DAG 有向无环图与拓扑排序 • Jimdeng's Blog

什么是 DAG#

DAG（Directed Acyclic Graph，有向无环图）是一种特殊的有向图，它满足两个条件：

有向：每条边都有方向，从起点指向终点
无环：图中不存在从某个顶点出发，沿着边方向最终又回到该顶点的路径

    ┌───┐     ┌───┐     ┌───┐
    │ A │ ──▶ │ B │ ──▶ │ D │
    └───┘     └───┘     └───┘
      │         │         ▲
      │         ▼         │
    ┌───┐     ┌───┐       │
    │ C │ ──▶ │ E │ ──────┘
    └───┘     └───┘

plain

上图就是一个典型的 DAG：边有方向，且无论从哪个节点出发都无法回到自身。

DAG 的关键性质#

拓扑序存在：DAG 一定存在至少一种拓扑排序
可检测环：如果一个有向图能完成拓扑排序，则它是 DAG；反之存在环
最长路径可解：在 DAG 上求最长路径是多项式可解的（一般图上是 NP-hard）
偏序关系：DAG 天然表示元素间的偏序（partial order）关系

什么是拓扑排序#

拓扑排序（Topological Sort）是将 DAG 的所有顶点排成一个线性序列，使得对图中的任意一条有向边 (u, v)，u 在序列中都出现在 v 之前。

简单来说：如果 A 指向 B，那么 A 必须排在 B 前面。

经典应用场景#

场景	依赖关系
课程安排	课程 B 的先修课是课程 A
编译依赖	模块 B 依赖模块 A 的编译产物
任务调度	任务 B 必须在任务 A 完成后才能开始
包管理	包 B 依赖包 A，安装时需先装 A
数据处理管道	ETL 任务间的执行先后

[!note] 拓扑排序的结果不唯一。一个 DAG 可能有多种合法的拓扑序列。

算法一：Kahn 算法（BFS）#

Kahn 算法的核心思想是不断移除入度为 0 的节点：

计算所有节点的入度
将入度为 0 的节点入队
每次从队列取出一个节点，加入结果序列
将该节点的所有邻居入度减 1，若邻居入度变为 0 则入队
重复直到队列为空

如果最终结果序列包含所有节点，说明是 DAG；否则图中存在环。

Go 实现#

package main

import "fmt"

// Graph 表示有向图（邻接表 + 入度表）
type Graph struct {
	nodes    []string          // 节点列表（保序）
	adjList  map[string][]string // 邻接表
	inDegree map[string]int    // 入度表
}

// NewGraph 创建一个空图
func NewGraph() *Graph {
	return &Graph{
		adjList:  make(map[string][]string),
		inDegree: make(map[string]int),
	}
}

// AddEdge 添加一条有向边 from -> to
func (g *Graph) AddEdge(from, to string) {
	// 首次出现的节点初始化入度
	if _, ok := g.inDegree[from]; !ok {
		g.inDegree[from] = 0
		g.nodes = append(g.nodes, from)
	}
	if _, ok := g.inDegree[to]; !ok {
		g.inDegree[to] = 0
		g.nodes = append(g.nodes, to)
	}

	g.adjList[from] = append(g.adjList[from], to)
	g.inDegree[to]++
}

// TopologicalSortKahn 使用 Kahn 算法进行拓扑排序
// 返回排序结果和是否存在环
func (g *Graph) TopologicalSortKahn() ([]string, bool) {
	// 复制入度表，避免修改原始数据
	inDegree := make(map[string]int, len(g.inDegree))
	for k, v := range g.inDegree {
		inDegree[k] = v
	}

	// 初始化队列：所有入度为 0 的节点入队
	queue := []string{}
	for _, node := range g.nodes {
		if inDegree[node] == 0 {
			queue = append(queue, node)
		}
	}

	result := []string{}
	for len(queue) > 0 {
		// 出队
		curr := queue[0]
		queue = queue[1:]
		result = append(result, curr)

		// 遍历邻居，入度减 1
		for _, neighbor := range g.adjList[curr] {
			inDegree[neighbor]--
			if inDegree[neighbor] == 0 {
				queue = append(queue, neighbor)
			}
		}
	}

	// 若结果包含所有节点，说明是 DAG
	if len(result) == len(g.nodes) {
		return result, true
	}
	// 否则存在环
	return result, false
}

func main() {
	g := NewGraph()
	// 构建上图对应的 DAG
	g.AddEdge("A", "B")
	g.AddEdge("A", "C")
	g.AddEdge("B", "D")
	g.AddEdge("B", "E")
	g.AddEdge("C", "E")
	g.AddEdge("E", "D")

	result, ok := g.TopologicalSortKahn()
	if !ok {
		fmt.Println("图中存在环，无法进行拓扑排序")
		return
	}
	fmt.Println("Kahn 拓扑排序结果:", result)
	// 输出示例: [A B C E D] 或 [A C B E D] 等（不唯一）
}

复杂度分析#

维度	复杂度
时间复杂度	(O(V + E))
空间复杂度	(O(V + E))

其中 (V) 是顶点数，(E) 是边数。每个节点和每条边各被处理一次。

算法二：DFS 深度优先回溯#

DFS 方法的核心思想是后序遍历的逆序：

对每个未访问的节点执行 DFS
在 DFS 递归返回时（即节点的所有邻居都已访问完毕），将节点压入栈
最终栈的弹出顺序就是拓扑排序结果

环检测#

在 DFS 过程中维护三种状态：

0（未访问）：节点尚未被访问
1（访问中）：节点正在被访问（在当前递归栈中）
2（已完成）：节点及其所有后继都已访问完毕

如果在 DFS 中遇到状态为 1 的节点，说明存在环（当前递归路径上出现了回头边）。

Go 实现#

package main

import "fmt"

const (
	unvisited = 0 // 未访问
	visiting  = 1 // 访问中（在当前递归栈中）
	done      = 2 // 已完成
)

// DFSGraph 基于 DFS 的有向图
type DFSGraph struct {
	nodes   []string
	adjList map[string][]string
}

func NewDFSGraph() *DFSGraph {
	return &DFSGraph{
		adjList: make(map[string][]string),
	}
}

func (g *DFSGraph) AddEdge(from, to string) {
	if _, ok := g.adjList[from]; !ok {
		g.nodes = append(g.nodes, from)
	}
	if _, ok := g.adjList[to]; !ok {
		g.nodes = append(g.nodes, to)
	}
	g.adjList[from] = append(g.adjList[from], to)
}

// TopologicalSortDFS 使用 DFS 进行拓扑排序
// 返回排序结果和是否存在环
func (g *DFSGraph) TopologicalSortDFS() ([]string, bool) {
	state := make(map[string]int, len(g.nodes))
	stack := []string{} // 用 slice 模拟栈，最终需反转

	// 从后向前遍历，保证结果与 BFS 的节点顺序风格一致
	// dfs 函数返回 false 表示检测到环
	var dfs func(node string) bool
	dfs = func(node string) bool {
		state[node] = visiting

		for _, neighbor := range g.adjList[node] {
			if state[neighbor] == visiting {
				// 遇到访问中的节点 → 存在环
				return false
			}
			if state[neighbor] == unvisited {
				if !dfs(neighbor) {
					return false
				}
			}
		}

		state[node] = done
		// 后序压栈
		stack = append(stack, node)
		return true
	}

	// 对所有未访问节点执行 DFS
	for _, node := range g.nodes {
		if state[node] == unvisited {
			if !dfs(node) {
				return nil, false
			}
		}
	}

	// 反转栈得到拓扑排序
	result := make([]string, len(stack))
	for i, v := range stack {
		result[len(stack)-1-i] = v
	}
	return result, true
}

func main() {
	g := NewDFSGraph()
	g.AddEdge("A", "B")
	g.AddEdge("A", "C")
	g.AddEdge("B", "D")
	g.AddEdge("B", "E")
	g.AddEdge("C", "E")
	g.AddEdge("E", "D")

	result, ok := g.TopologicalSortDFS()
	if !ok {
		fmt.Println("图中存在环，无法进行拓扑排序")
		return
	}
	fmt.Println("DFS 拓扑排序结果:", result)
}

复杂度分析#

维度	复杂度
时间复杂度	(O(V + E))
空间复杂度	(O(V))（递归栈 + 状态表）

两种算法对比#

对比维度	Kahn 算法（BFS）	DFS 算法
核心思想	逐步删除入度为 0 的节点	后序遍历的逆序
实现方式	迭代 + 队列	递归 + 栈
环检测	结果节点数 < 总节点数则有环	递归中遇到 `visiting` 状态则有环
输出特性	倾向于输出”层级靠前”的节点优先	倾向于输出深层依赖链尾端的节点优先
适合场景	需要按”层级”输出、并行调度	需要检测环、求关键路径
递归深度	无递归，适合大规模图	深图可能栈溢出

[!tip] 如果需要字典序最小的拓扑排序，只需将 Kahn 算法中的普通队列替换为优先队列（最小堆），每次取出编号最小的入度为 0 的节点即可。

实战：课程表问题#

LeetCode 207「课程表」是拓扑排序的经典应用：

你这个学期必须选修 numCourses 门课程，记为 0 到 numCourses - 1。给你一个数组 prerequisites，其中 prerequisites[i] = [a, b] 表示如果要选课程 a 必须先选课程 b。判断是否可能完成所有课程的学习。

func canFinish(numCourses int, prerequisites [][]int) bool {
	// 构建邻接表和入度表
	adjList := make([][]int, numCourses)
	inDegree := make([]int, numCourses)

	for _, pre := range prerequisites {
		course, req := pre[0], pre[1]
		adjList[req] = append(adjList[req], course)
		inDegree[course]++
	}

	// Kahn 算法
	queue := []int{}
	for i := 0; i < numCourses; i++ {
		if inDegree[i] == 0 {
			queue = append(queue, i)
		}
	}

	count := 0
	for len(queue) > 0 {
		curr := queue[0]
		queue = queue[1:]
		count++

		for _, neighbor := range adjList[curr] {
			inDegree[neighbor]--
			if inDegree[neighbor] == 0 {
				queue = append(queue, neighbor)
			}
		}
	}

	return count == numCourses
}

DAG 的更多应用#

关键路径（Critical Path）#

在项目管理中，DAG 用于表示任务依赖关系。关键路径是从起点到终点的最长路径，决定了项目的最短完成时间。计算关键路径需要先做拓扑排序，再按拓扑序动态规划求最长路径。

// CriticalPath 计算关键路径长度（基于拓扑排序 + DP）
// edges[i] = {from, to, weight}
func CriticalPath(n int, edges [][]int) int {
	adjList := make([][]int, n)
	inDegree := make([]int, n)
	weight := make(map[[2]int]int)

	for _, e := range edges {
		from, to, w := e[0], e[1], e[2]
		adjList[from] = append(adjList[from], to)
		inDegree[to]++
		weight[[2]int{from, to}] = w
	}

	// 拓扑排序
	queue := []int{}
	for i := 0; i < n; i++ {
		if inDegree[i] == 0 {
			queue = append(queue, i)
		}
	}

	dist := make([]int, n)
	for len(queue) > 0 {
		curr := queue[0]
		queue = queue[1:]
		for _, next := range adjList[curr] {
			w := weight[[2]int{curr, next}]
			if dist[curr]+w > dist[next] {
				dist[next] = dist[curr] + w
			}
			inDegree[next]--
			if inDegree[next] == 0 {
				queue = append(queue, next)
			}
		}
	}

	maxDist := 0
	for _, d := range dist {
		if d > maxDist {
			maxDist = d
		}
	}
	return maxDist
}

其他典型应用#

Git 提交历史：Git 的 commit DAG 天然是有向无环图
Spark/DAG 调度：大数据计算引擎的任务调度
区块链 DAG：IOTA 等项目用 DAG 替代传统链式结构
依赖注入容器：Spring 等框架用拓扑排序决定 Bean 的初始化顺序

总结#

要点	说明
DAG 定义	有向 + 无环的图，一定存在拓扑序
拓扑排序	将 DAG 节点排成线性序列，满足所有边的方向约束
Kahn 算法	BFS 思路，不断移除入度为 0 的节点，天然支持环检测
DFS 算法	后序遍历逆序，通过三色标记法检测环
时间复杂度	两种算法均为 (O(V+E))
核心应用	任务调度、依赖解析、课程安排、关键路径

拓扑排序是图论中最实用的算法之一，理解了”入度为 0 先处理”和”后序逆序”这两个核心思想，就能轻松应对各种依赖关系问题。