Appearance
13 搜索：如何掌握DFS与BFS的解题套路？
深度优先遍历（Depth First Search，简称 DFS） 与广度优先遍历（Breath First Search，简称 BFS）是图论中两种非常重要的算法，生产上广泛用于拓扑排序、寻路（走迷宫）、搜索引擎、爬虫等。因此，算法面试也经常考察这两种搜索算法。
在本讲，我们将重点介绍面试中常用的 DFS 与 BFS 代码技巧。学完本讲，你将收获：
DFS 搜索与剪枝
BFS 搜索与剪枝
让我们马上开始。
DFS 概述
在玩迷宫游戏的时候，使用的策略就是 DFS，也就是当一条路走不通的时候，我们再尝试换一条路，直到走通为止。
下面我们也从这个游戏展开，一步一步得到常用的 DFS 解题模板。以下图为例，位置 0 表示出发点，然后只能上下左右四个方向移动，我们希望能从圆圈位置出发，最后走到五角星的终点位置。
比如，刚从入口出发的时候，我们可以走到 1、2 这两个位置。如果用伪代码进表示，可以写出如下代码：
java
void 走迷宫(int start) {
位置1， 位置2 = getNextPos(start); // 拿到后继位置[1, 5]
走迷宫(位置1)
if success:
找到出口-> return
走迷宫(位置2出发)
if success:
找到出口-> return
}通过上面这样直白的代码，已经可以清晰地表达我们的思路了。但是还存在一些问题，下面我们一步一步讨论。
问题 1
后面能走的位置只有 2 个的时候，处理起来是比较好写的。但是如果有很多位置都可以走呢？发现这种情况，就是时候用循环来改写我们的 DFS 模板了。
java
void 走迷宫(int start) {
for pos in getNextPos(start) {
走迷宫(pos);
if success {
return;
}
}
}问题 2
虽然上述代码中引入了 success 变量，但是并没有讨论什么时候才是 success。不过走迷宫，肯定是找到最终出口，才算是成功。于是我们可以将代码改写如下：
java
void 走迷宫(int start) {
if start == 五角星 { // <-- 成功了，当然不需要再走了
success = true
return
}
for pos in getNextPos(start) {
走迷宫(pos);
if success {
return;
}
}
}问题 3
另外，我们还需要处理一些重复的问题，比如下图所示的情况：
假设一下，当从位置 0 走到位置 2 之后，其代码应该如下：
java
void 走迷宫(位置0) {
[位置1, 位置2] = getNextPos(位置0)
//..
走迷宫(位置2);
}
void 走迷宫(位置2) {
[位置0, 位置1, 位置3， 位置4] = getNextPos(位置2)
//...
走迷宫(位置0); // <---- 这里会再次访问位置0
}但是当路径如下图所示，两个位置存在环的情况时，就会一直在递归里面。
那么，有没有什么办法可以处理这种回环问题呢？如果我们能够标记一下已经访问过的结点，就可以破解这个环了。
比如，当访问位置 0 之后，将其标记为"已访问"（绿色的叉），再从位置 2 遍历的时候，如果发现位置 0 已经访问过了，就不再访问。经过上述分析，代码可以更新如下：
java
void 走迷宫(int start) {
if start == 五角星 { // <-- 成功了，当然不需要再走了
success = true
return
}
for pos in getNextPos(start) {
if (pos 已访问) continue;
设置pos为已访问
走迷宫(pos);
if success {
return;
}
}
}DFS 的模板 1
到这里，我们已经得到了 DFS 的模板伪代码。这里将 opt 设置为每次可以做出的选择，代码如下：
java
boolean vis[N];
void DFS(int start) {
if start == end {
success = true
return
}
// 遍历当前可以做出的选择
for opt in getOptions(start) {
if (vis[opt]) continue;
vis[opt] = true;
dfs(opt);
if success {
return;
}
}
}接下来，我们尝试使用上面这个模板解决一些题目。
DFS 连通域问题
例 1：替换字母
【题目】给你一个矩阵 A，里面只包含字母 'O' 和 'X'，如果一个 'O' 上下左右四周都被 'X' 包围，那么这个 'O' 会被替换成 'X'。请你写程序处理一下这个过程。
解释：由于中心的 'O' 四周都被 'X' 包围，所以需要被换成 'X'，而第 A[0][0] = 'O' 靠着边，所以不能被替换。
【分析 】我们曾经在"第 07 讲｜并查集"中讲解过这个题目。实际上，这道题还有另外一种思路。可以演示如下：
因此，这道题目的重点就是遍历每一个边缘的点，以及与之相邻的点。如果把这个问题的求解过程看成走迷宫，那么需要稍微做出两点变动。
原始问题中的走迷宫，需要用 vis 专门记录某个点是否已经被访问过了而这道题中，我们可以直接在给定的数组上进行标记（visited）。
原始问题中的走迷宫，需要走到某个具体的位置就结束。而这道题里，我们需要遍历所有相连的结点。
【代码】到这里，就可以写出如下代码了：
java
class Solution {
private char VIS = 'A';
private int[][] dir = { {0, 1}, {0, -1}, {1, 0}, {-1, 0}};
private int R, C;
private void dfs(char[][] A, int r, int c) {
for (int d = 0; d < 4; d++) {
final int nr = r + dir[d][0];
final int nc = c + dir[d][1];
if (nr < 0 || nr >= R ||
nc < 0 || nc >= C) {
continue;
}
if (A[nr][nc] == 'O') {
A[nr][nc] = VIS;
dfs(A, nr, nc);
}
}
}
public void solve(char[][] A) {
if (A == null || A.length == 0) {
return;
}
R = A.length;
C = A[0].length;
// Step 1. 从边缘出发，遍历所有与之相邻的点。
for (int r = 0; r < R; r++) {
for (int c = 0; c < C; c++) {
if (r == 0 || c == 0 ||
r == R - 1 || c == C - 1) {
if (A[r][c] == 'O') {
A[r][c] = VIS;
dfs(A, r, c);
}
}
}
}
// Step 2. 把所有未标记过的点，修改为'X', 并将标记过的点修改为'O'
for (int r = 0; r < R; r++) {
for (int c = 0; c < C; c++) {
if (A[r][c] != VIS) {
A[r][c] = 'X';
} else {
A[r][c] = 'O';
}
}
}
}
}复杂度分析：每当一个点被 DFS 函数访问过之后，后面的 DFS 将不会再去访问它。因此整个程序的时间复杂度为 O(N)，其中 N 为点的总数。空间复杂度为递归的深度，最差情况下，递归深度可以达到 O(N) 级别（虽然深度不是 N，但是与 N 是线性函数，所以为 O(N)）。
【小结】我们总结一下这道题目，在经典的 DFS 模板的基础上，用 DFS 来求解边缘上的点，以及与之相连通的点。
因此，我们就收获了 DFS 的一个应用：求解连通域 。你可以和我们之前学习"第 07 讲｜并查集"中求解连通域的方法进行比较。这里带你复习已学知识，同时巩固本讲介绍的新方法，我特地给你留了两道关于连通域的练习题，希望你不要偷懒，尝试求解一下。
练习题 1：给定一个黑白图像，其中白色像素用 '1' 表示，黑色像素用 '0' 表示。如果把上下左右相邻的白色像素看成一个连通域，给定一幅图（用矩阵表示），请问图中有几个连通域。
输入：A = [['1', '1', '0'], ['0', '1', '0']]
输出：1
解释：图中所有的 '1' 都是连在一起的，所以只有一个连通域。
练习题 2：给定一个图（不是图像）的矩阵，A[i][j] = 1 表示点 i 与点 j 相连，求这个图里面连通域的数目。
输入：A = [[1,0,0],[0,1,0],[0,0,1]]
输出：3
解释：[0, 1, 2] 三个点中，每个点都不与其他点相连，所以连通域有 3 个。
DFS 最优解问题
除了求解连通域之外，还可以利用 DFS 来搜寻最优解。在一些面试题中，最终需要解决的是：
如何从所有可行解中找到最优解？
首先，我们将这些问题放宽，就退化为我们在"12 | 回溯：我把回溯总结成一个公式，回溯题一出就用它"介绍过的"回溯问题"。因此，我们需要在回溯的基础上，从所有解中，找到最优解。
DFS 的模板 2
如果题目中需要求解最优解，那么，DFS 问题就退化为回溯问题，只不过满足约束的条件就变成："从所有解中找到最优解"。这里我再给出 DFS 的第 2 个模板。
java
void dfs(A,
int start, /* start 表示出发点*/
vis, /* 记录每个点是否已经访问 */
path, /* 路径*/
answer/*存放最优的答案*/) {
final int N = A == null ? 0 : A.length;
if (状态满足要求) { // 是更好的解吗？
if (s better_than ans) {
ans = s
}
return;
}
for next in {start点的后继点} {
if !vis[next] {
path.append(next);
vis[next] = true;
dfs(A, next, vis, path, answer);
path.pop();
vis[next] = false;
}
}
}注意，调用方的代码，在调用的时候，需要注意这样调用：
java
vis[begin] = true; // ！注意设置初始点为已访问
path.append(begin); // ! 注意把begin放到path中。
dfs(A, vis, path, ans)
return ans;例 2：最短路径
【题目】给定一个迷宫，其中 0 表示可能通过的地方，而 1 表示墙壁。请问，从左上角走到右下角的最短路径是什么样的？请依次输出行走的点坐标。
输入：A = [[0, 1], [0, 0]]
输出：ans = [[0, 0], [1, 0], [1,1]]
解释：
【分析 】最优路径如上图所示，如果两点在图中可达，那么这两个点肯定是在同一个连通域中。不难得出，这个题一定可以利用 DFS 进行求解。但是注意问题要求的是找到最优解，因此，我们还需要从所有解 中找到最优解。此时就需要使用我们刚学过的 DFS 的模板 2 了。
【代码】问题本身已经非常模板化了，因此，我们可以直接写代码如下：
java
class Node {
public int r;
public int c;
public Node() {}
public Node(int a, int b) {
r = a;
c = b;
}
}
class Solution {
private List<Node> shortPath = null;
private int[][] dir = { {0, 1}, {0, -1}, {1, 0}, {-1, 0}};
// 深度clone一个java list.
private List<Node> Clone(List<Node> a) {
List<Node> ans = new ArrayList<Node>();
for (int i = 0; i < a.size(); i++) {
Node x = a.get(i);
ans.add(new Node(x.r, x.c));
}
return ans;
}
/**
* @param A 迷宫图
* @param vis 访问记录
* @param r 出发点(r, c)
* @param c
* @param tmp 走到r,c的路径
*/
public void dfs(int[][] A, boolean[][] vis, int r, int c, List<Node> tmp) {
final int R = A.length;
final int C = A[0].length;
// 如果已经走到终点
if (r == R - 1 && c == C - 1) {
if (shortPath == null || shortPath.size() > tmp.size()) {
shortPath = Clone(tmp);
}
return;
}
// 接下来看当前出发点的四个选择
for (int d = 0; d < 4; d++) {
final int nr = r + dir[d][0];
final int nc = c + dir[d][1];
// 如果是越界的
if (nr < 0 || nr >= R || nc < 0 || nc >= C) {
continue;
}
// 如果是不能访问的
// 或者说已经访问过了
if (A[nr][nc] == 1 || vis[nr][nc] == true) {
continue;
}
vis[nr][nc] = true;
tmp.add(new Node(nr, nc));
dfs(A, vis, nr, nc, tmp);
vis[nr][nc] = false;
tmp.remove(tmp.size()-1);
}
}
/**
* @param A 的迷宫图
* @return 路径的长度，所有的路径会存放在ans
*/
public List<Node> findMinPath(int[][] A) {
List<Node> ans = null;
if (A == null || A[0].length == 0) {
return ans;
}
final int R = A.length;
final int C = A[0].length;
boolean[][] vis = new boolean[R][C];
// 路径最长为遍历所有的点
List<Node> tmp = new ArrayList<Node>();
// 出发点[0, 0]
tmp.add(new Node(0, 0));
vis[0][0] = true;
dfs(A, vis, 0, 0, tmp);
tmp.remove(tmp.size() - 1);
vis[0][0] = false;
return shortPath;
}
}复杂度分析：在最差情况下，一个 N x N 的图中，如果没有任何墙，那么所有的行走路径就是一个组合问题，这里可以简单归为 O(N!)，空间复杂度为 O(N)。
【小结 】在这个简单的题目中，我们尝试使用 DFS + 回溯的思路来求解最优解的问题。有时候，这种一个一个遍历所有解，然后再从里面找到最优解的算法，也被叫作暴力搜索。
暴力搜索本质上与回溯的复杂度非常接近。因此，在可能的情况下，我们要尽可能地进行剪枝。所谓剪枝，就是通过一些信息，提前判断出当前这条求解路径不可能是最优解，此时就应该及时放弃这条路径。
这里我给出剪枝 1：比如，在暴力搜索的时候，我们已经遍历了很多条路径，并且更新了 ans 的情况下。如果发现，当前路径的长度已经 >= ans.size()，那么当前解肯定不能成为最优解，所以我们应该迅速返回，不要再继续寻找下去了。
经过上述分析，代码可以更新如下（代码其他部分仍然一样）：
java
public void dfs() {
// ...
// 如果已经走到终点
if (r == R - 1 && c == C - 1) {
if (shortPath == null || shortPath.size() > tmp.size()) {
shortPath = Clone(tmp);
}
return;
}
// 剪枝1
if (shortPath != null && tmp.size() >= shortPath.size()) return;
// 接下来看当前出发点的四个选择
// ...
}另外，我们还可以进行如下剪枝 2 ：虽然我们要找出到终点的最短路径，在这个过程中，可以把能走到每个位置的最少步数的情况都记录下来，当发现走到的位置的步数已经很大的时候，就可以直接返回。
经过上述分析，代码可以优化如下：
java
// 初始化
// 记录每个点的从出发点走的最小的步数，一开始为 R * C
for (int r = 0; r < R; r++) {
for (int c = 0; c < C; c++) {
step[r][c] = R * C + 1;
}
}
// dfs()
void dfs() {
// 如果已经走到终点
// ....
// 剪枝1
if (shortPath != null && tmp.size() >= shortPath.size()) return;
// 剪枝2
// 如果发现走到step[r][c]比以前用了更多的步数，那么直接返回
if (tmp.size() - 1 > step[r][c]) {
return;
}
step[r][c] = tmp.size() - 1;
// 接下来看当前出发点的四个选择
// ...
}下面我们再看一个经典的国际象棋"皇后问题"。你可以通过下面这个练习题想一想，如何有效地进行剪枝吗？
练习题 3：给定一个 n x n 的棋盘，里面要放置 n 个皇后。使它们不能相互攻击。
输入：n = 4
输出：
[
[".Q..", // 解法 1
"...Q",
"Q...",
"..Q."],
["..Q.", // 解法 2
"Q...",
"...Q",
".Q.."]
]
解释：当棋盘为 4 x 4 的时候，只有这两种解。
练习题 4：给定一个字符串，需要把这个字符串切分为很多子串，还需满足：每个子串都是回文串。返回所有的切分方式。
输入：s = "aab"
输出: ans = ['a', 'a', 'b'], ['aa', 'b']
DFS 记忆化搜索
关于记忆化搜索，依然从一个简单的例子讲起：斐波那契数列。我们都知道这个数列的通项公式为：
F(0) = 0, F(1) = 1, F[n] = F[n-1] + F[n-2]
现在要写一个函数求 F(x)。直接根据公式，可以得到递归代码如下（当然，我们也可以认为 DFS 是一种递归）：
java
class Solution {
public int fib(int n) {
return n <= 1 ? n : fib(n-1) + fib(n-2);
}
}但是这个算法存在重复计算，导致复杂度极高。比如，如下图所示，我们发现 fib(5) 实际上是会被重复计算的。
为了减少这种重复计算，可以有两种办法：
把计算的结果存下来，后面遇到的时候，就直接返回；
使用动态规划。
在这里我们采用的方式是把计算的结果存下来。那么代码可以更新如下：
java
class Solution {
int[] mem = new int[100];
public int fib(int n) {
if (n <= 1) {
return n;
}
if (mem[n] > 0) {
return mem[n];
}
return mem[n] = fib(n-1) + fib(n-2);
}
}采用"把计算结果存下来"的方法，思路清晰，比较容易想到，代码也比较容易实现。因此，当你遇到有的动态规划的题目无法打开思路的时候，不妨尝试采用这种思路。
例 3：整数拆分
【题目】给定一个数组，表示钱的面额，每种面额，你都有无穷多张钱。再给定一个整数 T，你需要用最少的钞票来表示这个整数。无法表示的时候，输出 -1。
输入：A = [1, 2], T = 3
输出：2
解释：只需要1 + 2 = 3，所以最少你需要 2 张钞票。
【分析】首先，我们可以只考虑 DFS 递归的情况，代码如下：
java
int dfs(int []A, int T) { // 在调用dfs的程序里面处理-1的问题
for (int x: A)
if (T == x) return 1;
int ans = INF;
for (int x: A) {
if (x <= T) ans = min(ans, dfs(A,T-x) + 1);
}
return ans;
}在给定 A = [1, 2]，T= 5 情况下，那么伪代码展开如下：
我们可以发现，在不断地求解的过程，总是有很多数会被重复地计算。因此，很容易想到，把一些中间的结果存下来，以便后面使用。
边界：这个题的思路本身不是特别难。但是在写代码的时候，要考虑到各种特殊情况，比如：
T 小于等于 0
DFS 返回值的设计
【代码】根据上面的分析，我们就可以写出如下代码了：
java
class Solution {
private int INF = Integer.MAX_VALUE >> 2;
private Set<Integer> has = new HashSet<>();
private Map<Integer, Integer> H = new HashMap<>();
private void Build(int[] A) {
for (int x : A) {
has.add(x);
H.put(x, 1);
}
}
private int dfs(int[] A, int T) {
if (T < 0) {
return INF;
}
if (H.containsKey(T)) {
return H.get(T);
}
int ans = INF;
for (int x : A) {
ans = Math.min(ans, dfs(A, T - x) + 1);
}
H.put(T, ans);
return ans;
}
public int coinChange(int[] A, int T) {
if (T < 0)
return -1;
if (T == 0)
return 0;
Build(A);
int ans = dfs(A, T);
return ans >= INF ? -1 : ans;
}
}复杂度分析：当给定的数为 T 时，最大递归深度为 T，每次递归需要依次遍历数组 A 的每个元素。因此，时间复杂度为 O(TN)，其中 N 为数组中元素的个数，空间复杂度为 O(T)。
【小结】在这里，每次搜索的时候，都要尽可能把相应的结果记录下来。不过在处理的细节上，有以下几点需要注意：
优先处理容易返回的路径，比如 T 小于 0，T 等于 0；
把不能求解的答案也进行了标记；
DFS 的返回值设置为 INF，在调用方再根据 DFS 的返回值决定是否返回 -1。
练习题 5：给定一个三角形的整数排列，返回从上往下的路径的最小和。
输入：triangle = [[2],[3,4],[6,5,7],[4,1,8,3]]
输出：11
请参见如下简图：
自顶向下的最小路径和为 11（即 2 + 3 + 5 + 1 = 11）
记忆化搜索是动态规划的基础。如果你发现一些题目考察的是动态规划，但却不容易求解的时候，可以尝试使用记忆化搜索来进行破解。
BFS 概述
DFS 可以帮助我们找到最优解。不过在搜索的时候，若想知道一些关于"最近/最快/最少"之类问题的答案，往往采用 BFS 更加适合。
那么，什么是 BFS？搜索时，BFS 与 DFS 又有什么不同？我们可以利用下图表示：
实际上，我们在"02 | 队列：FIFO 队列与单调队列的深挖与扩展"介绍队列时，就已经讲过了 BFS，并且介绍了 BFS 的两种方法与模板。为了方便你复习，将新知识与旧知识联系起来，我把"第 02 讲"例 1 中介绍的两种方法的代码链接放在这里，你可以再次动手敲一敲。
通过把"第 02 讲"的例 1 进行一个归纳，我整理了较为通用的 BFS 的代码模板供你面试时使用，如下所示：
java
bfs(s) { // s表示出发点
q = new queue()
q.push(s), visited[s] = true // 标记s为已访问
while (!q.empty()) {
u = q.pop() // 拿到当前结点
for next in getNext(u) { // 拿到u的后继next
if (!visited[next]) { // 如果next还没有访问过
q.push(next)
visited[next] = true
}
}
}
}接下来，我们看一些可以利用 BFS 解决的面试的题目。
例 4：最短路径
【题目】给定一个矩阵，矩阵中只有 0，1，其中 0 表示可以通行的路径，1 表示墙，请返回从左上角走到右下角的最短路径。（注意：这个题里面有 8 个方向可以走，也就是可以斜着走），如果不存在这样的路径，那么返回 -1。
输入：grid = [[0,0,0],[1,1,0],[1,1,0]]
输出：4
解释：行走路线如下图所示，只需要走 4 个格子。（注意有个位置走了斜线）。
【分析 】用 BFS 求解问题的时候：只需要注意一个点的选择。
对于矩阵中的某个点，由于可以斜线走，那么一共有 8 个方向，如下图所示：
那么找下一个点的时候，可以这样写代码：
java
int[][] dir = {
{0, 1} /*右*/,
{0, -1} /*左*/,
{1, 0} /*下*/,
{-1, 0} /*上*/,
{-1,-1} /*左上*/,
{-1,1} /*右上*/,
{1,-1} /*左下*/,
{1,1} /*右下*/,
};
for(int d = 0;d<8;d++) {
int nr = r + dir[d][0];
int nc = c + dir[d][1];
if (!(nr < 0 || nc < 0 || nr >= R || nc >= C)) {
// 处理点 (nr, nc)
}
}这就轻松解决获取下一个点的问题。此外，我们还需要把已经访问过的点进行标记，以防止重复访问。不过，这里可以采用原地标记的方式，直接将给定的数组里面的 0 改成 1，表示已经访问过了。
【代码】再根据前面给定的模板我们可以得到如下的代码：
java
class Solution {
public int shortestPathBinaryMatrix(int[][] A) {
int[][] dir = {
{0, 1} /*右*/,
{0, -1} /*左*/,
{1, 0} /*下*/,
{-1, 0} /*上*/,
{-1,-1} /*左上*/,
{-1,1} /*右上*/,
{1,-1} /*左下*/,
{1,1} /*右下*/,
};
// 拿到矩阵的Row, Col
final int R = A == null ? 0 : A.length;
final int C = R > 0 ? (A[0] == null ? 0 : A[0].length) : 0;
// 首先处理特殊情况
// 为空，或者只有一个格子
if (R <= 1 || C <= 1) {
return Math.min(R, C);
}
// 首先处理起始点
// 如果起始点或者说终点已经是1
// 那么返回-1
if (A[0][0] == 1 || A[R - 1][C - 1] == 1) {
return -1;
}
Queue<int[]> Q = new LinkedList<>();
int[] cur = new int[2]; // {0,0}
// 将起始点 入队， 并且标记为已访问
Q.add(cur);
A[cur[0]][cur[1]] = 1;
// 一开始就会占用一个格子
int ans = 0;
while (!Q.isEmpty()) {
ans++;
// 注意这里类似二叉树层次遍历的做法，取出qSize
// 可以一层一层的遍历。
int QSize = Q.size();
while (QSize-- > 0) {
cur = Q.remove();
// 如果已经走到了目的地
if (cur[0] == (R - 1) && cur[1] == (C - 1)) {
return ans;
}
for (int d = 0; d < 8; d++) {
int nr = cur[0] + dir[d][0];
int nc = cur[1] + dir[d][1];
if (!(nr < 0 || nc < 0 || nr >= R || nc >= C)) {
if (A[nr][nc] != 1) {
A[nr][nc] = 1;
Q.add(new int[] { nr, nc });
}
}
}
}
}
return -1;
}
}复杂度分析：最差情况下，每个点都需要入队出队一次，这里我们使用的是 FIFO 队列，出队入队时间复杂度为 O(1)，如果有 N 个点，时间复杂度为 O(N)。最差情况下所有的点都在队列中，那么空间复杂度为 O(N)。
【小结】注意这个题与例 2 的区别在于：例 2 中，每次行走的时候只有 4 个方向，上下左右。而这道题目有 8 个方向可以行走。
这里我们发现了"最短"两个关键字，因此，决定使用 BFS 进行搜索。不过实际上，例 2 也可以使用 BFS 来搜索，而例 4 也可以使用 DFS 进行求解。
接下来，我们看另外一类 BFS 可以求解的题目。
例 5：最安全的路径
【题目 】在一个无向图上，给定点个数 n，编号从 [0~n]，再给定边的个数 m。其中每条边由x[i], y[i], w[i] 表示。x[i], y[i] 分别表示边上两点的编号而 w[i] 表示这边条的危险系数。现在我们想找到一条路径从 0~n，使得这条路径上最大危险系数最小。（注意：不是路径和最小，而是路径上的最大值最小）。
输入：n = 2, m = 2, x[] = [0, 1], y[] = [1,2], w[]=[1,2]
输出：2
解释：注意两条边的表示：边 1：(x[0]=0, y[0]=1, w[0]=1), 边 2：（x[1] = 1, y[1] =2, w[1]=2)。所以形成了下图：
形成的路径为 0 → 1 → 2，路径最大危险系数为 2，所以输出 2。
注意：后面用 <x, y, c> 表示 x 到 y 这条边上的危险系数为 c。
【分析】当我们看到"最 X"这样的词语的时候，应该条件反射地想到用 BFS。
不过，在用 BFS 的时候，我们需要先进行一个简单的模拟。
第一轮的时候，如果我们还使用 FIFO 队列。那么有走法 1：从 0 出发，走边 <0, 2, 6> 到达 2。
但实际上，还有走法 2：从结点 0 走到结点 1，再从结点 1 走到结点 2，路径为 [<0,1,1>, <1,2,2>]。
这种走法，危险系数仅为 2。
如果我们在 BFS 的时候，先遍历到走法 1 ，再遍历到走法 2。此时，走到结点 2 的危险系数需要更新 2 次。
那么，出现这种反复更新的情况的根本原因为：我们将更差劲的走法安排在了前面。
那么，有没有什么办法可以把更好的走法安排在前面呢？这个时候，就需要使用我们"03 | 优先级队列：堆与优先级队列，筛选最优元素"学过的数据结构了：优先级队列。
我们可以把优先级队列想象成一个袋子，每次从袋子里面拿东西的时候，总是从里面拿出优先级最高的结果。
【代码】基于这样的思路，可以写出代码如下：
java
public class Solution {
class Node {
public int node = 0;
public int risk = 0;
public Node() {
}
public Node(int a, int b) {
node = a;
risk = b;
}
}
public int getMinRiskValue(int n, int m,
int[] x, int[] y, int[] w) {
// 构建图的表示
List<Node> G[] = new ArrayList[n + 1];
for (int i = 0; i < n + 1; i++) {
G[i] = new ArrayList<>();
}
for (int i = 0; i < m; i++) {
final int a = x[i], b = y[i], c = w[i];
G[a].add(new Node(b, c));
G[b].add(new Node(a, c));
}
int[] risk = new int[n + 1];
for (int i = 0; i <= n; i++) {
risk[i] = Integer.MAX_VALUE;
}
// java小堆
Queue<Integer> Q = new PriorityQueue<>(
(v1, v2) -> risk[v1] - risk[v2]);
// 把起始点入堆
Q.offer(0);
risk[0] = 0;
while (!Q.isEmpty()) {
int cur = Q.poll();
for (Node next : G[cur]) {
final int back = next.node;
final int backRisk = Math.max(risk[cur], next.risk);
if (backRisk < risk[back]) {
risk[back] = backRisk;
Q.offer(back);
}
}
}
return risk[n];
}
}复杂度分析：最差情况下，一共有 N 个点，所有的结点都需要入队，出队一次。每次出入队的时间复杂度为 O(lgN)，所以整个算法的时间复杂度为 O(NlgN)。
【小结】通过这个题，我们可以发现：
路径之间，需要优先处理的情况，直接用优先级队列替换 FIFO 队列；
有重复更新的情况，使用优先级队列。
为了练习这个技巧，我再给你留了一道练习题，请你尝试自己求解一下。
练习题 6：在一个 N x N 的坐标方格 grid 中，每一个方格的值 grid[i][j] 表示在位置 (i,j) 的平台高度。现在开始下雨了。当时间为 t 时，此时雨水导致水池中任意位置的水位为 t 。你可以从一个平台游向四周相邻的任意一个平台，但是前提是此时水位必须同时淹没这两个平台。假定你可以瞬间移动无限距离，也就是默认在方格内部游动是不耗时的。当然，在你游泳的时候你必须待在坐标方格里面。你从坐标方格的左上平台 (0，0) 出发。最少耗时多久你才能到达坐标方格的右下平台 (N-1, N-1)？
总结
在本讲中，介绍了两种搜索：DFS 和 BFS。不过这里我们还没有讲遇到什么样的题目的时候，应该使用什么样的搜索？
这需要你根据不同情况，结合今天所讲的内容综合分析。最后，我凭借一些自己积累的经验，带你总结一下 DFS 和 BFS 这两种搜索的区别，
如果要像回溯似的处理每一种可能性，那么用 DFS 更加方便，也更加节省内存。因为 BFS 相当于是会存储下所有的解，在某些时候，内存占用率会比较可观。
一些开放式搜索问题，使用 BFS 则更加方便，比如：在一个无边界的二维平面上，要从某个点 Start 出发，按照一定规则走到另外一个点 End，求最小路径。由于是开放式的边界，那么使用 DFS，会一直递归下去。
条件的选择具有优先级的时候，使用 BFS + 优先级队列更加方便。
一些类似动态规划的题目，使用 DFS + 记忆化搜索更加方便。
为了方便你复习，我将本讲的知识点总结如下：
思考题
最后我再给你留一个思考题。
数字n代表生成括号的对数，请你设计一个函数，用于能够生成所有可能的并且有效的括号组合。
输入：n = 3
输出：["((()))","(()())","(())()","()(())","()()()"]
关于 DFS 和 BFS 我们就介绍到这里，后面我们将要学习"14 | DP：我是怎么治好"DP 头痛症"的？"。让我们继续前进。
附：题目出处和代码汇总
| 例 1：替换字母 | 测试平台 | 代码：Java/C++/Python |
|---|---|---|
| 练习题 1 | 测试平台 | 代码：Java/C++/Python |
| 练习题 2 | 测试平台 | 代码：Java/C++/Python |
| 例 2：最短路径 | 测试平台 | 代码：Java/C++/Python |
| 练习题 3：n 皇后 | 测试平台 | 代码：Java/C++/Python |
| 练习题 4：分割回文串 | 测试平台 | 代码：Java/C++/Python |
| 例 3：整数拆分 | 测试平台 | 代码：Java/C++/Python |
| 练习题 5：最小路径和 | 测试平台 | 代码：Java/C++/Pytho |
| 例 4：最短路径 | 测试平台 | 代码：Java/C++/Python |
| 例 5：最安全的路径 | 测试平台 | 代码：Java/C++/Python |
| 练习题 6：水位线 | 测试平台 | 代码：Java/C++/Python |
| 思考题 | 测试平台 | DP 解法：Java/C++/Python BFS 解法 1：Java/C++/Python BFS 解法 2：Java/C++/Python DFS 解法：Java/C++/Python |