学算法认准 labuladong
后台回复课程查看精品课
点击卡片可搜索文章👇
读完本文,可以去力扣解决如下题目:
139. 单词拆分(中等)
140. 单词拆分II(困难)
之前 手把手带你刷二叉树(纲领篇) 把递归穷举划分为「遍历」和「分解问题」两种思路,其中「遍历」的思路扩展延伸一下就是回溯算法,「分解问题」的思路可以扩展成动态规划算法。
我在 手把手带你刷二叉树(思路篇) 对一些二叉树问题进行举例,同时给出「遍历」和「分解问题」两种思路的解法,帮大家借助二叉树理解更高级的算法设计思想。
当然,这种思维转换不止局限于二叉树相关的算法,本文就跳出二叉树类型问题,来看看实际算法题中如何把问题抽象成树形结构,从而进行「遍历」和「分解问题」的思维转换,从 回溯算法 顺滑地切换到 动态规划算法。
先说句题外话,前文 动态规划核心框架详解 说,标准的动态规划问题一定是求最值的,因为动态规划类型问题有一个性质叫做「最优子结构」,即从子问题的最优解推导出原问题的最优解。
但在我们平常的语境中,就算不是求最值的题目,只要看见使用备忘录消除重叠子问题,我们一般都称它为动态规划算法。严格来讲这是不符合动态规划问题的定义的,说这种解法叫做「带备忘录的 DFS 算法」可能更准确些。不过咱也不用太纠结这种名词层面的细节,既然大家叫的顺口,就叫它动态规划也无妨。
本文讲解的两道题目也不是求最值的,但依然会把他们的解法称为动态规划解法,这里提前跟大家说下这里面的细节,免得细心的读者疑惑。其他不多说了,直接看题目吧。
单词拆分 I
首先看下力扣第 139 题「单词拆分」:
![3a6d2766f45802d79691185c950f1e90.png](https://i-blog.csdnimg.cn/blog_migrate/7015e945c1337fb8ba3d8f055e5fb593.png)
函数签名如下:
boolean wordBreak(String s, List<String> wordDict);
这是一道非常高频的面试题,我们来思考下如何通过「遍历」和「分解问题」的思路来解决它。
先说说「遍历」的思路,也就是用回溯算法解决本题。回溯算法最经典的应用就是排列组合相关的问题了,不难发现这道题换个说法也可以变成一个排列问题:
现在给你一个不包含重复单词的单词列表wordDict
和一个字符串s
,请你判断是否可以从wordDict
中选出若干单词的排列(可以重复挑选)构成字符串s
。
这就是前文 回溯算法秒杀排列组合问题的九种变体 中讲到的最后一种变体:元素无重可复选的排列问题,前文我写了一个permuteRepeat
函数,代码如下:
List<List<Integer>> res = new LinkedList<>();
LinkedList<Integer> track = new LinkedList<>();
// 元素无重可复选的全排列
public List<List<Integer>> permuteRepeat(int[] nums) {
backtrack(nums);
return res;
}
// 回溯算法核心函数
void backtrack(int[] nums) {
// base case,到达叶子节点
if (track.size() == nums.length) {
// 收集根到叶子节点路径上的值
res.add(new LinkedList(track));
return;
}
// 回溯算法标准框架
for (int i = 0; i < nums.length; i++) {
// 做选择
track.add(nums[i]);
// 进入下一层回溯树
backtrack(nums);
// 取消选择
track.removeLast();
}
}
给这个函数输入nums = [1,2,3]
,输出是 3^3 = 27 种可能的组合:
[
[1,1,1],[1,1,2],[1,1,3],[1,2,1],[1,2,2],[1,2,3],[1,3,1],[1,3,2],[1,3,3],
[2,1,1],[2,1,2],[2,1,3],[2,2,1],[2,2,2],[2,2,3],[2,3,1],[2,3,2],[2,3,3],
[3,1,1],[3,1,2],[3,1,3],[3,2,1],[3,2,2],[3,2,3],[3,3,1],[3,3,2],[3,3,3]
]
这段代码实际上就是遍历一棵高度为N + 1
的满N
叉树(N
为nums
的长度),其中根到叶子的每条路径上的元素就是一个排列结果:
![0a9da8c7c60bd3a24109d4819e216027.png](https://i-blog.csdnimg.cn/blog_migrate/09249abb0225e31db46481af843d9f88.png)
类比一下,本文讲的这道题也有异曲同工之妙,假设wordDict = ["a", "aa", "ab"], s = "aaab"
,想用wordDict
中的单词拼出s
,其实也面对着类似的一棵M
叉树,M
为wordDict
中单词的个数,你需要做的就是站在回溯树的每个节点上,看看哪个单词能够匹配s[i..]
的前缀,从而判断应该往哪条树枝上走:
![af5f23cdadfc224def4207fde165f5fd.png](https://i-blog.csdnimg.cn/blog_migrate/ab2214a7232e4e4aadaff9fc291469e8.png)
然后,按照前文 回溯算法框架详解 所说,你把backtrack
函数理解成在回溯树上游走的一个指针,维护每个节点上的变量i
,即可遍历整棵回溯树,寻找出匹配s
的组合。
回溯算法解法代码如下:
List<String> wordDict;
// 记录是否找到一个合法的答案
boolean found = false;
// 记录回溯算法的路径
LinkedList<String> track = new LinkedList<>();
// 主函数
public boolean wordBreak(String s, List<String> wordDict) {
this.wordDict = wordDict;
// 执行回溯算法穷举所有可能的组合
backtrack(s, 0);
return found;
}
// 回溯算法框架
void backtrack(String s, int i) {
// base case
if (found) {
// 如果已经找到答案,就不要再递归搜索了
return;
}
if (i == s.length()) {
// 整个 s 都被匹配完成,找到一个合法答案
found = true;
return;
}
// 回溯算法框架
for (String word : wordDict) {
// 看看哪个单词能够匹配 s[i..] 的前缀
int len = word.length();
if (i + len <= s.length()
&& s.substring(i, i + len).equals(word)) {
// 找到一个单词匹配 s[i..i+len)
// 做选择
track.addLast(word);
// 进入回溯树的下一层,继续匹配 s[i+len..]
backtrack(s, i + len);
// 撤销选择
track.removeLast();
}
}
}
这段代码就是严格按照回溯算法框架写出来的,应该不难理解,但这段代码无法通过所有测试用例,我们按照之前 算法时空复杂度使用指南 中讲到的方法来分析一下它的时间复杂度。
递归函数的时间复杂度的粗略估算方法就是用递归函数调用次数(递归树的节点数) x 递归函数本身的复杂度。对于这道题来说,递归树的每个节点其实就是对s
进行的一次切割,那么最坏情况下s
能有多少种切割呢?
长度为N
的字符串s
中共有N - 1
个「缝隙」可供切割,每个缝隙可以选择「切」或者「不切」,所以s
最多有O(2^N)
种切割方式,即递归树上最多有O(2^N)
个节点。
当然,实际情况可定会好一些,毕竟存在剪枝逻辑,但从最坏复杂度的角度来看,递归树的节点个数确实是指数级别的。
那么backtrack
函数本身的时间复杂度是多少呢?主要的时间消耗是遍历wordDict
寻找匹配s[i..]
的前缀的单词:
// 遍历 wordDict 的所有单词
for (String word : wordDict) {
// 看看哪个单词能够匹配 s[i..] 的前缀
int len = word.length();
if (i + len <= s.length()
&& s.substring(i, i + len).equals(word)) {
// 找到一个单词匹配 s[i..i+len)
// ...
}
}
设wordDict
的长度为M
,字符串s
的长度为N
,那么这段代码的最坏时间复杂度是O(MN)
(for 循环O(M)
,Java 的substring
方法O(N)
),所以总的时间复杂度是O(2^N * MN)
。
这里顺便说一个细节优化,其实你也可以反过来,通过穷举s[i..]
的前缀去判断wordDict
中是否有对应的单词:
// 注意,要转化成哈希集合,提高 contains 方法的效率
HashSet<String> wordDict = new HashSet<>(wordDict);
// 遍历 s[i..] 的所有前缀
for (int len = 1; i + len <= s.length(); len++) {
// 看看 wordDict 中是否有单词能匹配 s[i..] 的前缀
String prefix = s.substring(i, i + len);
if (wordDict.contains(prefix)) {
// 找到一个单词匹配 s[i..i+len)
// ...
}
}
这段代码和刚才那段代码的结果是一样的,但这段代码的时间复杂度变成了O(N^2)
,和刚才的代码不同。
到底哪样子好呢?这要看题目给的数据范围。本题说了1 <= s.length <= 300, 1 <= wordDict.length <= 1000
,所以O(N^2)
的结果较小,这段代码的实际运行效率应该稍微高一些,这个是一个细节的优化,你可以自己做一下,我就不写了。
不过即便你优化这段代码,总的时间复杂度依然是指数级的O(2^N * N^2)
,是无法通过所有测试用例的,那么问题出在哪里呢?
比如输入wordDict = ["a", "aa"], s = "aaab"
,算法无法找到一个可行的组合,所以一定会遍历整棵回溯树,但你注意这里面会存在重复的情况:
![983c0b89ddf5f693d43471b30b32eeb5.png](https://i-blog.csdnimg.cn/blog_migrate/884a60145ffa311d22cdd599cd9b5eb3.png)
图中标红的这两部分,虽然经历了不同的切分,但是切分得出的结果是相同的,所以这两个节点下面的子树也是重复的,即存在冗余计算,极端情况下会消耗大量时间。
如何消除冗余计算呢?这就要稍微转变一下思维模式,用「分解问题」的思维模式来考虑这道题。
我们刚才以排列组合的视角思考这个问题,现在我们换一种视角,思考一下是否能够把原问题分解成规模更小,结构相同的子问题,然后通过子问题的结果计算原问题的结果。
对于输入的字符串s
,如果我能够从单词列表wordDict
中找到一个单词匹配s
的前缀s[0..k]
,那么只要我能拼出s[k+1..]
,就一定能拼出整个s
。
换句话说,我把规模较大的原问题wordBreak(s[0..])
分解成了规模较小的子问题wordBreak(s[k+1..])
,然后通过子问题的解反推出原问题的解。
有了这个思路就可以定义一个dp
函数,并给出该函数的定义:
// 定义:返回 s[i..] 是否能够被拼出
int dp(String s, int i);
// 计算整个 s 是否能被拼出,调用 dp(s, 0)
有了这个函数定义,就可以把刚才的逻辑大致翻译成伪码:
List<String> wordDict;
// 定义:返回 s[i..] 是否能够被拼出
int dp(String s, int i) {
// base case,s[i..] 是空串
if (i == s.length()) {
return true;
}
// 遍历 wordDict,
// 看看哪些单词是 s[i..] 的前缀
for (Strnig word : wordDict) {
if word 是 s[i..] 的前缀 {
int len = word.length();
// 只要 s[i+len..] 可以被拼出,
// s[i..] 就能被拼出
if (dp(s, i + len) == true) {
return true;
}
}
}
// 所有单词都尝试过,无法拼出整个 s
return false;
}
类似之前讲的回溯算法,dp
函数中的 for 循环也可以优化一下:
// 注意,用哈希集合快速判断元素是否存在
HashSet<String> wordDict;
// 定义:返回 s[i..] 是否能够被拼出
int dp(String s, int i) {
// base case,s[i..] 是空串
if (i == s.length()) {
return true;
}
// 遍历 s[i..] 的所有前缀,
// 看看哪些前缀存在 wordDict 中
for (int len = 1; i + len <= s.length(); len++) {
if wordDict 中存在 s[i..len) {
// 只要 s[i+len..] 可以被拼出,
// s[i..] 就能被拼出
if (dp(s, i + len) == true) {
return true;
}
}
}
// 所有单词都尝试过,无法拼出整个 s
return false;
}
对于这个dp
函数,指针i
的位置就是「状态」,所以我们可以通过添加备忘录的方式优化效率,避免对相同的子问题进行冗余计算。最终的解法代码如下:
// 用哈希集合方便快速判断是否存在
HashSet<String> wordDict;
// 备忘录,-1 代表未计算,0 代表无法凑出,1 代表可以凑出
int[] memo;
// 主函数
public boolean wordBreak(String s, List<String> wordDict) {
// 转化为哈希集合,快速判断元素是否存在
this.wordDict = new HashSet<>(wordDict);
// 备忘录初始化为 -1
this.memo = new int[s.length()];
Arrays.fill(memo, -1);
return dp(s, 0);
}
// 定义:s[i..] 是否能够被拼出
boolean dp(String s, int i) {
// base case
if (i == s.length()) {
return true;
}
// 防止冗余计算
if (memo[i] != -1) {
return memo[i] == 0 ? false : true;
}
// 遍历 s[i..] 的所有前缀
for (int len = 1; i + len <= s.length(); len++) {
// 看看哪些前缀存在 wordDict 中
String prefix = s.substring(i, i + len);
if (wordDict.contains(prefix)) {
// 找到一个单词匹配 s[i..i+len)
// 只要 s[i+len..] 可以被拼出,s[i..] 就能被拼出
boolean subProblem = dp(s, i + len);
if (subProblem == true) {
memo[i] = 1;
return true;
}
}
}
// s[i..] 无法被拼出
memo[i] = 0;
return false;
}
这个解法能够通过所有测试用例,我们根据 算法时空复杂度使用指南 来算一下它的时间复杂度:
因为有备忘录的辅助,消除了递归树上的重复节点,使得递归函数的调用次数从指数级别降低为状态的个数O(N)
,函数本身的复杂度还是O(N^2)
,所以总的时间复杂度是O(N^3)
,相较回溯算法的效率有大幅提升。
单词拆分 II
有了上一道题的铺垫,力扣第 140 题「单词拆分 II」就容易多了,先看下题目:
![21fb09925252e1053006278b044db11f.png](https://i-blog.csdnimg.cn/blog_migrate/971d92c0341c50d914402756ace70691.png)
相较上一题,这道题不是单单问你s
是否能被拼出,还要问你是怎么拼的,其实只要把之前的解法稍微改一改就可以解决这道题。
上一道题的回溯算法维护一个found
变量,只要找到一种拼接方案就提前结束遍历回溯树,那么在这道题中我们不要提前结束遍历,并把所有可行的拼接方案收集起来就能得到答案:
// 记录结果
List<String> res = new LinkedList<>();
// 记录回溯算法的路径
LinkedList<String> track = new LinkedList<>();
List<String> wordDict;
// 主函数
public List<String> wordBreak(String s, List<String> wordDict) {
this.wordDict = wordDict;
// 执行回溯算法穷举所有可能的组合
backtrack(s, 0);
return res;
}
// 回溯算法框架
void backtrack(String s, int i) {
// base case
if (i == s.length()) {
// 找到一个合法组合拼出整个 s,转化成字符串
res.add(String.join(" ", track));
return;
}
// 回溯算法框架
for (String word : wordDict) {
// 看看哪个单词能够匹配 s[i..] 的前缀
int len = word.length();
if (i + len <= s.length()
&& s.substring(i, i + len).equals(word)) {
// 找到一个单词匹配 s[i..i+len)
// 做选择
track.addLast(word);
// 进入回溯树的下一层,继续匹配 s[i+len..]
backtrack(s, i + len);
// 撤销选择
track.removeLast();
}
}
}
这个解法的时间复杂度和前一道题类似,依然是O(2^N * MN)
,但由于这道题给的数据规模较小,所以可以通过所有测试用例。
类似的,这个问题也可以用分解问题的思维解决,把上一道题的dp
函数稍作修改即可:
HashSet<String> wordDict;
// 备忘录
List<String>[] memo;
public List<String> wordBreak(String s, List<String> wordDict) {
this.wordDict = new HashSet<>(wordDict);
memo = new List[s.length()];
return dp(s, 0);
}
// 定义:返回用 wordDict 构成 s[i..] 的所有可能
List<String> dp(String s, int i) {
List<String> res = new LinkedList<>();
if (i == s.length()) {
res.add("");
return res;
}
// 防止冗余计算
if (memo[i] != null) {
return memo[i];
}
// 遍历 s[i..] 的所有前缀
for (int len = 1; i + len <= s.length(); len++) {
// 看看哪些前缀存在 wordDict 中
String prefix = s.substring(i, i + len);
if (wordDict.contains(prefix)) {
// 找到一个单词匹配 s[i..i+len)
List<String> subProblem = dp(s, i + len);
// 构成 s[i+len..] 的所有组合加上 prefix
// 就是构成构成 s[i] 的所有组合
for (String sub : subProblem) {
if (sub.isEmpty()) {
// 防止多余的空格
res.add(prefix);
} else {
res.add(prefix + " " + sub);
}
}
}
}
// 存入备忘录
memo[i] = res;
return res;
}
这个解法依然用备忘录消除了重叠子问题,所以dp
函数递归调用的次数减少为O(N)
,但dp
函数本身的时间复杂度上升了,因为subProblem
是一个子集列表,它的长度是指数级的。
再加上 Java 中用+
拼接字符串的效率并不高,且还要消耗备忘录去存储所有子问题的结果,所以这个算法的时间复杂度并不比回溯算法低,依然是指数级别。
综上,我们处理排列组合问题时一般使用回溯算法去「遍历」回溯树,而不用「分解问题」的思路去处理,因为存储子问题的结果就需要大量的时间和空间,除非重叠子问题的数量较多的极端情况,否则得不偿失。
以上就是本文的全部内容,希望你能对回溯思路和分解问题的思路有更深刻的理解。
最后推荐下,我的一个腾讯大佬朋友(公众号「开发内功修炼」的号主飞哥)最近出了本新书《深入理解Linux网络》,满满的干货,又通俗易懂,对提升编程内功大有帮助,有需要的读者可以买一本来读:
————————————
后台回复「目录」可查看精选文章目录,回复「PDF」可下载最新的刷题三件套。更多高质量课程请扫码查看: