Python图形算法

在解决许多重要的数学挑战时，图形是非常有用的数据结构，如计算机网络拓扑或分析化合物的分子结构，它们还用于城市交通或路线规划中，甚至用于人类语言及其语法中，所有这些应用程序都有一个共同的挑战，即使用它们的边缘遍历图并确保访问图的所有节点，有两种常见的创建方法可以进行此遍历，如下所述。

深度优先遍历

也称为深度优先搜索(DFS)，当任何迭代中出现死角时，该算法都会在深度移动中遍历图形，并使用堆栈记住下一个顶点以开始搜索。 无涯教程使用设置的数据类型为python中的图形实现DFS，因为它们提供了跟踪访问和未访问节点所需的功能。

class graph:

    def __init__(self,gdict=None):
        if gdict is None:
            gdict={}
        self.gdict=gdict
# 检查访问过和未访问过的节点
def dfs(graph, start, visited=None):
    if visited is None:
        visited=set()
    visited.add(start)
    print(start)
    for next in graph[start] - visited:
        dfs(graph, next, visited)
    return visited

gdict={ "a" : set(["b","c"]),
                "b" : set(["a", "d"]),
                "c" : set(["a", "d"]),
                "d" : set(["e"]),
                "e" : set(["a"])
                }


dfs(gdict, 'a')

执行以上代码后，将产生以下输出-

a b d e c

广度优先遍历

也称为广度优先搜索(BFS)，该算法遍历图广度移动，并在任何迭代出现死角时使用队列记住下一个顶点以开始搜索。请访问无涯教程网站上的此链接以了解图表的BFS步骤的详细信息。

import collections
class graph:
    def __init__(self,gdict=None):
        if gdict is None:
            gdict={}
        self.gdict=gdict

def bfs(graph, startnode):
# 使用队列跟踪访问过和未访问过的节点
        seen, queue=set([startnode]), collections.deque([startnode])
        while queue:
            vertex=queue.popleft()
            marked(vertex)
            for node in graph[vertex]:
                if node not in seen:
                    seen.add(node)
                    queue.append(node)

def marked(n):
    print(n)

#图字典
gdict={ "a" : set(["b","c"]),
                "b" : set(["a", "d"]),
                "c" : set(["a", "d"]),
                "d" : set(["e"]),
                "e" : set(["a"])
                }

bfs(gdict, "a")

执行以上代码后，将产生以下输出-

 a c b d e