Kahn算法用indegree数组而非map因节点编号连续（0~n-1），vector索引更快更稳定；queue保证BFS层级顺序以维持“最早可调度优先”，stack会破坏该语义；环检测靠最终输出节点数是否等于n，不等则返回空结果。
为什么用 indegree 数组而不用 map 统计入度
因为图节点通常是整数编号（0 ~ n-1），用 vector 直接索引比哈希映射快且稳定；若强行用 map，不仅多出 O(log n) 查找开销，还会在遍历邻接表时频繁触发哈希插入/查找，尤其当节点编号稀疏或含负数时，map 可能掩盖真实拓扑结构（比如漏掉孤立节点）。实际中只要输入保证节点编号连续，vector 就是唯一合理选择。
queue 里只放入度为 0 的节点，但为什么不能用 stack
拓扑序本身不要求唯一，但 Kahn 算法的语义依赖 BFS 层级顺序：每次取一个入度为 0 的节点，立即更新其所有邻居的入度，再把新变成 0 的节点加入队列。用 stack 会变成 DFS 式扩展，虽然仍可能产出合法拓扑序，但会破坏“最早可调度节点优先”的行为，导致结果不可预测——比如在任务调度场景中，本该并行启动的 A、B 任务，因栈的 LIFO 特性被强制串行执行。标准实现必须用 queue 保序。
如何检测环并确保返回空结果而不是无限循环
核心判断不是看队列是否为空，而是看最终输出的节点数是否等于图中总节点数。Kahn 算法天然具备环检测能力：
- 初始化时把所有
indegree[i] == 0的i入队 - 每从队列弹出一个节点，计数器
count++ - 处理完所有边后，若
count != n，说明存在环，直接返回空vector
不手动检查环、不设超时、不递归标记——这是算法本身的数学性质，不是靠额外逻辑补救。
邻接表用 vector> 还是 vector>
- >
用 vector 更合适。原因很实际：
-
vector支持 O(1) 随机访问，遍历邻居时 CPU 缓存友好 - 图的边数通常远小于节点数平方，
vector的内存连续性带来的性能优势明显 -
list的指针跳转在现代 CPU 上反而容易 cache miss，且无随机访问需求 - 除非你明确要频繁在邻居列表中间插入/删除（拓扑排序中完全不需要），否则
list是过重设计
示例初始化：
vector<vector>> graph(n);
for (auto& e : edges) {
graph[e[0]].push_back(e[1]);
}</vector>
注意这里假设 edges 是有向边 [from, to]。
拓扑排序的健壮性不来自花哨数据结构，而来自对入度变化和队列推进节奏的精确控制。最容易被忽略的是：初始化时必须把所有入度为 0 的节点一次性塞进队列，哪怕它们之间没有边——漏掉任何一个，后续就永远无法抵达，环检测就会误报。
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！
