BFS 和 DFS 编程思想、框架、技巧及经典例题总结

一、核心编程思想

BFS（广度优先搜索）

核心思想：以「层次遍历」为核心，从起点出发，优先探索距离起点最近的节点，逐层扩散遍历。
本质：通过「队列」实现 “先入先出” 的顺序，保证每次处理的都是当前层的所有节点，适合解决「最短路径」「层次遍历」「连通性判断（无权图）」等问题。
特点：
- 遍历过程中节点的 “距离”（步数）是递增的，首次到达目标节点时的路径即为最短路径（无权图 / 等权图）。
- 空间复杂度较高（需存储当前层所有节点），但时间复杂度稳定。

DFS（深度优先搜索）

核心思想：以「深度优先」为核心，从起点出发，沿着一条路径深入到底，直到无法前进时回溯，换另一条路径继续探索。
本质：通过「递归栈」或「手动栈」实现 “后入先出” 的顺序，适合解决「连通性判断」「排列组合」「路径搜索」「回溯剪枝」等问题。
特点：
- 遍历过程具有 “回溯” 特性，可通过剪枝优化无效路径，减少计算量。
- 空间复杂度由递归深度（或栈深度）决定，可能因深度过大导致栈溢出（需注意递归边界）。

二、通用编程框架

BFS 框架（模板）
基础模板（树 / 图通用）

def bfs(start, target):# 初始化队列（存储待处理节点）from collections import dequequeue = deque([start])# 初始化visited（避免重复访问，图必备；树可省略，但需处理父节点回退）visited = set([start])# 记录距离/层数（可选，按需添加）distance = 0  while queue:# 处理当前层的所有节点（关键：先获取当前层节点数）level_size = len(queue)for _ in range(level_size):# 弹出队首节点current = queue.popleft()# 若找到目标，返回结果if current == target:return distance  # 或其他结果# 遍历当前节点的所有相邻节点for neighbor in get_neighbors(current):if neighbor not in visited:visited.add(neighbor)queue.append(neighbor)# 层数/距离+1（每处理完一层递增）distance += 1# 未找到目标return -1

关键组件:
- 队列：存储待处理的节点，保证 “先入先出”。
- visited 集合：标记已访问节点（图中必用，避免环导致的死循环；树中可省略，但需通过父节点指针避免回退）。
- 层次处理：通过level_size控制每层节点的批量处理，实现 “层次遍历”。

DFS 框架（模板）
递归版（简洁，适合深度不太大的场景）

def dfs(current, visited, target):# 终止条件：找到目标或越界if current == target:return True  # 或记录路径if current is invalid: # 剪枝return False# 标记当前节点为已访问visited.add(current)# 遍历所有相邻节点for neighbor in get_neighbors(current):if neighbor not in visited:# 递归探索下一层if dfs(neighbor, visited, target):return True  # 找到目标，提前返回# 回溯：若需恢复状态（如排列组合问题），此处可移除标记# visited.remove(current)  # 视问题而定是否需要return False  # 未找到目标

迭代版（手动栈，适合深度较大的场景，避免递归栈溢出）

def dfs_iterative(start, target):stack = [start]  # 手动栈visited = set([start])while stack:current = stack.pop()  # 弹出栈顶节点（最后入栈的节点）# 找到目标，返回结果if current == target:return True# 遍历相邻节点（注意：栈是后入先出，若需按顺序遍历，可反向添加）for neighbor in reversed(get_neighbors(current)):if neighbor not in visited:visited.add(neighbor)stack.append(neighbor)return False

关键组件：
- 栈：递归时隐式使用函数调用栈，迭代时手动维护栈，保证 “后入先出”。
- visited 集合：同 BFS，避免重复访问。
- 回溯：在排列组合等问题中，需在递归返回后移除visited标记，允许节点被其他路径重新访问。

三、实用技巧

BFS 技巧

双向 BFS 优化：当起点和终点明确时（如最短路径问题），可从起点和终点同时开始 BFS，相遇时终止，大幅减少搜索空间（适用于节点数量庞大的场景，如「打开转盘锁」）。
距离记录：通过数组或哈希表记录每个节点到起点的距离，无需额外变量（如distance[node] = distance[current] + 1）。
层次信息利用：在层次遍历问题中（如二叉树每层节点之和），通过level_size区分不同层，方便按层处理数据。

DFS 技巧

剪枝优化：在递归过程中提前判断无效路径（如 “和超过目标的组合”“已存在重复的排列”），直接返回，减少计算量。
记忆化搜索：对重复子问题（如动态规划中的递归场景），用哈希表记录已计算的结果，避免重复计算（如「斐波那契数列」「最长递增子序列」的递归实现）。
路径跟踪：在需要记录具体路径的问题中（如「所有可能的路径」），通过列表在递归时添加节点，回溯时移除节点，动态维护路径。

四、经典例题解析

BFS 经典例题
例题 1：二叉树的层序遍历（LeetCode 102）

问题：给定二叉树的根节点，返回按层序遍历的节点值（逐层从左到右）。
思路：用 BFS 按层处理节点，每层遍历前记录队列长度（当前层节点数），依次弹出并收集值，再将子节点入队。
代码：

def levelOrder(root):if not root:return []from collections import dequequeue = deque([root])result = []while queue:level_size = len(queue)current_level = []for _ in range(level_size):node = queue.popleft()current_level.append(node.val)if node.left:queue.append(node.left)if node.right:queue.append(node.right)result.append(current_level)return result

例题 2：打开转盘锁（LeetCode 752）

问题：转盘锁有 4 个数字（0-9），每次可转动一个数字 ±1（如 0→9 或 0→1）。给定死亡数字列表（不可经过），求从 “0000” 到目标数字的最少步数，无法到达则返回 - 1。
思路：BFS 求最短路径，每次转动生成 8 种可能的下一个状态（4 个位置，每个 ±1），用 visited 和死亡列表过滤无效状态，- 双向 BFS 可优化效率。
核心代码：

def openLock(deadends, target):from collections import dequedead = set(deadends)start = "0000"if start in dead:return -1if start == target:return 0# BFS初始化queue = deque([start])visited = set([start])steps = 0while queue:steps += 1level_size = len(queue)for _ in range(level_size):current = queue.popleft()# 生成所有可能的下一个状态for i in range(4):for d in (-1, 1):# 转动第i位数字（0-9循环）new_digit = (int(current[i]) + d) % 10next_str = current[:i] + str(new_digit) + current[i+1:]if next_str == target:return stepsif next_str not in visited and next_str not in dead:visited.add(next_str)queue.append(next_str)return -1

DFS 经典例题
例题 1：岛屿数量（LeetCode 200）

问题：给定二维网格，‘1’ 表示陆地，‘0’ 表示水，求岛屿数量（相邻陆地相连，上下左右为相邻）。
思路：遍历网格，遇到未访问的 ‘1’ 时启动 DFS，将所有相连的 ‘1’ 标记为已访问（避免重复计数），每启动一次 DFS 即增加一个岛屿。也可以使用BFS。
代码：

def numIslands(grid):if not grid:return 0rows, cols = len(grid), len(grid[0])visited = [[False for _ in range(cols)] for _ in range(rows)]count = 0def dfs(i, j):# 越界或非陆地或已访问，直接返回if i < 0 or i >= rows or j < 0 or j >= cols or grid[i][j] == '0' or visited[i][j]:returnvisited[i][j] = True  # 标记为已访问# 递归探索上下左右dfs(i+1, j)dfs(i-1, j)dfs(i, j+1)dfs(i, j-1)for i in range(rows):for j in range(cols):if grid[i][j] == '1' and not visited[i][j]:count += 1dfs(i, j)  # 标记整个岛屿return count

例题 2：全排列（LeetCode 46）

问题：给定不含重复数字的数组，返回所有可能的全排列。
思路：DFS 回溯法，通过递归探索每个位置的可能数字，用 visited 标记已使用的数字，回溯时恢复状态以尝试其他组合。
代码：

def permute(nums):result = []n = len(nums)def backtrack(path, visited):# 终止条件：路径长度等于数组长度if len(path) == n:result.append(path.copy())returnfor i in range(n):if not visited[i]:# 选择当前数字visited[i] = Truepath.append(nums[i])# 递归下一层backtrack(path, visited)# 回溯：撤销选择path.pop()visited[i] = Falsebacktrack([], [False]*n)return result

五、BFS 与 DFS 的区别与适用场景

维度	BFS	DFS
数据结构	队列（先入先出）	栈 / 递归栈（后入先出）
适用场景	最短路径（无权图）、层次遍历、拓扑排序	排列组合、连通性、回溯剪枝、路径搜索
空间复杂度	较高（取决于最宽层节点数）	较高（取决于递归深度）
特点	首次到达目标即最短路径	可通过回溯剪枝优化效率