理论基础
因为回溯的本质是穷举,穷举所有可能,然后选出我们想要的答案,如果想让回溯法高效一些,可以加一些剪枝的操作,但也改不了回溯法就是穷举的本质。
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)。
这块可能初学者还不太理解,后面的回溯算法解决的所有题目中,我都会强调这一点并画图举相应的例子,现在有一个印象就行。
- 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。
- 回溯函数终止条件
从树中就可以看出,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。
- 回溯搜索的遍历过程
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。
模板如下:
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
}
}
77. 组合
# 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], # ] # # 示例2: # 输入:n = 1, k = 1 # 输出:[[1]] # # 提示: # 1 <= n <= 20 # 1 <= k <= n
这里才写第一回,所以我就先不加剪枝操作了,先怼出来
class Solution:
def combine(self, n: int, k: int):
res = []
path = []
def backtracking(n, k, index):
if len(path) == k:
res.append(path[:]) #这里需要加[:]才是拷贝
return
for i in range(index,n+1):
path.append(i)
backtracking(n, k, i+1)# 递归
path.pop() # 回溯
backtracking(n,k,1)
return res
if __name__ == '__main__':
n = 4
k = 2
tmp = Solution()
res =tmp.combine(n,k)
print(res)
剪枝操作如下:
def combine(self, n: int, k: int):
res = []
path = []
def backtracking(n, k, index): # 这里index记录的是下一层递归搜索的起始位置
if len(path) == k:
res.append(path[:])
return
flag_index = n -(k - len(path)) + 1 # 剪枝操作
for i in range(index,flag_index+1):
path.append(i) # 处理节点
backtracking(n, k, i+1)
path.pop() # 回溯操作
backtracking(n,k,1)
return res