一、拓扑排序基础
1.1 有向无环图(DAG)
有向无环图是指一个没有回路的有向图。简单来说,如果从某个顶点出发无法经过若干条边回到该点,那么这个图就是 DAG。

1.2 AOV 网:顶点活动图
在 DAG 的基础上,我们用顶点表示活动,用边表示活动执行的先后顺序关系。

1.3 什么是拓扑排序
拓扑排序的核心目标是找到做事的先后顺序。具体做法是:每次找出入度为 0 的点,将其加入结果序列,并删除该点相连的边,重复此过程直到所有点都被处理或发现无法继续。
1.4 BFS 实现思路
借助队列来实现 BFS 遍历,流程如下:
- 初始化:将所有入度为 0 的点加入队列。
- 循环处理:当队列不为空时,取出队头元素加入最终结果。
- 更新依赖:删除与该点相连的边,即减少相邻点的入度。
- 入队判断:若某相邻点入度变为 0,则将其加入队列。
二、经典案例解析
2.1 课程表 I(检测可行性)
题目核心:给定课程数量和先修条件,判断是否能完成所有课程。
解题逻辑:
我们使用邻接表 List<List<Integer>> 来表示图,下标对应课程 ID,数组内容指向后续课程。遍历先修条件数组构建图的同时统计每个课程的入度。
这里有个细节要注意:如果没有任何先修条件,直接返回 true;另外,每个点只能入队一次,避免重复计算。
class Solution {
public boolean canFinish(int numCourses, int[][] prerequisites) {
int m = prerequisites.length;
if (m == 0) return true;
// 建图:邻接表
List<List<Integer>> edges = new <>();
( ; i < numCourses; i++) {
edges.add( <>());
}
Queue<Integer> queue = <>();
[] inDegree = [numCourses];
[] visited = [numCourses];
( ; i < m; i++) {
prerequisites[i][];
prerequisites[i][];
edges.get(pre).add(course);
inDegree[course]++;
}
( ; i < numCourses; i++) {
(inDegree[i] == ) {
queue.add(i);
visited[i] = ;
}
}
(queue.isEmpty()) ;
(!queue.isEmpty()) {
queue.poll();
( neighbor : edges.get(tmp)) {
inDegree[neighbor]--;
(inDegree[neighbor] == && !visited[neighbor]) {
queue.add(neighbor);
visited[neighbor] = ;
}
}
}
( ; i < numCourses; i++) {
(inDegree[i] != ) ;
}
;
}
}


