算法系列教程：1. BFS求无向无权图最短路径

示例图

BFS示例代码

function bfsShortestPath(graph, start, end) {const queue = [[start]];const visited = new Set([start]);while (queue.length > 0) {const path = queue.shift();const node = path[path.length - 1];if (node === end) return path;for (const neighbor of graph[node]) {if (!visited.has(neighbor)) {visited.add(neighbor);queue.push([...path, neighbor]);}}}return null;
}const graph = {A: ['C', 'B', 'D', 'E'],B: ['A', 'C', 'F', 'D'],C: ['A', 'B', 'F'],D: ['A', 'B'],E: ['A'],F: ['B', 'C']
};console.log(bfsShortestPath(graph, 'C', 'D'));

代码逐行解析

下面逐行解析这段代码在求解 C到D的最短路径 时的执行逻辑，重点跟踪队列、已访问集合的变化和路径探索过程：

1. 函数定义

function bfsShortestPath(graph, start, end) {

• 定义函数bfsShortestPath，用于计算从start（此处为'C'）到end（此处为'D'）的最短路径。
• 参数：graph（邻接表表示的无向无权图）、start（起始节点）、end（目标节点）。

2. 初始化队列和已访问集合

  const queue = [[start]];const visited = new Set([start]);

• queue（队列）：存储待探索的路径，初始时只有一条路径[start]（即['C']，从C出发的初始路径）。
• visited（集合）：记录已访问的节点，避免重复探索（防止循环），初始时仅包含start（即'C'）。

3. BFS核心循环（队列非空时持续探索）

  while (queue.length > 0) {

• 只要队列中还有待探索的路径，就继续循环（BFS的核心：按“距离递增”顺序探索路径，确保第一个到达目标的路径是最短的）。

4. 取出队首路径并获取当前节点

    const path = queue.shift();const node = path[path.length - 1];

• queue.shift()：取出队列的第一个路径（队列“先进先出”特性，保证先探索距离C更近的路径）。
• node：当前路径的最后一个节点（即“当前正在处理的节点”，后续需探索它的邻居）。

5. 判断是否到达目标节点

    if (node === end) return path;

• 如果当前节点是目标节点end（即'D'），直接返回当前路径（BFS特性：此时的路径是最短路径）。

6. 遍历当前节点的所有邻居

    for (const neighbor of graph[node]) {

• 遍历graph中当前节点node的所有邻居（即与node直接相连的节点）。

7. 处理未访问的邻居

      if (!visited.has(neighbor)) {visited.add(neighbor);queue.push([...path, neighbor]);}

• 若邻居未被访问（!visited.has(neighbor)）：

  • 标记为已访问（visited.add(neighbor)），避免重复处理。
  • 生成新路径（当前路径 + 该邻居），加入队列等待下一轮探索（queue.push([...path, neighbor])）。

8. 无路径时返回null

  }return null;
}

• 若队列空了仍未找到D，说明C到D无路径，返回null（此处不触发，因为存在路径）。

9. 图的定义（邻接表）

const graph = {A: ['C', 'B', 'D', 'E'],B: ['A', 'C', 'F', 'D'],C: ['A', 'B', 'F'],D: ['A', 'B'],E: ['A'],F: ['B', 'C']
};

• 定义无向无权图：每个节点的数组值是其直接相邻的节点。例如：

  • C的邻居是A、B、F（C与这三个节点直接相连）。
  • A的邻居包含D（A与D直接相连）。
  • B的邻居包含D（B与D直接相连）。

10. 调用函数并打印结果

console.log(bfsShortestPath(graph, 'C', 'D')); // 输出：['C', 'A', 'D']

• 调用函数求C到D的最短路径，下面详细分析执行过程：

关键执行步骤（C→D的探索过程）

初始状态：

• 队列：[ ['C'] ]（只有从C出发的初始路径）。
• 已访问：{ 'C' }。

第1次循环（处理路径['C']）：

• 取出路径['C']，当前节点node = 'C'。

• 判断：C !== D（继续）。

• 遍历C的邻居：['A', 'B', 'F']（按数组顺序处理）。

  • 邻居A：未访问 → 标记visited = { 'C', 'A' }，新路径['C', 'A']入队 → 队列：[ ['C', 'A'] ]。
  • 邻居B：未访问 → 标记visited = { 'C', 'A', 'B' }，新路径['C', 'B']入队 → 队列：[ ['C', 'A'], ['C', 'B'] ]。
  • 邻居F：未访问 → 标记visited = { 'C', 'A', 'B', 'F' }，新路径['C', 'F']入队 → 队列：[ ['C', 'A'], ['C', 'B'], ['C', 'F'] ]。

第2次循环（处理路径['C', 'A']）：

• 取出路径['C', 'A']，当前节点node = 'A'。

• 判断：A !== D（继续）。

• 遍历A的邻居：['C', 'B', 'D', 'E']。

  • 邻居C：已访问（跳过）。
  • 邻居B：已访问（跳过）。
  • 邻居D：未访问 → 标记visited = { 'C', 'A', 'B', 'F', 'D' }，新路径['C', 'A', 'D']入队 → 队列：[ ['C', 'B'], ['C', 'F'], ['C', 'A', 'D'] ]。
  • 邻居E：未访问 → 标记visited = { 'C', 'A', 'B', 'F', 'D', 'E' }，新路径['C', 'A', 'E']入队 → 队列：[ ['C', 'B'], ['C', 'F'], ['C', 'A', 'D'], ['C', 'A', 'E'] ]。

第3次循环（处理路径['C', 'B']）：

• 取出路径['C', 'B']，当前节点node = 'B'。

• 判断：B !== D（继续）。

• 遍历B的邻居：['A', 'C', 'F', 'D']。

  • 邻居A、C、F：均已访问（跳过）。
  • 邻居D：已访问（第2次循环中已标记）→ 跳过（无新路径入队）。

• 队列变为：[ ['C', 'F'], ['C', 'A', 'D'], ['C', 'A', 'E'] ]。

第4次循环（处理路径['C', 'F']）：

• 取出路径['C', 'F']，当前节点node = 'F'。
• 判断：F !== D（继续）。
• 遍历F的邻居：['B', 'C'] → 均已访问（无新路径入队）。
• 队列变为：[ ['C', 'A', 'D'], ['C', 'A', 'E'] ]。

第5次循环（处理路径['C', 'A', 'D']）：

• 取出路径['C', 'A', 'D']，当前节点node = 'D'。
• 判断：D === D → 满足条件，返回该路径。

最终结果

函数返回['C', 'A', 'D']，即C到D的最短路径是“C→A→D”（长度为2，经过2条边）。

补充说明：

C到D其实还有另一条等长路径“C→B→D”（同样长度为2），但由于BFS中邻居的遍历顺序（C的邻居按['A', 'B', 'F']顺序处理），['C', 'A']路径先入队，因此其延伸出的['C', 'A', 'D']先被探索到，成为函数返回的结果。两条路径都是最短路径，BFS会返回“先被发现”的那条。