Ⅰ 前言
在前面讲深度优先搜索算法的时候,我说其实深度优先搜索算法利用的就是回溯算法思想。
这个算法思想非常简单,但是应用非常广泛。它除了用来指导像深度优先搜索算法这种经典的算法设计之外,还可以用在很多实际的软件开发场景中,比如正则表达式匹配、编译原理中的语法分析等。
除此之外,很多经典的数学问题都可以用回溯算法解决,比如数独、八皇后、0-1 背包、图的着色、旅行商问题、全排列等等,我们这篇文章就来讲解一下回溯算法的思想,看看它是如何指导我们解决问题的。
Ⅱ 回溯算法的理解
在我们的一生中,面临着无数次的选择,每个选择就构成了现在的我们。有的人可能做出了现在看来是最正确的选择,有的人则不然。我不喜欢用辉格史观来看历史,但是每个人都可能会想到之前有个选择,选错了,懊恼不已。如果当时做了所谓正确的选择,自己现在也许过得更好。
那我们就来想想,如果人生可以量化,我们要如何才能在岔路口中做出最正确的选择,让自己的人生“最优”呢?
我们可以借助 贪心算法,在每次面对岔路口的时候,都做出看起来是最优的选择,期望这一组选择可以使得我们的人生达到“最优”。但是,在贪心算法的讲解中,我们说过,贪心算法并不一定能得到最优解。那么,有没有什么办法能得到最优解呢?
有一个电影不知道大家有没有看过,叫《蝴蝶效应》。里面的主人公为了达到自己的目标,一直通过回溯的方法,回到童年,在关键的岔路口,重新做选择。当然,这只是个电影,人生无法倒退,但是这个电影其中蕴含的思想就是回溯思想。
笼统地讲,回溯算法很多时候都应用在“搜索”这类问题上,这里的“搜索”并不是狭义的指图的搜索算法,而是在一组可能的解中,搜索满足期望的解。
回溯的处理思想,有点类似枚举搜索。我们枚举所有的解,找到满足期望的解。为了有规律地枚举所有可能的解,避免遗漏和重复,我们把问题求解的过程分为多个阶段,每个阶段我们都会面对一个岔路口。我们先选择一条路走,当发现这条路走不通的时候(不符合期望的解),就回退到上一个岔路口,另选一种走法继续走。
我还是代码来说明。我们先来实现一个回溯的经典例子——八皇后问题。
其实在我很早很早之前的文章里,讲过八皇后问题。当时我是用 C 实现的,并且把它作为递归的例子来讲,这篇文章我们再说一下这个例子,并且聚焦在回溯的思想上。我先把文章链接放在下面,有兴趣的同学可以看看。
我们有一个 8×8 的棋盘,希望往里放 8 个棋子(皇后),每个棋子所在的行、列、对角线,都不能有另一个皇后在。如下图中,左图就是符合规则的,右图就不符合规则。
八皇后问题就是期望找到所有满足条件的摆放棋子的方式。
我们把这个问题划分成 8 个阶段,依次将 8 个棋子放到第一行、第二行、…、第八行。在放置的过程中,我们不停地检查当前放法,是否满足要求。如果满足,则跳到下一行继续放置棋子;如果不满足,那就再换一种方法,继续尝试。
回溯算法是非常适合用递归代码实现的,所以,我把八皇后的算法用 Java 写出来,大家可以再对照着看看,如果要看用 C 实现的,可以跳转到我上面链接的文章里去看。
package com.tyz.core;
/**
* 回溯算法实现八皇后问题
* @author Tong
*/
public class EightQueens {
private int[] result = new int[8];
public EightQueens() {
}
/**
* 递归实现求八皇后的解
* @param row
*/
public void cal8queens(int row) {
if (row == 8) {
printQueens(result); //8个棋子都放置好了
return;
}
for (int column = 0; column < 8; column++) { //每一行有八个位置需要考察
if (isOk(row, column)) { //检测这个位置是否合法
result[row] = column; //将row行的元素放在了column列
cal8queens(row + 1); //这一行棋子放置成功,考察下一行
}
}
}
/**
* 检测第row行第column列棋子放置是否合法
* @param row
* @param column
* @return
*/
private boolean isOk(int row, int column) {
int leftUp = column - 1;
int rightUp = column + 1;
for (int i = row-1; i >= 0; i--) { //逐行往上考察每一行
if (result[i] == column) {
return false;
}
if (leftUp >= 0) { //考察左对角线
if (result[i] == leftUp) {
return false;
}
}
if (rightUp < 8) { //考察右对角线
if (result[i] == rightUp) {
return false;
}
}
leftUp--;
rightUp--;
}
return true;
}
/**
* 打印棋盘
* @param result
*/
private void printQueens(int[] result) {
for (int row = 0; row < 8; row++) {
for (int column = 0; column < 8; column++) {
if (result[row] == column) {
System.out.print("Q ");
} else {
System.out.print("* ");
}
}
System.out.println();
}
System.out.println();
}
}
测试代码如下👇
package com.tyz.test;
import com.tyz.core.EightQueens;
public class TestFor8queens {
public static void main(String[] args) {
EightQueens object = new EightQueens();
object.cal8queens(0);
}
}
部分运行结果如下👇
可能有人会疑惑,哪里回溯了呢?我再来分析一下这个回溯的地方。
回溯其实是发生在 22 到 27 行代码中。比如第二行第二列的位置合法,那我们就在这里放一个皇后,这时候执行第 25 行,也就是开始找下一行的放皇后的位置了。
但是在第三行中,找了所有的列,都找不到合法的位置,这时候代码就执行到 27 行,那此次函数调用就执行完了,返回到调用它的地方,即在第二行第二列放入皇后以后,即返回到了第 26 行。然后此时程序会继续执行第 22 行的 for
循环的遍历,也就是重新在第二行考察一个合法的位置,第二行如果没有了,那就回溯到第一行去。
这就是程序回溯的经过,大家可以看着代码再思考思考。
Ⅲ 回溯算法的经典应用
这个八皇后的例子,可能你还没有完全清楚回溯思想的实现。我们再通过两个例子来看一下回溯算法的应用和实现。
A. 0-1 背包
0-1 背包是非常经典的算法题,很多场景都可以抽象成这个问题模型。这个问题的经典解法是动态规划,不过还有一种简单但是没有那么高效的解法,那就是我们的回溯算法。
0-1 背包有很多变体,我们这里说一个比较基础的。我们有一个背包,背包总的承载重量是 W kg。我们现在有 n 个物品,每个物品的重量不等,并且不可分割。我们现在期望选择几件物品,装载到背包中。在不超过背包所能装载重量的前提下,如何让背包中物品的总重量最大?
实际上,背包问题在我前面的文章 贪心算法 中,已经说过一个了,不过贪心算法里的物品是可以分割的,我们可以装某个物品的一部分到这个背包里,而 0-1 背包问题,物品是不可分割的,要么装要么不装,所以叫 0-1 背包。显然,这个问题已经无法通过贪心算法来解决了。我们就来看看如何用回溯算法解决这个问题。
对于每个物品来说,都有两种选择,装进背包或者不装进背包,对于 n 个物品来说,总的装法就是 2n 种,去掉总重量超过 W kg的,从剩下的装法中选择总重量最接近 W kg的。不过我们如何才能不重复地穷举出这 2n 种装法呢?
这里就可以用到回溯的方法,我们可以把物品依次排列,整个问题就分解成了 n 个阶段,每个阶段对应一个物品怎么选择,先对第一个物品进行处理,选择装进去或者不装进去,然后再递归地处理剩下的物品。我们直接看代码,大家可以对着代码来思考这个逻辑。
package com.tyz.core;
public class ZeroOneBackpack {
private int maxWeight = Integer.MIN_VALUE;
public ZeroOneBackpack() {}
/**
* 求出不重复的所有解
* @param index 当前第index个物品
* @param currentWeight 已装进背包的物品重量
* @param items 每个物品的重量
* @param num 物品个数
* @param weight 背包能承受的最大重量
* 假设背包可承受重量为 100,物品个数为10,物品重量存储在数组a中
* 调用方法:findSolve(0, 0, arr, 10, 100)
*/
public void findSolve(int index, int currentWeight, int[] items,
int num, int weight) {
if (currentWeight == weight || index == num) { //已经装满 || 考察完所有物品
if (currentWeight > maxWeight) {
maxWeight = currentWeight;
return;
}
}
findSolve(index + 1, currentWeight, items, num, weight); //items[index]的物品不装进背包
if (currentWeight + items[index] <= weight) {
findSolve(index + 1, currentWeight + items[index], items, num, weight);//装进背包
}
}
}
这里的递归代码其实非常复杂,我建议大家如果不理解的话,自己去做一遍变量跟踪,比如设置物品数为 3,背包的重量其实都可以不用管,然后按这个参数来进行变量跟踪,大概就能明白这个算法的原理了。
我在学这里的时候,也是用的物品数为 3,然后做了一遍变量跟踪,用了四页纸。大家可以试试。
这里我尽力说一下这个过程。这几行代码其实实现的是,借助回溯过程,实现了以每一个可能的物品,作为第一个装入背包的,以尝试所有的物品组合。
这四行代码,有人可能会疑惑为什么不用 if else 来写,那其实就不是我们回溯的思想了,我们回溯其实是要面对除了刚才一轮的选项以外所有的选项的,我们要试出每一种结果。
如果做变量跟踪的话,大概就是第一轮每个函数都会调用
findSolve(index + 1, currentWeight, items, num, weight);
然后层层嵌套,最后到 index = num 那层停下来。然后返回上一轮,试第二种选择。
if (currentWeight + items[index] <= weight) {
findSolve(index + 1, currentWeight + items[index], items, num, weight);//装进背包
}
这时候它又会继续调用 findSolve(index + 1, currentWeight + items[index], items, num, weight
,这就相当于再进入下一次,然后尝试下一层的两种选择的配对。
比如我们用 num = 3 开始做变量跟踪的话,我用 1 表示放进背包,0 表示不放进背包,执行一次这个代码,就会得到下面的结果👇
0 0 0
0 0 1
0 1 0
0 1 1
1 0 0
1 0 1
1 1 0
1 1 1
再次希望大家自己去做一遍变量跟踪,体验一下这个奇妙的过程。
B. 正则表达式
看懂了 0-1 背包,我们再来看另外一个例子,正则表达式匹配。正则表达式再开发中用得非常广泛,而回溯思想其实就是正则表达式里最重要的一种算法思想。
正则表达式中,最重要的就是通配符,通配符结合在一起,可以表达出非常丰富的语义。为了方便讲解,我假设正则表达式中只包含 “ * ” 和 “ ? ” 这两种通配符,并且对这两个通配符的语义稍微做些改变,其中,“ * ” 匹配任意多个(大于等于 0 个)任意字符,“ ? ” 匹配零个或者一个任意字符。基于以上背景假设,我们看下,如何用回溯算法,判断一个给定的文本,能否跟给定的正则表达式匹配。
我们依次考察正则表达式中的每个字符,当是非通配符时,我们就直接跟文本的字符进行匹配,如果相同,则继续往下处理;如果不同,则回溯。
如果我们遇到特殊字符时,我们就有多种处理方式了,也就是所谓的岔路口,比如 “ * ” 有多种匹配方案,可以任意匹配任意个文本串中的字符,我们就先随意地选择一种匹配方案,然后继续考察剩下的字符。如果中途发现无法继续匹配下去了,我们就回到这个岔路口,重新选择一种匹配方案,然后再继续匹配剩下的字符。
我还是直接把代码放出来,其实大家对照着代码,应该就很好理解了。
package com.tyz.core;
public class Pattern {
private boolean matched;
private char[] pattern; //正则表达式
private int plen; //正则表达式长度
public Pattern() {
this.matched = false;
}
public Pattern(char[] pattern, int plen) {
this();
this.pattern = pattern;
this.plen = plen;
}
public boolean match(char[] text, int tlen) {
this.matched = false;
rmatch(0, 0, text, tlen);
return matched;
}
private void rmatch(int ti, int pj, char[] text, int tlen) {
if (matched) {
return; //已经配对成功
}
if (pj == plen) { //正则表达式已经到结尾了
if (ti == tlen) { //文本串也到结尾了
matched = true;
}
return;
}
if (pattern[pj] == '*') { // *匹配任意个字符
for (int k = 0; k <= tlen-ti; k++) {
rmatch(ti + k, pj + 1, text, tlen);
}
} else if (pattern[pj] == '?') { // ?匹配0个或者1个字符
rmatch(ti, pj + 1, text, tlen);
rmatch(ti + 1, pj + 1, text, tlen);
} else if (ti < tlen && pattern[pj] == text[ti]) {
rmatch(ti + 1, pj + 1, text, tlen);
}
}
}
Ⅳ 总结
回溯算法的思想非常简单,大部分情况下,都是用来解决广义的搜索问题,也就是说,从一组可能的解中,选择出一个满足要求的解。回溯算法非常适合用递归来实现,在实现的过程中,剪枝操作是提高回溯效率的一种技巧。利用剪枝,我们并不需要穷举搜索所有的情况,从而提高搜索效率。
在我们前面做的假设中,人生可量化要怎么求最优解,但是人生当然不可能量化,更不可能回溯。贪心算法给了我们一个很好的启示,件件求最优,最后求得的反而可能不是最优,何况人生不能量化,更做不到超越时间的维度去看自己,所以也选不出来那个件件求最优的选择。我们只能尽可能地了解信息,做出选择,然后承担代价。不要在脑子里做回溯,人生的每一个境地都是我们一个一个的选择堆砌、塑造出来的,我们能做的,只有改变现在的行为,做出选择,然后期待未来有个好结果。