设计算法以实现对无向图G的深度遍历，要求：将每一个连通分量中的顶点以一个表的形式输出。例如，下图的输出结果为：（1，3）（2，6，7，4，5，8）（9，10）【测试用例：物联网工程16级陈霄】 wuxiangtu.png 输入格式: 第一行包含两个整数N、M，表示该图共有N个结点（编号1-N）和M条无向边。（N<=30，M<= 200） （Hint 注意数据规模，任意爆）。 接下来M行每行包含三个整数Xi、Yi，表示有一条的无向边连接结点Xi、Yi 输出格式: 连通分量每行输出一个。 每行一个连通分量按照 该行的第一个元素的大小递增序排列。 在每一行的连通分量包含的点也应该按照元素的大小递增排列输出。 注意每个连通分量用（）表示一组连通分量，每两个元素之间用一个,（英文状态,）分割。

算法思路：

1. 构建无向图的邻接表存储结构

2. 从每个未被访问的节点开始进行深度优先遍历

3. 遍历过程中将访问到的节点加入到当前连通分量中

4. 遍历完成后将当前连通分量按照从小到大的顺序输出

5. 重复2-4步骤，直到所有节点都被访问

算法实现：

from collections import defaultdict

def dfs(node, visited, graph, component):
    visited[node] = True
    component.append(node)
    for neighbor in graph[node]:
        if not visited[neighbor]:
            dfs(neighbor, visited, graph, component)

def find_connected_components(n, m, edges):
    graph = defaultdict(list)
    visited = [False] * (n+1)
    components = []
    for u, v in edges:
        graph[u].append(v)
        graph[v].append(u)
    for node in range(1, n+1):
        if not visited[node]:
            component = []
            dfs(node, visited, graph, component)
            components.append(component)
    for component in components:
        component.sort()
        print("("+",".join(str(x) for x in component)+")")

if __name__ == "__main__":
    n, m = map(int, input().split())
    edges = []
    for _ in range(m):
        u, v = map(int, input().split())
        edges.append((u, v))
    find_connected_components(n, m, edges)

算法分析：

时间复杂度：O(N+M)，其中N为图的节点数，M为图的边数。因为每个节点和每条边都会被访问一次。

空间复杂度：O(N+M)，因为需要存储图的邻接表和visited数组，以及最多可能的连通分量数。