Algorithmes de recherche de chemin (BFS, DFS)
Découvrez des algorithmes comme la recherche en largeur et la recherche en profondeur pour trouver des chemins et des connexions dans un graphe.
Algorithmes de recherche de chemin (BFS, DFS) est une leçon Neo4j Graph Database Fundamentals gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Neo4j Graph Database Fundamentals, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Neo4j Graph Database Fundamentals comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Finding Your Way in Graphs
Graphs are all about connections! Imagine a map where cities are points and roads are lines. Finding the best route from one city to another is a classic "pathfinding" problem.
In this lesson, we'll explore two fundamental algorithms for finding paths in graphs: Breadth-First Search (BFS) and Depth-First Search (DFS).
What's a Graph? Quick Review
Before we dive into algorithms, let's quickly review what a graph is:
- Nodes: These are the entities or points in your graph (e.g., people, cities, products).
- Relationships: These are the connections between nodes (e.g., "FRIENDS_WITH", "LOCATED_IN").
- Path: A sequence of connected nodes and relationships from one node to another.
BFS: Exploring Layer by Layer
Breadth-First Search (BFS) is like exploring a maze by checking all immediate exits from your current room, then all exits from those rooms, and so on.
It systematically explores a graph level by level, ensuring it finds the shortest path in terms of the number of relationships between two nodes (in an unweighted graph).
How BFS Works
BFS uses a "queue" (like a line at a store: first-in, first-out) to keep track of which nodes to visit next.
- It starts at a given node.
- It visits all its direct neighbors first.
- Then, it visits all the unvisited neighbors of those neighbors.
- It keeps track of visited nodes to avoid loops and redundant work.
BFS Code Example
Let's see a simple Python example of BFS on a small graph. We represent the graph using a dictionary where keys are nodes and values are lists of their neighbors.
def bfs_path(graph, start_node):
visited = []
queue = [start_node]
visited.append(start_node)
path = []
while queue:
current_node = queue.pop(0) # Get first node
path.append(current_node)
for neighbor in graph[current_node]:
if neighbor not in visited:
visited.append(neighbor)
queue.append(neighbor)
return path
if __name__ == "__main__":
# A simple graph:
# A -- B
# | |
# C -- D
graph_data = {
'A': ['B', 'C'],
'B': ['A', 'D'],
'C': ['A', 'D'],
'D': ['B', 'C']
}
print("BFS path from 'A':")
print(bfs_path(graph_data, 'A'))DFS: Diving Deep
Depth-First Search (DFS) takes a different approach. Instead of exploring layer by layer, it goes as deep as possible along each branch before backtracking.
Think of it as navigating a maze by always picking one path and following it to its end. If it's a dead end, you backtrack and try another path.
How DFS Works
DFS typically uses a "stack" (last-in, first-out) or recursion to manage its exploration.
- It starts at a given node.
- It picks one unvisited neighbor and moves to it.
- It repeats this process, going deeper into the graph.
- If it hits a dead end or a visited node, it backtracks to the last node with unvisited neighbors.
DFS Code Example
Here's a Python example for DFS. We'll use a recursive approach, which naturally uses the call stack to achieve depth-first traversal.
def dfs_path(graph, start_node, visited=None, path=None):
if visited is None:
visited = set()
if path is None:
path = []
visited.add(start_node)
path.append(start_node)
for neighbor in graph[start_node]:
if neighbor not in visited:
dfs_path(graph, neighbor, visited, path)
return path
if __name__ == "__main__":
# A simple graph:
# A -- B
# | |
# C -- D
graph_data = {
'A': ['B', 'C'],
'B': ['A', 'D'],
'C': ['A', 'D'],
'D': ['B', 'C']
}
print("DFS path from 'A':")
# Note: DFS path can vary based on neighbor order
print(dfs_path(graph_data, 'A'))BFS vs. DFS: Key Differences
BFS and DFS are both powerful, but they suit different problems:
- BFS: Guarantees the shortest path (in terms of relationships). Great for finding the closest friends, nearest locations.
- DFS: Useful for checking connectivity, finding all paths, or topological sorting. Can be more memory efficient for very deep graphs.
- Memory: BFS can use more memory for wide graphs (many neighbors). DFS can use more stack space for deep graphs.
Quick Check: Pathfinding Choice
You're building a social network feature that needs to find the shortest connection (fewest friends) between two users. Which algorithm would be most suitable for this task in an unweighted graph?
Recap & Next Steps
Great job! In this lesson, you've learned about the two fundamental graph traversal algorithms:
- Breadth-First Search (BFS): Explores layer by layer, good for shortest paths.
- Depth-First Search (DFS): Dives deep, useful for checking connectivity or finding all paths.
Understanding these algorithms is key to solving many graph problems and will help you appreciate how graph databases efficiently find connections.
Questions Fréquemment Posées
La leçon « Algorithmes de recherche de chemin (BFS, DFS) » est-elle gratuite ?
Oui — le texte complet de « Algorithmes de recherche de chemin (BFS, DFS) » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Neo4j Graph Database Fundamentals, passe à CoddyKit PRO. Le cours Neo4j Graph Database Fundamentals comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Algorithmes de recherche de chemin (BFS, DFS) » ?
Découvrez des algorithmes comme la recherche en largeur et la recherche en profondeur pour trouver des chemins et des connexions dans un graphe. Tu pratiques Neo4j Graph Database Fundamentals avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Neo4j Graph Database Fundamentals ?
Aucune expérience préalable n'est requise. Neo4j Graph Database Fundamentals sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.
Combien de temps prend la leçon « Algorithmes de recherche de chemin (BFS, DFS) » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Neo4j Graph Database Fundamentals ?
Oui. Chaque leçon Neo4j Graph Database Fundamentals inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Algorithmes de recherche de chemin (BFS, DFS)
- Algorithmes de centralité (PageRank)
- Algorithmes de détection de communautés
- Algorithmes de similarité et de prédiction de liens