0Pricing
Neo4j Graph Database Fundamentals · Урок

Алгоритмы поиска путей (BFS, DFS)

Изучите алгоритмы, такие как поиск в ширину и поиск в глубину, для нахождения путей и связей в графе.

«Алгоритмы поиска путей (BFS, DFS)» — бесплатный урок Neo4j Graph Database Fundamentals на CoddyKit. Это урок 1 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения Neo4j Graph Database Fundamentals, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс Neo4j Graph Database Fundamentals содержит 4 уроков всего.

Части этого урока еще не переведены и отображаются на английском.

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.

Часто задаваемые вопросы

Урок «Алгоритмы поиска путей (BFS, DFS)» бесплатный?

Да — полный текст урока «Алгоритмы поиска путей (BFS, DFS)» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс Neo4j Graph Database Fundamentals, подпишись на CoddyKit PRO. Курс Neo4j Graph Database Fundamentals содержит 4 уроков всего.

Чему я научусь в уроке «Алгоритмы поиска путей (BFS, DFS)»?

Изучите алгоритмы, такие как поиск в ширину и поиск в глубину, для нахождения путей и связей в графе. Ты практикуешь Neo4j Graph Database Fundamentals с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.

Нужен ли мне опыт, чтобы начать Neo4j Graph Database Fundamentals?

Предыдущий опыт не требуется. Neo4j Graph Database Fundamentals на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 1 из 4.

Сколько времени занимает урок «Алгоритмы поиска путей (BFS, DFS)»?

Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.

Можно ли писать и запускать код в этом уроке Neo4j Graph Database Fundamentals?

Да. Каждый урок Neo4j Graph Database Fundamentals включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.

Все уроки этого курса

  1. Алгоритмы поиска путей (BFS, DFS)
  2. Алгоритмы центральности (PageRank)
  3. Алгоритмы обнаружения сообществ
  4. Алгоритмы сходства и предсказания связей
← Назад к Neo4j Graph Database Fundamentals