1. 有向图
也是有两个关键点：
a. 这个有向图有哪些点
b. 哪些点可以通往哪些点（箭头代表可通往的方向，如此例子中，0可以去1，但1不可以去0。）
构建有向图也是用邻接矩阵（Adjacency-matrix）或邻接列表（Adjacency-list）。
这个矩阵和列表也和无向图的基本一样，唯一的区别在于，有向图的矩阵不是关于对角线对称的。
有向图的邻接列表显示：(0可以去的点有5,1，即adj[0]=5,1)
下面开始讨论有向图的算法：深度优先搜索（depth-first search）和广度优先搜索（breadth-first search）。
无向图的Group在有向图中不适用，因为有些路是单方向的。稍后我们将引入强联系（Strong Components）的概念来解决Group的问题。
2. 深度优先搜索（depth-first search）
有向图的深度优先搜索与无向图的深度优先搜索很像，像到什么程度呢？甚至可以直接把无向图的深度优先搜索代码直接复制过来用。
看例子：
0~12代表着图中的所有点。
一开始所有点标记为False(F)，当我们走到某个点后，此点标记为True(T)。标记过的点不需要再走一次。
EdgeTo记录了部分路线，所有部分路线可以整合成一个完整的路线。例如从E点抵达A点，则记为EdgeTo[A]=E;
从0开始，先把0标记为True（变红）。
然后0可以去的点有5,1，这些点都还没标记为True,随便选一个：5。
5标记为True。5从0来，故EdgeTo[5]=0;
5只有一个点可以去：4。4还没标记为True,去4。
4标记为True。4从5来，故EdgeTo[4]=5。
4可以去的点有3,2，这些点都还没标记为True,随便选一个：3。
3标记为True。3从4来，故EdgeTo[3]=4。
3可以去的点有5,2，5已标记，不管。2没标记，只能去2。
2标记为True。2从3来，故EdgeTo[2]=3。
2可以去的点有0，0已标记，不管。2无路可走，返回上一个分支3。
3无路可走，返回上一个分支4。
4无路可走，返回上一个分支5。
5无路可走，返回上一个分支0。
0还有一个点可以去：1。
1标记为True。1从0来，故EdgeTo[1]=0。
1无路可走，返回上一个分支0。
0无路可走,且无上一个分支，此部分结束。
查找标记为F的其它点，随便选一个来走，如7。
重复上述过程，直到所有点标记为T为止。
通用思路也呼之欲出了，见代码：
3. 广度优先搜索（breadth-first search）
有向图的深度优先搜索与无向图的深度优先搜索基本一样。具体详细内容可以去
队列A输出一个值：1。1没有可以去的点，不管。
队列A输出一个值：5。5可以去的点有4,4标红，4进队列A。
队列A输出一个值：4。4可以去的点有2,3；2,3标红，2,3进队列A。
队列A输出一个值：2。2可以去0，3，但它们都是已标记的，不管。
队列A输出一个值：3。3可以去2，5，但它们都是已标记的，不管。
队列A为空，此部分处理完成。
其它部分也是相同处理方法，DistTo要小心处理，一般要遍历全部的时候，DistTo是不需要的。DistTo一般用于寻找两个点之间的最短距离与路线。
代码与无向图的一样：
4. 拓扑排序（Topological Sort）
一、什么是拓扑排序？
先从一个例子中直观地感受一下：左图是有向图，右图是这个有向图拓扑排序后形成的拓扑序列。（当然，这个拓扑序列是竖着的还是横着的都没所谓，怎么好看怎么来。）
在现实生活中，很多任务是有先决条件的，例如冲一杯咖啡，我们需要先做4个前提任务：
a.水烧开
b.把开水倒入杯子中
c.把咖啡冲剂倒入杯子中
d.把杯子里面的东西搅匀
b和c的顺序没所谓，a要在b之前完成，d要在a,b,c之后才能进行。如果把这些任务拓扑排序：
图中e是喝咖啡。
由上图可知，要完成e需先完成d；要完成d需先完成b和c;要完成b需先完成a。
像这样，拓扑序列可以把一个大任务分成若干小任务，这是做大型项目所需要的，并且任务流程十分清晰。
拓扑序列也可以在许多地方有所作为，这里不一一列出，有兴趣的可自行搜索。
下面将介绍如何对一个有向图进行拓扑排序。
二、如何进行拓扑排序？
一般来说，我们只会对有向无环图（DAG, Directed Acyclic Graph）进行拓扑排序，这里的无
