作为程序员，当您处理这个问题时，有一个因素很突出:如果使用递归，那么深度优先搜索更容易实现，因为您不需要维护包含尚未探索的节点的额外数据结构。

如果你在节点中存储“已经访问过”的信息，下面是深度优先搜索非面向图:

def dfs(origin):                               # DFS from origin:
    origin.visited = True                      # Mark the origin as visited
    for neighbor in origin.neighbors:          # Loop over the neighbors
        if not neighbor.visited: dfs(neighbor) # Visit each neighbor if not already visited

如果将“已经访问过”的信息存储在单独的数据结构中:

def dfs(node, visited):                        # DFS from origin, with already-visited set:
    visited.add(node)                          # Mark the origin as visited
    for neighbor in node.neighbors:            # Loop over the neighbors
        if not neighbor in visited:            # If the neighbor hasn't been visited yet,
            dfs(neighbor, visited)             # then visit the neighbor
dfs(origin, set())

与此形成对比的是广度优先搜索，在广度优先搜索中，无论如何都需要为尚未访问的节点列表维护单独的数据结构。

因为深度优先搜索在处理节点时使用堆栈，所以DFS提供回溯。由于宽度优先搜索使用队列而不是堆栈来跟踪正在处理的节点，BFS不提供回溯。

BFS的一个重要优势是，它可以用于寻找未加权图中任意两个节点之间的最短路径。 然而，我们不能用DFS来做同样的事情。

当树的深度可以变化时，宽度优先搜索通常是最好的方法，并且您只需要搜索树的一部分来寻找解决方案。例如，寻找从起始值到最终值的最短路径是使用BFS的好地方。

深度优先搜索通常用于需要搜索整个树的情况。它比BFS更容易实现(使用递归)，并且需要更少的状态:BFS需要存储整个“边界”，DFS只需要存储当前元素的父节点列表。

一些算法依赖于DFS(或BFS)的特定属性来工作。例如，用于查找2连接组件的Hopcroft和Tarjan算法利用了这样一个事实，即DFS遇到的每个已经访问过的节点都位于从根节点到当前探索的节点的路径上。

这在很大程度上取决于搜索树的结构以及解的数量和位置(也就是搜索项)。

If you know a solution is not far from the root of the tree, a breadth first search (BFS) might be better. If the tree is very deep and solutions are rare, depth first search (DFS) might take an extremely long time, but BFS could be faster. If the tree is very wide, a BFS might need too much memory, so it might be completely impractical. If solutions are frequent but located deep in the tree, BFS could be impractical. If the search tree is very deep you will need to restrict the search depth for depth first search (DFS), anyway (for example with iterative deepening).

但这些只是经验法则;你可能需要尝试一下。

我认为在实践中，你通常不会以纯粹的形式使用这些算法。可能会有一些启发式方法，有助于首先探索搜索空间中有希望的部分，或者您可能希望修改搜索算法，以便能够有效地并行化它。