回溯:寻找所有的可行解,如果发现一个解不可行就舍弃。
-
回溯与递归都要注意剪枝,避免重复计算
-
回溯的问题,一定要把整个树图画出来,然后再去考虑如何缩小问题,还要注意恢复状态
void backtrack(已经做的选择, 选择列表):
if 当前达到了结束位置:
result.push(最终的选择序列)
for 每个选择 in 选择列表:
做选择 //可能这里需要判断选择是否可行
backtrack(新的已选择, 新的选择列表) //这里的已选择和选择列表都要更新
撤销选择
//在此基础上,如果部分节点已经无解,则将它能够推理出的无解的树枝均剪掉
一、回溯:排列、组合、子集问题
给定一个仅包含数字 2-9
的字符串,返回所有它能表示的字母组合。答案可以按 任意顺序 返回。
给出数字到字母的映射如下(与电话按键相同)。注意 1 不对应任何字母。
示例 1:
输入:digits = "23" 输出:["ad","ae","af","bd","be","bf","cd","ce","cf"]
class Solution {
public List<String> letterCombinations(String digits) {
List<String> combinations = new ArrayList();
if(digits.equals("")) return combinations;
Map<Character, String> keyboard = new HashMap(){{
put('2', "abc");
put('3', "def");
put('4', "ghi");
put('5', "jkl");
put('6', "mno");
put('7', "pqrs");
put('8', "tuv");
put('9', "wxyz");
}};
backtrace(combinations,keyboard,digits,0,new StringBuffer());
return combinations;
}
private void backtrace(List<String> combinations, Map<Character,String> keyboard, String digits,int index, StringBuffer combination){
if(index == digits.length()) combinations.add(combination.toString());
else {
char digit = digits.charAt(index);
String letters = keyboard.get(digit);
for(int i=0;i<letters.length();++i){
combination.append(letters.charAt(i));
backtrace(combinations,keyboard,digits,index+1,combination);
combination.delete(index,index+1);
}
}
}
}
给定一个不含重复数字的数组 nums
,返回其 所有可能的全排列 。你可以 按任意顺序 返回答案。
示例 1:
输入:nums = [1,2,3] 输出:[[1,2,3],[1,3,2],[2,1,3],[2,3,1],[3,1,2],[3,2,1]]
class Solution {
public List<List<Integer>> permute(int[] nums) {
int len = nums.length;
boolean[] used = new boolean[len];
List<List<Integer>> res = new ArrayList();
int[] tmp = new int[len];
backtrace(res,nums,tmp,used,0);
return res;
}
private void backtrace(List<List<Integer>> res,int[] nums, int[] tmp,boolean[] used,int index){
if(index == nums.length){
List<Integer> arr = new ArrayList();
for(int i : tmp) arr.add(i);
res.add(arr);
return;
}
for(int i=0;i<nums.length;++i){
if(!used[i]){
used[i] = true;
tmp[index] = nums[i];
backtrace(res,nums,tmp,used,index+1);
used[i] = false;
}
}
}
}
思考:我们可不可以移除这个标记数组,因为这个标记数组会增加算法的空间复杂度。考虑将存储候选数字的列表划分为左右两部分,左边是选中的数字,右边是还没有被选的数字,那么我们每次只需要考虑在右侧的列表中选哪个,选中后递归,递归结束后再撤销本次选中操作。
class Solution {
public List<List<Integer>> permute(int[] nums) {
int len = nums.length;
List<List<Integer>> res = new ArrayList();
List<Integer> arr = new ArrayList();
for(int i : nums) arr.add(i);
backtrace(res,arr,len,0);
return res;
}
private void backtrace(List<List<Integer>> res, List<Integer> arr, int len, int toFill){
if(toFill == len){
res.add(new ArrayList(arr));
return;
}
for(int i=toFill;i<len;++i){
Collections.swap(arr, toFill, i);
backtrace(res,arr,len,toFill+1);
Collections.swap(arr, toFill, i);
}
}
}
与动态规划的区别
共同点: 用于求解多阶段决策问题。多阶段决策问题即:
1. 求解一个问题分为很多步骤(阶段);
2. 每一个步骤(阶段)可以有多种选择。
不同点:
1. 动态规划只需要求我们评估最优解是多少,最优解对应的具体解是什么并不要求。因此很适合应用于评估一个方案的效果;
2. 回溯算法可以搜索得到所有的方案(当然包括最优解),但是本质上它是一种遍历算法,时间复杂度很高。
给定一个可包含重复数字的序列 nums
,按任意顺序 返回所有不重复的全排列。
示例 1:
输入:nums = [1,1,2] 输出: [[1,1,2], [1,2,1], [2,1,1]]
思路:仍然沿用【46.全排列】的思路但是要在此基础上判断重复数字带来的问题,考虑使用回标记数组而非原地划分的方式进行回溯,为了实现不重复的排列,我们就要在当前要填入的位置toFill上保持一个原则:该位置只会被相同的数字填充一次。为了方便我们实现这个原则,我们可以对数组排序,这样撤销操作并进行下一次的选择时可以通过向后滑动来轻松解决。
if(i>0 && nums[i] == nums[i-1] && !used[i-1]) continue;
所以只需要在【46.全排列】的回溯过程中做选择之前添加一个条件判断即可。
给你一个整数数组 nums
,数组中的元素 互不相同 。返回该数组所有可能的子集(幂集)。
解集 不能 包含重复的子集。你可以按 任意顺序 返回解集。
示例 1:
输入:nums = [1,2,3] 输出:[[],[1],[2],[1,2],[3],[1,3],[2,3],[1,2,3]]
class Solution {
List<List<Integer>> res = new ArrayList();
List<Integer> tmp = new ArrayList();
public List<List<Integer>> subsets(int[] nums) {
backtrace(nums,0);
return res;
}
private void backtrace(int[] nums,int index){
if(index == nums.length){
res.add(new ArrayList(tmp));
return;
}
tmp.add(nums[index]);
backtrace(nums, index+1);
tmp.remove(tmp.size()-1);
backtrace(nums, index+1);
}
}
给你一个整数数组 nums
,其中可能包含重复元素,请你返回该数组所有可能的子集(幂集)。
解集 不能 包含重复的子集。返回的解集中,子集可以按 任意顺序 排列。
示例 1:
输入:nums = [1,2,2] 输出:[[],[1],[1,2],[1,2,2],[2],[2,2]]
思路:排序去重
private void backtrace(boolean choosePre, int[] nums, int index){
if(index == nums.length){
res.add(new ArrayList(tmp));
return;
}
backtrace(false,nums,index+1);
if (!choosePre && index > 0 && nums[index - 1] == nums[index]) return;
tmp.add(nums[index]);
backtrace(true,nums,index+1);
tmp.remove(tmp.size()-1);
}
给定两个整数 n
和 k
,返回范围 [1, n]
中所有可能的 k
个数的组合。
你可以按 任何顺序 返回答案。
示例 1:
输入:n = 4, k = 2 输出: [ [2,4], [3,4], [2,3], [1,2], [1,3], [1,4], ]
class Solution {
List<List<Integer>> res = new ArrayList();
List<Integer> tmp = new ArrayList();
public List<List<Integer>> combine(int n, int k) {
backtrace(n,k,1,0);
return res;
}
private void backtrace(int n, int k, int index, int count){
// 剪枝:temp 长度加上区间 [cur, n] 的长度小于 k,不可能构造出长度为 k 的 temp
// 增加剪枝后,运行时间由17ms减小到2ms
if (tmp.size() + (n - index + 1) < k) return;
if(count == k) res.add(new ArrayList(tmp));
for(int i=index;i<=n;++i){
tmp.add(i);
++count;
backtrace(n,k,i+1,count);
tmp.remove(tmp.size() - 1);
--count;
}
}
}
事实上,【子集】、【组合】相关问题的leetcode官方题解中并没有提到回溯算法,而只是说使用递归的方法,递归的函数也并没有命名为`backtrace()`而是使用了一个让人意想不到的名称:`dfs()`深度优先搜索。思考这个问题发现,回溯是不是可以看成一种对深度优先搜索算法的抽象,二者都通过“回退”的手段来实现对所有可能的“解”的遍历,dfs是为了遍历一棵树,backtrace则是使用这种通过回退来实现遍历的思想搜索可行解。
而且对于子集、组合问题的解结构,也确实是可以用二叉树模拟的,只不过我们并不需要把这个二叉树构建出来而已。
对于【子集】问题,我们可以构造出这样一个二叉树,所有从root走到叶子节点的路径全部是正确结果:
对于【组合】问题,也按照类似的思路构造二叉树,唯一不同的是,组合问题的二叉树确定结果应该由“经过的有效的节点数量”确定,而非延展到每一个叶子节点,所以可以提前判断一些出“从此之后再不可能产生可行解”的节点舍去,从而达到剪枝(降低运行时间)的目的:
给你一个 无重复元素 的整数数组 candidates
和一个目标整数 target
,找出 candidates
中可以使数字和为目标数 target
的 所有 不同组合 ,并以列表形式返回。你可以按 任意顺序 返回这些组合。
candidates
中的 同一个 数字可以 无限制重复被选取 。如果至少一个数字的被选数量不同,则两种组合是不同的。 对于给定的输入,保证和为 target
的不同组合数少于 150
个。
示例 1:
输入:candidates = [2,3,6,7], target = 7 输出:[[2,2,3],[7]] 解释: 2 和 3 可以形成一组候选,2 + 2 + 3 = 7 。注意 2 可以使用多次。 7 也是一个候选, 7 = 7 。 仅有这两种组合。
class Solution {
List<List<Integer>> res = new ArrayList();
List<Integer> tmp = new ArrayList();
public List<List<Integer>> combinationSum(int[] candidates, int target) {
backtrace(candidates,target,0,0);
return res;
}
private void backtrace(int[] candidates, int target, int begin, int sum){
if(sum > target) return;
if(sum == target) {
res.add(new ArrayList(tmp));
return;
}
for(int i=begin;i<candidates.length;++i){
tmp.add(candidates[i]);
sum += candidates[i];
backtrace(candidates,target,i,sum);
sum -= candidates[i];
tmp.remove(tmp.size()-1);
}
}
}
或者沿用【子集】【组合】中的“选或者不被选”的想法:
class Solution {
public List<List<Integer>> combinationSum(int[] candidates, int target) {
List<List<Integer>> ans = new ArrayList<List<Integer>>();
List<Integer> combine = new ArrayList<Integer>();
dfs(candidates, target, ans, combine, 0);
return ans;
}
public void dfs(int[] candidates, int target, List<List<Integer>> ans, List<Integer> combine, int idx) {
if (idx == candidates.length) {
return;
}
if (target == 0) {
ans.add(new ArrayList<Integer>(combine));
return;
}
// 直接跳过
dfs(candidates, target, ans, combine, idx + 1);
// 选择当前数
if (target - candidates[idx] >= 0) {
combine.add(candidates[idx]);
dfs(candidates, target - candidates[idx], ans, combine, idx);
combine.remove(combine.size() - 1);
}
}
}
给定一个候选人编号的集合 candidates
和一个目标数 target
,找出 candidates
中所有可以使数字和为 target
的组合。
candidates
中的每个数字在每个组合中只能使用 一次 。
注意:解集不能包含重复的组合。
示例 1:
输入: candidates = [10,1,2,7,6,1,5], target = 8, 输出: [ [1,1,6], [1,2,5], [1,7], [2,6] ]
思路:排序去重
有效 IP 地址 正好由四个整数(每个整数位于 0
到 255
之间组成,且不能含有前导 0
),整数之间用 '.'
分隔。
- 例如:
"0.1.2.201"
和"192.168.1.1"
是 有效 IP 地址,但是"0.011.255.245"
、"192.168.1.312"
和"192.168@1.1"
是 无效 IP 地址。
给定一个只包含数字的字符串 s
,用以表示一个 IP 地址,返回所有可能的有效 IP 地址,这些地址可以通过在 s
中插入 '.'
来形成。你 不能 重新排序或删除 s
中的任何数字。你可以按 任何 顺序返回答案。
示例 1:
输入:s = "25525511135" 输出:["255.255.11.135","255.255.111.35"]
二、回溯:Flood Fill
有一幅以 m x n
的二维整数数组表示的图画 image
,其中 image[i][j]
表示该图画的像素值大小。
你也被给予三个整数 sr
, sc
和 newColor
。你应该从像素 image[sr][sc]
开始对图像进行 上色填充 。
为了完成 上色工作 ,从初始像素开始,记录初始坐标的 上下左右四个方向上 像素值与初始坐标相同的相连像素点,接着再记录这四个方向上符合条件的像素点与他们对应 四个方向上 像素值与初始坐标相同的相连像素点,……,重复该过程。将所有有记录的像素点的颜色值改为 newColor
。
最后返回 经过上色渲染后的图像 。
示例 1:
输入: image = [[1,1,1],[1,1,0],[1,0,1]],sr = 1, sc = 1, newColor = 2 输出: [[2,2,2],[2,2,0],[2,0,1]] 解析: 在图像的正中间,(坐标(sr,sc)=(1,1)),在路径上所有符合条件的像素点的颜色都被更改成2。 注意,右下角的像素没有更改为2,因为它不是在上下左右四个方向上与初始点相连的像素点。
class Solution {
public int[][] floodFill(int[][] image, int sr, int sc, int color) {
if(color == image[sr][sc]) return image;
backtrace(image,sr,sc,color,image[sr][sc]);
return image;
}
private void backtrace(int[][] image, int sr, int sc, int color, int srcColor){
// 边界检查
if(sr<0||sc<0||sr>=image.length||sc>=image[0].length) return;
// 剪枝
if(image[sr][sc] != srcColor) return;
image[sr][sc] = color;
// 检查上下左右
backtrace(image,sr-1,sc,color,srcColor);
backtrace(image, sr+1,sc,color,srcColor);
backtrace(image,sr,sc-1,color,srcColor);
backtrace(image,sr,sc+1,color,srcColor);
}
}
给你一个由 '1'
(陆地)和 '0'
(水)组成的的二维网格,请你计算网格中岛屿的数量。
岛屿总是被水包围,并且每座岛屿只能由水平方向和/或竖直方向上相邻的陆地连接形成。
此外,你可以假设该网格的四条边均被水包围。
示例 1:
输入:grid = [ ["1","1","1","1","0"], ["1","1","0","1","0"], ["1","1","0","0","0"], ["0","0","0","0","0"] ] 输出:1
class Solution {
public int numIslands(char[][] grid) {
boolean[][] visited = new boolean[grid.length][grid[0].length];
int islandNum = 0;
for(int i=0;i<grid.length;++i){
for(int j=0;j<grid[0].length;++j){
if(grid[i][j] == '1'){
++islandNum;
backtrace(grid,i,j);
}
}
}
return islandNum;
}
private void backtrace(char[][] grid, int i, int j){
if(i<0||j<0||i>=grid.length||j>=grid[0].length) return;
if(grid[i][j] == '0') return;
grid[i][j] = '0';
backtrace(grid,i-1,j);
backtrace(grid,i+1,j);
backtrace(grid,i,j-1);
backtrace(grid,i,j+1);
}
}
实际上,这并不应该称之为回溯,而更应该使用【深度优先遍历】来描述这个算法,因为“岛屿”实际上是抽象数据结构【网络】的一个具现,我们可以使用DFS来实现【树】的遍历,这里实际上是对【DFS向网络数据结构的扩展】,相关的岛屿问题有:【200.岛屿数量】、【463.岛屿周长】、【695.岛屿最大面积】、【827.最大人工岛】,都可以使用深度优先搜索实现。
给你一个 m x n
的矩阵 board
,由若干字符 'X'
和 'O'
,找到所有被 'X'
围绕的区域,并将这些区域里所有的 'O'
用 'X'
填充。
示例 1:
输入:board = [["X","X","X","X"],["X","O","O","X"],["X","X","O","X"],["X","O","X","X"]] 输出:[["X","X","X","X"],["X","X","X","X"],["X","X","X","X"],["X","O","X","X"]] 解释:被围绕的区间不会存在于边界上,换句话说,任何边界上的 'O'都不会被填充为 'X'。 任何不在边界上,或不与边界上的 'O' 相连的 'O' 最终都会被填充为 'X'。如果两个元素在水平或垂直方向相邻,则称它们是“相连”的。
class Solution {
public void solve(char[][] board) {
boolean[][] reserve = new boolean[board.length][board[0].length];
// 处理四个边界
for(int i=0;i<board[0].length;++i) {
if(board[0][i]=='O') touch(board,0,i,reserve);
if(board[board.length-1][i]=='O') touch(board,board.length-1,i,reserve);
}
for(int i=0;i<board.length;++i) {
if(board[i][0]=='O') touch(board,i,0,reserve);
if(board[i][board[0].length-1]=='O') touch(board,i,board[0].length-1,reserve);
}
// 吞并
for(int i=1;i<board.length-1;++i){
for(int j=1;j<board[0].length-1;++j){
if(!reserve[i][j]) board[i][j] = 'X';
}
}
}
private void touch(char[][] board,int i,int j,boolean[][] reserve){
if(i<0||j<0||i>board.length-1||j>board[0].length-1) return;
if(board[i][j] == 'X' || reserve[i][j] == true) return;
reserve[i][j] = true;
touch(board,i-1,j,reserve);
touch(board,i+1,j,reserve);
touch(board,i,j-1,reserve);
touch(board,i,j+1,reserve);
}
}
给定一个 m x n
二维字符网格 board
和一个字符串单词 word
。如果 word
存在于网格中,返回 true
;否则,返回 false
。
单词必须按照字母顺序,通过相邻的单元格内的字母构成,其中“相邻”单元格是那些水平相邻或垂直相邻的单元格。同一个单元格内的字母不允许被重复使用。
示例 1:
输入:board = [["A","B","C","E"],["S","F","C","S"],["A","D","E","E"]], word = "ABCCED" 输出:true
class Solution {
private boolean wordExist = false;
public boolean exist(char[][] board, String word) {
boolean[][] visited = new boolean[board.length][board[0].length];
for(int i=0;i<board.length;++i){
for(int j=0;j<board[0].length;++j){
dfs(board,i,j,word,0,visited);
}
}
return wordExist;
}
private void dfs(char[][] board, int i, int j, String word, int idx,boolean[][] visited){
if(idx == word.length()){
wordExist = true;
return;
}
if(i<0||j<0||i>=board.length||j>=board[0].length) return;
if(board[i][j] != word.charAt(idx) || visited[i][j]) return;
visited[i][j] = true;
dfs(board,i-1,j,word,idx+1,visited);
dfs(board,i+1,j,word,idx+1,visited);
dfs(board,i,j-1,word,idx+1,visited);
dfs(board,i,j+1,word,idx+1,visited);
visited[i][j] = false;
}
}