【华为机试】547. 省份数量

547. 省份数量

描述

有 n 个城市，其中一些彼此相连，另一些没有相连。如果城市 a 与城市 b 直接相连，且城市 b 与城市 c 直接相连，那么城市 a 与城市 c 间接相连。

省份 是一组直接或间接相连的城市，组内不含其他没有相连的城市。

给你一个 n x n 的矩阵 isConnected ，其中 isConnected[i][j] = 1 表示第 i 个城市和第 j 个城市直接相连，而 isConnected[i][j] = 0 表示二者不直接相连。

返回矩阵中 省份 的数量。

示例 1

输入：isConnected = [[1,1,0],[1,1,0],[0,0,1]]
输出：2

示例 2

输入：isConnected = [[1,0,0],[0,1,0],[0,0,1]]
输出：3

提示

• 1 <= n <= 200
• n == isConnected.length
• n == isConnected[i].length
• isConnected[i][j] 为 1 或 0
• isConnected[i][i] == 1
• isConnected[i][j] == isConnected[j][i]

解题思路

核心分析

这道题是一个经典的图论连通性问题。核心思想是计算无向图中连通分量的数量。

问题本质：给定一个无向图的邻接矩阵，计算图中连通分量的个数。

关键洞察：

• 每个城市是一个节点，城市间的连接关系构成边
• 省份就是连通分量，即相互可达的节点集合
• 可以通过遍历算法（DFS/BFS）或并查集来求解

问题转化

原始问题：计算n个城市中省份的数量

图论转化：

1. 将城市抽象为图中的节点
2. 将城市间的连接关系抽象为图中的边
3. 省份数量 = 连通分量数量

数学建模：

• 节点集合：V = {0, 1, 2, …, n-1}
• 边集合：E = {(i, j) | isConnected[i][j] = 1}
• 目标：计算图G(V, E)中连通分量的数量

算法选择策略

1. 深度优先搜索 (DFS)

• 适用场景：连通性问题，需要遍历所有可达节点
• 优势：实现简单，递归清晰，空间效率高
• 劣势：可能栈溢出，不适合极大数据量

2. 广度优先搜索 (BFS)

• 适用场景：连通性问题，需要层次遍历
• 优势：避免栈溢出，适合大数据量
• 劣势：需要队列空间，实现稍复杂

3. 并查集 (Union-Find)

• 适用场景：动态连通性问题，需要频繁合并操作
• 优势：支持动态操作，理论复杂度最优
• 劣势：实现复杂，常数项较大

算法实现详解

方法一：深度优先搜索 (DFS)

核心思想：从每个未访问的节点开始，递归访问所有可达节点

算法步骤：

1. 初始化访问数组visited，记录每个节点是否被访问
2. 遍历所有节点，对每个未访问的节点：
   • 调用DFS函数访问该节点及其所有可达节点
   • 连通分量数量加1
3. DFS函数实现：
   • 标记当前节点为已访问
   • 遍历所有与当前节点相连的节点
   • 对每个未访问的相连节点递归调用DFS

代码实现：

func findCircleNumDFS(isConnected [][]int) int {n := len(isConnected)if n == 0 {return 0}visited := make([]bool, n)count := 0for i := 0; i < n; i++ {if !visited[i] {dfs(isConnected, visited, i)count++}}return count
}func dfs(isConnected [][]int, visited []bool, city int) {visited[city] = truefor nextCity := 0; nextCity < len(isConnected); nextCity++ {if isConnected[city][nextCity] == 1 && !visited[nextCity] {dfs(isConnected, visited, nextCity)}}
}

时间复杂度分析：

• 每个节点最多被访问一次：O(n)
• 每次访问需要遍历所有相邻节点：O(n)
• 总时间复杂度：O(n²)

空间复杂度分析：

• 访问数组：O(n)
• 递归调用栈深度：O(n)
• 总空间复杂度：O(n)

方法二：广度优先搜索 (BFS)

核心思想：使用队列进行层次遍历，访问所有可达节点

算法步骤：

1. 初始化访问数组和队列
2. 遍历所有节点，对每个未访问的节点：
   • 将节点加入队列
   • 标记为已访问
   • 连通分量数量加1
   • 执行BFS遍历
3. BFS函数实现：
   • 从队列中取出节点
   • 遍历所有与当前节点相连的节点
   • 将未访问的相连节点加入队列并标记为已访问

代码实现：

func findCircleNumBFS(isConnected [][]int) int {n := len(isConnected)if n == 0 {return 0}visited := make([]bool, n)count := 0for i := 0; i < n; i++ {if !visited[i] {bfs(isConnected, visited, i)count++}}return count
}func bfs(isConnected [][]int, visited []bool, startCity int) {queue := []int{startCity}visited[startCity] = truefor len(queue) > 0 {city := queue[0]queue = queue[1:]for nextCity := 0; nextCity < len(isConnected); nextCity++ {if isConnected[city][nextCity] == 1 && !visited[nextCity] {visited[nextCity] = truequeue = append(queue, nextCity)}}}
}

时间复杂度：O(n²)
空间复杂度：O(n)

方法三：并查集 (Union-Find)

核心思想：使用并查集维护连通性，通过合并操作统计连通分量

算法步骤：

1. 初始化并查集，每个节点自成一个集合
2. 遍历邻接矩阵，对每个连接关系：
   • 合并相连的两个节点到同一集合
3. 统计最终集合的数量

并查集优化：

• 路径压缩：在查找时压缩路径，减少后续查找时间
• 按秩合并：将较小的树合并到较大的树上，保持树的平衡

代码实现：

type UnionFind struct {parent []intrank   []intcount  int
}func NewUnionFind(n int) *UnionFind {parent := make([]int, n)rank := make([]int, n)for i := 0; i < n; i++ {parent[i] = irank[i] = 1}return &UnionFind{parent: parent,rank:   rank,count:  n,}
}func (uf *UnionFind) Find(x int) int {if uf.parent[x] != x {uf.parent[x] = uf.Find(uf.parent[x]) // 路径压缩}return uf.parent[x]
}func (uf *UnionFind) Union(x, y int) {rootX := uf.Find(x)rootY := uf.Find(y)if rootX == rootY {return}// 按秩合并if uf.rank[rootX] < uf.rank[rootY] {uf.parent[rootX] = rootY} else if uf.rank[rootX] > uf.rank[rootY] {uf.parent[rootY] = rootX} else {uf.parent[rootY] = rootXuf.rank[rootX]++}uf.count--
}func (uf *UnionFind) Count() int {return uf.count
}

时间复杂度：O(n² × α(n))，其中α(n)是阿克曼函数的反函数
空间复杂度：O(n)

算法选择

1. 深度优先搜索 (DFS)

• 时间复杂度：O(n²)，其中 n 是城市数量
• 空间复杂度：O(n)，递归调用栈的深度
• 适用场景：适合处理连通性问题

2. 广度优先搜索 (BFS)

• 时间复杂度：O(n²)
• 空间复杂度：O(n)，队列的空间
• 适用场景：适合处理连通性问题，避免递归栈溢出

3. 并查集 (Union-Find)

• 时间复杂度：O(n² × α(n))，其中 α(n) 是阿克曼函数的反函数
• 空间复杂度：O(n)
• 适用场景：适合处理动态连通性问题

数学证明

并查集正确性证明

定理：并查集算法能正确计算连通分量的数量。

证明：

1. 初始化正确性：

   • 初始时每个节点自成一个集合
   • 集合数量等于节点数量

2. 合并操作正确性：

   • 每次合并操作将两个连通分量合并为一个
   • 集合数量减少1

3. 最终结果正确性：

   • 所有相连的节点都在同一集合中
   • 不同连通分量的节点在不同集合中
   • 集合数量等于连通分量数量

时间复杂度分析

定理：并查集算法的时间复杂度为O(n² × α(n))。

证明：

• 每个节点最多参与n次合并操作
• 每次合并操作的时间复杂度为O(α(n))
• 总时间复杂度为O(n² × α(n))

执行流程图

算法可视化

实际应用

1. 社交网络分析：计算朋友圈的数量
2. 网络拓扑分析：计算网络中的连通区域
3. 地理信息系统：计算地理区域的连通性
4. 电路设计：分析电路的连通性
5. 生物信息学：分析蛋白质相互作用网络

算法优化技巧

1. 内存优化

// 使用位运算优化访问数组
visited := make([]uint64, (n+63)/64)

2. 早期终止

// 如果所有节点都已访问，可以提前终止
if count == n {return 1
}

3. 对称性利用

// 利用邻接矩阵的对称性，只遍历上三角
for i := 0; i < n; i++ {for j := i + 1; j < n; j++ {if isConnected[i][j] == 1 {// 处理连接关系}}
}

扩展思考

1. 有向图：如果是有向图，如何计算强连通分量？
2. 加权图：如果边有权重，如何定义连通性？
3. 动态图：如果图结构动态变化，如何维护连通性？
4. 大规模图：对于超大规模图，如何优化算法？
5. 并行算法：如何设计并行版本的连通分量算法？

相关问题

1. 200. 岛屿数量：二维网格中的连通分量问题
2. 130. 被围绕的区域：连通分量的边界处理
3. 399. 除法求值：带权图的连通性问题
4. 684. 冗余连接：并查集在最小生成树中的应用
5. 685. 冗余连接 II：有向图的连通性问题

测试用例设计

// 基础测试用例
isConnected1 := [][]int{{1, 1, 0},{1, 1, 0},{0, 0, 1},
}
expected1 := 2isConnected2 := [][]int{{1, 0, 0},{0, 1, 0},{0, 0, 1},
}
expected2 := 3// 边界测试
isConnected3 := [][]int{{1}}
expected3 := 1var isConnected4 [][]int
expected4 := 0// 极值测试
isConnected5 := [][]int{{1, 1, 1},{1, 1, 1},{1, 1, 1},
}
expected5 := 1// 复杂情况
isConnected6 := [][]int{{1, 0, 0, 1},{0, 1, 1, 0},{0, 1, 1, 1},{1, 0, 1, 1},
}
expected6 := 1

性能对比

算法	时间复杂度	空间复杂度	常数项	适用场景
DFS	O(n²)	O(n)	小	一般情况
BFS	O(n²)	O(n)	中等	大数据量
并查集	O(n² × α(n))	O(n)	大	动态连通性

常见错误

1. 访问标记错误：忘记标记节点为已访问
2. 递归终止错误：递归函数没有正确的终止条件
3. 数组越界：访问邻接矩阵时越界
4. 并查集初始化错误：parent数组初始化不正确
5. 边界处理错误：没有正确处理空矩阵或单个节点

总结

省份数量 是一道经典的图论连通性问题，核心在于理解连通分量的概念和计算算法。

最优解法是DFS或BFS算法，具有以下优势：

1. 时间复杂度合理：O(n²)
2. 实现简单：递归或队列遍历
3. 空间效率高：只需要O(n)额外空间
4. 应用广泛：是图遍历的经典模板题

这道题体现了图论算法中的重要思想：

• 连通性分析：通过遍历确定节点间的可达性
• 访问标记：避免重复访问，提高算法效率
• 问题建模：将实际问题抽象为图论问题

并查集算法虽然理论复杂度最优，但在实际应用中，由于常数项较大，对于中等规模的问题，DFS/BFS算法往往更实用。

算法流程图

详细解题步骤

方法一：深度优先搜索 (DFS)

1. 初始化：创建访问数组 visited，记录每个城市是否被访问过
2. 遍历城市：从每个未访问的城市开始进行DFS
3. DFS过程：
   • 标记当前城市为已访问
   • 遍历所有与当前城市相连的城市
   • 对每个未访问的相连城市递归调用DFS
4. 计数：每次开始新的DFS时，省份数量加1

方法二：广度优先搜索 (BFS)

1. 初始化：创建访问数组和队列
2. 遍历城市：从每个未访问的城市开始进行BFS
3. BFS过程：
   • 将当前城市加入队列
   • 标记为已访问
   • 从队列中取出城市，遍历其所有相连城市
   • 将未访问的相连城市加入队列
4. 计数：每次开始新的BFS时，省份数量加1

方法三：并查集 (Union-Find)

1. 初始化：创建并查集，每个城市自成一个集合
2. 合并操作：遍历邻接矩阵，将相连的城市合并到同一集合
3. 统计集合：统计最终有多少个不同的集合

复杂度分析

方法	时间复杂度	空间复杂度	优势	劣势
DFS	O(n²)	O(n)	实现简单，递归清晰	可能栈溢出
BFS	O(n²)	O(n)	避免栈溢出	需要队列
并查集	O(n² × α(n))	O(n)	适合动态连通性	实现复杂

边界情况处理

1. 空矩阵：返回0
2. 单个城市：返回1
3. 所有城市都不相连：返回n
4. 所有城市都相连：返回1

优化技巧

1. 提前返回：如果所有城市都已访问，可以提前结束
2. 对称性利用：由于是无向图，邻接矩阵是对称的
3. 内存优化：使用位运算优化访问数组的存储

完整题解代码

package mainimport ("fmt"
)// 方法一：深度优先搜索 (DFS)
// 时间复杂度：O(n²)，空间复杂度：O(n)
func findCircleNumDFS(isConnected [][]int) int {n := len(isConnected)if n == 0 {return 0}// 访问数组，记录每个城市是否被访问过visited := make([]bool, n)count := 0// 从每个未访问的城市开始DFSfor i := 0; i < n; i++ {if !visited[i] {dfs(isConnected, visited, i)count++}}return count
}// DFS辅助函数
func dfs(isConnected [][]int, visited []bool, city int) {visited[city] = true// 遍历所有与当前城市相连的城市for nextCity := 0; nextCity < len(isConnected); nextCity++ {if isConnected[city][nextCity] == 1 && !visited[nextCity] {dfs(isConnected, visited, nextCity)}}
}// 方法二：广度优先搜索 (BFS)
// 时间复杂度：O(n²)，空间复杂度：O(n)
func findCircleNumBFS(isConnected [][]int) int {n := len(isConnected)if n == 0 {return 0}visited := make([]bool, n)count := 0// 从每个未访问的城市开始BFSfor i := 0; i < n; i++ {if !visited[i] {bfs(isConnected, visited, i)count++}}return count
}// BFS辅助函数
func bfs(isConnected [][]int, visited []bool, startCity int) {queue := []int{startCity}visited[startCity] = truefor len(queue) > 0 {city := queue[0]queue = queue[1:]// 遍历所有与当前城市相连的城市for nextCity := 0; nextCity < len(isConnected); nextCity++ {if isConnected[city][nextCity] == 1 && !visited[nextCity] {visited[nextCity] = truequeue = append(queue, nextCity)}}}
}// 方法三：并查集 (Union-Find)
// 时间复杂度：O(n² × α(n))，空间复杂度：O(n)
func findCircleNumUnionFind(isConnected [][]int) int {n := len(isConnected)if n == 0 {return 0}// 初始化并查集uf := NewUnionFind(n)// 遍历邻接矩阵，合并相连的城市for i := 0; i < n; i++ {for j := i + 1; j < n; j++ { // 利用对称性，只遍历上三角if isConnected[i][j] == 1 {uf.Union(i, j)}}}return uf.Count()
}// 并查集结构
type UnionFind struct {parent []intrank   []intcount  int
}// 创建新的并查集
func NewUnionFind(n int) *UnionFind {parent := make([]int, n)rank := make([]int, n)for i := 0; i < n; i++ {parent[i] = irank[i] = 1}return &UnionFind{parent: parent,rank:   rank,count:  n,}
}// 查找根节点（路径压缩）
func (uf *UnionFind) Find(x int) int {if uf.parent[x] != x {uf.parent[x] = uf.Find(uf.parent[x]) // 路径压缩}return uf.parent[x]
}// 合并两个集合（按秩合并）
func (uf *UnionFind) Union(x, y int) {rootX := uf.Find(x)rootY := uf.Find(y)if rootX == rootY {return}// 按秩合并if uf.rank[rootX] < uf.rank[rootY] {uf.parent[rootX] = rootY} else if uf.rank[rootX] > uf.rank[rootY] {uf.parent[rootY] = rootX} else {uf.parent[rootY] = rootXuf.rank[rootX]++}uf.count--
}// 返回集合数量
func (uf *UnionFind) Count() int {return uf.count
}// 方法四：优化的DFS（使用栈避免递归）
// 时间复杂度：O(n²)，空间复杂度：O(n)
func findCircleNumDFSIterative(isConnected [][]int) int {n := len(isConnected)if n == 0 {return 0}visited := make([]bool, n)count := 0for i := 0; i < n; i++ {if !visited[i] {dfsIterative(isConnected, visited, i)count++}}return count
}// 迭代式DFS
func dfsIterative(isConnected [][]int, visited []bool, startCity int) {stack := []int{startCity}visited[startCity] = truefor len(stack) > 0 {city := stack[len(stack)-1]stack = stack[:len(stack)-1]for nextCity := 0; nextCity < len(isConnected); nextCity++ {if isConnected[city][nextCity] == 1 && !visited[nextCity] {visited[nextCity] = truestack = append(stack, nextCity)}}}
}// 测试函数
func main() {// 测试用例1：示例1isConnected1 := [][]int{{1, 1, 0},{1, 1, 0},{0, 0, 1},}fmt.Println("测试用例1:")fmt.Printf("输入: %v\n", isConnected1)fmt.Printf("DFS结果: %d\n", findCircleNumDFS(isConnected1))fmt.Printf("BFS结果: %d\n", findCircleNumBFS(isConnected1))fmt.Printf("并查集结果: %d\n", findCircleNumUnionFind(isConnected1))fmt.Printf("迭代DFS结果: %d\n", findCircleNumDFSIterative(isConnected1))fmt.Println("期望结果: 2")fmt.Println()// 测试用例2：示例2isConnected2 := [][]int{{1, 0, 0},{0, 1, 0},{0, 0, 1},}fmt.Println("测试用例2:")fmt.Printf("输入: %v\n", isConnected2)fmt.Printf("DFS结果: %d\n", findCircleNumDFS(isConnected2))fmt.Printf("BFS结果: %d\n", findCircleNumBFS(isConnected2))fmt.Printf("并查集结果: %d\n", findCircleNumUnionFind(isConnected2))fmt.Printf("迭代DFS结果: %d\n", findCircleNumDFSIterative(isConnected2))fmt.Println("期望结果: 3")fmt.Println()// 测试用例3：所有城市相连isConnected3 := [][]int{{1, 1, 1},{1, 1, 1},{1, 1, 1},}fmt.Println("测试用例3 (所有城市相连):")fmt.Printf("输入: %v\n", isConnected3)fmt.Printf("DFS结果: %d\n", findCircleNumDFS(isConnected3))fmt.Printf("BFS结果: %d\n", findCircleNumBFS(isConnected3))fmt.Printf("并查集结果: %d\n", findCircleNumUnionFind(isConnected3))fmt.Printf("迭代DFS结果: %d\n", findCircleNumDFSIterative(isConnected3))fmt.Println("期望结果: 1")fmt.Println()// 测试用例4：单个城市isConnected4 := [][]int{{1}}fmt.Println("测试用例4 (单个城市):")fmt.Printf("输入: %v\n", isConnected4)fmt.Printf("DFS结果: %d\n", findCircleNumDFS(isConnected4))fmt.Printf("BFS结果: %d\n", findCircleNumBFS(isConnected4))fmt.Printf("并查集结果: %d\n", findCircleNumUnionFind(isConnected4))fmt.Printf("迭代DFS结果: %d\n", findCircleNumDFSIterative(isConnected4))fmt.Println("期望结果: 1")fmt.Println()// 测试用例5：空矩阵var isConnected5 [][]intfmt.Println("测试用例5 (空矩阵):")fmt.Printf("输入: %v\n", isConnected5)fmt.Printf("DFS结果: %d\n", findCircleNumDFS(isConnected5))fmt.Printf("BFS结果: %d\n", findCircleNumBFS(isConnected5))fmt.Printf("并查集结果: %d\n", findCircleNumUnionFind(isConnected5))fmt.Printf("迭代DFS结果: %d\n", findCircleNumDFSIterative(isConnected5))fmt.Println("期望结果: 0")fmt.Println()// 测试用例6：复杂情况isConnected6 := [][]int{{1, 0, 0, 1},{0, 1, 1, 0},{0, 1, 1, 1},{1, 0, 1, 1},}fmt.Println("测试用例6 (复杂情况):")fmt.Printf("输入: %v\n", isConnected6)fmt.Printf("DFS结果: %d\n", findCircleNumDFS(isConnected6))fmt.Printf("BFS结果: %d\n", findCircleNumBFS(isConnected6))fmt.Printf("并查集结果: %d\n", findCircleNumUnionFind(isConnected6))fmt.Printf("迭代DFS结果: %d\n", findCircleNumDFSIterative(isConnected6))fmt.Println("期望结果: 1")
}