XingHuiSamaの宝藏之地

你这个学期必须选修 numCourses 门课程，记为 0 到 numCourses - 1 。

在选修某些课程之前需要一些先修课程。先修课程按数组 prerequisites 给出，其中 prerequisites[i] = [ai, bi] ，表示如果要学习课程 ai 则必须先学习课程 bi。

例如，先修课程对 [0, 1] 表示：想要学习课程 0 ，你需要先完成课程 1 。

请你判断是否可能完成所有课程的学习？如果可以，返回 true ；否则，返回 false 。

示例 1：

输入：numCourses = 2, prerequisites = [[1,0]]
输出：true
解释：总共有 2 门课程。学习课程 1 之前，你需要完成课程 0 。这是可能的。

示例 2：

输入：numCourses = 2, prerequisites = [[1,0],[0,1]]
输出：false
解释：总共有 2 门课程。学习课程 1 之前，你需要先完成课程 0 ；并且学习课程 0 之前，你还应先完成课程 1 。这是不可能的。

提示：

1 <= numCourses <= 2000
0 <= prerequisites.length <= 5000
prerequisites[i].length == 2
0 <= ai, bi < numCourses
prerequisites[i] 中的所有课程对 互不相同

‍

1. 算法核心思想

本段代码采用了一种基于拓扑排序（Topological Sort）的广度优先搜索（BFS）算法，常被称为 Kahn 算法。其核心目的是判断给定的课程先决条件是否构成一个有向无环图（DAG）。

解决本题的关键难点在于如何将线性的“先决条件对”转化为系统性的依赖关系网，并检测其中是否存在“死循环”（即互相依赖导致的死锁）。本算法通过入度统计与图的遍历策略成功规避了该问题：

状态记录（入度与邻接表）：利用 inDegree 数组精确记录每个节点的“被依赖次数”（即还差几门先修课），利用 graph 二维数组建立“解锁清单”（即当前课程学完后，能直接作为哪些后续课程的先决条件）。
状态剥离（BFS 层序推进）：始终从入度为 0（绝对安全、无任何前置门槛）的节点开始处理。处理完一个节点，就等同于从图中“抹除”这个节点及其发出的边。通过不断剥离外围无依赖的节点，最终根据成功剥离的节点总数来判定图中是否存在环。

2. 代码逻辑拆解

第一阶段：数据结构初始化与建图 (Graph Construction) 利用 vector<int> inDegree 和 vector<vector<int>> graph 分别作为入度表和邻接表。通过单层 for 循环遍历 prerequisites 数组：
- inDegree[prerequisites[i][0]]++：统计目标课程所需的前置门槛数。
- graph[prerequisites[i][1]].push_back(prerequisites[i][0])：构建由“先修课”指向“后续课”的有向边。
第二阶段：源点收集 (Initial Queue Setup) 遍历所有课程节点 0 到 numCourses - 1。寻找所有 inDegree[i] == 0 的节点（即初始状态下毫无门槛的新手课程），将其全部推入 queue 中，作为后续 BFS 遍历的物理起点。
第三阶段：拓扑排序主循环 (BFS Traversal) 主控循环 while (!q.empty()) 模拟了依次学习可解锁课程的过程：
- 节点出队与计数：取出队首课程 cur 视为“已修读”，并将累计通关计数器 count++。
- 依赖解除（传递效应）：获取当前课程的解锁清单 temp = graph[cur]，遍历该清单内的所有后续课程 temp[i]，将其对应的入度（门槛）减 1（inDegree[temp[i]]--）。
- 新源点入队：在门槛减 1 的瞬间进行判定，如果 inDegree[temp[i]] == 0，说明该后续课程的前置条件已全部满足，立刻将其推入队列 q 等待下一轮处理。
第四阶段：结果判定 (Cycle Detection Validation) 循环结束后，检查已修读的课程总数 count 是否与要求的总课程数 numCourses 相等。若相等，说明所有课程均成功解锁，图为无环图（返回 true）；若小于总数，说明剩下的课程因相互依赖形成死锁（有环），无法完成（返回 false）。

class Solution {
public:
    bool canFinish(int numCourses, vector<vector<int>>& prerequisites) {
        vector<int> inDegree(numCourses, 0);
        vector<vector<int>> graph(numCourses);
        queue<int> q;

        for (int i = 0; i < prerequisites.size(); i++) {
            inDegree[prerequisites[i][0]]++;
            graph[prerequisites[i][1]].push_back(prerequisites[i][0]);
        }

        for (int i = 0; i < numCourses; i++) {
            if (inDegree[i] == 0) {
                q.push(i);
            }
        }

        int count = 0;
        while (!q.empty()) {
            int cur = q.front();
            q.pop();
            
            count++;

            vector<int> temp = graph[cur];
            for (int i = 0; i < temp.size(); i++) {
                inDegree[temp[i]]--;
                if (inDegree[temp[i]] == 0) {
                    q.push(temp[i]);
                }
            }
        }

        if (count == numCourses) {
            return true;
        }
        return false;
    }
};

3. 复杂度分析

时间复杂度：**** $O(V + E)$

其中 $V$ 代表课程总数（节点数 numCourses）， $E$ 代表先决条件的总对数（边数 prerequisites.size()）。

构建邻接表和入度数组需遍历所有边缘，耗时 $O(E)$ ；寻找所有入度为 0 的节点需遍历所有顶点，耗时 $O(V)$ 。在 BFS 主循环中，每个节点最多入队、出队一次，其引出的每条边也只会被访问一次，耗时 $O(V + E)$ 。综上，整体时间复杂度为严格的线性的 $O(V + E)$ 。
空间复杂度：**** $O(V + E)$

主要的内存开销由建图数据结构承担。邻接表 graph 内部总共存储了 $E$ 个元素（有向边）；入度数组 inDegree 的大小为 $V$ 。在最坏情况下（例如所有图节点互相完全独立，或呈单一发散的星型结构），队列 q 的峰值大小可能趋近于 $V$ 。因此，整体内存消耗（空间复杂度）为 $O(V + E)$ 。

‍