BFS的运行时间为O（b ^ d）
b是分支因子 d是起始节点的图形深度（级别＃）。
我用谷歌搜索了一段时间，但我仍然没有看到有人提到他们如何找出这个“b”
所以我知道分支因子意味着“每个节点拥有的孩子的数量”
例如，二叉树的分支因子是2。
因此对于BFS图，b =我们图中每个节点的所有分支因子的平均值。
或b = MAX（在每个节点的所有分支因子中）？
另外，无论我们采用哪种方式选择b，仍然看似模棱两可来接近我们的运行时间。 例如，如果我们的图表有30000个节点，则只有5个节点有10000个分支，其余29955个节点只有10个分支。我们的深度设置为100。
似乎O（b ^ d）在这种情况下没有意义。
有人可以解释一下。三江源！
答案 0 :(得分：5)
更经常引用的运行时是BFS是O（m + n），其中m是边数，n是节点数。这是因为每个顶点处理一次，每个边缘最多处理两次。
我认为在使用BFS时使用O（b ^ d），例如，强行进行国际象棋游戏，其中每个位置具有相对恒定的分支因子，并且您的引擎需要搜索一定数量的位置。例如，国际象棋的b约为35，深蓝的搜索深度为6-8（最多20）。
在这种情况下，因为图形是相对非循环的，所以b ^ d与m + n大致相同（它们对于树是相同的）。 O（b ^ d）更有用，因为b是固定的，d是你控制的东西。
答案 1 :(得分：2)
在图表 O（b ^ d）中， b = MAX 。因为这是最糟糕的情况。从princeton http://www.princeton.edu/~achaney/tmve/wiki100k/docs/Breadth-first_search.html查看此链接 - 转到时间复杂度部分
答案 2 :(得分：1)
引用Stuart Russel和Peter Norvig撰写的人工智能 - 现代方法：
时间和空间的复杂性总是考虑到问题难度的一些度量。在理论计算机科学中，典型的度量是状态空间图的大小，| V | + | E |，其中V是图形的顶点（节点）集合，E是边缘（链接）集合。当图形是输入到搜索程序的显式数据结构时，这是适当的。 （罗马尼亚的地图就是一个例子。）在AI中，图形通常由初始状态，动作和过渡模型隐式表示，并且通常是无限的。由于这些原因，复杂性以三个量表示：b，分支因子或任何节点的最大后继者数; d，最浅目标节点的深度（即沿着从根路径开始的步数）;和m，状态空间中任何路径的最大长度。时间通常根据搜索期间生成的节点数量来衡量，而空间则根据存储器中存储的最大节点数量来衡量。在大多数情况下，我们描述了在树上搜索的时间和空间复杂度;对于图形，答案取决于状态空间中路径的“冗余”。
这应该让你清楚地了解O（| V | + | E |）和b ^ d
之间的区别