本文记录如何通过拓扑排序，实现循环依赖判断
前言
一般提到循环依赖，首先想到的就是Spring框架提供的Bean的循环依赖检测，相关文档可参考：
https://blog.csdn.net/cristianoxm/article/details/113246104
本文方案脱离Spring Bean的管理，通过算法实现的方式，完成对象循环依赖的判断，涉及的知识点包括：邻接矩阵图、拓扑排序、循环依赖。本文会着重讲解技术实现，具体算法原理不再复述
概念释义1. 什么是邻接矩阵?
这里要总结的邻接矩阵是关于图的邻接矩阵；图的邻接矩阵（Adjacency Matrix）存储方式是用两个数组来表示图；一个一维数组存储图中顶点信息，一个二维数组（称为邻接矩阵）存储图中的边或弧的信息；
图分为有向图和无向图，其对应的邻接矩阵也不相同，无向图的邻接矩阵是一个对称矩阵，就是一个对称的二位数组，a[i][j] = a[j][i];
邻接矩阵可以清楚的知道图的任意两个顶点是否有边；方便计算任意顶点的度（包括有向图的出度和入度）；可以直观的看出任意顶点的邻接点；
本案例中，有向邻接矩阵图为进行拓扑排序的必要条件之一,其次为有向邻接矩阵图每个顶点的入度
2. 邻接矩阵的存储结构?
vexs[MAXVEX]这是顶点表；
arc[MAXVEX][MAXVEX]这是邻接矩阵图，也是存储每条边信息的二维数组。数组的索引是边的两个顶点，数组的数据是边的权值；
numVertexes, numEdges分别为图的顶点数和边数。
3. 有向邻接矩阵图顶点的入度?
在有向图中，箭头是具有方向的，从一个顶点指向另一个顶点，这样一来，每个顶点被指向的箭头个数，就是它的入度。从这个顶点指出去的箭头个数，就是它的出度
邻接矩阵的行号即代表箭头的出发结点，列号是箭头的指向结点，所以矩阵中同一行为1的表示有从第i个结点指向第j个结点这样一条边，而在同列为1就代表第j个结点被第i个结点指向，因此要求顶点的入度或出度，只需要判断同列为1的个数或同行为1的个数
4. 什么是拓扑排序?
拓扑排序的要素：
1.有向无环图；
2.序列里的每一个点只能出现一次；
3.任何一对 u 和 v ，u 总在 v 之前（这里的两个字母分别表示的是一条线段的两个端点，u 表示起点，v 表示终点）；
根据拓扑排序的要素，可通过其有向无环来判断对象依赖是否存在循环。若对象组成的图可完成拓扑排序，则该对象图不存在环，即对象间不存在循环依赖。
拓扑排序除了通过有向邻接矩阵图实现外，还可以通过深度优先搜索（DFS）来实现。本案例中仅讲解前者。
5. 什么是循环依赖?
简单解释如下，若存在两个对象，若A创建需要B，B创建需要A，这两个对象间互相依赖，就构成了最简单的循环依赖关系。
编程示例1. 对象实体
@Builder@NoArgsConstructor@AllArgsConstructor@Getter@Setter@ToStringpublic class RelationVo implements Serializable { /** * 唯一标识 */ private String uniqueKey; /** * 关联唯一标识集合 */ private List combinedUniqueKeys;}2. 对象集合转换为有向邻接矩阵图
/** * 将List集合转换为邻接矩阵图的二维数组形式 * * @param sourceList * @return */ public static int[][] listToAdjacencyMatrixDiagram(List sourceList) { List distinctRelationVoList = new ArrayList(sourceList); List keyCollect = distinctRelationVoList.stream().map(RelationVo::getUniqueKey).collect(Collectors.toList()); for (RelationVo vo : sourceList) { vo.getCombinedUniqueKeys().forEach(child -> { if (!keyCollect.contains(child)) { // 若叶子节点不在集合中,补充List集合中单独叶子节点,目的是完成提供邻接矩阵图计算的入参 keyCollect.add(child); RelationVo build = RelationVo.builder().uniqueKey(child).build(); distinctRelationVoList.add(build); } }); } // 顶点数:对象中出现的全部元素总数 int vertexNum = keyCollect.size(); /* * 初始化邻接矩阵图的边的二维数组,1表示有边 0表示无边 权重均为1 * 其中数组下标为边的两个顶点,数组值为对象边的权值(权值=是否有边*权重) */ int[][] edges = new int[vertexNum][vertexNum]; // 计算邻接矩阵图 for (int i = 0; i < vertexNum; i++) { RelationVo colVo = distinctRelationVoList.get(i); List colUniqueKeys = colVo.getCombinedUniqueKeys(); for (int j = 0; j < vertexNum; j++) { RelationVo rowVo = distinctRelationVoList.get(j); String rowVertex = rowVo.getUniqueKey(); if (CollUtil.isNotEmpty(colUniqueKeys)) { if (colUniqueKeys.contains(rowVertex)) { edges[i][j] = 1; } else { edges[i][j] = 0; } } } } return edges; } 3. 计算邻接矩阵图顶点的入度
/** * 返回给出图每个顶点的入度值 * * @param adjMatrix 给出图的邻接矩阵值 * @return */ public static int[] getSource(int[][] adjMatrix) { int len = adjMatrix[0].length; int[] source = new int[len]; for (int i = 0; i < len; i++) { // 若邻接矩阵中第i列含有m个1，则在该列的节点就包含m个入度，即source[i] = m int count = 0; for (int j = 0; j < len; j++) { if (adjMatrix[j][i] == 1) { count++; } } source[i] = count; } return source; } 4. 对邻接矩阵图进行拓扑排序
/** * 拓扑排序,返回给出图的拓扑排序序列 * 拓扑排序基本思想： * 方法1：基于减治法：寻找图中入度为0的顶点作为即将遍历的顶点，遍历完后，将此顶点从图中删除 * 若结果集长度等于图的顶点数,说明无环;若小于图的顶点数,说明存在环 * * @param adjMatrix 给出图的邻接矩阵值 * @param source 给出图的每个顶点的入度值 * @return */ public static List topologySort(int[][] adjMatrix, int[] source) { // 给出图的顶点个数 int len = source.length; // 定义最终返回路径字符数组 List result = new ArrayList(len); // 获取入度为0的顶点下标 int vertexFound = findInDegreeZero(source); while (vertexFound != -1) { result.add(vertexFound); // 代表第i个顶点已被遍历 source[vertexFound] = -1; for (int j = 0; j < adjMatrix[0].length; j++) { if (adjMatrix[vertexFound][j] == 1) { // 第j个顶点的入度减1 source[j] -= 1; } } vertexFound = findInDegreeZero(source); } //输出拓扑排序的结果 return result; } /** * 找到入度为0的点,如果存在入度为0的点，则返回这个点；如果不存在，则返回-1 * * @param source 给出图的每个顶点的入度值 * @return */ public static int findInDegreeZero(int[] source) { for (int i = 0; i < source.length; i++) { if (source[i] == 0) { return i; } } return -1; } 5. 检查集合是否存在循环依赖
/** * 检查集合是否存在循环依赖 * * @param itemList */ public static void checkCircularDependency(List itemList) throws Exception { if (CollUtil.isEmpty(itemList)) { return; } // 计算邻接矩阵图的二维数组 int[][] edges = listToAdjacencyMatrixDiagram(itemList); // 计算邻接矩阵图每个顶点的入度值 int[] source = getSource(edges); // 拓扑排序得到拓扑序列 List topologySort = topologySort(edges, source); if (source.length == topologySort.size()) { // 无循环依赖 return; } else { // 序列集合与顶点集合大小不一致,存在循环依赖 throw new Exception("当前险种关系信息存在循环依赖,请检查"); } }单测用例1. 测试物料-无循环依赖
示例JSON Array结构(可完成拓扑排序):[{ "uniqueKey":"A", "combinedUniqueKeys":[ "C", "D", "E" ]},{ "uniqueKey":"B", "combinedUniqueKeys":[ "D", "E" ]},{ "uniqueKey":"D", "combinedUniqueKeys":[ "C" ]}]2. 测试物料-存在循环依赖
示例JSON Array结构(不可完成拓扑排序):[{ "uniqueKey":"A", "combinedUniqueKeys":[ "C", "D", "E" ]},{ "uniqueKey":"B", "combinedUniqueKeys":[ "D", "E" ]},{ "uniqueKey":"D", "combinedUniqueKeys":[ "C" ]},{ "uniqueKey":"C", "combinedUniqueKeys":[ "B" ]}]3. 单测示例
@Slf4jpublic class CircularDependencyTest { /** * 针对集合信息判断该集合是否存在循环依赖 */ @Test void testCircularDependencyList() throws Exception { String paramInfo = "[{\"uniqueKey\":\"A\",\"combinedUniqueKeys\":[\"C\",\"D\",\"E\"]},{\"uniqueKey\":\"B\",\"combinedUniqueKeys\":[\"D\",\"E\"]},{\"uniqueKey\":\"D\",\"combinedUniqueKeys\":[\"C\"]}]"; // 序列化 List list = JSONArray.parseArray(paramInfo, RelationVo.class); TopologicalSortingUtil.checkCircularDependency(list); }}作者：京东保险侯亚东