Algorithm 我是否应该使用迭代深化深度优先搜索（IDDFS）在有向图上迭代？

示例：我有20个人作为对象，每个人都知道0-n个其他人。链接的方向很重要！一个人A可能知道B，但B可能不知道A。这是一个有向图

编辑：为简化起见，我的节点对象（在本例中为Person对象）可以存储任意信息。我知道这不是最好的设计，但就目前而言，这将是好的

所以在最坏的情况下，每个人都与其他人有联系，每个人都认识其他人。 这不是真正的用例，但我想为此编写一个测试来学习和使用。在生产环境中，对象的数量将限制在20个左右，但这些对象相互连接的方式是无限的

这以简化的方式说明了问题：

给定一个特定的人作为起点，我希望遍历整个图，并精确地检查每一条可能的路径一次，而不会陷入无限循环

让我们想象一个人A认识B，认识C，认识A。结果可能是：

A知道B知道C知道A（好的，但我们不想在无限循环中结束，所以我们停在这里） A知道C知道A A知道T知道R知道V

这将是愚蠢的，必须消除： A知道B知道C知道A知道C知道A知道T知道R知道V

我确实有一些疯狂的想法如何解决这个问题。但是

问题）我必须通过迭代深化深度优先搜索（IDDFS）来实现吗

---

乔恩很好地指出了这一点

我在文章中坚持这一部分：

深度优先搜索从， 假设 所示图形选择在右前 边，并假设搜索 记住以前访问过的节点和 不会重复它们（因为这是一个 小图），将访问中的节点 顺序如下：A，B，D，F，E，C， G.本次搜索中经过的边 形成一棵Trémaux树，一个具有 图的重要应用 理论

具体而言，本说明：

（因为这是一个小图表）

---

好吧，如果这是一个巨大的图形呢？

您的数据结构确实是一个图形

---

我不想提供这样一个简单的答案，但这个问题太基本了，在维基百科上已经足够了。这两种基本方法已经解释过了，还有伪代码。

我的朋友，在过去一两天里，你已经发布了很多。我建议你花点时间读一本关于图论的入门教材，或者找一些关于这个主题的教材

然后，您将至少知道如何识别和分类标准问题。你要做的就是找到这些资源的链接——不值得任何人花时间写一篇新的论述。当你有一个特定的问题，或者在理解一个特定的问题时，请提问，我们很乐意为你提供帮助，但你需要中途与我们会面

---

为了回答您的问题，您可以对任意图形执行深度优先搜索和广度优先搜索，就像您以前在树上所做的那样-您只需要跟踪您访问过的节点。在您遇到的任何代码/伪代码中都要注意这一点。你不必在树上记录访问过的笔记（就像在你的其他问题中一样），因为树是一个特殊的图形实例（一个连接的非循环图形），它不能“广泛地相互连接”。

在回答你的原始问题时，它在理论上是完全可以解决的。然而，如果你在寻找最短的路径，那么这看起来可疑地像是最短的路径

---

无论如何，有许多不同的图遍历算法（DFS、IDDFS、BFS等）可以使用。

编辑：我应该提到作者的标题和问题已经发生了很大变化，此答案中的一些信息可能不是100%相关

正如乔恩已经提到的，这确实是一个图表。实际上是一个有向图

我建议您看看，它们将为您提供如何达成解决方案的直接见解。 我想你最初的懒惰解决方案可能类似于；这很好，但实现起来并不容易，而且可能更难遍历。两者之间有两个主要区别

邻接列表将占用更多空间，但在更大的网络中，邻接列表在最小化未连接节点上的计算方面可能会更好；然而邻接矩阵稍微友好一些，但是存储每个边的数据，不管它是否存在（连接）

使用邻接表时，我发现的主要问题不是它们的理论空间，而是在C++中，我将每个连接的节点作为指针在每个节点内的向量中存储；一旦网络变得更大，这可能会失控，而且对可视化、管理新节点和删除节点都非常不友好。 与邻接矩阵相比，邻接矩阵对所有节点都有一个引用（可以存储在单个节点向量中），并且易于修改

---

如果你的问题真的是关于遍历的，那么如果你的图是作为一个邻接矩阵实现的，作为一个向量向量，那么遍历是简单的。请参见下面的伪代码：

读取（每个神经元）神经元轴突连接到的所有神经元（即神经元输出）

对于（size_t i=0；i

读取神经元树突连接到的所有（每个神经元）神经元（即神经元输入）

对于（size_t i=0；ifor (size_t i = 0; i < n; ++i) { // adjacency matrix is n * n
    Neuron& neuron = nodes[i];
    for (size_t j = 0; i < n; ++i) {
        Axon_connection& connection = edges[j][i];
        if (connection.exists()) {
            ...
        }
    }
}

for (size_t i = 0; i < n; ++i) { // adjacency matrix is n * n
    Neuron& neuron = nodes[i];
    for (size_t j = 0; i < n; ++i) {
        Dendrite& dendrite = edges[j][i];
        if (dendrite.exists()) {
            ...
        }
    }
}