{
  "id": "directed-acyclic-graph",
  "title": "有向无环图",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "有向无环图是边具有方向且不含有向环的图，用于表示有序依赖关系和概率关系。",
  "category": "mathematics",
  "subcategory": "discrete-logic",
  "type": "concept",
  "aliases": [
    "DAG"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/directed-acyclic-graph/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/directed-acyclic-graph/",
      "json": "https://aiwiki.page/en/directed-acyclic-graph.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "有向无环图（DAG）是不含有向环的有向图：沿着边所指示的方向前进，永远不会回到起始顶点。有向无环图是图论的研究对象，也广泛用于计算机科学，以表示先决条件、计算依赖等可以按一致的先后顺序排列的关系。每个有限有向无环图都存在拓扑序，因此可以依次处理其顶点，而不会遇到循环依赖。(algs4.cs.princeton.edu)"
    },
    {
      "heading": "定义与基本性质",
      "text": "有向图通常记为 \\(G=(V,E)\\)，其中 \\(V\\) 是顶点集合，\\(E\\subseteq V\\times V\\) 是由表示边的有序对组成的集合。边 \\((u,v)\\) 记作 \\(u\\to v\\)，表示从 \\(u\\) 指向 \\(v\\)。有向路径沿各条边指定的方向依次前进；有向环则会回到起始顶点。有向无环图排除了所有这类环，包括自环 \\(v\\to v\\)。除非另有说明，关于算法的讨论均针对有限图。(algs4.cs.princeton.edu)\n\n顶点的入度是指向该顶点的边数，出度则是从该顶点出发的边数。入度为零的顶点称为源点，出度为零的顶点称为汇点。每个非空的有限有向无环图都至少有一个源点和一个汇点。从某个顶点可达的顶点称为它的后代，而能够到达该顶点的顶点称为它的祖先。这些术语所指的是路径关系，而不只是直接相连的边。(networkx.org)\n\n无环性取决于边的方向，而不是图画出来的外观。例如，边 \\(A\\to B\\)、\\(B\\to C\\) 和 \\(A\\to C\\) 构成一个有向无环图，尽管忽略方向后，它们形成了一个无向三角形。有向无环图不一定连通，也不一定只有一个源点。(networkx.org)"
    },
    {
      "heading": "拓扑序",
      "text": "拓扑序是一种顶点排列，使每条边都从排列中较靠前的顶点指向较靠后的顶点。有限有向图存在这种排列，当且仅当它是无环的。拓扑序不一定唯一：依赖关系未限定相对次序的顶点，可以出现在不同位置。因此，有向无环图规定的是先后约束，而不一定规定唯一的执行顺序。(algs4.cs.princeton.edu)\n\n一种算法反复选择一个源点，将其追加到排列中，并删除它的所有出边。由此产生的新源点也可供后续选择。如果已无源点可选，但仍有顶点尚未处理，那么剩余图中就包含有向环。另一种方法使用深度优先搜索：检查并确认不存在环后，按搜索完成时间的逆序排列顶点。(algs4.cs.princeton.edu)\n\n采用邻接表时，两种方法的时间复杂度均为 \\(O(|V|+|E|)\\)，这里使用了大O记号。逐个移除源点也为拓扑序定理提供了构造性的解释：当且仅当没有有向环阻碍这一过程时，才能不断选择源点，直到所有顶点都被处理。(networkx.org)"
    },
    {
      "heading": "可达性与偏序",
      "text": "有向无环图将图结构与偏序联系起来。定义 \\(u\\preceq v\\) 表示 \\(u=v\\)，或存在一条从 \\(u\\) 到 \\(v\\) 的有向路径。这个二元关系具有自反性和传递性；它也具有反对称性，因为如果两个不同顶点之间在两个方向上都存在路径，就会形成环。若两个顶点之间在任一方向上都不存在路径，则它们不可比。拓扑序将这一偏序扩展为线性序。(courses.csail.mit.edu)\n\n传递闭包记录可达性所蕴含的全部关系：只要存在从 \\(u\\) 到 \\(v\\) 的正长度路径，就加入边 \\(u\\to v\\)。传递约简则删除冗余边，同时保持可达性不变。有限有向无环图的传递约简是唯一的。在前述三角形示例中，\\(A\\to C\\) 是冗余边，因为 \\(A\\to B\\to C\\) 已经确立了相同的先后关系。传递约简保留可达性，但不一定保留边权或直接依赖信息。(networkx.org)"
    },
    {
      "heading": "路径算法与依赖调度",
      "text": "拓扑序可用于动态规划，因为处理某个顶点之前，其前驱顶点的计算结果已经可用。对于单源最短路径问题，先将起点的距离初始化为零，其他顶点的距离初始化为无穷大。然后按拓扑序处理顶点，并对每条出边进行松弛：\n\n\\[d(v)\\leftarrow\\min\\{d(v),\\,d(u)+w(u,v)\\}.\\]\n\n每条边只需检查一次，因此包括计算拓扑序在内，总运行时间为 \\(O(|V|+|E|)\\)。边权可以为负，因为图中不存在有向环，因而也不存在负权环。(cs.princeton.edu)\n\n同样，将最小化改为最大化，并将不可达顶点的距离初始化为负无穷大，就可以计算最长路径。这为关键路径法提供了支持，该方法用于调度具有持续时间和先后约束的任务。在处理器数量不受限制且没有其他资源约束的模型下，最长的依赖路径决定了最短完成时间。当资源有限而引入额外约束时，仅凭拓扑序并不能确定最优调度方案。(algs4.cs.princeton.edu)"
    },
    {
      "heading": "概率模型与计算模型",
      "text": "在贝叶斯网络中，有向无环图的顶点代表随机变量，图结构则编码了条件独立假设。结合各变量的局部条件分布，它通过下式表示一个联合概率分布：\n\n\\[P(X_1,\\ldots,X_n) =\\prod_{i=1}^{n}P\\!\\left(X_i\\mid\\operatorname{Pa}(X_i)\\right),\\]\n\n其中，\\(\\operatorname{Pa}(X_i)\\) 表示 \\(X_i\\) 的父节点。d分离这一图判据可识别该分解所蕴含的独立性关系。图中的箭头并不意味着在所有可能的参数取值下都存在统计依赖。(cs.cmu.edu)\n\n有向无环图也用于表示自动微分中的计算图。前向计算时，各项运算依赖先前得到的值；反向传播则沿这些依赖关系反向遍历，运用链式法则累积导数。共享中间结果使同一个计算值能够用于多个后续运算，而无需重复计算。这里的无环性针对的是实际执行的计算所记录的依赖关系，即使生成这次计算的程序本身包含循环，也不受影响。(docs.pytorch.org)"
    }
  ],
  "links": [
    "directed-graph",
    "graph-theory",
    "computer-science",
    "algorithm",
    "depth-first-search",
    "time-complexity",
    "big-o-notation",
    "partial-order",
    "binary-relation",
    "transitive-closure",
    "dynamic-programming",
    "shortest-path-problem",
    "bayesian-network",
    "random-variable",
    "conditional-independence",
    "joint-probability-distribution",
    "d-separation",
    "automatic-differentiation",
    "computational-graph",
    "backpropagation",
    "chain-rule"
  ],
  "sources": [
    {
      "title": "algs4.cs.princeton.edu/42digraph/",
      "url": "https://algs4.cs.princeton.edu/42digraph/"
    },
    {
      "title": "networkx.org/documentation/stable/_modules/networkx/algorithms/dag.html",
      "url": "https://networkx.org/documentation/stable/_modules/networkx/algorithms/dag.html"
    },
    {
      "title": "networkx.org/documentation/networkx-2.6/reference/algorithms/generated/networkx…",
      "url": "https://networkx.org/documentation/networkx-2.6/reference/algorithms/generated/networkx.algorithms.dag.transitive_reduction.html"
    },
    {
      "title": "courses.csail.mit.edu/6.042/past-devel/archive/spring00/archive/lectures/L06.pdf",
      "url": "https://courses.csail.mit.edu/6.042/past-devel/archive/spring00/archive/lectures/L06.pdf"
    },
    {
      "title": "cs.princeton.edu/courses/archive/fall20/cos226/lectures/DynamicProgramming.pdf",
      "url": "https://www.cs.princeton.edu/courses/archive/fall20/cos226/lectures/DynamicProgramming.pdf"
    },
    {
      "title": "algs4.cs.princeton.edu/code/javadoc/edu/princeton/cs/algs4/AcyclicLP.html",
      "url": "https://algs4.cs.princeton.edu/code/javadoc/edu/princeton/cs/algs4/AcyclicLP.html"
    },
    {
      "title": "cs.cmu.edu/~epxing/Class/10708-19/notes/lecture-02/",
      "url": "https://www.cs.cmu.edu/~epxing/Class/10708-19/notes/lecture-02/"
    },
    {
      "title": "docs.pytorch.org/docs/main/notes/autograd.html",
      "url": "https://docs.pytorch.org/docs/main/notes/autograd.html"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}