题目
你这个学期必须选修numCourses门课程,记为0到numCourses - 1。在选修某些课程之前,需要一些先修课程。先修课程按数组prerequisites给出,其中prerequisites[i] = [ai, bi],表示如果要学习课程ai,则必须先学习课程bi。比如:先修课程对[0, 1]表示想要学习课程0,你需要先完成课程1。
请你判断是否可能完成所有课程的学习?如果可以,返回true。否则,返回false。
备注:prerequisites[i]中的所有课程对互不相同。
示例 1:
python
输入:numCourses = 2, prerequisites = [[1,0]]
输出:true
解释:总共有2门课程。学习课程1之前,你需要完成课程0。
这是可能的。
示例 2:
python
输入:numCourses = 2, prerequisites = [[1,0], [0,1]]
输出:false
解释:总共有2门课程。学习课程1之前,你需要先完成课程0;并且学习课程0之前,还应先完成课程1。
这是不可能的。
深度优先搜索算法
这个问题描述了一个典型的图论问题,涉及到课程之间的依赖关系。要判断是否有可能完成所有课程的学习,我们需要检查是否存在环。如果有环存在,则意味着某些课程之间形成了一个闭环依赖,从而无法完成所有课程的学习。
深度优先搜索算法(DFS)是解决本问题的一种有效方法,可用于检测图中是否存在环。其基本思想为:使用DFS来遍历图中的所有节点,在遍历过程中,我们需要标记正在访问的节点,以检测环的存在;如果在访问过程中遇到一个已经在访问路径上的节点,那么就找到了一个环。如果所有节点都能被访问且没有环,则表示可以完成所有课程的学习。使用深度优先搜索算法求解本题的主要步骤如下。
1、构建一个邻接表来表示图结构。
2、对于每个节点,执行DFS并跟踪正在访问的节点。
3、如果在访问过程中,遇到已经存在于当前路径上的节点,则存在环。
4、如果所有节点都被访问过且没有发现环,则返回true。否则,返回false。
根据上面的算法步骤,我们可以得出下面的示例代码。
python
def course_schedule_by_dfs(numCourses, prerequisites):
def dfs(course, visiting):
if visiting[course]:
return False
if visited[course]:
return True
# 标记当前节点正在访问
visiting[course] = True
for next_course in graph[course]:
if not dfs(next_course, visiting):
return False
# 结束访问
visiting[course] = False
# 标记当前节点已被访问
visited[course] = True
return True
# 构建邻接表
graph = [[] for _ in range(numCourses)]
# 标记每个节点是否被访问过
visited = [False] * numCourses
# 标记每个节点是否正在访问
visiting = [False] * numCourses
# 填充邻接表
for course, prereq in prerequisites:
graph[prereq].append(course)
# 对于每个节点执行DFS
for course in range(numCourses):
if not dfs(course, visiting):
return False
return True
numCourses = 2
prerequisites = [[1, 0]]
print(course_schedule_by_dfs(numCourses, prerequisites))
numCourses = 2
prerequisites = [[1, 0], [0, 1]]
print(course_schedule_by_dfs(numCourses, prerequisites))
拓扑排序法
拓扑排序法是针对有向无环图 (DAG) 的一种排序方法,它将图中的所有顶点按照某种顺序排列,使得对于每条有向边u → v,顶点u在顶点v之前出现。如果一个图可以进行拓扑排序,则说明该图没有环。如果在排序过程中发现某个顶点的入度永远不能变为 0,则说明存在环。使用拓扑排序法求解本题的主要步骤如下。
1、构建一个邻接表来表示图结构。
2、计算每个节点的入度,即有多少条边指向该节点。
3、将所有入度为0的节点加入队列。
4、从队列中取出节点,将其添加到结果列表中,并减少其相邻节点的入度。
5、将入度变为0的节点加入队列。
6、重复步骤4和5,直到队列为空。
7、如果所有节点都被处理,则不存在环。否则,存在环。
根据上面的算法步骤,我们可以得出下面的示例代码。
python
from collections import deque
def course_schedule_by_topsort(numCourses, prerequisites):
# 构建邻接表
graph = [[] for _ in range(numCourses)]
# 计算每个节点的入度
indegrees = [0] * numCourses
# 填充邻接表并计算入度
for course, prereq in prerequisites:
graph[prereq].append(course)
indegrees[course] += 1
# 创建队列,将所有入度为0的节点加入队列
queue = deque([node for node in range(numCourses) if indegrees[node] == 0])
# 存储已完成的课程
completed_courses = []
# 处理队列中的节点
while queue:
prereq = queue.popleft()
completed_courses.append(prereq)
for course in graph[prereq]:
indegrees[course] -= 1
if indegrees[course] == 0:
queue.append(course)
# 如果所有课程都被完成,则返回True
return len(completed_courses) == numCourses
numCourses = 2
prerequisites = [[1, 0]]
print(course_schedule_by_topsort(numCourses, prerequisites))
numCourses = 2
prerequisites = [[1, 0], [0, 1]]
print(course_schedule_by_topsort(numCourses, prerequisites))
总结
使用深度优先搜索算法求解本题的时间复杂度为O(V + E)。其中,V是顶点的数量(课程总数),E是边的数量(先修课程对的数量),每个顶点和每条边都会被访问一次。最坏情况下,递归栈的深度可以达到 V,因此空间复杂度为O(V)。深度优先搜索算法的优点是实现相对简单,但对于大规模数据集,递归可能导致栈溢出。
拓扑排序法的时间复杂度也为O(V + E),最坏情况下的空间复杂度为O(V + E),因为其需要额外的空间来存储邻接表和队列。拓扑排序法的优点是实现较为直观,易于理解,但实现稍微复杂一些,需要额外的入度计数和队列操作。