图算法Graph Algorithms这个领域我当初刚接触的时候也觉得很唬人——满屏的顶点、边、邻接矩阵乍看像数学课本再看像离散数学的噩梦。但你真把它拆开就会发现图算法本质上就是一套“高效处理关系”的思维工具朋友圈的推荐、地图的导航、任务调度的顺序背后全是图在支撑。这篇系列的第一篇咱们不贪多先把“图本身”和“两大最基础遍历手段”彻底吃透。这篇内容适合刚开始学数据结构、或者刷题时总在图论题上卡壳的开发者也希望帮大家把“看到图题就慌”变成“遇到图题心里有数”。之所以叫“1”是因为图算法是个特别大的谱系——存储结构是地基遍历是手脚后面还有最短路径、最小生成树、拓扑排序、网络流这些进阶套路等着慢慢啃。第一篇文章我会配合实际代码和完整的思路拆解把“怎么存图”“怎么走图”这两个最底层的问题讲到透。后面几篇咱们再去碰那些更吃建模能力的算法。1. 图算法的核心思路拆解1.1 为什么真实世界的“关系”最后都变成图先帮大家建立一个直觉图不是什么高深新概念它就是“一堆点 点之间的连线”。生活中几乎一切涉及“对象之间有关系”的场景都能抽象成图。社交网络人是顶点关注/好友关系是边。地图导航路口是顶点道路是边。程序依赖模块是顶点依赖关系是有向边。电商推荐用户和商品是两类顶点购买/点击是边这就是经典的二分图模型。所以学图算法第一步要建立的就是建模思维拿到一个问题先问自己三个问题——谁是顶点谁和谁之间有边边是单向还是双向这三个问题搞清楚了剩下的就是套用经典的图算法来求解。1.2 为什么第一篇要死磕存储与遍历图算法这个谱系看起来眼花缭乱但几乎所有高级算法都建在“能快速存取图结构”和“能按规则访问顶点”这两个基本功之上。最短路径算法要不断松弛边本质上依赖你能够快速找到某个顶点的所有邻居拓扑排序依赖你遍历每个顶点的入度变化连通性检测更直接就是遍历的变体。如果图存得烂或者遍历排序出问题后面每个所谓的高级算法都会跑偏。比如链式前向星存图的顺序一旦写错Dijkstra和SPFA可能会得到完全错误的结果而且错误非常隐蔽。我这几年调图算法的Bug至少一半都出在最基础的存储和遍历上所以真心建议一步一个脚印打牢。1.3 这篇适合谁需要哪些前置基础这篇不需要高深的数学底子但希望你有两样东西一是能把简单的递归和队列代码写顺理解DFS和BFS的前提二是知道循环、数组、链表的基础用法。如果你只学过语言基础、还没碰过数据结构也能看懂我会在关键位置补充解释。要是你已经刷过几道链表和二叉树题那这篇对你来说就是“降维阅读”很快就能上手。2. 图的存储方式先摆平“数据放哪”的问题图的结构必须落到具体的编程语言里才能被算法处理。常见存储手段无非三种邻接矩阵、邻接表、链式前向星。初学者常听到的“前两种”我已经用得非常多了链式前向星在竞赛和面试里也经常出现所以三种我都会讲。2.1 邻接矩阵直观但“吃内存大户”邻接矩阵就是用一个二维数组g[i][j]来记录顶点i和顶点j之间是否有边。有向图、无向图、带权图都能表示无非是把“有没有边”换成“边的权重是多少”。// 邻接矩阵n个顶点g[i][j] 1 表示 i - j 有边 int g[1005][1005]; void addEdge(int u, int v) { g[u][v] 1; // 有向图 g[v][u] 1; // 如果是无向图再补这一行 }这个方式的优点就是好写好理解判断任意两点是否相连只需O(1)时间。但缺点也很致命空间复杂度是O(n^2)。一个 1 万顶点的图就是 1 亿个格子就算每个格子用int存也要 400MB 内存瞬间爆炸。所以我的个人经验是邻接矩阵通常只活在 n 1000、且图比较稠密边数接近 n^2的场景。稠密图适合用它因为邻接表在稠密图下反而内存开销大且访问慢。如果拿它处理稀疏图边数远小于 n^2那纯粹是拿钱烧水。维度邻接矩阵邻接表链式前向星空间复杂度O(n^2)O(n m)O(n m)判断两点相邻O(1)O(度)O(度)遍历某点邻居O(n)O(度)O(度)实现难度极低低中等适用图稠密图n 1000绝大多数场景竞赛、大数据量2.2 邻接表最推荐入门掌握的存储结构邻接表的思路非常简单对每个顶点维护一个“邻居列表”。C 里最常见的就是vectorint adj[n 1]每个顶点后面的 vector 存它连出去的点。#include vector using namespace std; const int MAXN 100005; vectorint adj[MAXN]; void addEdge(int u, int v) { adj[u].push_back(v); // 有向图 // adj[v].push_back(u); // 无向图补上这一行 } // 遍历顶点 u 的所有邻居 for (int v : adj[u]) { // 处理 u - v 这条边 }如果是带权图就把vectorint换成vectorpairint, int存“目标点 边权”对。这一步我在实际写最短路算法时几乎是默认操作。邻接表的空间复杂度是O(n m)比邻接矩阵省得多而且找邻居的时间跟邻居数量成正比。对于绝大多数刷题和工程场景邻接表都是第一选择。如果你拿不准该用什么默认邻接表基本不会犯错。2.3 链式前向星竞赛圈常用的“省内存高手”链式前向星本质上是用数组模拟链表把每条边串起来。它不依赖 vector也不依赖任何标准库容器纯粹靠head[]、to[]、next[]、edgeCnt这几个数组干活。const int MAXN 1000005; const int MAXM 2000005; int head[MAXN], to[MAXM], nxt[MAXM], edgeCnt 0; void init() { memset(head, -1, sizeof(head)); edgeCnt 0; } void addEdge(int u, int v) { to[edgeCnt] v; nxt[edgeCnt] head[u]; head[u] edgeCnt; } // 遍历顶点 u 的所有邻居 for (int e head[u]; e ! -1; e nxt[e]) { int v to[e]; // v 就是 u 的一个邻居 }为什么需要这个结构两个原因一是vector本身有动态扩容开销在千万级别边的极限场景下能感受到差异二是在某些嵌入式或老式环境里vector不可用或内存受限链式前向星是纯 C 数组实现通用性极强。新手第一次看链式前向星通常会被nxt绕晕。我的理解技巧是想象每个顶点 head 上都挂着一串“边节点”addEdge 就是往链表头部插入一个新节点nxt 记录插入前的头部位置。插入顺序是倒着来的遍历顺序自然也是反的——但这通常不影响正确性。2.4 存储选型实战参考拿一道常见题“判断一个无向图是否连通”来说如果 n 是 1e5m 是 2e5用邻接矩阵就得 1e10 个格子直接内存爆炸而邻接表只需要约 3e5 级别的基础存储。结论很明确稀疏大图必须用邻接表或链式前向星。我在实际刷题时还会再细分如果是工程代码或 LeetCode 场景优先邻接表因为可读性好、不容易写错如果是打竞赛、数据量 1e6 以上再切链式前向星。先求正确再求效率不要一上来就用花活。3. 图的两大遍历基石DFS 与 BFS存储摆平了接下来要解决的是“怎么把图完整地走一遍”。这就是深度优先搜索DFS和广度优先搜索BFS。这两个算法不只是图的基础也是几乎所有后续图算法的骨架连通块判断是遍历二分图判定是遍历拓扑排序依赖遍历最短路里也有 BFS 的影子。3.1 DFS一条路走到黑撞墙才回头DFS 的核心思想是从起点出发选择一个邻居继续往下走走到没有新邻居可走时回溯到上一个顶点继续选别的路。这是“递归”精神的完美体现。bool visited[MAXN]; void dfs(int u) { visited[u] true; // 这里可以处理业务逻辑统计连通块大小、记录路径等等 for (int v : adj[u]) { if (!visited[v]) { dfs(v); } } }这个代码看起来简单得过分但“为什么 mark visited 要放在递归前”值得细想。如果先递归再标记那么在环状图里会无限循环。visited 数组的本质就是“记录哪些顶点已经走过头了”避免重复劳动也避免死循环。DFS 的递归实现非常符合直觉但缺点在“层数太深”时会爆递归栈。后面常见问题部分我会专门讲解决方案手写栈模拟递归。3.2 BFS层层推进像水波一样扩散BFS 的核心思想是从起点出发先访问所有距离为 1 的顶点再访问所有距离为 2 的顶点……按层推进而不是像 DFS 那样一条路钻到底。#include queue bool visited[MAXN]; int dist[MAXN]; // 起点到各点的最短距离在无权图上 void bfs(int start) { queueint q; q.push(start); visited[start] true; dist[start] 0; while (!q.empty()) { int u q.front(); q.pop(); for (int v : adj[u]) { if (!visited[v]) { visited[v] true; dist[v] dist[u] 1; q.push(v); } } } }BFS 之所以能求“无权图最短路径”秘密就在入队顺序上队列保证先入队的先出队而每一层都比下一层先入队所以第一次访问到某个点时那个点一定是从起点可达到的最短距离。这个性质在 Dijkstra 算法里也有延续其实就是把“队列里的一定是最短路优先”推广成了“优先队列里的一定是当前最短的”。3.3 复杂度分析与选择建议两种遍历的时间复杂度都是O(n m)因为每个顶点最多访问一次、每条边最多检查一次。空间上DFS 最坏递归深度为 O(n)BFS 队列最多也是 O(n)差别不大。那什么时候选 DFS、什么时候选 BFS我自己的判断标准是要“找一条可行路径”或者“穷举所有可能”优先 DFS因为递归代码写起来直观且可以配合回溯枚举路径。要“找最短路径”无权图优先 BFS。要“按层次处理”比如输出离起点由近到远的节点顺序也用 BFS。当图上存在环、要检测是否死循环时两个都可以但要格外注意 visited 的时机。3.4 从遍历延伸出三个高频变体遍历本身只是基础手段但它派生出的三个变体非常实用连通块统计——一次循环遍历所有顶点遇到没访问过的就启动一次 DFS/BFS计数器加一。这就将“找所有连通区域”给解决了。二分图判定——给顶点染色两种颜色要求相邻顶点颜色不同。从起点 DFS如果发现邻居已访问且颜色与自己相同就不是二分图。这个思路在找增广路算法里也有应用。环的检测——在有向图里如果 DFS 时遇到了“灰色顶点”当前递归路径上仍在处理中的顶点说明发现了环。这个技巧在处理依赖关系检测时非常关键。所以千万别觉得遍历简单就跳过。很多看起来难啃的算法题本质就是在遍历框架上加一点额外信息维护。4. 常见问题与排查技巧实录4.1 死循环没有正确标记访问状态症状程序跑起来就“卡死”或递归栈溢出。 原因图里存在环而你没有在合理的时机标记 visited或者标记的条件写反了。还有一种常见情况是无向图里回边一直互相访问。排查方法先在纸上画一个只有 3 个顶点的环手动模拟一下你的代码。尤其是无向图的 addEdge要双向添加但 visited 也要双向判重。用“先标记再搜邻居”的顺序基本能避免多数死循环。4.2 递归过深栈溢出症状n 达到 10 万级别时递归 DFS 直接崩溃。 原因系统调用栈默认深度有限。一个最直接的解决办法是把递归栈改成显式栈用 stack 模拟。其实这并没有改变遍历顺序只是把系统的栈换成了堆上空间。void dfs_iterative(int start) { stackint st; st.push(start); while (!st.empty()) { int u st.top(); st.pop(); if (visited[u]) continue; visited[u] true; for (int v : adj[u]) { if (!visited[v]) st.push(v); } } }注意这里先用 visited[u] 做一次检查因为同一个顶点可能被多次入栈。虽然看起来有点浪费但实现简单、不容易出错。4.3 数据量大超时频繁的 vector 拷贝有个特别常见的性能坑就是遍历vectorpairint,int时把 pair 整个拷贝出来。在 C 17 之前最好写const auto e否则每次循环都复制数据量一大影响就很明显。for (const auto [v, w] : adj[u]) { // 处理 u-v边权 w }另一个坑是邻接矩阵在 n5000 时直接开 5000*5000 的 int 数组可能没问题但到 n10000 就会内存紧张。所有“一个疏忽导致内存问题”的现场基本都是没有提前估算空间复杂度。4.4 调试思路肉眼看不透就让机器输出答案初学者最常犯的错误是盯着代码干想而不是输出中间量。我个人调试图算法时的习惯是这样的先用 n5 的小图把 addEdge 全部打出来逐条核对是否建对了边。在 DFS/BFS 的入口处打印当前顶点和访问顺序看看遍历顺序是否符合预期。把 visited 数组在关键步骤打印出来确认没有顶点被漏访问。这套“小图 打印”的组合我至今还在用比任何调试器都直观。另一个好办法是直接用在线可视化工具把图的邻接表或边列表输入进去让工具把图和遍历顺序画出来一眼就能看出哪里有环、哪里断链。4.5 新手避坑速查表坑点后果对策无向图只加了一条边遍历不完整、连通块数量偏大忘没忘 adj[v].push_back(u)visited 在访问后标记环图死循环改成入队/递归前标记输出结果时用错顶点编号结果全错统一下标从 0 开始还是从 1 开始大图用了邻接矩阵内存溢出先估 n、m 再选存储递归深度太大栈溢出换显式栈模拟 DFS或换 BFS图里有重边但没去重逻辑遍历多了重复边看题目要求必要时用 set 存图这些坑我和身边的朋友都踩过不止一次。图算法就是这样思路对了细节没跟上照样全盘皆输。所以遇到问题先别怀疑人生按表查一遍大概率能救回来。5. 从入门到实战学完这篇能干什么5.1 已经能落地的四个能力学完存储和遍历你已经具备了四个能立刻派上用场的能力。第一无向图连通块计数。这个直接对应 LeetCode 200 题“岛屿数量”这种类型把二维网格抽象成图每个陆地格子就是顶点相邻陆地就是边DFS 一跑就完了。第二判断无向图是否有环。原理很简单DFS 时如果从一个顶点出发又回到它自己那就有环。加上父节点判重就能得到正确的无向图环检测。第三无权图最短路径。朋友圈里“你和某个陌生人隔了几层人脉”用 BFS 就能算出最短隔着几层关系这个就是社交网络六度分隔里的经典操作。第四生成遍历序列。无论是深度优先生成树还是广度优先生成树后续逻辑都建立在“生成树”之上。比如迷宫生成、选路的骨架逻辑都跟这里紧密相关。5.2 下一篇的路线图现在该往哪走如果你这篇内容已经吃透接下来顺理成章的学习顺序是先学拓扑排序因为它在有向无环图的依赖分析里非常经典也依赖 DFS/入度统计再学 Dijkstra 和 Bellman-Ford 这些最短路算法然后再挑战最小生成树的 Kruskal 和 Prim。每一步都建在“存储 遍历”之上地基稳了上面才好盖楼。我自己带新人时会先让他们用三种存储方法把同一道连通块题各写一遍再让他们分别用 DFS 和 BFS 做同一道最短路径题。这种“同一个问题换不同实现”的对抗式练习比做十道同类题都有效。5.3 一道适合练手的小题随时可以开始举个例子给你 n 个顶点和 m 条边无向无权求图里面有多少个连通块并且输出每个连通块包含的顶点。思路初始化 visited 全 false遍历 1..n遇到未访问顶点就让计数器加一并启动 BFS/DFS 收集整个连通块。参考复杂度O(n m)。进阶如果图有 n1e6、m2e6你该用邻接表还是链式前向星递归是否能承受这些问题都能顺带检验你的存储选型能力。练完这道题你对“存图 遍历”的基本功就算是真正落地了。我当年就是靠反复写这类基础题把眼睛练到“看到关系问题就觉得该建图”的程度。6. 我的几点体会与建议图算法是那种“越学越吃建模能力”的领域。很多初学者卡住不是不会写 DFS 或 BFS而是不会把问题抽象成图。所以我的个人建议一直是多问自己“顶点是什么、边是什么”少问“该用哪个算法”。算法只是工具建模才是灵魂。另外别怕写基础题时“重复劳动”。我见过太多人一上来就冲向 DAG 上的动态规划结果连链式前向星都建不利索最后回过头来补基本功反而更费时间。这方面我自己的体会特别深用熟邻接表和 DFS/BFS 两种遍历再往后看任何图算法都会顺很多。最后一个我自己常用的调试小技巧在遍历的入口处打印当前顶点时顺便输出缩进深度。这样递归调用的层次一目了然回溯时哪里对不上立刻就能看出来。这个小习惯帮我省了大量在复杂记忆化搜索里找 Bug 的时间你们也可以试试。