1、宽度优先搜索宽度优先搜索是图搜索算法，有助于回答两类问题吗？
类型1问题：是否有从节点a出发到节点b的路径？ 类型2问题：从节点a出发到节点b的哪个路径最短？ 2、例如，假设m经营鱼塘，为了卖饲养的鱼需要找销售商。 此时，m联系经销商有两种方法。
1、用m的通讯录联系，确认有没有经销商。 2、用m的通讯录联系朋友，有没有销售地址的联系方式。 假设m的通讯录中有a、b、c联系人，a有m、n、g联系人，b有m、n联系人，c有m、p、k联系人。
MA，b，CAM，n，GBM，NCM，p，K 那此时M怎么找到销售商呢？（假设K是销售商）
假设朋友是一次关系，朋友的朋友是两次关系。
一次关系是a、b、c的二次关系是m、n、g、p、k。 对m来说，m是用一次关系调查，用二次关系调查，所以这样找到的是最近的经销商。广度优先遍历不仅能查找从A到B的路径还能找到最短路径。适合广度优先搜索。 为了能够依次检查是否是销售商，有解决这个问题的数据结构。 队列是先进先出的数据结构，堆栈是后退先进的数据结构。
哈希表可以映射人与人之间的关系，搜索速度快，无序，所以不需要在意先从通讯录中查谁。 哈希表可以引用如下： 散列表。 表示此映射关系的Python代码如下：
graph={}graph['M']=['A '、' b '、' C']graph['A']=['M '、' n '、' g ' ] graph [ ' b ]=[ ' m ]
M A B C N G P K算法实现： fromcollectionsimportdequegraph={ } graph [ ' m ' ]=[ ' a '、' b '、' C']graph['A']=['M ' k ' ] graph [ ' n ' ]=[ ] graph [ ' g ' ]=[ ] graph [ ' p ' ]=[ ] graph [ ' k ' ]=[ ] #或更高版本的内容也使用字典search_queue =graph[name] #将名称的邻居添加到此搜索队列中。 searched=[] #用于记录检查的人的whilesearch _ queue : person=search _ queue.pop left (#其中的第一个人ifpersonnotinsearched 3360 3360print(person，'是销售人员') returntrueelse : search _ queue=graph [ person ] searched.append )将此人标记为已检查的reeson 将一个人添加到队列的时间是固定的，即o(1)，因此对任何人这样做所需的总时间为o )，因此队列
广度优先搜索的运行时间为 O ( 人 数 + 边 数 ) O(人数+边数) O(人数+边数)，通常写作 O ( V + E ) O(V+E) O(V+E),其中V为顶点数，E为边数。:拓扑排序可以这样理解，如果任务a依赖任务b，则列表中的a必须在任务b之前。