今天我们来学习一下另一种算法----广度优先搜索
解决最短路径问题的算法被称为广度优先搜索
图是什么:
图模拟一组连接,图用于模拟不同的东西是如何相连的
图由节点（node）和边（edge）组成
一个节点可能与众多节点直接相连，这些节点被称为邻居
查找最短路径:
第一类问题:从节点A出发,又前往节点B的路径吗?
第二类问题:从节点A出发,前往节点B哪条路径最短?
解决第二类问题,我们可以看做一度关系大于二度关系,二度关系大于三度关系…,因此我们现在一度关系中查找,若没有找到,则在二度关系中查找…直到找到目标,我们可以依次将一度关系,二度关系…按顺序加入到一个查找名单,这样我们就会先找到离我们最近的目标了,有一种可以实现这种目的的数据结构----队列
队列:
队列类似于栈,你不能随机的访问队列中的元素,队列只支持两种操作:入队和出队
队列是一种先进先出（First In First Out，FIFO）的数据结构，而栈是一种后进先出（Last In First Out，LIFO）的数据结构
实现图:
散列表能够实现每个节点都与邻节点相连的关系,散列表能够将键映射到值
键—值对的添加顺序重要吗?散列表是无序的，因此添加键—值对的 顺序无关紧要
节点与节点的关系是单向的,没有指向别人的箭头我们称为有向图
节点与节点之间没有箭头,直接相连的节点互为邻居,这就叫做无向图
实现算法:
更新队列时，我使用术语“入队”和“出队”，但你也可能遇到术语“压入”和“弹出”。 压入大致相当于入队，而弹出大致相当于出队
在Python中，可使用函数deque来创建一个双端队列
from collections import deque 导入模块
具体的代码:
from collections import deque
my_dict = {
"a": ["a", "b", "c"], "b": ["d", "e"], "c": [], "d": [], "e": ["a"]}
def find_friend(name):
my_deque = deque()
my_deque += my_dict["a"]
finish = []
while my_deque:
person = my_deque.popleft()
if not person in finish:
if person == "e":
print("找到了!")
return True
else:
my_deque += my_dict[person]
finish.append(person)
print("没找到!")
return False
find_friend("a")广度优先搜索的运行时间为 O(人数 + 边数)，这通常写作O(V + E)，其中V为顶点（vertice）数，E为边数