------ 本文是学习算法的笔记,《数据结构与算法之美》,极客时间的课程 ------
我们在深度和广度优先算法提到,深度优先搜索算法利用的是回溯算法思想。这个算法思想非常简单,但是应用却非常广泛。它除了用来指导深度优先搜索这种经典算法设计之外,还可以用在很多实际软件开发场景中,比如正则表达式匹配、编译原理中的语法分析等。
除此之外,很多经典的数学问题都可以用回溯算法解决,比如数独、八皇后、图的着色、旅行商问题、全排列等等。
如何理解回溯算法
在我们的一生中,会遇到很多重要的岔路口。在岔路口上,每个选择都会影响我们今后的人生。有的人在岔路口能做出正确的选择,最后生活事业都达到一个很高的高度;而有的人一路选错,最重碌碌无为。如果人生可以量化,那如何才能在岔路口做出最正确的选择,让自己的人生“最优”呢?
我们可以借助前面学过的贪心算法,在每次面对岔路品的时候,都做出看起来最优的选择,期望这一组选择可以使得我们的人生达到“最优”。但是,我们前面也讲过,贪心算法并不一定能得到最优解。那有没有什么办法能得到最优解呢?
2004年上映了一部非常著名的电影《蝴蝶效应》,讲的就是主人公为了达到自己的目标,一直通过回溯的方法,回到童年,在关键的岔路口,重新做选择。当然,这只是科幻电影,我们的人生是无法倒退的,但是这其中蕴含的思想其实就是回溯算法。
笼统地讲,回溯算法很多时候都应用在“搜索”这类问题。不过这里说的搜索,并不是狭义的指我们前面讲过的图的搜索算法,而是在一组可能的解中,搜索满足期望的解。
回溯的处理思想,有点类似枚举搜索。我们枚举所有的解,找到满足期望的解。为了有规律的枚举所有的解,避免遗漏和重复,我们把问题求解的过程分为多个阶段。每个阶段我们都会面对一个岔路口,我们先随意选一条路走,当发现这条路走不通的时候(不符合期望的解),就回退到上一个岔路口,另选一种走法继续走。
理论的东西还是过于抽象,举一个例子。我们有一个 8x8的棋盘,希望往里放8个棋子(皇后),每个棋子所在的行、列、对角线都不能有另一个棋子。你可以看我画的图,第一幅图是满足条件的一种方法,第二幅图不满足条件。八皇后问题就是期望找到所有满足这种条件的放棋子的方式。
我们把这个问题划分成8个阶段,依次将8个棋子放到第一行、第二行、第三行……第八行。在放置的过程中,我们不停地检查当前的方法,是否满足要求。如果满足,则跳到下一行继续放置棋子; 如果不满足,那就再换一种方法,继续尝试。
回溯算法非常适合用递归代码实现,所以,我把八皇后的算法翻译成代码如下
int count=1;
int[] result = new int[8]; // 全局或成员变量,下标表示行,值表示queen存储在哪一列
public void cal8queens(int row) {
if (row == 8) {
printQueens(result);
count++;
return; // 8行棋子都放置好的,打印结果
}
for (int column = 0; column < 8; column++) { // 每一行都有8种放法
if (isOK(row,column)) {
result[row] = column; //第row行的棋子放到了column列
cal8queens(row+1); // 考察下一行
}
}
}
private boolean isOK(int row, int column) { // 判断 row行 column列放置是否合适
int leftup = column - 1, rightup = column + 1;
for (int i = row - 1; i >=0 ; i--) { // 逐行往上考察每一行
if (result[i] == column) { // 第i行的column列有棋子吗?
return false;
}
if (leftup >= 0 && result[i] == leftup) { // 考察左上对角线;第i行 leftup列有棋子吗?
return false;
}
if (rightup < 8 && result[i] == rightup) {// 考察右上对角线;第i行 rightup列有棋子吗?
return false;
}
--leftup;
++rightup;
}
return true;
}
private void printQueens(int[] result) { // 打印出一个二维矩阵
System.out.println("---第"+count+"种方式---");
for (int i = 0; i < 8; i++) {
for (int j = 0; j < 8; j++) {
if (result[i] == j) {
System.out.print("Q ");
} else {
System.out.print("* ");
}
}
System.out.println();
}
System.out.println();
}
两个回溯算法的经典应用
回溯算法的理论知识很容易弄懂。不过,对于新手来说,比较难的是用递归来实现。再举两个例子,来练习一下回溯算法的应用和实现。
- 0-1背包
0-1背包是非常经典的算法问题,很多场景都可以抽象成这个疸模型。这个问题的经典解法是动态规划,不过还有一种简单但没有那么高效的解法,那就是今天讲的回溯算法。动态规则下环节再讲。
0-1背包问题有很多变体,我这里介绍一种比较基础的。我人有一个背包,背包总的承载重量是Wkg。现在我们有 n 个物品,每个物品重量不等,并且不可分割。我们现在期望选择几件物品,装进背包中。在不超过背包承重的前提下,如何让背包中物品的总重量最大?
实际上,背包问题我们在贪心算法那一节已经讲过一个了。不过那里讲的物品是可以分割的,我们可以装某个物品中的一部分到背包里。今天讲的这个背包疸,物品中是不可分割的,要么装要么不装,所以叫0-1背包问题。显然,这个问题已经无法通过贪心算法来解决了。我们现在来看看,用回溯算法如何来解决。
对于每个物品来说,都有两种选择,装进背包或者不装进背包。对于 n 个物品来说,总的装法就有2n种,去掉总重量超过Wkg的,从剩下的装法中选择总重量最接近Wkg的。不过,我们如何才能不重复地穷举出这2n种装法呢?
这里就可以用回溯的方法。我们可以把物品依次排列,整个问题就分解为了n个阶段,每个阶段对应一个物品怎么选择。先选择第一个物品进行处理,选择装进去或者不装进去,然后再递归处理剩下的物品。翻译成代码如下。这里还稍微用了一点搜索剪枝的技巧,就是当发现已经选择的物品的重量超过Wkg之后,我们就停止继续探测剩下的物品
public int maxW = Integer.MIN_VALUE; // 存储背包中物品中总重量的最大值
// cw 表示当前已经装进去物品的重量和,i 表示考察到哪个物品了;
// w 背包重量, items 表示每个物品的重量, n 表示物品个数
// 假设背包可承受重量 100,物品个数是10,物品重量存储在数组 a 中,那可以这样调用函数 f(0, 0, a, 10, 100);
public void f(int i, int cw, int[] items, int n, int w) {
if (cw == w || i == n) { // 已装满了,或是已经考察完所有的物品
if(cw > maxW) {
maxW = cw;
}
return;
}
f(i + 1, cw, items, n, w);
if (cw + items[i] <= w) { // 已经超过可以承受的重量的时候,就不要再装了
f(i + 1, w + items[i], items, n, w);
}
}