LeetCode 210. 课程表 II 题解：Kahn算法+DFS 双解法精讲

在LeetCode的图论题目中，「课程表」系列绝对是拓扑排序的经典应用，其中210. 课程表 II 相比101. 课程表，不仅要求判断是否能完成所有课程，还需要返回具体的学习顺序，难度略有提升，但核心依然围绕「拓扑排序」展开。

今天就来详细拆解这道题，分享两种主流解法------ Kahn算法（入度表+队列/栈） 和 深度优先搜索（DFS）+ 状态标记，结合代码逐行解析，帮大家搞懂每一步的逻辑，轻松掌握拓扑排序的实战技巧。

一、题目核心解读

先再明确一下题目要求，避免理解偏差：

给定 numCourses 门课程（编号0~numCourses-1），以及先修关系数组 prerequisites，其中 prerequisites[i] = [ai, bi] 表示「选修ai前必须先修bi」。
要求返回一种可行的学习顺序，能修完所有课程；若存在环（比如A需先修B，B需先修A），则返回空数组。

核心考点：拓扑排序------对有向无环图（DAG）的顶点进行排序，使得对于每一条有向边(u, v)，顶点u在排序中都在顶点v之前。如果图中存在环，则不存在拓扑排序。

二、解法一：Kahn算法（入度表+栈）

1. 算法思路

Kahn算法是拓扑排序的贪心算法，核心逻辑是「先处理入度为0的节点」（入度：当前节点需要的先修课程数量），具体步骤如下：

构建两个核心数据结构：
- 邻接表：存储每个课程的后续课程（即修完该课程后可以修的课程）；
- 入度表：存储每个课程的入度（需要先修的课程数量）。
初始化：将所有入度为0的课程加入栈（或队列，此处用栈，队列也可），这些课程可以直接开始学习，无需先修。
循环处理栈中课程：
- 弹出栈顶课程，将其加入结果列表；
- 遍历该课程的所有后续课程，将它们的入度减1（因为当前课程已修完，相当于少了一门先修课）；
- 若某后续课程的入度减为0，说明其所有先修课已修完，加入栈中等待处理。
判断是否修完所有课程：若结果列表的长度等于课程总数，返回结果；否则存在环，返回空数组。

2. 代码逐行解析

typescript 复制代码

function findOrder_1(numCourses: number, prerequisites: number[][]): number[] {
  // 邻接表：key是先修课，value是该先修课的后续课程列表
  const adjacencyList: Map<number, number[]> = new Map();
  // 入度表：记录每个课程需要的先修课数量（初始化为0）
  const inDegree: number[] = new Array(numCourses).fill(0);

  // 初始化邻接表，给每门课程分配一个空的后续课程列表
  for (let i = 0; i < numCourses; i++) {
    adjacencyList.set(i, []);
  }

  // 填充邻接表和入度表
  for (const [course, preCourse] of prerequisites) {
    // preCourse的后续课程添加course（修完preCourse才能修course）
    adjacencyList.get(preCourse)?.push(course);
    // course的入度+1（多了一门先修课preCourse）
    inDegree[course]++;
  }

  // 栈：存储入度为0的课程（可直接学习的课程）
  const stack: number[] = [];
  // 结果列表：存储最终的学习顺序
  const res: number[] = [];
  // 初始化栈，将所有入度为0的课程加入
  for (let i = 0; i < numCourses; i++) {
    if (inDegree[i] === 0) {
      stack.push(i);
    }
  }

  // 记录已修完的课程数量
  let finishNum = 0;
  // 循环处理栈中的课程
  while (stack.length) {
    // 弹出当前可修的课程（shift()是弹出栈底，等同于队列，用pop()也可，顺序不同但均正确）
    const currentCourse: number = stack.shift()!;

    // 获取当前课程的所有后续课程
    const nextCourses = adjacencyList.get(currentCourse);
    if (!nextCourses) continue; // 若没有后续课程，直接跳过
    // 遍历后续课程，更新入度
    for (const course of nextCourses) {
      inDegree[course]--; // 后续课程的先修课减少一门
      if (inDegree[course] === 0) { // 入度为0，加入栈等待处理
        stack.push(course);
      }
    }

    // 标记当前课程已修完，加入结果列表
    finishNum++;
    res.push(currentCourse);
  }

  // 若修完的课程数等于总课程数，返回结果；否则存在环，返回空数组
  return finishNum === numCourses ? res : [];
};

3. 解法优势与注意点

优势：思路直观，易于理解，时间复杂度O(n + m)（n为课程数，m为先修关系数），空间复杂度O(n + m)，效率较高。
注意点：
- 邻接表初始化时，要给每门课程都分配空列表，避免后续get时返回undefined；
- stack.shift() 实际是队列的操作（先进先出），若用stack.pop()（先进后出），得到的学习顺序不同，但均为合法答案；
- finishNum的作用是判断是否存在环------若最终修完的课程数不足，说明有课程因环无法修完。

三、解法二：DFS + 状态标记

1. 算法思路

DFS解法的核心是「通过深度优先搜索，判断图中是否存在环，并在搜索完成后反向输出结果」，核心逻辑的是用状态标记来追踪每个节点的访问状态，具体步骤如下：

构建邻接表：与Kahn算法一致，存储每个课程的后续课程。
定义状态数组：用三个状态标记课程的访问情况：
- 0：未访问（初始状态）；
- 1：访问中（正在递归遍历该课程的后续课程，尚未回溯）；
- 2：访问完（该课程及其所有后续课程均已遍历完成）。
深度优先搜索每门课程：
- 若当前课程状态为1，说明存在环（递归过程中再次遇到「访问中」的课程，形成闭环），返回true（存在环）；
- 若当前课程状态为2，说明已处理完毕，无需再次遍历，返回false；
- 将当前课程状态设为1（标记为访问中），递归遍历其所有后续课程；
- 递归完成后，将当前课程状态设为2（标记为访问完），并将其加入结果列表（注意：此处是逆序加入，因为DFS是先处理后续课程，再处理当前课程）。
若遍历过程中发现环，返回空数组；否则返回结果列表（已自动逆序，符合拓扑排序要求）。

2. 代码逐行解析

typescript 复制代码

function findOrder_2(numCourses: number, prerequisites: number[][]): number[] {
  // 邻接表：存储每个课程的后续课程
  const adjacencyList: Map<number, number[]> = new Map();

  // 初始化邻接表，每门课程对应空的后续课程列表
  for (let i = 0; i < numCourses; i++) {
    adjacencyList.set(i, []);
  }

  // 填充邻接表：preCourse的后续课程是course
  for (const [course, preCourse] of prerequisites) {
    adjacencyList.get(preCourse)!.push(course);
  }

  // 状态数组：0=未访问，1=访问中，2=访问完
  const status: number[] = new Array(numCourses).fill(0)
  // 结果列表：存储学习顺序（初始逆序，最后直接返回即可）
  const res: number[] = [];

  // 递归函数：判断当前课程是否存在环，同时填充结果列表
  const hasCycle = (course: number): boolean => {
    if (status[course] === 1) {
      // 遇到访问中的课程，说明存在环
      return true;
    } else if (status[course] === 2) {
      // 已访问完，无需再次处理
      return false;
    }

    // 标记当前课程为访问中
    status[course] = 1;

    // 获取当前课程的所有后续课程（无后续课程则取空数组）
    const nextCourses = adjacencyList.get(course) || [];

    // 递归遍历所有后续课程，若任意一个存在环，直接返回true
    for (let nextCourse of nextCourses) {
      if (hasCycle(nextCourse)) return true;
    }

    // 递归完成，标记当前课程为访问完
    status[course] = 2;
    // 逆序加入结果列表（后续课程先处理，当前课程后处理，逆序后即为正确顺序）
    res.unshift(course);
    return false;
  }

  // 遍历所有课程，逐一进行DFS
  for (let i = 0; i < numCourses; i++) {
    if (hasCycle(i)) return []; // 存在环，返回空数组
  }

  // 无环，返回结果列表（已逆序，符合拓扑排序）
  return res;
};

3. 解法优势与注意点

优势：无需维护入度表，逻辑更简洁，同样是O(n + m)的时间复杂度和空间复杂度，适合对递归理解熟练的同学。
注意点：
- 状态标记是核心，必须区分「访问中」和「访问完」，否则会误判环（比如重复访问已处理完的课程）；
- 结果列表必须用unshift()逆序加入，因为DFS是先深入到最底层的后续课程，再回溯处理当前课程，逆序后才是正确的学习顺序；
- 邻接表get时用「|| []」避免undefined，防止遍历报错。

四、两种解法对比与总结

解法	核心思想	优点	缺点
Kahn算法	入度表+栈/队列，贪心处理入度为0的节点	直观易懂，迭代实现无递归栈溢出风险	需维护入度表，代码略繁琐
DFS+状态标记	递归遍历，用状态标记判断环，逆序输出结果	代码简洁，无需维护入度表	递归深度大时可能栈溢出（LeetCode中课程数最多10000，需注意，但一般可通过）

总结

两道解法本质都是实现拓扑排序，核心是「判断图中是否有环」和「输出合法的拓扑顺序」，适用于不同的场景：

如果是初学者，优先掌握Kahn算法，思路更直观，不容易出错；
如果追求代码简洁，且对递归熟练，DFS解法更优。

另外，题目要求「返回任意一种正确顺序」，所以两种解法得到的顺序可能不同，但都符合题目要求，无需纠结顺序的一致性。

五、刷题小贴士

遇到「依赖关系」「先后顺序」类题目，优先考虑拓扑排序；
拓扑排序的关键是「判断环」，两种解法分别用「入度是否为0」和「状态标记」来判断环，可灵活选用；
邻接表是图论题目中常用的数据结构，务必熟练掌握其构建和遍历方式。