{"componentChunkName":"component---src-templates-post-jsx","path":"/[Algorithm]graph/","result":{"data":{"site":{"siteMetadata":{"title":"SUbbb"}},"markdownRemark":{"id":"b0e662c4-8dab-58b1-8e34-76fd1f26ad52","excerpt":"📖 그래프 계층적인 구조보다 좀 더 일반적이고 강력한 자료 구조, 사물이나 개념 간의 연결 구조\nex. 여러 도시들을 연결하는 도로망, 사람들 간의 지인 관계, 웹 사이트 간의 링크 트리에 있었던 부모 자식 관계에 대한 제약이 없어 좀 더 다양하고 자유로운 구조 표현이 가능하다. 💡 정의 그래프 G(V, E)는 어떤 자료나 개념을 표현하는 정점(verte…","html":"<h1>📖 그래프</h1>\n<p>계층적인 구조보다 좀 더 일반적이고 강력한 자료 구조, 사물이나 개념 간의 연결 구조\nex. 여러 도시들을 연결하는 도로망, 사람들 간의 지인 관계, 웹 사이트 간의 링크</p>\n<p><strong>트리</strong>에 있었던 부모 자식 관계에 대한 제약이 없어 좀 더 다양하고 자유로운 구조 표현이 가능하다.</p>\n<hr>\n<h2>💡 정의</h2>\n<p>그래프 G(V, E)는 어떤 자료나 개념을 표현하는 정점(vertex)들의 집합 V와 이들을 연결하는 간선(edge)들의 집합 E로 구성된 자료 구조</p>\n<ul>\n<li>정점의 위치 정보나 간선의 순서 등은 그래프의 정의에 포함되지 않는다.</li>\n</ul>\n<hr>\n<h2>💡 종류</h2>\n<p>표현하고자 하는 대상에 따라 여러 가지 변형된 형태를 가질 수 있다.</p>\n<h3>방향 그래프(directed graph) or 유향 그래프</h3>\n<p>각 간선이 “방향” 이라는 새로운 속성을 가진다. 즉, 방향에 따라 새로운 간선으로 분류된다.\nex. 사람들 간의 짝사랑 관계, 도로에서의 일방 통행 등</p>\n<blockquote>\n<p><strong>무향 그래프(undirected graph)</strong>\n간선에 방향이 없는 그래프</p>\n</blockquote>\n<h3>가중치 그래프(weighted graph)</h3>\n<p>각 간선에 “가중치” 라는 실수 속성이 추가된다.\nex. 두 도시 사이의 거리, 두 물건 사이의 교환 비율 등</p>\n<blockquote>\n<p>최소 스패닝 트리와 최단 경로 문제에서 중요한 개념으로 사용된다!</p>\n</blockquote>\n<h3>다중 그래프(multigraph)</h3>\n<p>두 정점 사이에 두 개 이상의 간선이 있을 수 있는 그래프</p>\n<h3>단순 그래프(simple graph)</h3>\n<p>두 정점 사이에 최대 한 개의 간선만 있는 그래프</p>\n<blockquote>\n<p>📍 트리 or 루트 없는 트리(unrooted tree)는 부모 자식 관계가 없을 뿐, 간선들의 연결 관계만을 보면 <strong>무향 그래프</strong>이다.\n즉, 간선을 통해 두 정점을 잇는 방법이 딱 하나뿐임을 의미한다.</p>\n</blockquote>\n<h3>이분 그래프(bipartite graph)</h3>\n<p>그래프의 정점들을 겹치지 않는 두 개의 그룹으로 나눠서 서로 다른 그룹에 속한 정점들 간에만 간선이 존재하도록 만들 수 있는 그래프\nex. 하트 시그널과 같은 프로그램에서의 사랑의 작대기</p>\n<ul>\n<li>같은 그룹의 정점들 간에는 간선이 없다.</li>\n</ul>\n<h3>사이클 없는 방향 그래프(directed acyclic graph) = DAG</h3>\n<p>한 점에서 출발해 다시 자기 자신으로 돌아오는 경로가 없는, 즉 <strong>cycle이 없는</strong> 방향 그래프\nex. 여러 작업들 간의 상호 의존 관계</p>\n<ul>\n<li>간선의 방향을 무시할 경우 cycle이 존재할 수도 있다.</li>\n</ul>\n<hr>\n<h2>💡 경로</h2>\n<p>끝과 끝이 서로 연결된 간선들을 순서대로 나열한 것</p>\n<h3>단순 경로</h3>\n<p>경로 중 한 정점을 최대 한 번만 지나는 경로</p>\n<h3>사이클(cycle)</h3>\n<p>시작한 점에서 끝나는 경로</p>\n<hr>\n<h2>💡 표현 방법</h2>\n<p>여러 객체들이 서로 연결되어 있다는 점은 트리와 큰 차이가 없다.</p>\n<ul>\n<li>각 정점을 객체로 표현</li>\n<li>각 객체가 자신과 간선으로 연결된 정점들에 대한 정보의 목록을 저장</li>\n</ul>\n<p><strong>대다수의 경우, 그래프는 트리에 비해 훨씬 정적인 용도로 사용된다.</strong></p>\n<ul>\n<li>새로운 정점이나 간선을 추가하고 삭제하는 일이 자주 일어나지 않는다는 의미</li>\n<li>따라서, 구조의 변경이 어렵더라도 <strong>좀 더 간단하고 메모리를 적게 차지하는 방법으로 구현</strong>한다.</li>\n</ul>\n<h3>간단한 방법</h3>\n<ol>\n<li>그래프의 정점들을 객체의 instance로 표현하는 대신 각 정점에 0부터 시작하는 번호를 붙이고,</li>\n<li>배열에 각 정점의 정보를 저장</li>\n<li>간선은 반대쪽 정점의 번호를 저장하는 방식으로 구현</li>\n</ol>\n<h3>인접 리스트</h3>\n<p>그래프의 각 정점마다 해당 정점에서 나가는 간선이 목록을 저장하는 방식\n→ <strong>그래프는 각 정점마다 하나의 연결 리스트를 갖는 방식으로 구현</strong></p>\n<p><strong><code class=\"language-text\">Java</code></strong> ⇢ List 내부에 동적 List를 선언하여 처리하고 해당 node와 cost를 List처럼 처리하는 경우가 많기 때문에, 이를 관리하기 위한 Class를 선언하여 사용한다.</p>\n<deckgo-highlight-code language=\"java\" terminal=\"carbon\" theme=\"a11y-dark\" line-numbers=\"true\"  >\n          <code slot=\"code\">class Node {\n\tint node;\n\tint cost;\n\t\n\tNode (int node, int cost) {\n\t\tthis.node = node;\n\t\tthis.cost = cost;\n\t}\n}</code>\n        </deckgo-highlight-code>\n<blockquote>\n<p><strong>단점</strong>\n두 정점이 주어질 때 이 정점이 연결되어 있는지를 알기 위해서는 모든 연결 리스트를 일일이 탐색해야 한다는 것\n→ 이와 같은 연산속도를 높이기 위해 <strong>인접 행렬 (adjacency matrix)</strong> 표현 방식을 사용</p>\n</blockquote>\n<h3>인접 행렬</h3>\n<p>2차원 배열을 이용해 그래프의 간선 정보를 저장\nex. 1 → 2 ⇢ <code class=\"language-text\">graph[1][2] = true or cost</code>\n→ 가장 간단한 형태의 경우, 2차원 <code class=\"language-text\">boolean</code> 값 배열</p>\n<h3>두 방식의 비교</h3>\n<p>두 방식은 정반대의 특징을 가져, 서로의 단점이 서로의 장점이 된다.\n<strong>메모리 공간 측면</strong>과 <strong>탐색 시간 측면</strong>으로 나뉜다.</p>\n<h4>인접 리스트의 장점</h4>\n<ul>\n<li>\n<p>|V| 개의 연결 리스트에 실제 간선 수만큼의 원소만 존재하기에 O(|V|+|E|) 크기의 공간만 사용한다.</p>\n<h4>인접 리스트의 단점</h4>\n</li>\n<li>\n<p>정점의 번호가 주어진 경우, 두 정점을 잇는 간선의 존재를 알기 위해서는 모든 연결 리스트를 탐색해야 한다.</p>\n<h4>인접 행렬의 장점</h4>\n</li>\n<li>\n<p>정점의 번호가 주어진 경우, 두 정점을 잇는 간선의 존재를 한 번의 배열 접근만으로 알 수 있다.</p>\n<h4>인접 행렬의 단점</h4>\n</li>\n<li>항상 정점 집합 전체를 저장하기 위한 2차원 배열을 사용하기 때문에, 항상 O(|V|^2) 크기의 공간을 사용해야 한다. </li>\n</ul>\n<blockquote>\n<p>간선의 수가 |V|^2에 비해 훨씬 적은 그래프: 희소 그래프(sparse graph) ⇢ 인접 리스트\n간선의 수가 |V|^2에 거의 비례하는 그래프: 밀집 그래프(dense graph) ⇢ 인접 행렬</p>\n</blockquote>\n<hr>\n<h2>📖 깊이 우선 탐색 (DFS)</h2>\n<p>그래프의 모든 정점을 발견하는 가장 단순하고 고전적인 방법으로, 현재 정점에서 다음 가지로 넘어가기 전에, <strong>해당 가지를 모두 탐색하는 방법</strong>이다.</p>\n<ol>\n<li>현재 정점과 인접한 간선들을 하나씩 검사</li>\n<li>아직 방문하지 않은 정점으로 향하는 간선이 있다면 그 간선을 탐색</li>\n<li>더 이상 갈 곳이 없는 경우, 마지막에 따라왔던 간선을 따라 뒤로 돌아감</li>\n</ol>\n<p>DFS에서 가장 중요한 특징은 <strong>3번</strong>이다.\n이를 위해서 지금까지 거쳐온 정점들을 저장해야 하는데, <strong>재귀 호출</strong>을 이용하여 간단하게 구현할 수 있다.</p>\n<blockquote>\n<p><strong>주의할 점</strong>\n그래프의 모든 정점들이 간선으로 연결되지 않은 경우가 있을 수 있다.\n이때도 모든 정점들을 볼 수 있는 코드를 작성할 수 있어야 한다.</p>\n</blockquote>\n<h3>💡 시간 복잡도</h3>\n<h4>인접 리스트를 사용하는 경우</h4>\n<ul>\n<li>한 정점마다 <code class=\"language-text\">DFS()</code> 는 한 번씩 호출 → |V| 번</li>\n<li>O(|V| + |E|)</li>\n</ul>\n<h4>인접 행렬을 사용하는 경우</h4>\n<ul>\n<li><code class=\"language-text\">DFS()</code> 의 호출횟수는 인접 리스트와 동일하게 |V| 번</li>\n<li>다른 모든 정점을 순회하며 두 정점 사이에 간선이 있는가를 확인하므로 한 번에 O(|V|) 시간이 소모</li>\n<li>O(|V|^2)</li>\n</ul>\n<h3>💡 위상 정렬</h3>\n<p>의존성이 있는 작업들이 주어질 때, 이들을 어떤 순서로 수행해야 하는지 계산</p>\n<p><strong>의존성 그래프(dependency graph)</strong>\n각 작업을 정점으로 표현하고, 작업 간의 의존 관계를 간선으로 표현한 방향 그래프\n→ cycle이 없는 방향 그래프, 즉 DAG</p>\n<h4>위상 정렬</h4>\n<p>의존성 그래프의 모든 의존성이 만족되려면, 모든 간선이 왼쪽에서 오른쪽으로 가야 하는데, 이를 위해 <strong>DAG의 정점을 배열하는 문제</strong></p>\n<p><strong>직관적인 방법</strong></p>\n<ul>\n<li>들어오는 간선이 하나도 없는 정점을 탐색</li>\n<li>정렬 결과에 이어 붙이기</li>\n<li>그래프에서 해당 정점을 삭제\n위 과정을 반복</li>\n</ul>\n<p>이를 <code class=\"language-text\">DFS</code> 를 이용해 해결할 수 있다.</p>\n<ul>\n<li>한 정점에 대한 <code class=\"language-text\">DFS()</code> 가 종료될 때마다 현재 정점의 번호를 기록</li>\n<li>모든 탐색이 끝난 후, 정점 번호들을 뒤집으면 위상 정렬 결과</li>\n</ul>\n<h3>💡 이론적 배경과 응용</h3>\n<h4>깊이 우선 탐색과 간선의 분류</h4>\n<p>깊이 우선 탐색을 수행하면 그 과정에서 그래프의 모든 간선을 한 번씩은 만나게 되는데, 일부 간선만이 처음 발견한 정점과 연결되어 있기에 이를 따라가게 된다.\n! 하지만 여기서, 무시되는 간선들을 통해 그래프의 구조에 대한 정보를 알 수 있다.</p>\n<p>어떠한 그래프에 대한 깊이 우선 탐색 시, 탐색이 따라가는 일부 간선들만 모아보면 <strong>“트리”</strong> 형태를 띄게 된다.\n→ 이와 같이 얻어진 트리를 <strong>깊이 우선 탐색 스패닝 트리</strong> 혹은 <strong>DFS 스패닝 트리</strong> 라고 한다.</p>\n<p><strong>간선의 분류</strong></p>\n<ul>\n<li>트리 간선(tree edge) : 스패닝 트리에 포함된 간선</li>\n<li>순방향 간선(forward edge) : 스패닝 트리의 선조에서 자손으로 연결되었지만 트리 간선이 아닌 간선</li>\n<li>역방향 간선(back edge) : 스패닝 트리의 자손에서 선조로 연결되는 간선</li>\n<li>교차 간선(cross edge) : 위의 세 간선이 아닌 간선, 선조와 자손 관계가 아닌 정점들 간 연결된 간선</li>\n</ul>\n<blockquote>\n<p><strong>어떠한 순서로 정점을 방문하느냐</strong>에 따라 서로 다른 트리가 될 수도 있고, 간선에 대한 분류가 달라질 수도 있다.</p>\n</blockquote>\n<p><strong>무향 그래프 간선의 분류</strong>\n무향 그래프의 모든 간선은 양방향으로 통행 가능하기 때문에 <strong>교차 간선이 있을 수 없다.</strong>\n또한, 순방향 간선과 역방향 간선의 구분도 존재하지 않는다.</p>\n<blockquote>\n<p><strong>사이클 존재 여부 확인</strong>\n간선 구분을 이용하여 방향 그래프에서 사이클이 존재하는지 여부를 판단할 수 있다.\n→ 역방향 간선의 존재 여부와 동일한 문제</p>\n</blockquote>\n<h5>간선을 구분하는 방법</h5>\n<p>가장 구분하기 쉬운 간선은 트리 간선이다.\n간선 (u, v)를 검사했을 때, v가 방문된 적이 없다면 이는 “트리 간선”이 된다.\n하지만 v가 방문된 이후였다면, 부모인지 자손인지 알 수 있는 방법이 없다.\n그래서 추가적인 정보를 저장하고 이를 통해 부모 자손 관계를 파악할 수 있어야 한다.</p>\n<ul>\n<li>각 정점을 방문할 때, 이 정점이 방문되었다는 사실 = <code class=\"language-text\">visited</code></li>\n<li>이 정점이 몇번째로 발견되었는지 = <code class=\"language-text\">discovered</code></li>\n</ul>\n<p><strong>간선 (u, v)에서 u와 v의 방문 순서</strong></p>\n<ul>\n<li>순방향 간선이라면, v는 u의 자손이어야 한다.</li>\n<li>역방향 간선이라면, v는 u의 선조여야 한다.</li>\n<li>교차 간선이라면, dfs(v)가 종료한 후 dfs(u)가 호출되어야 한다.</li>\n</ul>\n<p>위 경우 중, 발견 순서 정보를 토대로 순방향 간선에 대한 구분은 가능하지만, 역방향 간선과 교차 간선에 대한 구분은 여전히 불가능하다.\n그래서, <strong>dfs(v)의 종료 여부</strong> 또한 확인해주어야 한다.</p>\n<hr>\n<h2>📖 너비 우선 탐색 (BFS)</h2>\n<p>깊이 우선 탐색과 함께 가장 널리 사용되는 그래프 탐색 알고리즘으로, \"다익스트라의 최단 거리 알고리즘\"이나 \"프림의 최소 스패닝 트리 알고리즘\" 등에 사용된다.</p>\n<p><strong>”시작점에서 최소 거리 기준으로 가까운 정점부터 순서대로 방문하는 탐색 알고리즘”으로, 최소 비용을 구할 때 적합하다.</strong></p>\n<ol>\n<li>각 정점을 방문할 때마다 모든 인접 정점들을 검사</li>\n<li>이 중 처음 보는 정점을 발견하면 방문 예정이라고 기록하고 별도의 위치에 저장(<code class=\"language-text\">Queue</code>)</li>\n<li>인접한 정점을 모두 검사하고 나면, 지금까지 저장한 목록에서 다음 정점을 꺼내서 방문</li>\n</ol>\n<blockquote>\n<p>너비 우선 탐색의 방문 순서는 <strong>정점의 목록에서 어떤 정점을 먼저 꺼내는지에 의해 결정</strong></p>\n</blockquote>\n<p>위에서 언급한 <strong>“별도의 위치”</strong> 는 먼저 들어온 정점을 먼저 꺼내야 하는 특성을 가져야 하므로, <strong><code class=\"language-text\">Queue</code></strong> 를 사용하여 해당 조건을 만족시킨다.</p>\n<p>깊이 우선 탐색과 달리 너비 우선 탐색에서는 발견과 방문이 같지 않다.\n따라서 모든 정점은 </p>\n<ul>\n<li>아직 발견되지 않은 상태</li>\n<li>발견되었지만 아직 방문되지는 않은 상태 (<code class=\"language-text\">Queue</code> 에 저장된 상태)</li>\n<li>방문된 상태\n로 3가지 상태를 가질 수 있다.</li>\n</ul>\n<p>깊이 우선 탐색에서처럼, 새 정점을 발견하는 데 사용했던 간선들만을 모은 트리를 <strong>너비 우선 탐색 스패닝 트리(BFS Spanning Tree)</strong>라고 한다.</p>\n<h3>💡 시간 복잡도</h3>\n<p>모든 정점을 한 번씩 방문하며, 정점을 방문할 때마다 인접한 모든 간선을 검사하기 때문에, <strong>깊이 우선 탐색과 동일</strong>하다.</p>\n<h3>💡 너비 우선 탐색과 최단 거리</h3>\n<p><strong>그래프에서의 최단 경로 문제를 해결</strong>하는데 주로 사용된다.</p>\n<p>너비 우선 탐색 알고리즘을 간단하게 변경해 모든 정점에 대해 시작점으로부터의 거리 <code class=\"language-text\">distance[]</code> 를 계산하도록 할 수 있다.</p>\n<ul>\n<li>탐색 과정에서 간선 (u, v)를 통해 정점 v를 처음 발견해 <code class=\"language-text\">Queue</code> 에 넣는다고 가정</li>\n<li>시작점으로부터 v까지의 최단 거리 <code class=\"language-text\">distance[v]</code> 는 시작점으로부터 u까지의 최단 거리 <code class=\"language-text\">distance[u]</code> +1\n이는 곧 시작점으로부터 다른 모든 정점까지의 최단 경로를 너비 우선 탐색 스패닝 트리 (BFS Spanning Tree) 에서 찾을 수 있다는 것을 의미한다.</li>\n</ul>\n<h3>💡 양방향 탐색</h3>\n<p>두 정점 사이의 최단 경로를 찾을 때 사용할 수 있는 테크닉\n시작 정점에서 시작하는 <strong>정방향 탐색</strong>과 목표 정점에서 시작해 거꾸로 올라오는 <strong>역방향 탐색</strong>을 동시에 하면서, 이 둘이 가운데서 만나면 종료</p>\n<p>이를 코드로 구현하려면,\n정방향과 역방향 탐색에서 방문해야 할 정점들을 모두 같은 <code class=\"language-text\">Queue</code> 에 저장하되, 최단 거리를 저장할 때 정방향은 <strong>양수</strong>, 역방향은 <strong>음수</strong>로 저장한다.\n인접한 상태 검사 시, 서로 부호가 다르다면 가운데서 만났음을 파악할 수 있다.</p>\n<p>양방향 탐색은 너비 우선 탐색보다 훨씬 적은 정점만을 방문하고도 최단 경로를 찾을 수 있어 <strong>메모리 사용량이 훨씬 적다.</strong>\n하지만 이를 사용할 수 없는 경우나, 목표 정점까지의 최단 거리가 너무 커서 양방향 탐색으로도 최단 경로를 찾을 수 없는 경우는 어떻게 해야 할까?</p>\n<h3>💡 점점 깊어지는 탐색</h3>\n<p>= Iteratively Deepening Search = IDS</p>\n<ul>\n<li>임의의 깊이 제한 l을 정한 후 이 제한보다 짧은 경로가 존재하는지를 <strong>깊이 우선 탐색</strong>으로 확인</li>\n<li>답을 찾으면 성공, 이를 반환</li>\n<li>답을 찾지 못하면 l을 늘려서 다시 시도</li>\n</ul>\n<p>이는 <strong>“조합 탐색”</strong> 과 관련이 깊다.</p>\n<h3>💡 탐색 방법 선택하기</h3>\n<ol>\n<li>상태 공간에서의 최단 경로를 찾는 경우,\n<strong>너비 우선 탐색</strong>을 우선적으로 고려 (직관적이고 구현도 간단)\n탐색의 깊이 한계가 정해져 있지 않거나 너무 깊어 메모리 사용량이 너무 크지 않은지에 대한 확인이 필요</li>\n<li>상태 공간에서의 최단 경로를 찾는데, 탐색의 최대 깊이가 정해져 있고 너비 우선 탐색을 하기에는 메모리와 시간이 부족할 경우,\n<strong>양방향 탐색</strong>을 고려\n목표 상태에서 역방향으로 움직이기가 쉬어야 한다.</li>\n<li>두 탐색이 모두 너무 메모리를 많이 사용하거나 너무 느린 경우,\n최적화를 할 거리가 더 많은 <strong>점점 깊어지는 탐색</strong>을 사용</li>\n</ol>\n<hr>\n<h3>📕 참고</h3>\n<ul>\n<li>프로그래밍 대회에서 배우는 알고리즘 문제해결전략_구종만</li>\n<li><a href=\"https://sskl660.tistory.com/60\">Java그래프의 표현 :: TH</a></li>\n</ul>","frontmatter":{"title":"💡 Graph 이론","date":"December 28, 2021","update":"December 28, 2021","tags":["종만북","Graph","DFS","BFS"],"series":"💡 Algorithm"},"fields":{"slug":"/[Algorithm]graph/","readingTime":{"minutes":21.545}}},"seriesList":{"edges":[{"node":{"id":"b0e662c4-8dab-58b1-8e34-76fd1f26ad52","fields":{"slug":"/[Algorithm]graph/"},"frontmatter":{"title":"💡 Graph 이론"}}},{"node":{"id":"c1c6944f-734a-5276-8604-a897181207ae","fields":{"slug":"/[Algorithm]문제해결개관/"},"frontmatter":{"title":"💡 문제해결개관"}}},{"node":{"id":"b783c57f-f958-5c14-9935-06b16995e8f1","fields":{"slug":"/[Algorithm]알고리즘분석/"},"frontmatter":{"title":"💡 알고리즘 분석"}}},{"node":{"id":"f3c7f32a-2ead-5bd5-a198-ee5342823217","fields":{"slug":"/[Algorithm]Sorting 알고리즘/"},"frontmatter":{"title":"💡 Sorting 알고리즘"}}},{"node":{"id":"07844ce0-f154-5ad8-b4cc-c6e9bebecc21","fields":{"slug":"/[Algorithm]이분 탐색/"},"frontmatter":{"title":"💡 이분 탐색(Binary Search)"}}},{"node":{"id":"66ab5e60-ccc9-5f85-ad77-8457be4014db","fields":{"slug":"/[Algorithm]HashTable/"},"frontmatter":{"title":"💡 해시 테이블 (Hash Table)"}}},{"node":{"id":"8aa61523-9a0a-5cc7-a670-9750d851b450","fields":{"slug":"/[Algorithm]최장증가수열(LIS)/"},"frontmatter":{"title":"💡 최장 증가 수열(LIS)"}}},{"node":{"id":"db216133-c9cd-5948-babf-f437eb127d7c","fields":{"slug":"/[Algorithm]DynamicProgramming/"},"frontmatter":{"title":"💡 DP (Dynamic Programming)"}}},{"node":{"id":"fa96dd6e-75c9-5a7c-887c-1993125cc7f0","fields":{"slug":"/[Algorithm]최소공통조상(LCA)/"},"frontmatter":{"title":"💡 최소 공통 조상(LCA)"}}},{"node":{"id":"268a7d15-795c-5e9f-9770-eeda9132721d","fields":{"slug":"/[Algorithm]다익스트라알고리즘/"},"frontmatter":{"title":"💡 다익스트라(Dijkstra) 알고리즘"}}},{"node":{"id":"f3a9bade-22f4-54b0-ad9a-b642d6f2b754","fields":{"slug":"/[Algorithm]비트마스크/"},"frontmatter":{"title":"💡 비트마스크(BitMask)"}}}]},"previous":{"fields":{"slug":"/[BOJ]1012/"},"frontmatter":{"title":"👩‍💻 1012. 유기농 배추"}},"next":{"fields":{"slug":"/[BOJ]1260/"},"frontmatter":{"title":"👩‍💻 1260. DFS와 BFS"}}},"pageContext":{"id":"b0e662c4-8dab-58b1-8e34-76fd1f26ad52","series":"💡 Algorithm","previousPostId":"548ba188-2afe-5575-b79f-107c6c65b07d","nextPostId":"0c712680-130f-5fa5-8c3b-3632dd5d1af0"}},"staticQueryHashes":[]}