目录
导读
本专栏打算从回溯搜索专题开始讲解。为什么要从回溯算法开始呢?在计算机处理问题的时候,其实是很粗暴蛮力的,枚举所有的可能性找出最后的答案。而回溯搜索就是这么一种“蛮力”的算法,尽管它不如动态规划那么高大上,但是却是我们最常用到的算法,在算法竞赛中,如果遇到没有思路去优化的题,可以用回溯算法暴力搜索来骗分,当然它也是面试中的常客。那么就让我们开始回溯算法的搜索之旅吧~~🙈
什么是回溯法
回溯法也可以叫做回溯搜索法,它是一种搜索的方式。
回溯的本质是穷举,穷举所有可能,然后选出我们想要的答案,也就是暴力搜索。
如何理解回溯法
回溯法解决的问题都可以抽象为树形结构,是的,我指的是所有回溯法的问题都可以抽象为树形结构!
因为回溯法解决的都是在集合中递归查找子集,集合的大小就构成了树的宽度,递归的深度,都构成的树的深度。
递归就要有终止条件,所以必然是一棵高度有限的树(N叉树)。
递归里面嵌套着循环,为单层搜索逻辑。
回溯法解决的问题
回溯法,一般可以解决如下几种问题:
- 组合问题:N个数里面按一定规则找出k个数的集合
- 切割问题:一个字符串按一定规则有几种切割方式
- 子集问题:一个N个数的集合里有多少符合条件的子集
- 排列问题:N个数按一定规则全排列,有几种排列方式
- 棋盘问题:N皇后,解数独等等
回溯法模板
1 、回溯函数模板返回值以及参数
在回溯算法中,我的习惯是函数起名字为backtracking,这个起名大家随意。
回溯算法中函数返回值一般为void。
再来看一下参数,因为回溯算法需要的参数可不像二叉树递归的时候那么容易一次性确定下来,所以一般是先写逻辑,然后需要什么参数,就填什么参数。
void backtracking(参数)
2、 回溯函数终止条件
什么时候达到了终止条件,树中就可以看出,一般来说搜到叶子节点了,也就找到了满足条件的一条答案,把这个答案存放起来,并结束本层递归。
所以回溯函数终止条件伪代码如下:
if (终止条件) {
存放结果;
return;
}
3 、回溯搜索的遍历过程
在上面我们提到了,回溯法一般是在集合中递归搜索,集合的大小构成了树的宽度,递归的深度构成的树的深度。
分享一张代码随想录的图
回溯函数遍历过程伪代码如下:
for循环就是遍历集合区间,可以理解一个节点有多少个孩子,这个for循环就执行多少次。
backtracking这里自己调用自己,实现递归。
大家可以从图中看出for循环可以理解是横向遍历,backtracking(递归)就是纵向遍历,这样就把这棵树全遍历完了,一般来说,搜索叶子节点就是找的其中一个结果了。
回溯算法模板框架代码如下
🙈
void backtracking(参数) {
if (终止条件) {
存放结果;
return;
}
for (选择:本层集合中元素(树中节点孩子的数量就是集合的大小)) {
处理节点;
backtracking(路径,选择列表); // 递归
回溯,撤销处理结果
}
}
组合
题目
代码
C++
class Solution {
public:
vector<vector<int>> combine(int n, int k) {
backtracking(n,k,1);
return result;
}
private:
vector<vector<int>> result;//答案数组
vector<int> path;//每一个结果数组
void backtracking(int n,int k,int startindex)
{
if(path.size()==k){
result.push_back(path);
return;
}
for(int i=startindex;i<=n;i++)//控制横向选择,不重复
{
path.push_back(i);
backtracking(n,k,i+1);//递归每一个都是一个for循环,纵向递归
path.pop_back();
}
}
};
Java
class Solution {
List<List<Integer>> result = new ArrayList<>();
LinkedList<Integer> path = new LinkedList<>();
public List<List<Integer>> combine(int n, int k) {
combineHelper(n, k, 1);
return result;
}
/**
* 每次从集合中选取元素,可选择的范围随着选择的进行而收缩,调整可选择的范围,就是要靠startIndex
* @param startIndex 用来记录本层递归的中,集合从哪里开始遍历(集合就是[1,...,n] )。
*/
private void combineHelper(int n, int k, int startIndex){
//终止条件
if (path.size() == k){
result.add(new ArrayList<>(path));
return;
}
for (int i = startIndex; i <= n - (k - path.size()) + 1; i++){
path.add(i);
combineHelper(n, k, i + 1);
path.removeLast();
}
}
}
题解
先讲一下如果没有学过回溯法,怎么用暴力解出来本题,其实很简单,两重循环枚举即可。
int n = 4;
for (int i = 1; i <= n; i++) {
for (int j = i + 1; j <= n; j++) {
cout << i << " " << j << endl;
}
}
但是当数据范围很大的时候,会导致循环层数很多,肯定会超时,甚至程序都跑不出来,这个时候用回溯搜索法来解决就会清晰很多了。所有的回溯搜索问题都可以抽象出来一个树形结构,注意我说的是所有,也是我们在解回溯算法的时候必须要做的一步!!如下图:
对回溯参数作一些解释:
- startIndex:用来枚举递归的每一层可以选择的位置:选过的数字再下一层就不能选择了
- n:相当于树的宽度,每一层for循环遍历的范围,k就是树纵向递归的深度
递归终止条件:
搜索到叶子节点就得到一个结果,把叶子节点的结果收集到数组里。
if (path.size() == k) {
result.push_back(path);
return;
}
为什么要有这个startIndex呢?
每次从集合中选取元素,可选择的范围随着选择的进行而收缩,调整可选择的范围,就是要靠startIndex。
从下图中红线部分可以看出,在集合[1,2,3,4]取1之后,下一层递归,就要在[2,3,4]中取数了,那么下一层递归如何知道从[2,3,4]中取数呢,靠的就是startIndex。
如何优化
最常用的优化方法就是通过剪枝优化。如果所示看看卡尔是怎么画图的:
可以剪枝的地方就在递归中每一层的for循环所选择的起始位置。
如果for循环选择的起始位置之后的元素个数 已经不足 我们需要的元素个数了,那么就没有必要搜索了。
接下来看一下优化过程如下:
- 已经选择的元素个数:path.size();
- 还需要的元素个数为: k - path.size();
- 在集合n中至多要从该起始位置 : n - (k - path.size()) + 1,开始遍历
为什么有个+1呢,因为包括起始位置,我们要是一个左闭的集合。
举个例子,n = 4,k = 3, 目前已经选取的元素为0(path.size为0),n - (k - 0) + 1 即 4 - ( 3 - 0) + 1 = 2。
从2开始搜索都是合理的,可以是组合[2, 3, 4]。
这里大家想不懂的话,建议也举一个例子,就知道是不是要+1了。
for (int i = startIndex; i <= n - (k - path.size()) + 1; i++) // i为本次搜索的起始位置
优化后整体代码如下:
class Solution {
private:
vector<vector<int>> result;
vector<int> path;
void backtracking(int n, int k, int startIndex) {
if (path.size() == k) {
result.push_back(path);
return;
}
for (int i = startIndex; i <= n - (k - path.size()) + 1; i++) { // 优化的地方
path.push_back(i); // 处理节点
backtracking(n, k, i + 1);
path.pop_back(); // 回溯,撤销处理的节点
}
}
public:
vector<vector<int>> combine(int n, int k) {
backtracking(n, k, 1);
return result;
}
};
总结
回溯搜索是一种常用的解决组合问题的算法,其基本思想是通过不断的尝试和回溯来寻找问题的解。在回溯搜索过程中,需要注意以下几点:
- 参数的定义:明确了递归的参数才能写好回溯算法。
- 遍历的范围:需要根据当前状态生成所有可行的决策,即所有可能的选择。
- 递归终止条件:叶子节点需要及时收集结果结束递归。
在组合问题中,剪枝是一种常用的优化方法,可以减少搜索的时间和空间复杂度。常用的剪枝方法包括:
- 可行性剪枝:在生成决策时,可以根据当前状态和问题的约束条件,去掉不符合条件的决策,从而减少搜索的路径。
- 最优性剪枝:在搜索过程中,可以记录当前状态的最优解,如果生成的决策不可能得到更优的解,则可以进行剪枝。
- 约束传递剪枝:在搜索过程中,可以根据当前状态和问题的约束条件,预测接下来的决策可能会导致哪些状态无解,从而减少搜索的路径。
不知道大家是否已经初步掌握了回溯搜索的算法了呢?那么我们期待下一节再见~~
……φ(´U`●){:.。.:ВчёВчё:.。.:}