导读：从广度到深度，探索图的遍历奥秘

大家好，很高兴又和大家见面啦！！！

在上一篇中，我们共同揭开了广度优先搜索（BFS）的神秘面纱：它以“分层扩散”的方式遍历图结构，借助队列实现层序遍历，擅长解决最短路径和连通性分析问题（例如社交网络中的好友推荐）。BFS如同一束光波，由近及远均匀覆盖每个角落，确保无遗漏地探索所有可能性。

而今天，我们将潜入另一种经典策略——深度优先搜索（DFS）。与BFS的“广撒网”不同，DFS更像一位执着探险家，认准一条路走到尽头，再回溯寻找新路径。这种策略在迷宫探索、拓扑排序、环路检测等场景中大放异彩。

为何需要DFS？关键差异一目了然👇

• 遍历逻辑：BFS用队列实现“先进先出”，逐层扫描；DFS用栈（或递归）实现“后进先出”，纵深突破。

• 适用场景：BFS适合最短路径，DFS擅长深入探测结构特性（如回溯问题、图的连通分量统计）。

• 空间效率：BFS在稠密图中可能内存暴增，DFS的空间消耗通常与路径深度成正比，更适合树形结构。

本文你将收获：

• DFS核心思想：从二叉树的先序/后序遍历，推演至图的深度优先法则，图解“一条路走到黑+回溯”的精髓。
• 代码与逻辑全解：递归与非递归实现对比，visited数组如何避免重复访问，连通图与非连通图的遍历陷阱。
• 深度优先生成树：如何用DFS“绘制”图的骨架，邻接矩阵与邻接表为何导致生成树不唯一？
• 实战思考：DFS在有向图（如依赖解析）与无向图中的不同表现，强连通分量的秘密。

阅读建议：搭配上一篇“BFS详解”食用更佳！通过对比两大算法，你将真正掌握“何时用BFS，何时选DFS”的决策智慧。文末附生成树案例详解，帮助你将抽象理论转化为直观洞察。🚀

现在，让我们一起潜入图论的深海，揭开DFS的层层奥秘吧！

一、深度优先搜索

深度优先搜索（Depth-First-Search, DFS），简单的理解就是尽可能深的进行遍历，用一句话来描述就是一条路走到黑。

在二叉树的遍历算法中，按照遍历的方式，我们可以将其分为4类：

• 先根遍历：根—>左—>右
• 中根遍历：左—>根—>右
• 后根遍历：左—>右—>根
• 层序遍历：分层遍历

其中层序遍历实际上就是我们所说的：广度优先搜索（BFS）在树中的一种实际应用。在上一篇的内容中我们已经详细介绍，这里就不再赘述。

下面我们就来分析一下其他的三种遍历；

• 先根遍历的核心是：先访问根结点，再访问子树，对应到图中，就是先访问当前顶点，再访问与其邻接的顶点；
• 中根遍历是二叉树这种特殊的树形结构独有的一种遍历方式，因此我们不能够通过该遍历方式来拓展到图的遍历中；
• 后根遍历的核心是：先访问子树，再访问根结点，对应到图中，就是先访问与当前顶点邻接的顶点，再访问当前顶点；

不管是先根遍历还是后根遍历，其遍历的方式都是沿着一条路径先找到最深的结点，再去找其他结点。

对于先根遍历与后根遍历这种每次遍历时都是沿着一条路径，往深处走的方式进行遍历，就是深度优先遍历（Depth-First-Traversal, DFT）。

当我们要查找具体的对象时，采用这种沿着一条路径，往深处走的方式进行查找，这就是深度优先搜索（Depth-First-Search, DFS）。

这里我们需要区分一下遍历与搜索：

• 遍历简单的理解就是无条件地对数据结构中的所有元素进行访问；
• 搜索简单的理解就是有条件地对数据结构中的特定元素进行访问；

由此可以看到，当所有元素都是搜索中的特定元素时，那么我们对存储这些数据元素的数据结构进行搜索时，实际上就是在遍历该数据结构。

因此我们可以简单的理解为，遍历与搜索的区别就是：对元素的访问条件不同。

深度优先遍历（DFT） 和 深度优先搜索（DFS） 是同一策略的不同应用场景，但术语上更常用 DFS 统称。

这里一定要注意，在下面的介绍中，我们说的 DFS 实际上是说的对图的遍历算法，而不是查找特定值的算法。

理解了深度优先遍历与深度优先搜索后，下面我们就来了解一下其算法思路；

二、算法思路

深度优先搜索的算法思路如下：

• 首先访问图中某一起始顶点 $v$
• 然后从 $v$ 出发，访问与 $v$ 邻接且未被访问的任意一个顶点 $w_1$
• 再访问与 $w_1$ 邻接且未被访问的人一个顶点 $w_2$
• 重复上述过程，直到 $w_i$ 不存在与其邻接且未被访问的顶点
• 当无法继续访问时，依次退回到最近被访问的顶点
• 当退回后的顶点存在还未被访问的邻接顶点，则从该顶点继续上述搜索过程，直至所有顶点完成访问

这里我们以二叉树的先序遍历为例：

上图中使用的是先根遍历的方式进行展示：

• 二叉树：先访问根结点，再访问子树
• 图：先访问当前顶点，再访问当前顶点的邻接顶点

对于图而言，其遍历序列根据其存储结构的不同而有所不同：

• 邻接矩阵：同一起始顶点的遍历序列相同
• 邻接表：同一起始顶点的遍历序列不同
• 十字链表：同一起始点的遍历序列不同
• 邻接多重表：同一起始点的遍历序列不同

上图所示的遍历序列对于除邻接矩阵外的存储结构而言，只是其中的一种遍历序列，仅供大家参考。

三、算法逻辑

今天我们要介绍的图的深度优先搜索与树的先根遍历类似，都是先访问当前顶点，再对一条路径进行深入，直至该路径无法继续深入后，开始回溯，选择下一条路径进行深入；

在图的 DFS 中我们需要对已经完成访问的顶点进行标记，因此需要一个标记数组 visited[] 来记录当前顶点是否被访问。整个过程如下所示：

• 访问当前起始顶点，并对起始顶点进行标记
• 通过 FirstNeighbor(G, x) 获取当前顶点x的下一个邻接顶点编号y，并通过 visited[y] 进行判断该顶点是否被访问：
  • visited[y] == false 则未被访问，继续对顶点y进行 DFS
  • visited[y] == true 则已被访问，则说明该路径上的顶点都已被访问，接下来通过 NexttNeighbor(G, x, y) 获取顶点x除了顶点y之外的下一个邻接顶点编号z，并对该顶点进行判断是否被访问：
    • 存在未被访问的顶点，继续对该顶点进行 DFS
    • 不存在未被访问的顶点，开始回溯

其代码表达如下所示：

// 深度优先搜索
bool visited[MAXVERSIZE];
void DFS(graph* g, int x) {visit(g, x);					// 访问当前顶点visited[x] = true;				// 标记当前顶点for (int y = FirstNeighbor(g, x); y >= 0; y = NextNeighbor(g, x, y)) {// FirstNeighbor(g, x): 当前顶点x存在下一个邻接点，则返回对应顶点编号，否则，返回-1// NextNeighbor(g, x, y): 当前顶点x存在下一个除顶点y以外的邻接点，则返回对应顶点编号，否则，返回-1// y == -1时，说明此时该路径中不存在未被访问的邻接点if (!visited[y]) {			// 判断当前顶点是否被访问DFS(g, y);				// 未被访问，则对该点进行深度优先搜索}}
}

对于连通图而言，上述代码逻辑足以完成所有顶点的遍历，但是在非连通图中，从某一起始点开始进行 DFS 只能完成该点所在连通分量的所有顶点的遍历。

为了确保能够对非连通图完成所有顶点的遍历，我们需要借助 visited[] 数组来查找未被访问过的顶点信息，如下所示：

void DFSTraverse(graph* g) {// 初始化标记数组for (int i = 0; i < MAXVERSIZE; i++) {visited[i] = false;}for (int i = 0; i < MAXVERSIZE; i++) {if (!visited[i]) {DFS(g, i);}}
}

在该函数中，每一次调用 DFS 就是对图中的一个连通分量进行遍历，图中存在多少个连通分量，就会调用多少次 DFS；

四、算法评价

图的遍历算法的本质就是通过边来找顶点，因此对于 DFS 而言，其时间复杂度与 BFS 的时间复杂度一致：

• 邻接矩阵：$O(|V{|}^2)$
• 邻接表/十字链表/邻接多重表：$O(|V|+|E|)$

在 DFS 中，我们可以像上述展示的代码一样，通过递归实现，其对应的空间复杂度为：$O(|V|)$

同样也可以通过栈的方式来实现，对应的空间复杂度依然是：$O(|V|)$

五、深度优先生成树

与广度优先生成树一致，深度优先生成树也是在遍历图的过程中保留所有的顶点与其访问的边所得到的一棵生成树，我们以下面的例子来说明：

在上图中，其顶点集与边集如下所示：

• 顶点集： V = { a , b , c , d , e , f , g } V = \{a, b, c, d, e, f, g\} V={a,b,c,d,e,f,g}
• 边集：$E=\{(a,b),(a,c),(b,d),(b,e),(c,e),(e,f),(e,g),(f,g)\}$

当我们从起始点 a 开始进行遍历时，此时点a 会被标记，其对应的生成树为：

对于点a而言，其邻接点有两个：

• 点b：未访问
• 点c：未访问

当我们找到第一个邻接点b时，点b会被标记，所对应的边 $(a,b)$ 被访问，对应的生成树为：

对于点b而言，其邻接点有3个：

• 点a：已访问
• 点d：未访问
• 点e：未访问

这时找到的邻接点a已经被访问，算法会继续寻找除了点a外的下一个邻接点d。

当找到点d后，点d会被标记，所对应的边 $(b,d)$ 被访问，其对应的生成树为：

对于点d而言，其邻接点有1个：

• 点b：被访问

由于点d不存在未被访问的邻接点，算法会开始回溯到点b，这时会继续寻找与点b邻接的下一个邻接点e。

当找到点e后，点e会被标记，所对应的边 $(b,e)$ 被访问，对应的生成树为：

对于点e而言，其邻接点有4个：

• 点b：已访问
• 点c：未访问
• 点f：未访问
• 点g：未访问

这时算法会重复上述的步骤依次找到并标记以下顶点与边：

• 顶点：c，对应边：$(e,c)$
• 顶点：f，对应边：$(e,f)$
• 顶点：g，对应边：$(f,g)$

此时所有的顶点都完成了标记，我们也就得到了该图的深度优先生成树：

深度优先生成树在不同的存储结构中，同样不相同：

• 邻接矩阵：深度优先生成树唯一
• 邻接表/十字链表/邻接多重表：深度优先生成树不唯一

具体的原因我这里再重复一遍：

• 在邻接表/十字链表/邻接多重表中，边的存储是以链表的形式进行存储，因此结点的位置可能发生变化，因此对应的生成树也会发生变化

六、有向图与无向图

现在我们已经了解了图的两种遍历方式：BFS 与 DFS ，不管是哪种方式，在对无向图进行遍历与对有向图进行遍历时，是有些许区别的：

• 在无向图中，两种遍历方式的调用次数 = 连通分量的数量
• 在有向图中，两种遍历方式的调用次数都需要根据实际情况进行分析：
  • 起始点到其它顶点都有路径，则只需调用一次
  • 起始点与其它的顶点之间不存在路径，则需多次调用
  • 有向图为强连通图，无论从哪个顶点出发，都只需要调用一次

在这两个篇章中我们都是以无向图为例进行说明，但是在实际问题中，我们还是需要根据具体情况进行具体分析。

结语：深潜与回溯，揭开图论世界的另一面

通过本篇的探索，我们见证了深度优先搜索（DFS）如何以“不撞南墙不回头”的执着，在图结构中开辟出一条条纵深路径。与广度优先搜索（BFS）的“层层递进”不同，DFS以递归与回溯为利器，在迷宫寻路、拓扑排序、连通分量统计等场景中展现独特优势。

关键回顾🔍

• DFS的核心逻辑：从二叉树的遍历（先序/后序）出发，推演至图的深度探索策略，通过visited数组避免重复访问，用递归或栈实现“一条路走到黑”的纵深突破。

• 生成树的多样性：DFS生成树的形态因存储结构（邻接矩阵 vs 邻接表）而异，揭示了算法执行路径的不确定性，也体现了图遍历的灵活性。

• 场景适应性：

  • 无向图：DFS调用次数=连通分量数，天然适合检测图的连通性。

  • 有向图：强连通分量需特殊处理，DFS在依赖解析、环路检测中表现卓越。

实践启示💡

• 代码实现：递归简洁但需警惕栈溢出，非递归栈实现更适合大规模图。

• 性能权衡：邻接表下DFS时间复杂度为$O(V+E)$，空间复杂度与递归深度正相关，树形图优化显著。

• 决策智慧：遇到回溯问题、连通分量分析时优先考虑DFS；追求最短路径或层序关系时转向BFS。

如果本文对你有所启发，欢迎互动支持！
👉 关注👆蒙奇D索大，获取更多算法深度解析
👉 点赞👍鼓励持续创作
👉 收藏📁备查实战应用
👉 转发📤分享给更多同行

图论的海洋浩瀚无垠，DFS与BFS仅是探索的起点。下一篇我们将深入《图的实际应用——最小生成树（Minimum Spanning Tree）》，揭秘如何在复杂网络中高效构建成本最低的连通骨架，无论是Kruskal的贪心策略，还是Prim的顶点扩展法，都将为你打开优化问题的新视野。敬请期待，一起用算法编织智慧之网！ 🌟