回溯法

最新推荐文章于 2023-12-22 21:06:29 发布

Joe-Han

最新推荐文章于 2023-12-22 21:06:29 发布

阅读量4k

点赞数 10

分类专栏：算法文章标签：回溯法旅行商问题 01背包问题装载问题 n-皇后问题

本文链接：https://blog.csdn.net/u010089444/article/details/53908003

版权

算法专栏收录该内容

9 篇文章 1 订阅

订阅专栏

1. 回溯法

回溯法是一种选优搜索法，按选优条件向前搜索，以达到目标。但当探索到某一步时，发现原先选择并不优或达不到目标，就退回一步重新选择，这种走不通就退回再走的技术为回溯法。

基本思想：

回溯法在问题的解空间树中进行深度优先搜索，从根结点出发当探索到某一结点时，要先判断该结点是否包含问题的解
- 如果包含，就从该结点出发继续按深度优先策略搜索
- 否则逐层向其祖先结点回溯（退回一步重新选择）
- 满足回溯条件的某个状态的点称为“回溯点”
算法结束条件：
- 求所有解：回溯到根，且根的所有子树均已搜索完成
- 求任一解：只要搜索到问题的一个解就可以结束
问题的解空间
- 问题的解空间应至少包含该问题的一个（最优）解
- 例如：对于有n种备选物品的0/1背包问题而言，解空间可以由长度为n的向量来表示，显然：该解空间包含了对该问题所有可能的解法
- 定义了问题的解空间后，可以将其组织成树或图的形式。例如：n = 3 的0/1背包问题，解空间可用一棵完全二叉树表示，从根到任一叶结点的路径表示解空间的一个元素

生成问题状态的基本方法：

基本概念
- 扩展结点：一个正在产生子结点的结点称为扩展结点
- 活结点：一个自身已生成但其子结点尚未全部生成的结点
- 死结点：一个所有子结点已经产生的结点称做死结点
深度优先的问题状态生成法
- 对一个扩展结点R，一旦产生了它的一个子结点C，则将其作为新扩展结点，并对以C为根的子树进行穷尽搜索；在完成对子树C的穷尽搜索后，将R重新变成扩展结点；继续生成R的下一个子结点，若存在，则对其进行穷尽搜索
宽度优先的问题状态生成法
- 在一个扩展结点变成死结点之前，它一直是扩展结点

回溯法的解题思路：

针对所给问题，定义问题的解空间
确定易于搜索的解空间结构
从根结点开始深度优先搜索解空间（利用剪枝避免无效搜索）
- 此时：根结点成为活结点，并成为当前的扩展结点
- 进一步的搜索从当前扩展结点开始，向纵深方向移至一个新结点，该新结点成为新的活结点，并成为当前扩展结点
- 若在当前扩展结点处不能再向纵深方向移动，则当前扩展结点变为死结点，此时应回溯至最近的活结点，将其作为当前扩展结点
回溯法以这种方式递归地在解空间中搜索
- 直至找到所要求的解，或者解空间中已经没有活结点为止

通用算法框架：

void backtrack (int t)  
{  
    if (t>n)   
        output(x); //已到叶子结点，输出结果  
    else  
        // f(n,t),g(n,t)表示当前扩展结点处未搜索过的子树的起始编号和终止编号
        for (int i=f(n,t);i<=g(n,t);i++) {  
            x[t]=h(i); // h(i)：表示在当前扩展结点处x[t]的第i个可选值
            //constraint(t)为true表示在当前扩展结点处x[1:t]的取值满足问题的约束条件
            //bound(t)为true表示在当前扩展结点处x[1:t]的取值尚未导致目标函数越界
            if (constraint(t)&&bound(t))  
                backtrack(t+1);  
        }  
}

用回溯法解题时常用到两种典型的解空间树：子集树与排列树

第一类解空间树：子集树
- 当问题是：从n个元素的集合S中找出满足某种性质的子集时,相应的解空间树称为子集树
- 例如n个物品的0/1背包问题，这类子集树通常有 $2^{n}$ 个叶结点，解空间树的结点总数为 $2^{n+1}-1$ ，遍历子集树的算法需Ω( $2^{n}$ )计算时间
- 子集树回溯算法框架：

void backtrack (int t) {
    if (t > n){
        output(x);
    }
    else{
    // 对当前扩展结点的所有可能取值进行枚举
        for (int i = 0; i <= 1; i++) {
            x[t] = i;
            if (constraint(t) && bound(t)) backtrack(t+1);
        }
    }
}// 执行时，从Backtrack(1)开始

第二类解空间树：排列树
- 当问题是：确定n个元素满足某种性质的排列时，相应的解空间树称为排列树
- 例如旅行商问题，排列树通常有n！个叶结点，因此遍历排列树需要Ω(n!)计算时间
- 排列树回溯算法框架：

void backtrack (int t) {
    if (t > n){
        output(x);
    }
    else{
        for (int i = t; i <= n; i++) {
            swap(x[t], x[i]);
            if (constraint(t) && bound(t)) backtrack(t+1);
            swap(x[t], x[i]);
        }
    }
} // 调用Backtrack(1)前，首先将数组x初始化为单位排列[1,2, ..., n]

2. 示例: 旅行商问题

问题描述：

某推销员要去若干城市推销商品，已知各城市间的开销（路程或旅费），要求选择一条从驻地出发，经过每个城市一遍，最后回到驻地的路线，使总开销最小
形式化描述如下：给定带权图G=(V,E)，已知边的权重为正数，图中的一条周游路线是包括V中每个顶点的一条回路，一条周游路线的开销是这条路线上所有边的权重之和，要求在图G中找出一条具有最小开销的周游路线

求解思路：

利用排列生成问题的回溯算法Backtrack()
解空间为X={12341, 12431, 13241, 13421, 14231, 14321}
构造解空间树
- 从根结点到任一叶结点的路径定义了图G的一条周游路线，例如：A->L 对应周游路线（1, 2, 3, 4, 1）
- 解空间树中的每个叶结点恰好对应于图G的每一条周游路线，解空间树中的叶结点个数为(n-1)!

backtrack(int i){
    if (i>n){// 输出可行解，与当前最优解比较
        if (sum + A[x[n]][1] < m || m = ∞ ) {
            m = sum + A[x[n]][1];
            for( k=1 ; k <= n; k++) S[k] = x[k];
        }
    }//sum记录(x[1],x[2]),…, (x[i-2],x[i-1])的距离和
    else{
        for( k = i ; k<=n; k++ )// 依次处理当前扩展结点的分支
            if ( sum + A[x[i-1]][x[k]] < m || m = ∞ ){
                swap( x[i], x[k]);
                sum += A[x[i-1]][x[i]];
                backtrack(i+1);
                sum -= A[x[i-1]][x[i]];
                swap(x[i],x[j]);
            }
    }
}// 初始调用：Backtrack(2

3. 示例: 0/1背包问题

问题描述：
设：n = 4，c = 7，p = [9, 10, 7, 4]，w = [3, 5, 2, 1]

怎样计算价值上界？

易求得这四个物品的单位重量价值分别为：[3, 2, 3.5, 4]
按物品单位重量价值递减的顺序装入物品
依次装入物品4、3、1之后，剩余背包容量为1
- 所以只能容纳物品2的20%
- 得到解向量x = [1, 1, 0.2, 1]，相应价值为22
虽然x并不是0/1背包问题的可行解，但它提供了一个最优的价值上界（最优值不超过22）
为便于计算上界函数，可先对物品按单位价值从大到小排序，对每个扩展结点，只需按顺序考查排在其后的物品即可

0/1背包问题的回溯算法：

backtrack(int i){
    if( i > n) { // vc当前背包价值，m当前最优价值
        m = ( m < vc )? vc : m; output(x);
    } else { // wc当前背包重量
        if ( wc + w[i] <= C ) { // 左子树（将 i 放入背包）
            x[i]= 1; wc += w[i]; vc += v[i];
            backtrack(i+1);
            x[i]= 0; wc -= w[i]; vc -= v[i];
        }
        if(Bound(i+1) > m){ // 右子树（拿出物品i）
            backtrack(i+1);
        }
    }
}

限界函数的实现：

// 根据当前背包内物品情况求出：当前可行解的价值上界
// w[i]和v[i]均已按物品单位价值递减顺序排好序
int Bound(int i){
    int wr = c - wc; // 背包剩余容量
    int vb = vc; // vc为当前背包价值
    // 按单位价值递减顺序装入物品
    while(i <= n && w[i] <= wr){
        wr -= w[i]; vb += v[i]; ++i;
    }
    if(i <= n) vb += (v[i]/w[i])*wr; // 继续装满背包
    return vb; // 返回背包价值上界
}

4. 示例: 装载问题

问题描述：

有n个集装箱要装上2艘载重量分别为 c1 和 c2 的轮船，其中集装箱 i 的重量为 wi，且 $\sum_{i=1}^{n} w_{i}\leqslant c_{1} + c_{2}$
装载问题要求：确定是否有一个合理的装载方案可将这n个集装箱装上这2艘轮船？如果有，找出一种装载方案。
示例：n=3，c1=c2=50
- 若：w=[10, 40, 40]，则可以将集装箱1和2装到第一艘船上，将3号集装箱装到第二艘船上
- 若：w=[20,40,40]，则无法将这三个集装箱全部装船

问题分析：

若给定问题有解
- 首先将第一艘轮船尽可能装满
- 将剩余的集装箱装上第二艘轮船
将第一艘轮船尽可能装满等价于
- 选取全体集装箱的一个子集
- 使该子集中集装箱重量之和最接近 c1
- 由此可知，装载问题等价于特殊的0-1背包问题

算法设计：

解空间的表达：子集树
剪枝函数（1）
- 约束函数： $\sum_{i=1}^{n} w_{i}x_{i}\leqslant c_{1}$ ，减去不满足该约束的子树
剪枝函数（2）：限界函数（用于剪去不含最优解的子树）
- 设：R是解空间树第k层上的当前扩展结点
- 设：wc表示当前结点对应的的装载重量 $wc=\sum_{i=1}^{k} w_{i}x_{i}$
- 设：wm表示当前的最优载重量
- 设：wr表示剩余集装箱的重量 $wr=\sum_{i=k+1}^{n} w_{i}$
- 定义限界函数为： $w = wc + wr$
- 以R为根的子树中任一叶结点对应的载重量均不会超过w
- 因此当 w≤wm 时，可将R的右子树剪去

代码：

void backtrack (int i) {
    if (i > n){
        if(wc > wm) wm = wc; return;
    }
    wr -= w[i];
    if (wc + w[i] <= c){ // x[i] = 1; 搜索左子树
    wc += w[i];
    backtrack(i+1);
    wc -= w[i];
    }
    if (wc + wr > wm){ // x[i] = 0; 搜索右子树
        backtrack(i+1);
    }
    wr += w[i];
}

5. 示例: n-皇后问题

问题描述：

根据国际象棋的规则，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-皇后问题
- 在n×n的棋盘上放置彼此不受攻击的n个皇后
- 即：任何2个皇后不放在同一行或同一列或同一斜线上

问题分析：

问题的解向量：(x1, x2, … , xn)
- 采用数组下标 i 表示皇后所在的行号
- 采用数组元素x[i]表示皇后 i 的列号
采用解空间树：子集树
剪枝函数
- 显约束（对解向量的直接约束）：xi =1, 2, … , n
- 隐约束1：任意两个皇后不同列：xi ≠ xj
- 隐约束2：任意两个皇后不处于同一对角线，即 |i-j| ≠ |xi - xj|

代码：

bool Bound(int k){
    for (int i = 1; i < k; i++){
        if ((abs(k-i)==abs(x[i]-x[k]))||(x[i]==x[k]))
            return false;
    }
    return true;
}

void Backtrack(int t){
    if (t>n) output(x);
    else {
        for (int i = 1; i <= n; i++) {
            x[t] = i;
            if (Bound(t)) Backtrack(t+1);
        }
    }
}