算法基础——回溯算法

回溯算法

回溯算法的理解

回溯和递归是分不开的(就像迭代和递推一样)，递归的过程中隐藏着回溯，回溯或递归的本质就是暴力搜索，用于解决排列、组合、切割、子集、棋盘等即使嵌套for循环(迭代法)也难以解决的问题，比如要嵌套多少层for是未知的。
这些问题都可以抽象成一个树形结构，即N叉树，一个问题不断地有很多个小问题的分支路径，回溯的思想就是遍历完一条路径之后，返回到上个问题并恢复现场。回溯属于DFS。
N叉树的深度由递归来处理，树的每层宽度用for迭代处理，回溯法就是递归和迭代的组合使用，即原本全用迭代需要嵌套N层for循环，这个过程由递归解决，我们只需要写一层for循环，递归N次即可。虽然递归或利用值传递都可以隐式地回溯，但迭代部分的全局变量就必须手动回溯了。

回溯算法的模板

主体就是一个暴力搜索的递归函数，通常没有返回值，少数情况有返回值，比如只需找到一个解。

void backtracking(参数列表) {
	if(终止条件){
		收集结果;
		return;
	}
	for(集合元素){
		处理当前元素;
		对当前元素进行递归;
		回溯操作;
	}
	return;
}

参数列表通常较多，可以先写着，随用随加，由于返回是void，所以参数必然有结果集，参数过多时可改成全局变量；终止条件一般是遇到叶子结点，即一条路径到头了，当然构建树的叶子结点的条件要看具体任务；集合元素通常为父结点的所有子结点，即兄弟姐妹；回溯操作并非是必须的或者显式的，有些任务不需要，则纯递归就可以隐式地完成，上述任务通常结果集是全局的(包括引用传递)，每次递归都会影响，故一条路径走完返回时需要回溯恢复现场，所以才叫回溯法。
由于没有返回值，所以其他不符合条件的情况即使不剪枝提前终止，最后返回也会因为恢复现场而不影响其他结果。

回溯过程的细节

首先变量如果要参与递归，要么是全局变量，要么在最开始作为参数传进来，二者的交集传入全局变量也视为传参，只是如果是引用传递可以保存变化在全局变量而不占用返回值。
因此有三种情况：全局变量(不传参)，引用传递，值传递。
全局变量(传参)包含在后两者中。
全局变量(不传参)和引用传递本质都是所有递归函数操作同一个变量，故必须手动回溯。注意引用传递必须接收const对象，index+1属于临时对象无法使用。
值传递则如果手动操作则需要搭配手动回溯，如下的path，如果是操作写在传参里则不需要，如下的index，因为传入的是临时副本，回溯时也会自动销毁

void backtracking(int index, string digits, vector<int> path) {
	/*...*/
	path.push_back(i);
	backtracking(index+1, digits, path);
	path.pop_back();
}

值传递会产生额外的拷贝操作，空间时间效率都低，大量数据易超时，尽量不用。

回溯算法的优化(剪枝)

回溯算法的优化通常只能从剪枝下手，不然也不会用回溯暴力搜索了，除了额外终止条件结束当前路径的剪枝，大部分回溯的剪枝都可以通过优化for循环的条件，即减少每层for循环的次数，当然太复杂分开写应该也是可以的，一般写法层数越深，for循环的次数越少，从树形结构上看，是一个往左斜的N叉树，当然具体看集合元素的逻辑。

记忆化搜索

递归搜索(回溯)+保存计算结果=记忆化搜索
一些问题的回溯过程中会出现重复递归的情况，即之前这段递归已经计算过，之后其他路径也遇到同样的递归段，导致重复计算。
例如打家劫舍问题用回溯写：

int dfs(int i) { // i表示房屋下标，最小为i=0
    if (i < 0) return 0;
    int res = max(dfs(i - 1), dfs(i - 2) + nums[i]);
    return res;
}

每个房屋的状态为0和1，每次递归都要递归两种状态，故时间复杂度为2的n次方。看着像二叉树，但这种树的分支有很多是重复的，所以可以优化成记忆化搜索：

vector<int> memo(n, -1); // 初始化记忆数组，打家劫舍结果不可能为负数
int dfs(int i) { // i表示房屋下标，最小为i=0
    if (i < 0) return 0;
    if (memo[i] != -1) return memo[i]; // 如果memo[i]被搜索过直接返回
    else return memo[i] = max(dfs(i - 1), dfs(i - 2) + nums[i]); // 否则计算赋值并返回
}

可以发现，max()计算和memo赋值过程只发生在dfs()结束后从底往上归的过程中，递的过程并不涉及计算赋值，通常这类问题分支也是确定的，我们也知道底在哪里(回溯法更多是用来解决那些底未知、分支未知的问题)，那么是否可以去掉递的过程，留下归的过程，直接从底往上递推计算呢？
记忆化搜索通常可以转换成递推（即动态规划的递推公式）：

dfs(i) = max(dfs(i - 1), dfs(i - 2) + nums[i]); // 递归
dp[i] = max(dp[i – 1], dp[i – 2] + nums[i]); // 递推

将递归函数dfs换成dp数组，递归改成循环，递归的边界为dp数组的初始值，同时为了避免数组出现负数下标，可以让i从2开始，前面的使用数组初始值这里递归的边界条件是i<0返回0，故初始化为0即可。
动态规划就是把自上而下(递归)的记忆化搜索改成自下而上(递推)。