图论，继续加深基础的掌握，进入图论以来，感觉代码难度瞬间上升了，ACM模式还是有难度的
110.字符串接龙
这道题的图结构相对困难一些，没有之前用矩阵来的直观，所以首先要构建图（代码中没有明显构建，仅做了数组中的遍历，所以广度搜索的思想是很宽泛的，要学会变通），然后使用广度搜索查找最近路径
map函数和循环输入要掌握
python
def judge(s1,s2):
count=0
for i in range(len(s1)):
if s1[i]!=s2[i]:
count+=1
return count==1
if __name__=='__main__':
n=int(input())
beginstr,endstr=map(str,input().split())
if beginstr==endstr:
print(0)
exit()
strlist=[]
for i in range(n):
strlist.append(input())
# use bfs
visit=[False for i in range(n)]
queue=[[beginstr,1]]
while queue:
str,step=queue.pop(0)
if judge(str,endstr):
print(step+1)
exit() # 结束整个程序运行
for i in range(n):
if visit[i]==False and judge(strlist[i],str):
visit[i]=True
queue.append([strlist[i],step+1])
print(0)105.有向图的完全可达性
这道题只需要查找能否到其他各个节点，类似于"蔓延"，所以使用广度搜索
其实不是很好想，所以还是需要更加牢固掌握广度搜索
python
import collections # 导入collections模块，用于创建队列和默认字典
path = set() # 用于记录BFS遍历过程中经过的所有节点（使用集合避免重复记录）
def bfs(root, graph):
"""
广度优先搜索(BFS)函数：从指定根节点开始遍历图
参数:
root: 起始遍历的根节点
graph: 用字典表示的图结构，键为节点，值为该节点的邻接节点列表
"""
global path # 声明使用全局变量path
# 创建一个双端队列，并将起始根节点加入队列（初始化队列）
que = collections.deque([root])
# 当队列不为空时，持续进行BFS遍历
while que:
# 从队列左侧取出一个节点作为当前处理节点
cur = que.popleft()
# 将当前节点加入已访问路径集合
path.add(cur)
# 遍历当前节点的所有邻接节点
for nei in graph[cur]:
# 将邻接节点加入队列，等待后续遍历
que.append(nei)
# 清空当前节点的邻接列表（避免后续重复处理该节点的邻接关系）
graph[cur] = []
return # 遍历完成后返回
def main():
"""主函数：读取输入、构建图、执行BFS并判断结果"""
# 读取第一行输入，获取节点总数N和边的数量K
N, K = map(int, input().strip().split())
# 创建一个默认字典作为图的容器，键为节点，值为邻接节点列表（自动处理不存在的键）
graph = collections.defaultdict(list)
# 循环读取K条边的信息，构建图结构
for _ in range(K):
# 每条边包含源节点src和目标节点dest，表示从src到dest有一条有向边
src, dest = map(int, input().strip().split())
graph[src].append(dest) # 将目标节点添加到源节点的邻接列表中
# 从节点1开始执行BFS遍历
bfs(1, graph)
# 判断BFS遍历过的节点是否包含了所有从1到N的节点
# {i for i in range(1, N + 1)} 生成包含1到N所有整数的集合
if path == {i for i in range(1, N + 1)}:
return 1 # 如果所有节点都被遍历到，返回1
return -1 # 否则返回-1
if __name__ == "__main__":
# 程序入口：执行主函数并打印返回结果
print(main())补充深度搜索代码
visit数组没有回溯！
python
def dfs(graph, key, visited):
for neighbor in graph[key]:
if not visited[neighbor]: # Check if the next node is not visited
visited[neighbor] = True
dfs(graph, neighbor, visited)
def main():
import sys
input = sys.stdin.read
data = input().split()
n = int(data[0])
m = int(data[1])
graph = [[] for _ in range(n + 1)]
index = 2
for _ in range(m):
s = int(data[index])
t = int(data[index + 1])
graph[s].append(t)
index += 2
visited = [False] * (n + 1)
visited[1] = True # Process node 1 beforehand
dfs(graph, 1, visited)
for i in range(1, n + 1):
if not visited[i]:
print(-1)
return
print(1)
if __name__ == "__main__":
main()106.岛屿的周长
方法一：遍历每一个空格，遇到岛屿则计算其上下左右的空格情况。如果该陆地上下左右的空格是有水域，则说明是一条边
方法二： result = 岛屿数量 * 4 - cover * 2
所以解题要灵活，下面以方法二为例，仅使用简单for循环即可
python
def main():
import sys
# 读取所有输入数据（一次性读取提高效率）
input = sys.stdin.read
data = input().split() # 将输入按空格分割成列表
# 读取网格的行数n和列数m（数据的前两个元素）
n = int(data[0])
m = int(data[1])
# 初始化网格grid
grid = []
index = 2 # 从第三个元素开始是网格数据
for i in range(n):
# 每行取m个元素，组成一行网格数据
grid.append([int(data[index + j]) for j in range(m)])
index += m # 移动索引到下一行的起始位置
sum_land = 0 # 统计网格中陆地（值为1）的总数量
cover = 0 # 统计相邻陆地之间的接壤边数（每相邻一对陆地会共享一条边）
# 遍历网格中的每个单元格
for i in range(n):
for j in range(m):
if grid[i][j] == 1: # 如果当前单元格是陆地
sum_land += 1 # 陆地数量加1
# 统计与上方单元格的相邻情况（避免重复统计，只查上和左）
if i - 1 >= 0 and grid[i - 1][j] == 1:
cover += 1 # 上方也是陆地，接壤边数加1
# 统计与左侧单元格的相邻情况
if j - 1 >= 0 and grid[i][j - 1] == 1:
cover += 1 # 左侧也是陆地，接壤边数加1
# 注意：不统计下方和右侧的相邻情况，避免同一对陆地被重复计算
# 例如：(i,j)和(i+1,j)的相邻关系，会在(i+1,j)检查上方时统计
# 计算总周长：
# 每个陆地初始有4条边，所有陆地总边数为 sum_land * 4
# 每有一对相邻陆地，会共享一条边，每条共享边会使总周长减少2（两边各减1）
result = sum_land * 4 - cover * 2
print(result)
if __name__ == "__main__":
main()