PricingLoginStart free
Neo4j Graph Database Fundamentals · Lekcja

Algorytmy wyszukiwania ścieżek (BFS, DFS)

Poznaj algorytmy takie jak Breadth-First Search i Depth-First Search, służące do znajdowania ścieżek i połączeń w grafie.

Lekcja 1 z 411 kroki

Algorytmy wyszukiwania ścieżek (BFS, DFS) to bezpłatna lekcja Neo4j Graph Database Fundamentals na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Neo4j Graph Database Fundamentals, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Neo4j Graph Database Fundamentals zawiera 4 lekcji w sumie.

Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.

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?

Odpowiedz w interaktywnej lekcji

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.

Bezpłatny start

Ucz się Neo4j Graph Database Fundamentals dzięki korepetycjom AI — za darmo

Pisz i uruchamiaj kod w przeglądarce, otrzymuj natychmiastową pomoc od korepetytora AI dostępnego 24/7 i kontynuuj naukę w sieci lub w aplikacji.

Kursy
12
Lekcje
48
Zacznij naukę bezpłatnieWyświetl pełny kurs

Często zadawane pytania

Czy lekcja „Algorytmy wyszukiwania ścieżek (BFS, DFS)” jest bezpłatna?

Tak — pełny tekst „Algorytmy wyszukiwania ścieżek (BFS, DFS)” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Neo4j Graph Database Fundamentals, przejdź na CoddyKit PRO. Kurs Neo4j Graph Database Fundamentals zawiera 4 lekcji w sumie.

Co nauczysz się w „Algorytmy wyszukiwania ścieżek (BFS, DFS)”?

Poznaj algorytmy takie jak Breadth-First Search i Depth-First Search, służące do znajdowania ścieżek i połączeń w grafie. Ćwiczysz Neo4j Graph Database Fundamentals z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć Neo4j Graph Database Fundamentals?

Nie wymagamy żadnego doświadczenia. Neo4j Graph Database Fundamentals w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.

Ile czasu zajmuje lekcja „Algorytmy wyszukiwania ścieżek (BFS, DFS)”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji Neo4j Graph Database Fundamentals?

Tak. Każda lekcja Neo4j Graph Database Fundamentals zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

  1. Algorytmy wyszukiwania ścieżek (BFS, DFS)
  2. Algorytmy centralności (PageRank)
  3. Algorytmy wykrywania społeczności
  4. Algorytmy podobieństwa i predykcji połączeń
← Powrót do Neo4j Graph Database Fundamentals