标签：不为 person 最短路 arc 构建 apu end 最短路径 cti
下面我们来来BFS算法策略：
比如：我们要从双子峰---->金门大桥，最短路径如何？
我们利用广度优先搜索来一步步求解，注意广度优先搜索在于的关键在于“广”，也就是说以双子峰为起点，我们要尽可能的多比较与之相邻的周边路径，从其中选取一条最优路径。
第一步：
我们沿着两个箭头方向路径探索到a点和b点后，发现并没有到达想要去的地方，于是我继续往下探索。
同样，我们发现还没有到达目的地，继续往下探索。
到达这一步后，我们发现其中有一条路径已经到达金门大桥，而其他两条路径仅仅到达c点。因此，我们寻找到的最短路径为：双子峰->a->c->金门大桥。
所以，由上我们可以知道，广度优先搜索其实就是用来探索最短路径的一种方式。
根据上面实例，我们想要寻找一条到某地的最短路径，需要一下两个步骤:
(1)使用图来建立问题模型。
(2)使用广度优先搜索解决问题。
利用广度优先搜索，我们可以回答两个问题：
1.从节点A出发，有前往B节点的路径吗？
2.从节点A出发，前往B节点哪条路径最短？
首先，我们来看看如何构建一张图。
这里我们要使用一种能够表示映射关系的数据结构---散列表。至于什么是散列表，这里就不再赘述。
例如：
graph = {}
grapu[‘you‘] = [‘alice‘,‘bob‘,‘mar‘,‘rain‘,‘cat‘]
这里的“you”被映射到一个数组。在‘you‘的这个数组里面，包含所有与你相邻的元素。
有了以上方式，我们就可以构建一张更大图。
首先，创建一个双端队列，将需要查找的压入队列中。
from collections import deque
def person_is_seller(name):
return name[-1] == ‘m‘ #如果这个名字是以M结尾，则是
graph = {}
grapu[‘you‘] = [‘alice‘,‘bob‘,‘mar‘,‘rain‘,‘cat‘]
search_queue = deque() #创建一个队列
search_queue += graph[‘you‘] #将you压入队列
while search_queue: #只要队列不为空
person = search_queue.popleft() #取出左边第一个人
if person_is_seller(person): #检查这个人是否为芒果商
print person += ‘ is a mango seller! ‘
return True
else:
search_queue += graph[person] #将这个人的朋友加入队列
return False #没有芒果商
但是，上面算法有一个明显的问题，如果你的朋友alice和bob都有这一个好友，那么在查找的过程中就会陷入循环状态。要解决这个问题，我们可以设置一个列表，来标记那些已经被查找过的人。因此，最终代码如下：
def search(name):
search_queue = deque() #创建一个队列
search_queue += graph[name] #将需要查找的压入队列
searcher = [] # 用于记录已经查找过的
while search_queue: #只要队列不为空
person = search_queue.popleft() #取出左边第一个人
if not person in searched: #当这个人不在searched中才继续往下查找
if person_is_seller(person): #检查这个人是否为芒果商
print person += ‘ is a mango seller! ‘
return True
else:
search_queue += graph[person] #将这个人的朋友加入队列
searched.append(person)
return False #没有芒果商
首先沿着每条边进行查找，如果边数为n，查找效率为O(V)
再次，我们在每次查找过程中需要对已经搜索的列表进行二次判断,判断所需时间为P(n)
因此，广度优先搜索总的查找效率为O(V+n)
标签：不为 person 最短路 arc 构建 apu end 最短路径 cti
原文地址：http://www.cnblogs.com/vipchenwei/p/6882593.html
