回溯法 在最优解
,排列组合
和解空间
搜索中存在典型应用。
我们知道动态规划
和贪婪算法
都要求无后效性
,即子问题的解是当前的最优解,不能回退。当这种要求得不到满足时,一种的通常做法是采用回溯
的方法进行求解。
回溯算法实际上一个类似枚举的搜索尝试
过程,主要是在搜索尝试过程中寻找问题的解,当发现已不满足求解条件时,就“回溯”返回,尝试别的路径。
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,而满足回溯条件的某个状态的点称为“回溯点
”。
许多复杂的,规模较大的问题都可以使用回溯法,有“通用解题方法
”的美称。
基本思想
在包含问题的所有解的解空间树中,按照深度优先搜索
的策略,从根结点出发深度探索解空间树。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探索下去,如果该结点不包含问题的解,则逐层向其祖先结点回溯。
若用回溯法求问题的所有解
时,要回溯到根
,且根结点的所有可行的子树都要已被搜索遍才结束
。
一般步骤
- 定义一个解空间(
子集树
、排列树
二选一) 理解 重要 - 利用适于搜索的方法组织解空间。
- 利用
深度优先法
搜索解空间。 - 利用
剪枝函数
避免移动到不可能产生解的子空间。
检测
检测是判断是否剪枝的依据
。
- 约束函数-是否满足显约束(存在)
- 限界函数-是否满足隐约束(最优)
子集树模板
遍历子集树(完全二叉树
),时间复杂度 O(2^n)
,可以分为两类题型:
-
如果解的长度是
不固定
的,那么解和元素顺序无关
,即可以从中选择0个
或多个
。例如:子集,迷宫,… -
如果解的长度是
固定
的,那么解和元素顺序有关
,即每个元素有一个对应的状态。例如:子集,8皇后,…
解空间的个数指数级别
的,为2^n
,可以用子集树来表示所有的解
适用于:幂集
、子集
、0-1背包
、装载
、8皇后
、迷宫
、…
子集树模板递归版
'''求集合{1, 2, 3, 4}的所有子集'''
class SubSetTree:
def __init__(self, a):
self.a = a # 数据列表
self.n = len(a) # 数据长度
self.x = [] # 一个解
self.X = [] # 一组解
def conflict(self, k): # 冲突检测:无
return False
# # 例子,冲突检测:奇偶性相同,且和小于8的子集
# def conflict(self, k):
# # 根据部分解,构造部分集
# if len(self.x)==0:
# return False
# if 0 < sum(map(lambda y:y%2, self.x)) < len(self.x) or sum(self.x) >= 8: # 只比较 x[k] 与 x[k-1] 奇偶是否相间
# return True
# return False # 无冲突
# 子集树递归模板
def backtrack(self, k): # 到达第k个元素
if k >= self.n: # 超出最尾的元素
self.X.append(self.x[:]) # 保存(一个解)
else:
for i in [1, 0]: # 遍历元素 a[k] 的两种选择状态:1-选择,0-不选
if i==1:
self.x.append(self.a[k])
if not self.conflict(k): # 剪枝
self.backtrack(k+1)
if i==1:
self.x.pop() # 回溯
def SovleSubSet(self):
self.backtrack(0)
return self.X
if __name__ == '__main__':
test = SubSetTree([1, 2, 3, 4])
res = test.SovleSubSet()
print(res) # [[1, 2, 3, 4], [1, 2, 3], [1, 2, 4], [1, 2], [1, 3, 4], [1, 3], [1, 4], [1], [2, 3, 4], [2, 3], [2, 4], [2], [3, 4], [3], [4], []]
子集树模板迭代版
排列树模板
遍历排列树,时间复杂度O(n!)
解空间
是由 n 个元素的排列形成
,也就是说 n 个元素的每一个排列都是解空间中的一个元素,那么,最后解空间的组织形式是排列树
。
适用于:n个元素全排列
、旅行商
、…
排列树模板递归版
'''求[1,2,3,4]的全排列'''
class PermTree:
def __init__(self, data):
self.n = len(data)
self.x = data # 一个解
self.X = [] # # 一组解
# # 冲突检测:无
# def conflict(self, k):
# return False # 无冲突
# 例子,冲突检测:元素奇偶相间的排列
def conflict(self, k):
if k==0: # 第一个元素,肯定无冲突
return False
if self.x[k-1] % 2 == self.x[k] % 2: # 只比较 x[k] 与 x[k-1] 奇偶是否相同
return True
return False # 无冲突
# 排列树递归模板
def backtrack(self, k): # 到达第k个位置
if k >= self.n: # 超出最尾的位置
self.X.append(self.x[:]) # 注意x[:]
else:
for i in range(k, self.n): # 遍历后面第 k~n-1 的位置
self.x[k], self.x[i] = self.x[i], self.x[k]
if not self.conflict(k): # 剪枝
self.backtrack(k+1)
self.x[i], self.x[k] = self.x[k], self.x[i] # 回溯
def SovlePerm(self):
self.backtrack(0)
return self.X
# 测试
if __name__ == '__main__':
test = PermTree([1,2,3,4])
res = test.SovlePerm()
print(res) # [[1, 2, 3, 4], [1, 4, 3, 2], [2, 1, 4, 3], [2, 3, 4, 1], [3, 2, 1, 4], [3, 4, 1, 2], [4, 3, 2, 1], [4, 1, 2, 3]]