算法：回溯算法团灭排列/组合/子集问题

太过爱你忘了你带给我的痛 2023-07-12 11:57 6阅读 0赞

容易让人搞混的算法问题，分别是求子集（subset），求排列（permutation），求组合（combination）。这几个问题都可以用回溯算法解决。

问题很简单，输入一个不包含重复数字的数组，要求算法输出这些数字的所有子集。

vector<vector> subsets(vector& nums);  
比如输入 nums = \[1,2,3\]，你的算法应输出 8 个子集，包含空集和本身，顺序可以不同：

\[ \[\],\[1\],\[2\],\[3\],\[1,3\],\[2,3\],\[1,2\],\[1,2,3\] \]

第一个解法是利用数学归纳的思想：假设我现在知道了规模更小的子问题的结果，如何推导出当前问题的结果呢？

具体来说就是，现在让你求 \[1,2,3\] 的子集，如果你知道了 \[1,2\] 的子集，是否可以推导出 \[1,2,3\] 的子集呢？先把 \[1,2\] 的子集写出来瞅瞅：

\[ \[\],\[1\],\[2\],\[1,2\] \]

你会发现这样一个规律：

subset(\[1,2,3\]) - subset(\[1,2\])

= \[3\],\[1,3\],\[2,3\],\[1,2,3\]

而这个结果，就是把 sebset(\[1,2\]) 的结果中每个集合再添加上 3。

换句话说，如果 A = subset(\[1,2\]) ，那么：

subset(\[1,2,3\])

= A + \[A\[i\].add(3) for i = 1…len(A)\]

这就是一个典型的递归结构嘛，\[1,2,3\] 的子集可以由 \[1,2\] 追加得出，\[1,2\] 的子集可以由 \[1\] 追加得出，base case 显然就是当输入集合为空集时，输出子集也就是一个空集。

翻译成代码就很容易理解了：

vector<vector<int>> subsets(vector<int>& nums) { 
        // base case，返回一个空集
        if (nums.empty()) return { { }};
        // 把最后一个元素拿出来
        int n = nums.back();
        nums.pop_back();
        // 先递归算出前面元素的所有子集
        vector<vector<int>> res = subsets(nums);
    
        int size = res.size();
        for (int i = 0; i < size; i++) { 
            // 然后在之前的结果之上追加
            res.push_back(res[i]);
            res.back().push_back(n);
        }
        return res;
    }

这个问题的时间复杂度计算比较容易坑人。我们之前说的计算递归算法时间复杂度的方法，是找到递归深度，然后乘以每次递归中迭代的次数。对于这个问题，递归深度显然是 N，但我们发现每次递归 for 循环的迭代次数取决于 res 的长度，并不是固定的。

根据刚才的思路，res 的长度应该是每次递归都翻倍，所以说总的迭代次数应该是 2^N。或者不用这么麻烦，你想想一个大小为 N 的集合的子集总共有几个？2^N 个对吧，所以说至少要对 res 添加 2^N 次元素。

那么算法的时间复杂度就是 O(2^N) 吗？还是不对，2^N 个子集是 push\_back 添加进 res 的，所以要考虑 push\_back 这个操作的效率：  
因为 res\[i\] 也是一个数组呀，push\_back 是把 res\[i\] copy 一份然后添加到数组的最后，所以一次操作的时间是 O(N)。

综上，总的时间复杂度就是 O(N\*2^N)，还是比较耗时的。

空间复杂度的话，如果不计算储存返回结果所用的空间的，只需要 O(N) 的递归堆栈空间。如果计算 res 所需的空间，应该是 O(N\*2^N)。

第二种通用方法就是回溯算法  
回溯算法的模板：

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

只要改造回溯算法的模板就行了:

vector<vector<int>> res;
    
    vector<vector<int>> subsets(vector<int>& nums) { 
        // 记录走过的路径
        vector<int> track;
        backtrack(nums, 0, track);
        return res;
    }
    
    void backtrack(vector<int>& nums, int start, vector<int>& track) { 
        res.push_back(track);
        // 注意 i 从 start 开始递增
        for (int i = start; i < nums.size(); i++) { 
            // 做选择
            track.push_back(nums[i]);
            // 回溯
            backtrack(nums, i + 1, track);
            // 撤销选择
            track.pop_back();
        }
    }

可以看见，对 res 的更新是一个前序遍历，也就是说，res 就是树上的所有节点：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jhb2JpbmdqaQ_size_16_color_FFFFFF_t_70]

**二、组合**  
输入两个数字 n, k，算法输出 \[1…n\] 中 k 个数字的所有组合。

vector<vector> combine(int n, int k);  
比如输入 n = 4, k = 2，输出如下结果，顺序无所谓，但是不能包含重复（按照组合的定义，\[1,2\] 和 \[2,1\] 也算重复）：

\[  
\[1,2\],  
\[1,3\],  
\[1,4\],  
\[2,3\],  
\[2,4\],  
\[3,4\]  
\]

这就是典型的回溯算法，k 限制了树的高度，n 限制了树的宽度，直接套我们以前讲过的回溯算法模板框架就行了：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jhb2JpbmdqaQ_size_16_color_FFFFFF_t_70 1]

vector<vector<int>>res;
    
    vector<vector<int>> combine(int n, int k) { 
        if (k <= 0 || n <= 0) return res;
        vector<int> track;
        backtrack(n, k, 1, track);
        return res;
    }
    
    void backtrack(int n, int k, int start, vector<int>& track) { 
        // 到达树的底部
        if (k == track.size()) { 
            res.push_back(track);
            return;
        }
        // 注意 i 从 start 开始递增
        for (int i = start; i <= n; i++) { 
            // 做选择
            track.push_back(i);
            backtrack(n, k, i + 1, track);
            // 撤销选择
            track.pop_back();
        }
    }

backtrack 函数和计算子集的差不多，区别在于，更新 res 的地方是树的底端。

**三、排列**  
输入一个不包含重复数字的数组 nums，返回这些数字的全部排列。

vector<vector> permute(vector& nums);  
比如说输入数组 \[1,2,3\]，输出结果应该如下，顺序无所谓，不能有重复：

\[  
\[1,2,3\],  
\[1,3,2\],  
\[2,1,3\],  
\[2,3,1\],  
\[3,1,2\],  
\[3,2,1\]  
\]

回溯算法详解 中就是拿这个问题来解释回溯模板的。这里又列出这个问题，是将「排列」和「组合」这两个回溯算法的代码拿出来对比。

首先画出回溯树来看一看：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jhb2JpbmdqaQ_size_16_color_FFFFFF_t_70 2]

List<List<Integer>> res = new LinkedList<>();
    
    /* 主函数，输入一组不重复的数字，返回它们的全排列 */
    List<List<Integer>> permute(int[] nums) { 
        // 记录「路径」
        LinkedList<Integer> track = new LinkedList<>();
        backtrack(nums, track);
        return res;
    }
    
    void backtrack(int[] nums, LinkedList<Integer> track) { 
        // 触发结束条件
        if (track.size() == nums.length) { 
            res.add(new LinkedList(track));
            return;
        }
    
        for (int i = 0; i < nums.length; i++) { 
            // 排除不合法的选择
            if (track.contains(nums[i]))
                continue;
            // 做选择
            track.add(nums[i]);
            // 进入下一层决策树
            backtrack(nums, track);
            // 取消选择
            track.removeLast();
        }
    }

回溯模板依然没有变，但是根据排列问题和组合问题画出的树来看，排列问题的树比较对称，而组合问题的树越靠右节点越少。

在代码中的体现就是，排列问题每次通过 contains 方法来排除在 track 中已经选择过的数字；而组合问题通过传入一个 start 参数，来排除 start 索引之前的数字。

以上，就是排列组合和子集三个问题的解法，总结一下：

子集问题可以利用数学归纳思想，假设已知一个规模较小的问题的结果，思考如何推导出原问题的结果。也可以用回溯算法，要用 start 参数排除已选择的数字。

组合问题利用的是回溯思想，结果可以表示成树结构，我们只要套用回溯算法模板即可，关键点在于要用一个 start 排除已经选择过的数字。

排列问题是回溯思想，也可以表示成树结构套用算法模板，不同之处在于使用 contains 方法排除已经选择的数字，前文有详细分析，这里主要是和组合问题作对比。

对于这三个问题，关键区别在于回溯树的结构，不妨多观察递归树的结构，很自然就可以理解代码的含义了。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jhb2JpbmdqaQ_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/2020030817074272.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jhb2JpbmdqaQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jhb2JpbmdqaQ_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20200308170811811.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jhb2JpbmdqaQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jhb2JpbmdqaQ_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20200308170906968.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Jhb2JpbmdqaQ==,size_16,color_FFFFFF,t_70