数据结构——广度优先搜索

要实现图的"分层遍历"，广度优先搜索（BFS）是核心方法------它遵循"先访问离起始顶点近的顶点，再逐步向外扩散"的逻辑，像水波纹一样覆盖所有可达顶点。下面从思想、过程、实现和特点展开，结合图示详细讲解。

广度优先搜索

图的遍历需要按规则访问所有顶点，广度优先搜索（BFS）的核心是"分层探索、逐层扩散"，是探索图结构的另一种基础方法。

1. 广度优先搜索的基本思想

广度优先搜索的逻辑可以类比"洪水蔓延"：从起始顶点（洪水源头）出发，先淹没与源头直接相邻的所有顶点（第一层）；再从这些顶点出发，淹没它们的邻接顶点（第二层）；以此类推，直到所有可达顶点都被"淹没"（访问）。具体到图中，就是从起始顶点出发，先访问该顶点，再依次访问它的所有未访问邻接顶点；然后对这些邻接顶点，再依次访问它们的未访问邻接顶点，直到所有顶点都被访问。

2. BFS的遍历过程（结合图示分析）

以提供的广度优先搜索过程图为例，假设从顶点V1V_1V1开始遍历，整个过程可拆解为"分层访问"的阶段：

第0层（起始层） ：访问V1V_1V1（标记为已访问），将其加入队列，作为遍历的起点。
第1层（直接邻接层） ：从队列中取出V1V_1V1，访问其所有邻接顶点V2V_2V2和V3V_3V3（标记为已访问），并将V2V_2V2、V3V_3V3加入队列。
第2层（次邻接层） ：从队列中取出V2V_2V2，访问其所有未访问邻接顶点V4V_4V4、V5V_5V5（标记为已访问），并将V4V_4V4、V5V_5V5加入队列；接着取出V3V_3V3，访问其所有未访问邻接顶点V6V_6V6、V7V_7V7（标记为已访问），并将V6V_6V6、V7V_7V7加入队列。
第3层（更外层） ：从队列中取出V4V_4V4，访问其未访问邻接顶点V8V_8V8（标记为已访问），并将V8V_8V8加入队列；取出V5V_5V5，访问其邻接顶点（若有未访问的）；取出V6V_6V6，访问其邻接顶点；取出V7V_7V7，访问其邻接顶点。
第4层及后续 ：从队列中取出V8V_8V8，访问其邻接顶点V4V_4V4（已访问）、V5V_5V5（已访问）等，直到队列空，遍历结束。

图中顶点的层级关系清晰体现了"逐层扩散"的特点：V1V_1V1是第0层，V2、V3V_2、V_3V2、V3是第1层，V4、V5、V6、V7V_4、V_5、V_6、V_7V4、V5、V6、V7是第2层，V8V_8V8是第3层，严格遵循"先访问近的顶点，再访问远的顶点"的逻辑。

3. BFS的实现方式

BFS的实现依赖队列（先进先出的特性，保证"分层访问"的顺序），主要有"队列模拟"的非递归实现（递归实现不符合BFS的分层逻辑，一般不采用）。

（1）队列模拟的实现

以邻接表存储的图为例，代码框架如下（类C语言）：

c 复制代码

// 假设图的邻接表结构为：顶点数组+弧结点，visited数组标记顶点是否已访问
typedef struct {
    VNode vertices[MAX_VERTEX_NUM]; // 顶点数组
    int vexnum, arcnum;             // 顶点数和弧数
} Graph;

void BFS(Graph G, int start, bool visited[]) {
    Queue Q;
    InitQueue(&Q);  // 初始化队列
    
    visited[start] = true; // 标记起始顶点为已访问
    EnQueue(&Q, start);    // 起始顶点入队
    printf("访问顶点：%d\n", start); // 访问顶点（可替换为业务操作）
    
    while (!QueueEmpty(Q)) {
        int v = DeQueue(&Q); // 取出队首顶点
        
        // 遍历v的所有邻接顶点，将未访问的入队并标记
        for (ArcNode *p = G.vertices[v].firstarc; p != NULL; p = p->nextarc) {
            int w = p->adjvex;
            if (!visited[w]) {
                visited[w] = true;
                EnQueue(&Q, w);
                printf("访问顶点：%d\n", w); // 访问邻接顶点
            }
        }
    }
}

// 调用入口：初始化visited数组，处理非连通图（多个连通分量）
void BFSTraverse(Graph G) {
    bool visited[MAX_VERTEX_NUM] = {false}; // 初始化所有顶点为未访问
    for (int i = 0; i < G.vexnum; i++) {
        if (!visited[i]) {
            BFS(G, i, visited); // 对每个未访问的顶点，启动BFS
        }
    }
}

队列实现的核心是"先入队的顶点先处理，其邻接顶点后入队"，严格保证了"分层遍历"的顺序------同一层的顶点会在队列中集中处理，体现了BFS"广度优先"的特性。

4. BFS的复杂度与特点

时间复杂度：
- 若图用邻接表 存储，每个顶点和每条边都被访问一次，时间复杂度为O(n+e)O(n + e)O(n+e)（nnn为顶点数，eee为边数）；
- 若图用邻接矩阵 存储，需遍历每个顶点的所有邻接顶点，时间复杂度为O(n2)O(n^2)O(n2)。
空间复杂度 ：

主要消耗在队列上，最坏情况下（如完全图，起始顶点的邻接顶点数为n−1n-1n−1）队列需存储n−1n-1n−1个顶点，空间复杂度为O(n)O(n)O(n)。
核心特点：
- 能高效解决"无权图的最短路径"问题（因为是分层遍历，第一次访问某顶点时的路径就是最短路径）；
- 遍历路径不唯一（邻接顶点的选择顺序不同，遍历序列不同），但都遵循"分层扩散"的核心逻辑；
- 仅能通过队列实现（递归无法体现分层逻辑），代码逻辑清晰，适合处理"按层探索"的场景。

综上，广度优先搜索通过"队列+分层扩散"的逻辑，实现了图的遍历，能高效解决无权图的最短路径等问题。结合图示的遍历过程，能直观理解"逐层访问、向外扩散"的执行逻辑，是图论中探索层次、最短路径的基础算法，为后续图的应用（如拓扑排序、最短路径算法）提供了遍历支撑。