作为程序员，当您处理这个问题时，有一个因素很突出:如果使用递归，那么深度优先搜索更容易实现，因为您不需要维护包含尚未探索的节点的额外数据结构。

如果你在节点中存储“已经访问过”的信息，下面是深度优先搜索非面向图:

def dfs(origin):                               # DFS from origin:
    origin.visited = True                      # Mark the origin as visited
    for neighbor in origin.neighbors:          # Loop over the neighbors
        if not neighbor.visited: dfs(neighbor) # Visit each neighbor if not already visited

如果将“已经访问过”的信息存储在单独的数据结构中:

def dfs(node, visited):                        # DFS from origin, with already-visited set:
    visited.add(node)                          # Mark the origin as visited
    for neighbor in node.neighbors:            # Loop over the neighbors
        if not neighbor in visited:            # If the neighbor hasn't been visited yet,
            dfs(neighbor, visited)             # then visit the neighbor
dfs(origin, set())

与此形成对比的是广度优先搜索，在广度优先搜索中，无论如何都需要为尚未访问的节点列表维护单独的数据结构。

作为程序员，当您处理这个问题时，有一个因素很突出:如果使用递归，那么深度优先搜索更容易实现，因为您不需要维护包含尚未探索的节点的额外数据结构。

如果你在节点中存储“已经访问过”的信息，下面是深度优先搜索非面向图:

def dfs(origin):                               # DFS from origin:
    origin.visited = True                      # Mark the origin as visited
    for neighbor in origin.neighbors:          # Loop over the neighbors
        if not neighbor.visited: dfs(neighbor) # Visit each neighbor if not already visited

如果将“已经访问过”的信息存储在单独的数据结构中:

def dfs(node, visited):                        # DFS from origin, with already-visited set:
    visited.add(node)                          # Mark the origin as visited
    for neighbor in node.neighbors:            # Loop over the neighbors
        if not neighbor in visited:            # If the neighbor hasn't been visited yet,
            dfs(neighbor, visited)             # then visit the neighbor
dfs(origin, set())

与此形成对比的是广度优先搜索，在广度优先搜索中，无论如何都需要为尚未访问的节点列表维护单独的数据结构。

一些算法依赖于DFS(或BFS)的特定属性来工作。例如，用于查找2连接组件的Hopcroft和Tarjan算法利用了这样一个事实，即DFS遇到的每个已经访问过的节点都位于从根节点到当前探索的节点的路径上。

深度优先搜索

深度优先搜索通常用于模拟游戏(以及现实世界中的类似游戏场景)。在典型的游戏中，你可以从几种可能的行动中选择一种。每个选择都会引出更多的选择，每个选择又会引出更多的选择，如此循环往复，形成一个不断扩大的可能性树形图。

例如，在国际象棋和井字游戏中，当你决定走哪一步时，你可以在脑海中想象一步，然后是对手可能的反应，然后是你的反应，等等。你可以通过观察哪一步会带来最好的结果来决定做什么。

在游戏树中只有一些路径能够引导你获胜。有些会导致你的对手获胜，当你到达这样的结局时，你必须后退或回溯到前一个节点，并尝试不同的路径。通过这种方式，您可以探索树，直到找到一条具有成功结论的路径。然后沿着这条路迈出第一步。

广度优先搜索

宽度优先搜索有一个有趣的特性:它首先找到距离起点一条边的所有顶点，然后是距离起点两条边的所有顶点，依此类推。如果你试图找到从起始顶点到给定顶点的最短路径，这是很有用的。你开始一个BFS，当你找到指定的顶点时，你知道你到目前为止跟踪的路径是到该节点的最短路径。如果有更短的路径，BFS早就找到了。

宽度优先搜索可用于在BitTorrent等对等网络中查找相邻节点，GPS系统用于查找附近位置，社交网站用于查找指定距离内的人等等。

因为深度优先搜索在处理节点时使用堆栈，所以DFS提供回溯。由于宽度优先搜索使用队列而不是堆栈来跟踪正在处理的节点，BFS不提供回溯。

当树的深度可以变化时，宽度优先搜索通常是最好的方法，并且您只需要搜索树的一部分来寻找解决方案。例如，寻找从起始值到最终值的最短路径是使用BFS的好地方。

深度优先搜索通常用于需要搜索整个树的情况。它比BFS更容易实现(使用递归)，并且需要更少的状态:BFS需要存储整个“边界”，DFS只需要存储当前元素的父节点列表。