0133. 克隆图

0133. 克隆图 #

  • 标签:深度优先搜索、广度优先搜索、图、哈希表
  • 难度:中等

题目大意 #

描述:以每个节点的邻接列表形式(二维列表)给定一个无向连通图,其中 adjList[i] 表示值为 i + 1的节点的邻接列表,adjList[i][j] 表示值为 i + 1 的节点与值为 adjList[i][j] 的节点有一条边。

要求:返回该图的深拷贝。

说明

  • 节点数不超过 100
  • 每个节点值 $Node.val$ 都是唯一的,$1 \le Node.val \le 100$。
  • 无向图是一个简单图,这意味着图中没有重复的边,也没有自环。
  • 由于图是无向的,如果节点 p 是节点 q 的邻居,那么节点 q 也必须是节点 p 的邻居。
  • 图是连通图,你可以从给定节点访问到所有节点。

示例

  • 示例 1:

1
2
3
4
5
6
7
8
输入adjList = [[2,4],[1,3],[2,4],[1,3]]
输出[[2,4],[1,3],[2,4],[1,3]]
解释
图中有 4 个节点
节点 1 的值是 1它有两个邻居节点 24 
节点 2 的值是 2它有两个邻居节点 13 
节点 3 的值是 3它有两个邻居节点 24 
节点 4 的值是 4它有两个邻居节点 13 
  • 示例 2:

1
2
输入adjList = [[2],[1]]
输出[[2],[1]]

解题思路 #

所谓深拷贝,就是构建一张与原图结构、值均一样的图,但是所用的节点不再是原图节点的引用,即每个节点都要新建。

可以用深度优先搜索或者广度优先搜索来做。

思路 1:深度优先搜索 #

  1. 使用哈希表 visited 来存储原图中被访问过的节点和克隆图中对应节点,键值对为 原图被访问过的节点:克隆图中对应节点。
  2. 从给定节点开始,以深度优先搜索的方式遍历原图。
    1. 如果当前节点被访问过,则返回隆图中对应节点。
    2. 如果当前节点没有被访问过,则创建一个新的节点,并保存在哈希表中。
    3. 遍历当前节点的邻接节点列表,递归调用当前节点的邻接节点,并将其放入克隆图中对应节点。
  3. 递归结束,返回克隆节点。

思路 1:代码 #

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
class Solution:
    def cloneGraph(self, node: 'Node') -> 'Node':
        if not node:
            return node
        visited = dict()

        def dfs(node: 'Node') -> 'Node':
            if node in visited:
                return visited[node]

            clone_node = Node(node.val, [])
            visited[node] = clone_node
            for neighbor in node.neighbors:
                clone_node.neighbors.append(dfs(neighbor))
            return clone_node

        return dfs(node)

思路 1:复杂度分析 #

  • 时间复杂度:$O(n)$。其中 $n$ 为图中节点数量。
  • 空间复杂度:$O(n)$。

思路 2:广度优先搜索 #

  1. 使用哈希表 visited 来存储原图中被访问过的节点和克隆图中对应节点,键值对为 原图被访问过的节点:克隆图中对应节点。使用队列queue 存放节点。
  2. 根据起始节点,创建一个新的节点,并将其添加到哈希表 visited 中,即 visited[node] = Node(node.val, [])。然后将起始节点放入队列 queue中,即 queue.append(node)
  3. 从队列中取出第一个节点 node_u。访问节点 node_u
  4. 遍历与节点 node_u 相连并构成边的节点 node_v
    1. 如果 node_v 没有被访问过(即 node_v 不在 visited 中):
      1. 则根据 node_v 创建一个新的节点,并将其添加到哈希表 visited 中,即 visited[node_v] = Node(node_v.val, [])
      2. 然后将 node_v 节点放入队列 queue 中,即 queue.append(node_v)
  5. 重复步骤 3 ~ 4,直到队列 queue 为空。
  6. 广度优先搜索结束,返回起始节点的克隆节点(即 visited[node])。

思路 2:代码 #

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
class Solution:
    def cloneGraph(self, node: 'Node') -> 'Node':
        if not node:
            return node
        
        visited = dict()
        queue = collections.deque()

        visited[node] = Node(node.val, [])
        queue.append(node)

        while queue:
            node_u = queue.popleft()
            for node_v in node_u.neighbors:
                if node_v not in visited:
                    visited[node_v] = Node(node_v.val, [])
                    queue.append(node_v)
                visited[node_u].neighbors.append(visited[node_v])
        
        return visited[node]

思路 2:复杂度分析 #

  • 时间复杂度:$O(n)$。其中 $n$ 为图中节点数量。
  • 空间复杂度:$O(n)$。
本站总访问量  次  |  您是本站第  位访问者