kahn算法更适合拓扑排序因其天然支持环检测与唯一序输出，仅需入度数组和队列，无需递归或反向边；初始化indegree时应依节点编号范围选vector或unordered_map，并确保所有节点（含孤立点）初值为0，初始队列须包含所有入度为0的节点。
为什么用 Kahn 算法而不是 DFS 做拓扑排序
因为 Kahn 算法天然适合检测环、输出唯一合法序（当入度为 0 的节点唯一时），且逻辑更贴近“任务依赖”这类实际建模场景。DFS 版本虽然也能做，但需要额外维护 visited 状态（未访问/访问中/已访问）来判环，容易在回溯时漏掉环或误判；而 Kahn 只靠入度数组 + 队列就能完成全部判断。
关键点在于：它不依赖递归栈深度，也不需要图的反向边，对稀疏图友好，代码边界清晰。
indegree 数组怎么初始化才不会越界或漏统计
常见错误是直接用 vector<int> indegree(n)</int>，但没确认所有节点编号是否真的落在 [0, n-1] 范围内——比如输入边是 (2, 5)、(7, 1)，节点编号不连续，n 取最大值就浪费空间，取数量又可能下标越界。
- 若节点编号是连续整数（如题目明确说“共 n 个节点，编号 0 到 n−1”），直接
indegree.resize(n) - 若编号稀疏或含负数/大数，改用
unordered_map<int int> indegree</int>，遍历所有边的to节点做++indegree[to] - 别忘了：每个节点哪怕没作为
to出现，也得在indegree中存在（初值为 0），否则 BFS 入队时会漏掉入度为 0 的孤立节点
queue 里该 push 哪些初始节点
不是所有“没出现在边列表中的节点”都自动入队，而是所有满足 indegree[node] == 0 的节点——包括孤立点（无入边也无出边）和起点（有出边但无入边）。
实操建议：
- 先扫一遍所有可能的节点（根据输入范围或
indegree的 key 集合），把indegree[node] == 0的全塞进queue - 不要只扫描边的
from或to，否则孤立点永远进不了队列 - 如果用
vector存indegree，循环范围必须是完整节点集，例如for (int i = 0; i
BFS 过程中怎么判断图有环
环存在的充要条件是：BFS 结束后，拓扑序列长度 小于 图中实际节点总数。
注意不是看队列是否为空——队列空只是说明当前没有入度为 0 的节点可处理了，但不代表所有节点都已加入结果。
- 用一个
vector<int> result</int>记录出队顺序，每 pop 一次就push_back - 最后检查
result.size() == total_node_count，不等就是有环 - 别用
indegree数组是否全为 0 来判断——有些节点入度始终 >0，但你根本没访问过它们，数组值还是原始值，不能反映真实剩余状态
这个判断点非常容易被跳过，尤其在调试时只盯着输出看，不校验长度，就会把部分结果误认为是合法拓扑序。
C++免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 C++ 的入门与实战技巧！
