递归，分治，回溯

递归模板

func recursion(level int, param1, param2,...){
	//recursion terminator  递归终止条件
    if level > MAX_LEVEL{
        process_result
        return
    }
    //process logic in current level 处理当前层逻辑
    process(level, data...)
    //drill down   下探到下一层
    recursion(level+1, param1, param2, ...)
    //reverse the current level status if needed  清理当前层
}

回溯

回溯算法，又称为“试探法”。解决问题时，每进行一步，都是抱着试试看的态度，如果发现当前选择并不是最好的，或者这么走下去肯定达不到目标，立刻做回退操作重新选择。这种走不通就回退再走的方法就是回溯算法。

例如，在解决列举集合 {1,2,3} 中所有子集的问题中，就可以使用回溯算法。从集合的开头元素开始，对每个元素都有两种选择：取还是舍。当确定了一个元素的取舍之后，再进行下一个元素，直到集合最后一个元素。其中的每个操作都可以看作是一次尝试，每次尝试都可以得出一个结果。将得到的结果综合起来，就是集合的所有子集。

回溯VS递归

很多人认为回溯和递归是一样的，其实不然。在回溯法中可以看到有递归的身影，但是两者是有区别的。

回溯法从问题本身出发，寻找可能实现的所有情况。和穷举法的思想相近，不同在于穷举法是将所有的情况都列举出来以后再一一筛选，而回溯法在列举过程如果发现当前情况根本不可能存在，就停止后续的所有工作，返回上一步进行新的尝试。

递归是从问题的结果出发，例如求 n！，要想知道 n！的结果，就需要知道 n*(n-1)! 的结果，而要想知道 (n-1)! 结果，就需要提前知道 (n-1)*(n-2)!。这样不断地向自己提问，不断地调用自己的思想就是递归。

回溯和递归唯一的联系就是，回溯法可以用递归思想实现。

回溯算法的实现过程

使用回溯法解决问题的过程，实际上是建立一棵“状态树”的过程。例如，在解决列举集合{1,2,3}所有子集的问题中，对于每个元素，都有两种状态，取还是舍，所以构建的状态树为：

图1 状态树

回溯算法的求解过程实质上是先序遍历“状态树”的过程。树中每一个叶子结点，都有可能是问题的答案。图 1 中的状态树是满二叉树，得到的叶子结点全部都是问题的解。

在某些情况下，回溯算法解决问题的过程中创建的状态树并不都是满二叉树，因为在试探的过程中，有时会发现此种情况下，再往下进行没有意义，所以会放弃这条死路，回溯到上一步。在树中的体现，就是在树的最后一层不是满的，即不是满二叉树，需要自己判断哪些叶子结点代表的是正确的结果。

分治模板

# Python
def divide_conquer(problem, param1, param2, ...): 
  # recursion terminator 
  if problem is None: 
	print_result 
	return 

  # prepare data 
  data = prepare_data(problem) 
  subproblems = split_problem(problem, data) 

  # conquer subproblems 
  subresult1 = self.divide_conquer(subproblems[0], p1, ...) 
  subresult2 = self.divide_conquer(subproblems[1], p1, ...) 
  subresult3 = self.divide_conquer(subproblems[2], p1, ...) 
  …

  # process and generate the final result 
  result = process_result(subresult1, subresult2, subresult3, …)
	
  # revert the current level states

回溯模板

result = []
def backtrack(路径, 选择列表):
    if 满足结束条件:
        result.add(路径)
        return

    for 选择 in 选择列表:
        做选择
        backtrack(路径, 选择列表)
        撤销选择

实战题目

• 爬楼梯（阿里巴巴、腾讯、字节跳动在半年内面试常考）

• 括号生成 (字节跳动在半年内面试中考过)

• 翻转二叉树 (谷歌、字节跳动、Facebook 在半年内面试中考过)

• 验证二叉搜索树（亚马逊、微软、Facebook 在半年内面试中考过）

• 二叉树的最大深度（亚马逊、微软、字节跳动在半年内面试中考过）

• 二叉树的最小深度（Facebook、字节跳动、谷歌在半年内面试中考过）

• 二叉树的序列化与反序列化（Facebook、亚马逊在半年内面试常考）

• 二叉树的最近公共祖先（Facebook 在半年内面试常考）

• 从前序与中序遍历序列构造二叉树（字节跳动、亚马逊、微软在半年内面试中考过）

• 组合（微软、亚马逊、谷歌在半年内面试中考过）

• 全排列（字节跳动在半年内面试常考）

• 全排列 II （亚马逊、字节跳动、Facebook 在半年内面试中考过）

• Pow(x, n) （Facebook 在半年内面试常考）

• 子集（Facebook、字节跳动、亚马逊在半年内面试中考过）

• 多数元素 （亚马逊、字节跳动、Facebook 在半年内面试中考过）

• 电话号码的字母组合（亚马逊在半年内面试常考）

• N 皇后（字节跳动、苹果、谷歌在半年内面试中考过）

参考链接

• 牛顿迭代法原理
• 牛顿迭代法代码
• 如何优雅地计算斐波那契数列