🔍 مقایسه الگوریتم‌های جستجو در گراف: DFS و BFS 🔍 

✅ جستجوی عمقی (DFS - Depth First Search)
✅ جستجوی سطحی (BFS - Breadth First Search) 

هر یک از این روش‌ها در موقعیت‌های مختلف کارایی متفاوتی دارند و انتخاب صحیح آن‌ها می‌تواند تأثیر بسزایی در بهینه‌سازی عملکرد الگوریتم‌ها داشته باشد. 

🔶 جستجوی عمقی (DFS) | حرکت در عمق و بررسی مسیرهای طولانی‌تر:
یک روش بازگشتی یا استکی برای پیمایش گراف است که ابتدا تا جای ممکن در یک مسیر به عمق می‌رود و در صورت نیاز، عقب‌گرد (Backtrack) انجام می‌دهد. 

💡 کاربردهای DFS در دنیای واقعی: 
🔹 حل مسائل مسیر‌یابی در مارپیچ‌ها و مازها 
🔹 تحلیل شبکه‌های اجتماعی (مثلاً شناسایی گروه‌های مرتبط) 
🔹 تشخیص وجود دور (Cycle Detection) در گراف 
🔹 حل مسائل منطقی و معمایی مانند سودوکو 

📌 کد ساده‌‌ی پایتون برای پیاده‌سازی DFS: 

def dfs(graph, node, visited=None):
    if visited is None:
        visited = set()
    visited.add(node)
    print(node, end=" ") # نمایش ترتیب پیمایش گره‌ها
    for neighbor in graph.get(node, []):
        if neighbor not in visited:
            dfs(graph, neighbor, visited)

# تعریف یک گراف نمونه
graph = {
    'A': ['B', 'C'],
    'B': ['A', 'D', 'E'],
    'C': ['A', 'F', 'G'],
    'D': ['B'],
    'E': ['B', 'H'],
    'F': ['C'],
    'G': ['C'],
    'H': ['E']
}

print("DFS Traversal:")
dfs(graph, 'A')

🔶 جستجوی سطحی (BFS) | پیمایش سطربه‌سطر و بررسی گره‌های نزدیک‌تر:
یک روش صف‌محور (Queue-based) است که ابتدا گره‌های مجاور را بررسی کرده و سپس به سراغ سطوح پایین‌تر می‌رود. 

💡 کاربردهای BFS در دنیای واقعی: 
🔹 پیدا کردن کوتاه‌ترین مسیر در گراف‌های بدون وزن (مانند مسیریابی در سامانه‌های ناوبری) 
🔹 تحلیل شبکه‌های اجتماعی (برای یافتن کوتاه‌ترین ارتباط بین دو فرد) 
🔹 ساخت خزنده‌های وب (Web Crawlers) برای ایندکس صفحات اینترنتی 
🔹 حل مسائل مسیر‌یابی و بازی‌هایی مانند شطرنج 

📌 کد ساده‌ی پایتون برای پیاده‌سازی BFS: 

from collections import deque

def bfs(graph, start):
    visited = set()
    queue = deque([start])
    visited.add(start)

    while queue:
        node = queue.popleft()
        print(node, end=" ") # نمایش ترتیب پیمایش گره‌ها
        for neighbor in graph.get(node, []):
            if neighbor not in visited:
                visited.add(neighbor)
                queue.append(neighbor)

# تعریف یک گراف نمونه
graph = {
'A': ['B', 'C'],
'B': ['A', 'D', 'E'],
'C': ['A', 'F', 'G'],
'D': ['B'],
'E': ['B', 'H'],
'F': ['C'],
'G': ['C'],
'H': ['E']
}

print("\nBFS Traversal:")
bfs(graph, 'A')

🔷 کدام الگوریتم مناسب‌تر است؟ 
✔️ در صورتی که نیاز به یافتن سریع‌ترین مسیر در گراف‌های بدون وزن دارید، BFS گزینه بهتری است. 
✔️ اگر بررسی تمام مسیرهای ممکن برای شما اهمیت دارد، DFS انتخاب مناسب‌تری خواهد بود. 

انجمن علمی مهندسی کامپیوتر دانشگاه مازندران
🆔 @Umz_Computer

📌 ویدیو را مشاهده کنید و ببینید چگونه هر الگوریتم مسیر خود را در گراف پیدا می‌کند.