边数。每个顶点和每条边最多被访问一次。
• 空间复杂度：O(V)，主要消耗在递归调用栈（递归实现）或显式栈（迭代实现）以及访问标记集合上。

2.3 典型应用场景

• 拓扑排序：用于有向无环图（DAG）的任务调度。
• 连通分量检测：判断无向图的连通性，或寻找有向图的强连通分量（配合Kosaraju或Tarjan算法）。
• 路径查找与回溯：如迷宫求解、八皇后问题、数独等。
• 环检测：在遍历过程中判断图中是否存在环。

3. 广度优先搜索（BFS）

3.1 核心思想与实现

广度优先搜索采用“层层推进”的策略。它从起始节点开始，先访问所有直接相邻的节点（第一层），然后再访问这些相邻节点的相邻节点（第二层），以此类推，直到遍历完所有可达节点。

迭代实现（队列）：

from collections import deque def bfs(graph, start): visited = set([start]) queue = deque([start]) while queue: node = queue.popleft() print(node) # 处理节点 for neighbor in graph[node]: if neighbor not in visited: visited.add(neighbor) queue.append(neighbor)

3.2 时间复杂度与空间复杂度

• 时间复杂度：O(V + E)，与DFS相同。
• 空间复杂度：O(V)，队列在最坏情况下可能需要存储所有顶点。

3.3 典型应用场景

• 无权图最短路径：BFS首次访问到目标节点时经过的路径就是最短路径（边权为1）。
• 层次遍历：如二叉树的层序遍历，社交网络中的“好友度”计算。
• 广播网络：模拟消息或病毒在网络中的传播过程。
• 迷宫最短路径：在网格迷宫中寻找从起点到终点的最短步数。

4. 01BFS（0-1广度优先搜索）

4.1 核心思想与实现

01BFS是BFS的一种变体，专门用于处理边权只有两种可能值（通常为0和1）的图。它使用一个双端队列（deque）来保证始终以距离起点的非递减顺序处理节点，从而在线性时间内求出最短路径。

算法步骤：

1. 初始化距离数组dist，起点距离为0，其他为无穷大。使用双端队列deque，将起点加入队列。
2. 当队列不为空时，弹出队首节点u。
3. 遍历u的所有邻接边(u, v, w)，其中w为边权（0或1）。
4. 如果dist[u] + w < dist[v]，则更新dist[v] = dist[u] + w。
   • 若w == 0，将v加入队首（保证优先处理距离更小的节点）。
   • 若w == 1，将v加入队尾。

Python实现：

from collections import deque def zero_one_bfs(graph, start): """graph: 邻接表，graph[u] = [(v, weight), ...]，weight为0或1""" n = len(graph) dist = [float('inf')] * n dist[start] = 0 dq = deque([start]) while dq: u = dq.popleft() for v, w in graph[u]: if dist[u] + w &lt; dist[v]: dist[v] = dist[u] + w if w == 0: dq.appendleft(v) # 权值为0，加入队首 else: dq.append(v) # 权值为1，加入队尾 return dist</code></pre> 4.2 时间复杂度与空间复杂度 时间复杂度：O(V + E)，每个节点和每条边最多被处理一次。 空间复杂度：O(V)，用于存储距离数组和双端队列。 4.3 典型应用场景 网格迷宫带成本移动：某些方向移动代价为0（如直行），某些方向代价为1（如转弯）。 电路布线：在网格上布线，穿过某些区域（如已有线路）代价为0，穿过空白区域代价为1。 双端队列优化的最短路径：任何边权仅为0或1的图的最短路径问题。 5. 三种算法对比 特性 DFS BFS 01BFS 数据结构 栈（递归/迭代） 队列 双端队列（deque） 遍历顺序 深度优先 广度优先（层序） 按距离非递减（0权优先） 最短路径 不保证（无权图） 保证（无权图） 保证（0-1权图） 空间开销 O(树高) / O(V) O(最宽层) / O(V) O(V) 适用图类型 通用 通用 边权仅为0或1 经典问题 回溯、拓扑排序、连通分量 层序遍历、无权图最短路径 0-1权图最短路径、网格转弯问题 6. 总结与选择建议 DFS、BFS和01BFS各有其擅长的领域： 需要探索所有可能解或进行回溯（如排列组合、迷宫所有路径）：优先考虑DFS。 寻找最短步数或最近关系（如社交网络好友度、无权图最短路径）：使用BFS。 图中边权只有0和1，且需要求最短路径：01BFS是最优选择，其效率高于通用的Dijkstra算法。 理解这三种基础算法的内在联系与区别，是迈向更高级图论算法（如Dijkstra、Bellman-Ford、A*）的关键一步。在实际编码面试或项目开发中，根据问题特征快速准确地选择并实现合适的搜索算法，是程序员必备的核心能力。