14天阅读挑战赛
努力是为了不平庸~
算法学习有些时候是枯燥的,这一次,让我们先人一步,趣学算法!欢迎记录下你的那些努力时刻(算法学习知识点/算法题解/遇到的算法bug/等等),在分享的同时加深对于算法的理解,同时吸收他人的奇思妙想,一起见证技术er的成长~
算法知识点
回溯法是比贪心法和动态规划法更一般的方法。
解为n-元组(x0,x1,…,xn-1)形式。
通过搜索状态空间树来求问题的可行解(满足约束条件)或最优解(使目标函数取最大或最小值)。
回溯法是一种选优搜索法,按照选优条件深度优先搜索,以达到目标。当搜索到某一步时,发现原先选择并不是最优或达不到目标,就退回一步重新选择,这种走不通就退回再走的技术称为回溯法,而满足回溯条件的某个状态称为“回溯点”。
.树中每个结点称为一个问题状态;
若从根到树中某个状态的路径代表一个候选解元组,则该状态为解状态;
若从根到某个解状态的路径代表一个可行解元组,则该解状态为答案状态;
如果求解的是最优化问题,还要用目标函数衡量每个答案结点,找出其中目标函数取最优值的最优答案结点。回溯法与穷举搜索不同:回溯法使用约束函数,剪去那些可以断定不含答案状态的子树,从而提高算法效率。回溯法适用于解一些组合数相当大的问题。事实上,状态空间树并不需要事先生成,而只需在求解的过程中,随着搜索算法的进展,逐个生成状态空间树的问题状态结点。
算法题目来源
n-皇后
回溯法是从初始状态出发,按照深度优先搜索的方式,根据产生子结点的条件约束,搜索问题的解。当发现当前结点不满足求解条件时,就回溯,尝试其他的路径。回溯法是一种“能进则进,进不了则换,换不了则退”的搜索方法。
算法题目描述
在n×n格的棋盘上放置彼此不受攻击的n个皇后。按照国际象棋的规则,皇后可以攻击与之处在同一行或同一列或同一斜线上的棋子。n后问题等价于在n×n格的棋盘上放置n个皇后,任何2个皇后不放在同一行或同一列或同一斜线上。
做题思路
用回溯法解决实际问题时,首先要确定解的形式,定义问题的解空间。
什么是解空间呢?
(1)解空间
·解的组织形式:回溯法解的组织形式可以规范为一个n元组{x1,x2,…,xn},例如3个物品的0-1背包问题,解的组织形式为{x1,x2,x3}。
·显约束:对解分量的取值范围的限定。
例如有3个物品的0-1背包问题,解的组织形式为{x1,x2,x3}。它的解分量xi的取值范围很简单,xi=0或者xi=1。xi=0表示第i个物品不放入背包,xi=1表示第i个物品放入背包,因此xi∈{0,1}。
3个物品的0-1背包问题,其所有可能解有:{0,0,0},{0,0,1},{0,1,0},{0,1,1},{1,0,0},{1,0,1},{1,1,0},{1,1,1}。
·解空间:顾名思义,就是由所有可能解组成的空间。
解空间越小,搜索效率越高。解空间越大,搜索的效率越低。犹如大海捞针,在海里捞针相当困难,如果把解空间缩小到一平方米的海底就容易很多了。
迭代回溯算法框架
void IBacktrack(int n)
{ int k=0;
while (k>=0) {
if (还剩下尚未检测的x[k],使得x[k]∈T(x[0],…,x[k-1])&&Bk(x[0],…,x[k])
{ if ((x[0],x[1],…,x[k])是一个可行解)
输出(x[0],x[1],…,x[k]);//输出可行解
k++;//深度优先进入下一层
}
elsek–;//回溯到上一层
}
}
模板代码
void RBacktrack (int k)
{ for(每个x[k],使得x[k]∈T(x[0],...,x[k-1])&&(Bk(x[0],...,x[k]))
{
// T(x0,x1,...,xk-1)表示沿路径(x0,x1,...,xk-1)从根到某个问题状态时,孩子结点xk可取值的集合。
// Bk(x0,x1,...,xk)为约束函数。若子树上不含任何答案状态,则为false;否则,为true。
if ((x[0],x[1],...,x[k])是一个可行解)//判断是否可行解
输出(x[0],x[1],...,x[k]);//输出可行解
RBacktrack(k+1);//深度优先进入下一层
}
}
做题过程中遇到的bug及解决方案
解向量:(x0, x1, … , xn-1),其中xi表示第i行的皇后所处的列号。
(采用第二种显式约束观点的)
约束函数:当i≠j时,要求
1)不同列:xi≠xj
2)不处于同一正、反对角线:|i-j|≠|xi-xj|
4-皇后问题状态空间树——见P180 图8-3(排列树)
解向量:(x0, x1, … , xn-1),其中xi表示第i行的皇后所处的列号。
设计约束函数:
对0≤i,j<k,当i≠j时,要求xi≠xj 且|i-j|≠|xi-xj|
bool Place(int k,inti,int *x)//约束函数(隐式)
{//判断当前第k行皇后是否可放在第i列位置
for (int j=0;j<k;j++)
if ((x[j]==i)||(abs(x[j]-i)==abs(j-k))) return false;
//检查与前面已选定的0~k-1 行皇后是否冲突。若有皇后(j行x[j]列)
//与当前皇后(k行i列)在同一列或斜线上,则冲突,返回false。
return true;
}
void NQueens(intk,int n,int *x) //为第k行皇后选择可放置的列
{ for (int i=0;i<n;i++) //显式约束(尝试所有可选列数0~n-1)
{if (Place(k,i,x))//约束函数(隐式)
{ x[k]=i;
if(k==n-1)
{ for (i=0;i<n;i++) cout<<x[i]<<“ ”; //输出一个可行解
cout<<endl;
}
elseNQueens(k+1,n,x);//深度优先进入下一层
}
}
}
相关算法题型题目总结
隐约束(剪枝函数)包括约束函数和限界函数。
对能否得到问题的可行解的约束称为约束函数,对能否得到最优解的约束称为限界函数。有了剪枝函数,我们就可以剪掉得不到可行解或最优解的分支,避免无效搜索,提高搜索的效率。剪枝函数设计得好,搜索效率就高。解空间的大小和剪枝函数的好坏都直接影响搜索效率,因此这两项是搜索算法的关键。
在搜索解空间时,有几个术语需要说明。
·扩展结点:一个正在生成孩子的结点。
·活结点:一个自身已生成,但孩子还没有全部生成的结点。
·死结点:一个所有孩子都已经生成的结点。
·子孙:结点E的子树上所有结点都是E的子孙。
·祖宗:从结点E到树根路径上的所有结点都是E的祖宗。
0/1背包问题
0/1背包问题的解用n-元组表示:X=(x0,x1,…,xn-1) xi=0或1(0≤i<n)
template
class Knapsack
{
public:
T BKnapsack(int *x);
protected:
void BKnapsack(int k,T cp,Tcw,T &fp,int *x,int *y);
T Bound(int k,T cp,T cw);//Bound为上界函数bp
T m,*w,*p;//已按p[i]/w[i]≥p[i+1]/w[i+1]排序
int n;
};
template <class T>
void Knapsack<T>::BKnapsack(int k,T cp,T cw,T &fp,int *x,int *y)
{ //cp是当前收益,cw是当前背包重量,k是当前待考察的物品编号
//fp是当前最大收益
//考察左孩子结点
int j; T bp;
if (cw+w[k]<=m)//左子树,需重新计算约束函数,上界函数无需计算
{
y[k]=1;
if (k<n-1) //未到底
BKnapsack(k+1,cp+p[k],cw+w[k],fp,x,y);
if (cp+p[k]>fp && k==n-1)//到最底层
{fp=cp+p[k];//更新最优解下界估计值
for (j=0;j<=k;j++) x[j]=y[j];
}
}
template <class T>
void Knapsack<T>::BKnapsack(int k,T cp,T cw,T &fp,int *x,int *y)
{ //cp是当前收益,cw是当前背包重量,k是当前待考察的物品编号
//fp是当前最大收益
。。。。。。
//考察右孩子结点
if (Bound(k,cp,cw)>=fp) //右子树,需重新计算上界函数,约束函数无需计算
{
y[k]=0;
if (k<n-1) //未到底
BKnapsack(k+1,cp,cw,fp,x,y);
if (cp>fp && k==n-1)//到最底层
{fp=cp;//更新最优解下界估计值
for (j=0;j<=k;j++) x[j]=y[j];
}
}
}
总结:用回溯法解决问题时,首先要考虑如下3个问题。
(1)定义合适的解空间
因为解空间的大小对搜索效率有很大的影响,因此使用回溯法首先要定义合适的解空间,确定解空间包括解的组织形式和显约束。
·解的组织形式:解的组织形式都规范为一个n元组{x1,x2,…,xn},只是具体问题表达的含义不同而已。
·显约束:显约束是对解分量的取值范围的限定,显约束可以控制解空间的大小。
(2)确定解空间的组织结构
解空间的组织结构通常用解空间树形象的表达,根据解空间树的不同,解空间分为子集树、排列树、m叉树等。
(3)搜索解空间
回溯法是按照深度优先搜索策略,根据隐约束(约束函数和限界函数),在解空间中搜索问题的可行解或最优解。当发现当前结点不满足求解条件时,就回溯,尝试其他的路径。“能进则进,进不了则换,换不了则退”。
如果问题只是要求可行解,则只需要设定约束函数即可;如果要求最优解,则需要设定约束函数和限界函数。
解空间的大小和剪枝函数的好坏是影响搜索效率的关键。
显约束可以控制解空间的大小,剪枝函数决定剪枝的效率。
所以回溯法解题的关键是设计有效的显约束和隐约束。