交通设施东莞网站建设网络优化网站

1、深度优先搜索（Depth-First Search，简称 DFS）和广度优先搜索（Breadth-First Search，简称 BFS）是图论和树结构遍历中常用的两种算法策略，它们的主要区别如下：
搜索方式
深度优先搜索：沿着一条路径尽可能深地探索下去，直到达到叶子节点或者无法继续深入为止，然后回溯到上一个节点，继续探索其他分支。
广度优先搜索：从起始节点开始，首先访问它的所有邻居节点，然后按照这些邻居节点的顺序，依次访问它们的邻居节点，以此类推，一层一层地向外扩展。
使用的数据结构
深度优先搜索：通常使用递归或者栈来实现。递归实现时，系统栈会记录函数调用的顺序和状态；手动使用栈实现时，将节点压入栈中，然后从栈中弹出节点进行访问，并将其未访问的邻居节点压入栈中。
广度优先搜索：一般使用队列来实现。先将起始节点放入队列，然后从队列中取出节点进行访问，把该节点的未访问邻居节点依次加入队列，直到队列为空。

代码示例：

#include <iostream>
#include <vector>// 定义图的邻接表表示
using Graph = std::vector<std::vector<int>>;// 递归实现深度优先搜索
void dfs(const Graph& graph, int node, std::vector<bool>& visited) {// 标记当前节点为已访问visited[node] = true;std::cout << node << " ";// 遍历当前节点的所有邻居节点for (int neighbor : graph[node]) {if (!visited[neighbor]) {// 递归访问未访问的邻居节点dfs(graph, neighbor, visited);}}
}int main() {// 构建一个简单的图（邻接表表示）Graph graph = {{1, 2},  // 节点 0 的邻居节点为 1 和 2{0, 3},  // 节点 1 的邻居节点为 0 和 3{0, 3},  // 节点 2 的邻居节点为 0 和 3{1, 2}   // 节点 3 的邻居节点为 1 和 2};// 初始化访问标记数组std::vector<bool> visited(graph.size(), false);// 从节点 0 开始进行深度优先搜索std::cout << "深度优先搜索结果: ";dfs(graph, 0, visited);std::cout << std::endl;return 0;
}

 

2、冒泡排序、选择排序、插入排序、快速排序和归并排序是几种常见的排序算法，它们在原理、时间复杂度、空间复杂度、稳定性等方面存在明显区别，以下是详细对比：

1）原理

• 冒泡排序（Bubble Sort）
  • 重复地走访过要排序的数列，一次比较两个元素，如果它们的顺序错误就把它们交换过来。走访数列的工作是重复地进行直到没有再需要交换，也就是说该数列已经排序完成。
  • 这个算法的名字由来是因为越小的元素会经由交换慢慢 “浮” 到数列的顶端。
• 选择排序（Selection Sort）
  • 首先在未排序序列中找到最小（大）元素，存放到排序序列的起始位置。
  • 然后，再从剩余未排序元素中继续寻找最小（大）元素，然后放到已排序序列的末尾。
  • 以此类推，直到所有元素均排序完毕。
• 插入排序（Insertion Sort）
  • 将未排序数据插入到已排序序列的合适位置。初始时，已排序序列仅包含第一个元素，然后依次将后续元素插入到已排序序列中，使得插入后的序列仍然有序。
• 快速排序（Quick Sort）
  • 采用分治法的思想。选择一个基准值（pivot），将数组分为两部分，使得左边部分的所有元素都小于等于基准值，右边部分的所有元素都大于等于基准值。
  • 然后分别对左右两部分递归地进行快速排序，最终得到一个有序的数组。
• 归并排序（Merge Sort）
  • 同样基于分治法。把一个数组分成两个子数组，分别对这两个子数组进行排序，然后将排好序的子数组合并成一个最终的有序数组。
  • 合并过程是将两个已排序的子数组按顺序合并成一个新的有序数组。

2） 时间复杂度

• 冒泡排序：
  • 最好情况：当数组已经有序时，只需进行一次遍历，时间复杂度为 O(n)。
  • 最坏情况和平均情况：都需要进行多次比较和交换，时间复杂度为 O(n2)。
• 选择排序：无论数组初始状态如何，都需要遍历未排序部分来选择最小（大）元素，时间复杂度始终为 O(n2)。
• 插入排序：
  • 最好情况：数组已经有序，每次插入操作只需比较一次，时间复杂度为 O(n)。
  • 最坏情况和平均情况：时间复杂度为 O(n2)。
• 快速排序：
  • 最好情况和平均情况：每次选择的基准值都能将数组均匀地分成两部分，时间复杂度为 O(nlogn)。
  • 最坏情况：当数组已经有序或接近有序时，基准值的选择会导致划分极不均匀，时间复杂度退化为 O(n2)。
• 归并排序：无论数组初始状态如何，都将数组不断二分并合并，时间复杂度始终为 O(nlogn)。

3）空间复杂度

• 冒泡排序：只需要常数级的额外空间，用于交换元素，空间复杂度为 O(1)。
• 选择排序：同样只需要常数级的额外空间，空间复杂度为 O(1)。
• 插入排序：只需要常数级的额外空间，空间复杂度为 O(1)。
• 快速排序：
  • 平均情况下，递归调用栈的深度为 O(logn)，因此空间复杂度为 O(logn)。
  • 最坏情况下，递归调用栈的深度为 O(n)，空间复杂度为 O(n)。
• 归并排序：需要额外的与原数组大小相同的辅助空间来进行合并操作，空间复杂度为 O(n)。

4. 稳定性

• 稳定性定义：如果在排序过程中，相等元素的相对顺序保持不变，则称该排序算法是稳定的；否则是不稳定的。
• 冒泡排序：在比较和交换元素时，相等元素不会发生交换，因此是稳定的排序算法。
• 选择排序：在选择最小（大）元素并交换位置时，可能会改变相等元素的相对顺序，所以是不稳定的排序算法。
• 插入排序：在插入元素时，相等元素会插入到相等元素的后面，相对顺序不变，是稳定的排序算法。
• 快速排序：在划分过程中，相等元素可能会被交换到不同的部分，导致相对顺序改变，是不稳定的排序算法。
• 归并排序：在合并过程中，相等元素会按照原顺序放入新数组，是稳定的排序算法。

5. 适用场景

• 冒泡排序、选择排序和插入排序：由于它们的时间复杂度较高，通常适用于数据规模较小的情况。插入排序在数据基本有序时表现较好。
• 快速排序：适用于数据规模较大且分布随机的情况，是一种高效的排序算法，但在最坏情况下性能较差。
• 归并排序：适用于数据规模较大且对稳定性有要求的情况，虽然需要额外的空间，但能保证稳定的 O(nlogn) 时间复杂度。

总结

排序算法	原理	时间复杂度（最好 / 平均 / 最坏）	空间复杂度	稳定性	适用场景
冒泡排序	比较相邻元素并交换	O(n) / O(n2) / O(n2)	O(1)	稳定	数据规模小
选择排序	选择最小（大）元素放到合适位置	O(n2) / O(n2) / O(n2)	O(1)	不稳定	数据规模小
插入排序	将元素插入已排序序列	O(n) / O(n2) / O(n2)	O(1)	稳定	数据基本有序且规模小
快速排序	分治，选基准值划分	O(nlogn) / O(nlogn) / O(n2)	O(logn) / O(n)	不稳定	数据规模大且随机
归并排序	分治，拆分并合并	O(nlogn) / O(nlogn) / O(nlogn)	O(n)