الگوریتم جستجوی اول عمق

الگوریتم از ریشه شروع می‌کند (در گراف‌ها یا درخت‌های بدون ریشه راس دلخواهی به عنوان ریشه انتخاب می‌شود) و در هر مرحله همسایه‌های رأس جاری را از طریق یال‌های خروجی رأس جاری به ترتیب بررسی کرده و به محض روبه‌رو شدن با همسایه‌ای که قبلاً دیده نشده باشد، به صورت بازگشتی برای آن رأس به عنوان رأس جاری اجرا می‌شود. در صورتی که همهٔ همسایه‌ها قبلاً دیده شده باشند، الگوریتم عقب‌گرد می‌کند و اجرای الگوریتم برای رأسی که از آن به رأس جاری رسیده‌ایم، ادامه می‌یابد. به عبارتی الگوریتم تا آنجا که ممکن است، به عمق بیشتر و بیشتر می‌رود و در مواجهه با بن‌بست عقب‌گرد می‌کند. این فرایند تا زمانی که همهٔ رأس‌های قابل دستیابی از ریشه دیده شوند ادامه می‌یابد.

همچنین در مسائلی که حالات مختلف متناظر با رئوس یک گراف‌اند و حل مسئله مستلزم یافتن رأس هدف با خصوصیات مشخصی است، جستجوی عمق اول به صورت غیرخلاق عمل می‌کند. بدین‌ترتیب که هر دفعه الگوریتم به اولین همسایهٔ یک رأس در گراف جستجو و در نتیجه هر دفعه به عمق بیشتر و بیشتر در گراف می‌رود تا به رأسی برسد که همهٔ همسایگانش دیده شده‌اند که در حالت اخیر، الگوریتم به اولین رأسی بر می‌گردد که همسایهٔ داشته باشد که هنوز دیده نشده باشد. این روند تا جایی ادامه می‌یابد که رأس هدف پیدا شود یا احتمالاً همهٔ گراف پیمایش شود. البته پیاده‌سازی هوشمندانهٔ الگوریتم با انتخاب ترتیب مناسب برای بررسی همسایه‌های دیده نشدهٔ رأس جاری به صورتی که ابتدا الگوریتم به بررسی همسایه‌ای بپردازد که به صورت موضعی و با انتخابی حریصانه به رأس هدف نزدیک‌تر است، امکان‌پذیر خواهد بود که معمولاً در کاهش زمان اجرا مؤثر است.

از دیدگاه عملی، برای اجرای الگوریتم، از یک پشته استفاده می‌شود. بدین ترتیب که هر بار با ورود به یک رأس دیده نشده، آن رأس را در پشته قرار می‌دهیم و هنگام عقب‌گرد رأس را از پشته حذف می‌کنیم؛ بنابراین در تمام طول الگوریتم اولین عنصر پشته رأس در حال بررسی است. جزئیات پیاده‌سازی در ادامه خواهد آمد.

وقتی در گراف‌های بزرگی جستجو می‌کنیم که امکان ذخیرهٔ کامل آن‌ها به علت محدودیت حافظه وجود ندارد، در صورتی که طول مسیر پیمایش شده توسط الگوریتم که از ریشه شروع شده، خیلی بزرگ شود، الگوریتم با مشکل مواجه خواهد شد. در واقع این راه‌حل ساده که «رئوسی را که تا به حال دیده‌ایم ذخیره کنیم» همیشه کار نمی‌کند. چرا که ممکن است حافظهٔ کافی برای این کار نداشته باشیم. البته این مشکل با محدود کردن عمق جستجو در هر بار اجرای الگوریتم حل می‌شود که در نهایت به الگوریتم جستجوی عمق اول عمیق‌کننده تکراری خواهد انجامید.

پیمایش با انتخاب رأس ${\displaystyle r}$ به عنوان ریشه آغاز می‌شود. ${\displaystyle r}$ به عنوان یک رأس دیده شده برچسب می‌خورد. رأس دلخواه ${\displaystyle r_{1}}$ از همسایگان ${\displaystyle r}$ انتخاب شده و الگوریتم به صورت بازگشتی از ${\displaystyle r_{1}}$ به عنوان ریشه ادامه می‌یابد. از این پس در هر مرحله وقتی در رأسی مانند ${\displaystyle v}$ قرار گرفتیم که همهٔ همسایگانش دیده شده‌اند، اجرای الگوریتم را برای آن رأس خاتمه می‌دهیم. حال اگر بعد از اجرای الگوریتم با ریشهٔ ${\displaystyle r_{1}}$ همهٔ همسایگان ${\displaystyle r}$ برچسب خورده باشند، الگوریتم پایان می‌یابد. در غیر این صورت رأس دلخواه ${\displaystyle r_{2}}$ از همسایگان ${\displaystyle r}$ را که هنوز برچسب نخورده انتخاب می‌کنیم و جستجو را به صورت بازگشتی از ${\displaystyle r_{2}}$ به عنوان ریشه ادامه می‌دهیم. این روند تامادامی که همهٔ همسایگان ${\displaystyle r}$ برچسب نخورده‌اند ادامه می‌یابد.

البته پیمایش گراف برای تأمین هدفی صورت می‌گیرد. بر این اساس برای انعطاف‌پذیر ساختن الگوریتم در قبال کاربردهای مختلف، دو نوع عملیات preWORK و postWORK را به همراهِ بازدید از هر رأس یا یال انجام می‌دهیم، که preWORK در زمان برچسب خوردنِ رأسِ در حال بازدید، و postWORK بعد از بررسی هر یالِ خروجی از رأسِ در حال بازدید انجام خواهد شد. هر دوی این عملیات وابسته به هدفِ استفاده از الگوریتم، مشخص خواهند شد.

الگوریتم بازگشتی جستجوی اول عمق به صورت زیر است. آرایه یک بعدی Visited تعیین می‌کند آیا راسی قبلاً ملاقات شده‌است یا خیر. اگر راس vi ملاقات شود Visited[i] برابر با یک می‌شود.

1 DFS (int v)
2 {
3 int w
4 Visited[v]:=1
5 For (each vertex w adjacent to v)
6 If (not visited[w]) then
7 DFS(w)
8 End if
9 End For
10 }

ترتیب ملاقات رئوس را DFN می‌نامند.

 1 Algorithm DFS(G,v)
 2 Input: G=(V,E), v(a vetex of G)
 3 Output: depends on the application
 4 begin
 5 mark v
 6 perform preWORK on v
 7 for all edge (v,w) do
 8 if w is unmarked then
 9 DFS(G,w)
10 perform postWORK on (v,w)
11 end

 1 Algorithm DFS(G,v)
 2 Input: G=(V,E), v(a vertex of G)
 3 Output: depends on the application
 4 begin
 5 mark v
 6 perform preWORK on v
 7 Edge = v.First
 8 push v and Edge on the top of the stack
 9 Parent = v
10 while the stack is not empty do
11 remove Edge from the top of the stack
12 while Edge is not nil do
13 Child = Edge->Vertex
14 if Child is unmarked then
15 mark Child
16 perform preWORK on Child
17 push Edge->Next to the top of the stack
18 Edge = Child.First
19 Parent = Child
20 push Parebtto the top of the stack
21 else
22 perform postWORK on (Parent,Child)
23 Edge = Edge->Next
24 remove Child from the top of the stack
25 if the stack is not empty then
26 let Edge and Parent be at the top of the stack
27 perform postWORK on (Parent,Child)
28 end

یکی از کاربردهای این الگوریتم تشخیص وجود دور است. در گراف ساده، برای این کار رویهٔ عادی جستجو عمق اول را در پیش می‌گیریم، تنها با این تفاوت که یک لیست نشانه و یک لیست پدر می‌سازیم که در ابتدا برای هر کدام از رئوس به ترتیب مقادیر نادرست (به انگلیسی: False) و اشاره‌گر تهی (به انگلیسی: Null) دارد، زیرا در ابتدای امر هیچ‌کدام از رئوس دیده نشده‌اند و پدر آن‌ها در جنگل فراگیری که قرار است این الگوریتم بسازد، نامشخص است.

سپس در هر مرحله بررسی می‌شود که اگر رأس کنونی v که به وسیله رأس u پیدا شده‌است، قبلاً نشانه‌گذاری شده بود و خود v پدر u نبود، در این صورت یک یال بازگشت (به انگلیسی: Back Edge) پیدا شده‌است که نشان می‌دهد گراف دور دارد. در غیر این صورت رأس v نشانه گذاری شده و پدر آن رأس u می‌شود. در صورتی که تا پایان مراحل اجرا هیچ یال بازگشت‌ای پیدا نشد، یعنی گراف بدون دور است.

در زیر پیاده‌سازی این روش به وسیله زبان پایتون آماده است.

class Graph:
    def __init__(self, number_of_nodes):
        self.number_of_nodes = number_of_nodes
        self.node_neighbours = [[] for i in range(self.number_of_nodes)]

    def get_input(self):  # vertex indexes start from zero. (not one)
        for i in range(len(self.node_neighbours)):
            self.node_neighbours[i].extend(list(map(int, input().split())))  # get and add neighbour(s) of i-th vertex

    def dfs(self, node_index, parent_index, mark_lst, parent_lst):
        if mark_lst[node_index]:
            if parent_index is not None and node_index != parent_lst[parent_index]:
                # indicates there exist a back-edge to a previously seen vertex (node_index) which is not the parent
                return True
            return False
        mark_lst[node_index], parent_lst[node_index] = True, parent_index
        for neighbour_index in self.node_neighbours[node_index]:
            if self.dfs(neighbour_index, node_index, mark_lst, parent_lst):
                return True
        return False

    def find_cycle(self):
        mark, parent = [False] * self.number_of_nodes, [None] * self.number_of_nodes
        for i in range(self.number_of_nodes):
            if not mark[i]:
                if self.dfs(i, None, mark, parent):
                    return True
        return False

مراحل پیدا کردن دور در گراف ساده به وسیله الگوریتم جستجوی عمق اول

• پیدا کردن مؤلفه‌های همبندی
• مرتب‌سازی موضعی (Topological Sort)
• پیدا کردن اجزای قویا همبند گراف جهت‌دار
• پیدا کردن مؤلفه‌های دوهمبند یالی و رأسی
• پیدا کردن پل
• الگوریتم انباشتن سیلابی[1]
• پیدا کردن دور در گراف[2]
• حل کردن معماهایی همچون ماز و آنهایی که نیاز به بررسی همه یا بخش بزرگی از حالات ممکن دارند.
• پیدا کردن گراف دوهمبند

در ویکی‌انبار پرونده‌هایی دربارهٔ الگوریتم جستجوی اول عمق موجود است.

• Open Data Structures - Section 12.3.2 - Depth-First-Search
• Depth-First Explanation and Example
• C++ Boost Graph Library: Depth-First Search
• Depth-First Search Animation (for a directed graph)
• Depth First and Breadth First Search: Explanation and Code
• QuickGraph, depth first search example for .Net
• Depth-first search algorithm illustrated explanation (Java and C++ implementations)
• YAGSBPL – A template-based C++ library for graph search and planning
• توضیح و مثال‌هایی از جستجوی عمق اول
• انیمیشن جستجوی عمق اول برای گراف‌های جهت‌دار
• توضیح و پیاده‌سازی جستجوی عمق اول و جستجوی سطح اول
• Dfs Applet