回溯算法与深度优先遍历对比

素颜马尾好姑娘i 2022-11-16 05:57 192阅读 0赞

### 回溯算法 与 深度优先遍历对比 ###

*  回溯算法与深度优先遍历
 *  理解
 *  搜索与遍历
 *  与动态规划的区别
 *   *  共同点
     *  不同点
 *  从全排列问题开始理解回溯算法
 *  设计状态变量
 *  代码实现
 *   *  参考代码 1 (错误代码)：
     *  修改的部分：
 *  复杂度分析
 *  理解回溯
 *   *  月光宝盒
 *  通过打印输出观察
 *  几点说明帮助理解「回溯算法」
 *  为什么不是广度优先遍历?
 *  不回溯可不可以?
 *  剪枝
 *  总结

> 链接：  
> 来源：力扣（LeetCode）

# 回溯算法与深度优先遍历 #

以下是维基百科中「回溯算法」和「深度优先遍历」的定义。

**回溯法** 采用试错的思想，它尝试分步的去解决一个问题。

在分步解决问题的过程中，当它通过尝试发现 现有的分步答案不能得到有效的正确的解答的时候，它将取消上一步，甚至是上几步的计算，再通过其它的可能的分步解答，再次尝试寻找问题的答案。

回溯法通常用最简单的递归方法来实现，在反复重复上述的步骤后可能出现两种情况：

*  找到一个可能存在的正确的答案；
 *  在尝试了所有可能的分步方法后宣告该问题没有答案。

**深度优先搜索 算法（Depth-First-Search，DFS）** 是一种用于遍历 或 搜索树、图的算法。这个算法会 **尽可能深** 的搜索树的分支。

当结点 `v` 的所在边都己被探寻过，搜索将 **回溯** 到发现结点 `v` 的那条边的起始结点。这一过程一直进行到已发现从源结点可达的所有结点为止。

如果还存在未被发现的结点，则选择其中一个作为源结点并重复以上过程，整个进程反复进行直到所有结点都被访问为止。

# 理解 #

「回溯算法」与「深度优先遍历」都有 `「不撞南墙不回头」` 的意思。

个人理解是：「回溯算法」强调了「深度优先遍历」思想的用途，用一个 **不断变化** 的变量，在尝试各种可能的过程中，搜索需要的结果。强调了 **回退** 操作对于搜索的合理性。

而「深度优先遍历」强调一种遍历的思想，与之对应的遍历思想是「广度优先遍历」。

那么广度优先遍历为什么没有成为强大的搜索算法呢？

# 搜索与遍历 #

我们每天使用的搜索引擎帮助我们在庞大的互联网上搜索信息。搜索引擎的「搜索」和「回溯搜索」算法里「搜索」的意思是一样的。

搜索问题的解，可以通过 **遍历** 实现。所以「回溯算法」也可以称为爆搜（暴力解法）。

因此回溯算法用于 `搜索一个问题的所有的解` ，通过深度优先遍历的思想实现

# 与动态规划的区别 #

## 共同点 ##

用于求解多阶段决策问题。多阶段决策问题即：

*  求解一个问题分为很多步骤（阶段）；
 *  每一个步骤（阶段）可以有多种选择。

## 不同点 ##

*  动态规划只需要求我们评估最优解是多少，最优解对应的具体解是什么并不要求。因此很适合应用于评估一个方案的效果；
 *  回溯算法可以搜索得到所有的方案（当然包括最优解），但是本质上它是一种遍历算法，时间复杂度很高。

# 从全排列问题开始理解回溯算法 #

我们尝试在纸上写 3 个数字、4 个数字、5 个数字的全排列。以数组 `[1, 2, 3]` 的全排列为例。

*  先写以 1 开头的全排列，它们是：`[1, 2, 3]`，`[1, 3, 2]`，即 `1` \+ `[2, 3]` 的全排列（注意：递归结构体现在这里）；
 *  再写以 2 开头的全排列，它们是：`[2, 1, 3]`，`[2, 3, 1]`，即 `2` \+ `[1, 3]` 的全排列；
 *  最后写以 3 开头的全排列，它们是：`[3, 1, 2]`，`[3, 2, 1]`，即 `3` \+ `[1, 2]` 的全排列。

总结搜索的方法：按顺序枚举每一位可能出现的情况，已经选择的数字在 **当前** 要选择的数字中不能出现。按照这种策略搜索就能够做到 **不重不漏**。这样的思路，可以用一个树形结构表示。

建议先尝试画出「全排列」问题的树形结构  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyNzI3MDk1_size_16_color_FFFFFF_t_70]  
说明：

*  每一个结点表示了求解全排列问题的不同的阶段，这些阶段通过变量的`「不同的值」`体现，这些变量的不同的值，称之为 `「状态」`；
 *  使用深度优先遍历有`「回头」`的过程，在「回头」以后， 状态变量需要设置成为和先前一样 ，因此在回到上一层结点的过程中，需要撤销上一次的选择，这个操作称之为`「状态重置」`；
 *  深度优先遍历，借助系统栈空间，保存所需要的状态变量，在编码中只需要注意遍历到相应的结点的时候，状态变量的值是正确的，具体的做法是：往下走一层的时候，`path` 变量在尾部追加，而往回走的时候，需要撤销上一次的选择，也是在尾部操作，因此 `path` 变量是一个栈；
 *  深度优先遍历通过`「回溯」`操作，实现了全局使用一份状态变量的效果。

使用编程的方法得到全排列，就是在这样的一个树形结构中完成 `遍历`，从树的根结点到叶子结点形成的路径，就是其中一个全排列。

# 设计状态变量 #

*  首先这棵树除了根结点和叶子结点以外，每一个结点做的事情其实是一样的，即：在已经选择了一些数的前提下，在剩下的还没有选择的数中，依次选择一个数，这显然是一个 `递归` 结构；
 *  递归的终止条件是： 一个排列中的数字已经选够了 ，因此我们需要一个变量来表示当前程序递归到第几层，我们把这个变量叫做 `depth`，表示当前要确定的是某个全排列中下标为 `depth` 的那个数是多少；
 *  布尔数组 `used`，初始化的时候都为 `false` 表示这些数还没有被选择，当我们选定一个数的时候，就将这个数组的相应位置设置为 `true` ，这样在考虑下一个位置的时候，就能够以  O ( 1 ) O(1) O(1) 的时间复杂度判断这个数是否被选择过，这是一种「以空间换时间」的思想。

这些变量称为`「状态变量」`，它们表示了在求解一个问题的时候所处的阶段。需要根据问题的场景设计合适的状态变量。

# 代码实现 #

## 参考代码 1 (错误代码)： ##

注意：下面的代码是错误的，为什么呢？

public class Solution {
        
    
        public List<List<Integer>> permute(int[] nums) {
        
            int len = nums.length;
            // 使用一个动态数组保存所有可能的全排列
            List<List<Integer>> res = new ArrayList<>();
            if (len == 0) return res;
            
            boolean[] used = new boolean[len];
            List<Integer> path = new ArrayList<>();
    
            dfs(nums, len, 0, path, used, res);
            return res;
        }
    
        private void dfs(int[] nums, int len, int depth,
                         List<Integer> path, boolean[] used,
                         List<List<Integer>> res) {
        
            if (depth == len) {
        
                res.add(path);
                return;
            }
    
            // 在非叶子结点处，产生不同的分支，这一操作的语义是：在还未选择的数中依次选择一个元素作为下一个位置的元素，这显然得通过一个循环实现。
            for (int i = 0; i < len; i++) {
        
                if (!used[i]) {
        
                    path.add(nums[i]);
                    used[i] = true;
    
                    dfs(nums, len, depth + 1, path, used, res);
                    // 注意：下面这两行代码发生 「回溯」，回溯发生在从 深层结点 回到 浅层结点 的过程，代码在形式上和递归之前是对称的
                    used[i] = false;
                    path.remove(path.size() - 1);
                }
            }
        }
    
        public static void main(String[] args) {
        
            int[] nums = {
        1, 2, 3};
            Solution solution = new Solution();
            List<List<Integer>> lists = solution.permute(nums);
            System.out.println(lists);
        }
    }

执行 `main` 方法以后输出如下：

[[], [], [], [], [], []]

原因出现在递归终止条件这里：

if (depth == len) {
        
        res.add(path);
        return;
    }

变量 `path` 所指向的列表 在深度优先遍历的过程中只有一份 ，深度优先遍历完成以后，回到了`根结点`，成为空列表。

在 Java 中，参数传递是 `值传递`，对象类型变量在传参的过程中，复制的是变量的地址。

这些地址被添加到 `res` 变量，但实际上指向的是同一块内存地址，因此我们会看到 6 个空的列表对象。解决的方法很简单，在 `res.add(path);` 这里做一次拷贝即可。

## 修改的部分： ##

if (depth == len) {
        
        res.add(new ArrayList<>(path));
        return;
    }

# 复杂度分析 #

回溯算法由于其遍历的特点，时间复杂度一般都比较高，有些问题分析起来很复杂。

一些回溯算法解决的问题，剪枝剪得好的话，复杂度会降得很低，因此分析最坏时间复杂度的意义也不是很大。但还是视情况而定。

*  时间复杂度： O ( N × N ! ) O(N×N!) O(N×N!)

非叶子结点的个数，依次为（按照层数来）：  
![在这里插入图片描述][20210407102304784.png]  
说明：根结点为 1，计算复杂度的时候忽略； A N 1 A\_N^1 AN1 表示排列数，计算公式为  A n m = n ! ( n − m ) ! A\_n^m = \\cfrac\{n!\}\{(n - m)!\} Anm=(n−m)!n!

在第 1 层，结点个数为  N N N 个数选 1 个的排列，故为  A N 1 A\_N^1 AN1 ；

在第 2 层，结点个数为  N N N 个数选 2 个的排列，故为  A N 2 A\_N^2 AN2 。  
![在这里插入图片描述][20210407102642829.png]  
将常系数  2 2 2 视为  1 1 1，每个内部结点循环  N N N 次，故非叶子结点的时间复杂度为  O ( N × N ! ) O(N×N!) O(N×N!)；

最后一层共  N ! N! N! 个叶节点，在叶子结点处拷贝需要  O ( N ) O(N) O(N)，叶子结点的时间复杂度也为  O ( N × N ! ) O(N×N!) O(N×N!)。

*  空间复杂度： O ( N × N ! ) O(N×N!) O(N×N!)。
    
     *  递归树深度  l o g N logN logN；
     *  全排列个数  N ! N! N!，每个全排列占空间 N。取较大者。

# 理解回溯 #

从 `[1, 2, 3]` 到 `[1, 3, 2]` ，深度优先遍历是这样做的，从 `[1, 2, 3]` 回到 `[1, 2]` 的时候，需要撤销刚刚已经选择的数 `3`，因为在这一层只有一个数 `3` 我们已经尝试过了，因此程序回到上一层，需要撤销对 `2` 的选择，好让后面的程序知道，选择 `3` 了以后还能够选择 `2`。

执行深度优先遍历，从较深层的结点返回到较浅层结点的时候，需要做「状态重置」，即「回到过去」、「恢复现场」，我们举一个例子

## 月光宝盒 ##

只有撤销上一次的选择，重置现场，才能够回到 完全一样 的过去，再开始新的尝试才会是有效的。

《大话西游》里有这样的情节，至尊宝要对着「月光宝盒」喊一声「波若菠萝蜜」，时间就可以回到回去（所有的人物、事物都得一样，才能叫「回到过去」），他才能救人。这个道理其实和这里的「撤销选择」是一模一样的。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyNzI3MDk1_size_16_color_FFFFFF_t_70 1]

# 通过打印输出观察 #

import java.util.ArrayDeque;
    import java.util.ArrayList;
    import java.util.Deque;
    import java.util.List;
    
    
    public class Solution {
        
    
        public List<List<Integer>> permute(int[] nums) {
        
            int len = nums.length;
            // 使用一个动态数组保存所有可能的全排列
            List<List<Integer>> res = new ArrayList<>();
            if (len == 0) {
        
                return res;
            }
    
            boolean[] used = new boolean[len];
            Deque<Integer> path = new ArrayDeque<>(len);
    
            dfs(nums, len, 0, path, used, res);
            return res;
        }
    
        private void dfs(int[] nums, int len, int depth,
                         Deque<Integer> path, boolean[] used,
                         List<List<Integer>> res) {
        
            if (depth == len) {
        
                res.add(new ArrayList<>(path));
                return;
            }
    
            for (int i = 0; i < len; i++) {
        
                if (!used[i]) {
        
                    path.addLast(nums[i]);
                    used[i] = true;
    
                    System.out.println("  递归之前 => " + path);
                    dfs(nums, len, depth + 1, path, used, res);
    
                    used[i] = false;
                    path.removeLast();
                    System.out.println("递归之后 => " + path);
                }
            }
        }
    
        public static void main(String[] args) {
        
            int[] nums = {
        1, 2, 3};
            Solution solution = new Solution();
            List<List<Integer>> lists = solution.permute(nums);
            System.out.println(lists);
        }
    }

控制台输出：

递归之前 => [1]
      递归之前 => [1, 2]
      递归之前 => [1, 2, 3]
    递归之后 => [1, 2]
    递归之后 => [1]
      递归之前 => [1, 3]
      递归之前 => [1, 3, 2]
    递归之后 => [1, 3]
    递归之后 => [1]
    递归之后 => []
      递归之前 => [2]
      递归之前 => [2, 1]
      递归之前 => [2, 1, 3]
    递归之后 => [2, 1]
    递归之后 => [2]
      递归之前 => [2, 3]
      递归之前 => [2, 3, 1]
    递归之后 => [2, 3]
    递归之后 => [2]
    递归之后 => []
      递归之前 => [3]
      递归之前 => [3, 1]
      递归之前 => [3, 1, 2]
    递归之后 => [3, 1]
    递归之后 => [3]
      递归之前 => [3, 2]
      递归之前 => [3, 2, 1]
    递归之后 => [3, 2]
    递归之后 => [3]
    递归之后 => []
    输出 => [[1, 2, 3], [1, 3, 2], [2, 1, 3], [2, 3, 1], [3, 1, 2], [3, 2, 1]]

# 几点说明帮助理解「回溯算法」 #

每一次尝试都「复制」，则不需要`回溯`

如果在每一个 **非叶子结点** 分支的尝试，都创建 **新的变量** 表示状态，那么

*  在回到上一层结点的时候不需要「回溯」；
 *  在递归终止的时候也不需要做拷贝。

这样的做法虽然可以得到解，但也会创建很多中间变量，这些中间变量很多时候是我们不需要的，会有一定空间和时间上的消耗。为了验证上面的说明，我们写如下代码进行实验：

import java.util.ArrayList;
    import java.util.List;
    
    
    public class Solution {
        
    
        public List<List<Integer>> permute(int[] nums) {
        
            // 首先是特判
            int len = nums.length;
            // 使用一个动态数组保存所有可能的全排列
            List<List<Integer>> res = new ArrayList<>();
    
            if (len == 0) {
        
                return res;
            }
    
            boolean[] used = new boolean[len];
            List<Integer> path = new ArrayList<>();
    
            dfs(nums, len, 0, path, used, res);
            return res;
        }
    
        private void dfs(int[] nums, int len, int depth,
                         List<Integer> path, boolean[] used,
                         List<List<Integer>> res) {
        
            if (depth == len) {
        
                // 3、不用拷贝，因为每一层传递下来的 path 变量都是新建的
                res.add(path);
                return;
            }
    
            for (int i = 0; i < len; i++) {
        
                if (!used[i]) {
        
                    // 1、每一次尝试都创建新的变量表示当前的"状态"
                    List<Integer> newPath = new ArrayList<>(path);
                    newPath.add(nums[i]);
    
                    boolean[] newUsed = new boolean[len];
                    System.arraycopy(used, 0, newUsed, 0, len);
                    newUsed[i] = true;
    
                    dfs(nums, len, depth + 1, newPath, newUsed, res);
                    // 2、无需回溯
                }
            }
        }
    }

这就好比我们在实验室里做「对比实验」，每一个步骤的尝试都要保证使用的材料是一样的。我们有两种办法：

*  每做完一种尝试，都把实验材料恢复成做上一个实验之前的样子，只有这样做出的对比才有意义；
 *  每一次尝试都使用同样的**新的材料**做实验。

在一些字符串的搜索问题中，有时不需要回溯的原因是这样的：字符串变量在拼接的过程中会产生新的对象

# 为什么不是广度优先遍历? #

*  首先是正确性，只有遍历状态空间，才能得到所有符合条件的解，这一点 `BFS` 和 `DFS` 其实都可以；
 *  在深度优先遍历的时候，不同状态之间的切换很容易 ，可以再看一下上面有很多箭头的那张图，每两个状态之间的差别只有 1 处，因此回退非常方便，这样全局才能使用一份状态变量完成搜索；
 *  如果使用广度优先遍历，从浅层转到深层，状态的变化就很大，此时我们不得不在每一个状态都新建变量去保存它，从性能来说是不划算的；
 *  如果使用广度优先遍历就得使用队列，然后编写结点类。队列中需要存储每一步的状态信息，需要存储的数据很大，真正能用到的很少 。
 *  使用深度优先遍历，直接使用了系统栈，系统栈帮助我们保存了每一个结点的状态信息。我们不用编写结点类，不必手动编写栈完成深度优先遍历。

# 不回溯可不可以? #

可以。搜索问题的状态空间一般很大，如果每一个状态都去创建新的变量，时间复杂度是  O ( N ) O(N) O(N)。在候选数比较多的时候，在非叶子结点上创建新的状态变量的性能消耗就很严重。

就本题而言，只需要叶子结点的那个状态，在叶子结点执行拷贝，时间复杂度是  O ( N ) O(N) O(N)。路径变量在深度优先遍历的时候，结点之间的转换只需要  O ( 1 ) O(1) O(1)。

最后，由于回溯算法的时间复杂度很高，因此在遍历的时候，如果能够提前知道这一条分支不能搜索到满意的结果，就可以提前结束，这一步操作称为 `剪枝`。

# 剪枝 #

回溯算法会应用「剪枝」技巧达到以加快搜索速度。有些时候，需要做一些预处理工作（例如排序）才能达到剪枝的目的。预处理工作虽然也消耗时间，但能够剪枝节约的时间更多；

> 提示：剪枝是一种技巧，通常需要根据不同问题场景采用不同的剪枝策略，需要在做题的过程中不断总结。

由于回溯问题本身时间复杂度就很高，所以能用空间换时间就尽量使用空间。

# 总结 #

建议可以 `先画树形图` ，画图能帮助我们想清楚递归结构，想清楚如何剪枝。拿题目中的示例，想一想人是怎么做的，一般这样下来，这棵递归树都不难画出。

在画图的过程中思考清楚：

*  分支如何产生；
 *  题目需要的解在哪里？是在叶子结点、还是在非叶子结点、还是在从跟结点到叶子结点的路径？
 *  哪些搜索会产生不需要的解的？例如：产生重复是什么原因，如果在浅层就知道这个分支不能产生需要的结果，应该提前剪枝，剪枝的条件是什么，代码怎么写？

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyNzI3MDk1_size_16_color_FFFFFF_t_70]: /images/20221022/54af976297a54468b315d07839d3bd2f.png
[20210407102304784.png]: /images/20221022/8434f469e776404181d09e29d3b5d662.png
[20210407102642829.png]: /images/20221022/ee79a658f670407bb64d8b17e4f5c7ed.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyNzI3MDk1_size_16_color_FFFFFF_t_70 1]: /images/20221022/4330d38a0f69465eb980fc02b66f9af6.png