文章目录
- 1. 回溯法简介
- 1.1 DFS的基本思想
- 1.2 回溯法的基本思想
- 1.3 回溯法和DFS的区别
- 1.4 剪枝
- 2. 01背包问题：子集树
- 2.1 问题介绍
- 2.2 解决思路
- 2.3 算法实现
- 2.4 如何优化
- 3. 旅行商问题TSP：排序树
- 3.1 问题介绍
- 3.2 解决思路
- 3.3 算法框架
- 3.4 算法实现
- 4. 总结
1. 回溯法简介
回溯法，又叫试探法，是一种寻找最优解的暴力搜寻法。由于暴力，回溯法的时间复杂度较高，因此在比较一些数字较大的问题，比如最短路径问题等时，运行时间一般比较长。在回溯法中，**DFS（深度优先搜索）**是一种很重要的工具。
1.1 DFS的基本思想
（1）某一种可能情况向前探索，并生成一个子节点；
（2）过程中，一旦发现原来的选择不符合要求，就回溯至父亲结点，然后重新选择另一方向，再次生成子结点，继续向前探索；
（3）如此反复进行，直至求得最优解。
1.2 回溯法的基本思想
（1）针对具体问题，定义问题的解空间；
（2）确定易于搜索的解空间结构（数据结构的选择）；
（3）一般以DFS的方式搜索解空间；
（4）在搜索过程中，可以使用剪枝函数等来优化算法。（剪枝函数：用约束函数和限界函数剪去得不到最优解的子树，统称为剪枝函数。）
解空间：顾名思义，就是一个问题的所有解的集合。（但这离我们要求的最优解还差很远。）
约束条件：有效解的要求，即题目的要求。
约束函数：减去不满足约束条件的子树的函数。
限界函数：去掉得不到最优解的结点的函数。
扩展结点：当前正在产生子结点的结点称为扩展结点。
回溯法处理的解空间类型主要分为以下两种：
-
子集树：当所给问题是从集合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。
-
排列树：当所给问题事从集合中确定满足某种性质的排列时，相应的解空间树称为排列树。
1.3 回溯法和DFS的区别
DFS是一种遍历搜索图、树等数据结构的一种算法，更像一种工具；
而回溯法则是为了解决问题不断地生成又放弃一些解决方案（解空间在搜索问题的过程中动态产生是回溯法的一个重要特点），直至找到最优解或搜索完毕为止的一种方法，更像一种指导思想，在解空间中利用DFS进行全面的搜索。
1.4 剪枝
剪枝就是在搜索过程中利用过滤条件来剪去完全不用考虑（已经判断这条路走下去得不到最优解）的搜索路径，从而避免了一些不必要的搜索，优化算法求解速度，当然还必须得保证结果的正确性。
应用到回溯算法中，我们可以提前判断当前路径是否能产生结果集，如果否，就可以提前回溯。而这也叫做可行性剪枝。
另外还有一种叫做最优性剪枝，每次记录当前得到的最优值，如果当前结点已经无法产生比当前最优解更优的解时，可以提前回溯。
然而，剪枝的过滤条件不好找，想通过剪枝优化来提高算法高效性，既要保证结果正确性，还要保证剪枝的准确性。
2. 01背包问题：子集树
2.1 问题介绍
01背包问题就是由子集树解决的一个经典问题。问题如下：
小明打算去拜访同学，他打算带一背包的巧克力作为礼物。他希望装进的巧克力总价值最高（这样可能比较好吃）。然而小明体力有限，巧克力包不能太重，只能有8kg。可供选择的巧克力如下：
| 序号 | 品牌 | 重量/kg | 价值 |
|---|---|---|---|
| 1 | 费列罗 | 4 | 45 |
| 2 | 好时之点 | 5 | 57 |
| 3 | 德芙 | 2 | 22 |
| 4 | Cudie（西班牙） | 1 | 11 |
| 5 | 自制 | 6 | 67 |
2.2 解决思路
因为我们考虑的是找子集，所以每个物品只有选与不选两种状态，因此解空间是一个二叉树。在这个树中，每一层的边表示对一个物品的选择与否。如上图所示，选择第一层点0与左边点1间的边，表示选择1号物品，也就是选择左子树走下去；如果不选择1号物品入包，则进入右子树，选择右边点1。那么，一共有n件物品，就有n层的边，n+1层点。最后一层的每一个叶结点分别表示一种选择法，一共有2n个叶结点，即解空间中共有2n种解，我们要在这些叶结点中选择最佳结点。
我们先给出利用回溯法搜索子树集的伪代码框架：
void search(层数)
{
if(搜索到最底层)
打印出结果解;
else
for(遍历当前层解)
{
if(合适解)
继续搜索;
撤消当前状态的影响; //回溯
}
}
回溯法讲究“暴力”。从暴力的角度思考，想把所有的尽量装满背包的搭配都找出来，需要标记每一种装法（每一个解）最大value，从而找到最优解。我们从第一种巧克力开始装，然后找下一个，判断能否装入，再递归，到达边界，比较，记录较优解，回溯，继续往下找……循环。从子集树的角度将，我们优先选择走左子树，也就是入包；当走到叶结点或不符合约束的重量条件时，回溯到父结点，进入右结点，最后遍历全树。
判断能否装入后可以用一个book数组来标记是否选择入包。
2.3 算法实现
由以上思路写出01背包问题的算法如下：
//01背包问题-回溯法-子集树
#include <iostream>
int n, bag_v, bag_w;
int bag[100], x[100], w[100], val[100];
//search递归函数，当前节点背包的价值为cur_v（current value），重量为cur_w（current weight）
void search(int cur, int cur_v, int cur_w)
{
if(cur > n) //判断子集树的边界
{
if(cur_v > bag_v) //子集树对应的背包价值 是否超过了 最大价值
{
bag_v = cur_v; //得到最大价值
for(int i = 1; i <= n; i++)
bag[i] = x[i]; //x表示当前子集树各物品是否被选中，将选中的物品存入bag中
}
}
else
for(int j = 0; j <= 1; j++) //遍历当前解层：j 代表是否选择该物品
{
x[cur] = j;
if(cur_w + x[cur]*w[cur] <= bag_w) //满足重量约束,继续向前寻找配对
{
cur_w += w[cur]*x[cur];
cur_v += val[cur]*x[cur];
search(cur + 1, cur_v, cur_w); //递归，下一层物品
//清除痕迹，回溯上一层
cur_w -= w[cur]*x[cur];
cur_v -= val[cur]*x[cur];
x[cur] = 0;
}
}
}
int main()
{
int i;
bag_v = 0; //初始化背包最大价值
//输入数据
std::cout << "请输入背包最大容量:" << std::endl;
std::cin >> bag_w;
std::cout << "请输入物品个数:" << std::endl;
std::cin >> n;
std::cout << "请依次输入物品的重量:" << std::endl;
for(i = 1; i <= n; i++)
std::cin >> w[i];
std::cout << "请依次输入物品的价值:" << std::endl;
for(i = 1; i <= n; i++)
std::cin >> val[i];
search(1, 0, 0);
std::cout << "最大价值为:" << std::endl;
std::cout << bag_v << std::endl;
std::cout << "物品的编号依次为:" << std::endl;
for(i = 1; i <= n; i++)
if(bag[i] == 1)
std::cout << i << " ";
std::cout << std::endl;
return 0;
}
输出如下：
PS E:\Code\VSCode\Learning\build> .\main.exe
请输入背包最大容量:
8
请输入物品个数:
5
请依次输入物品的重量:
4 5 2 1 6
请依次输入物品的价值:
45 57 22 11 67
最大价值为:
90
物品的编号依次为:
2 3 4
2.4 如何优化
我们可以用一个上界函数bound()：当前价值+剩余容量可容纳的最大价值，去和目前的背包最大价值（也就是最优解）比较，如果bound()更小，那就没有继续搜索的意义了，剪去左子树，即不选择当前物品，进入右子树。
因为物品只有选与不选2个决策，而总共有n个物品，所以时间复杂度为O(2n)。因为递归栈最多达到n层，而且存储所有物品的信息也只需要常数个一维数组，所以最终的空间复杂度为O(n)。
那么，我们如何计算这个“剩余容量可容纳的最大价值”呢？首先，我们先将物品按照其单位重量价值从大到小排序，此后就按照顺序考虑各个物品。代码如下：
if(cur_w+w[cur]<=bag_w) //将物品cur放入背包,搜索左子树,即选择当前物品
{
cur_w+=w[cur]; //同步更新当前背包的重量
cur_v+=val[cur]; //同步更新当前背包的总价值
put[cur]=1;
search(cur+1,cur_v,cur_w); //深度搜索进入下一层
cur_w-=w[cur]; //回溯复原
cur_v-=val[cur]; //回溯复原
}
if(bound(cur+1,cur_v,cur_w)>bag_v) //如若符合条件则搜索右子树,即不选择当前物品
{
put[cur]=0;
search(cur+1,cur_v,cur_w);
}
-
当i<=n，重量超过限制时，leftw为负，我们得到的是一个达不到的理想最大价值，因为此时最后放入的物品单位价值较高，但无法完全塞进书包，我们就去掉多余的部分，只取一部分该物体入包。当然，这是做不到的。因此计算出的值是一个达不到的理想值。
-
当i>n，重量未超过限制时，则是可达到的最大价值。
这样就解释了这个上界函数的优化。可以看出，这是一个最优性剪枝优化，判断当前结点是否有机会产生更优解。
优化后的算法如下：
#include <iostream>
int n, bag_v, bag_w;
int bag[100], put[100], w[100], val[100], order[100];
double perp[100];
//按照单位重量价值排序，这里用冒泡
void bubblesort()
{
int i,j;
int temporder = 0;
double temp = 0.0;
for(i = 1;i <= n; i++)
perp[i] = val[i] / w[i]; //计算单位价值（单位重量的物品价值）
for(i = 1; i <= n - 1; i++)
{
for(j = i + 1; j <= n; j++)
if(perp[i] < perp[j]) //冒泡排序perp[], order[], sortv[], sortw[]
{
temp = perp[i]; //冒泡对perp[]排序交换
perp[i] = perp[i];
perp[j] = temp;
temporder = order[i]; //冒泡对order[]交换
order[i] = order[j];
order[j] = temporder;
temp = val[i]; //冒泡对val[]交换
val[i] = val[j];
val[j] = temp;
temp = w[i]; //冒泡对w[]交换
w[i] = w[j];
w[j] = temp;
}
}
}
//计算上界函数，功能为剪枝
double bound(int i, int cur_v, int cur_w)
{ //判断当前背包的总价值cur_v ＋ 剩余容量可容纳的最大价值 <= 当前最优价值
double leftw = bag_w - cur_w; //剩余背包容量
double b = cur_v; //记录当前背包的总价值cur_v，最后求上界
//以物品单位重量价值递减次序装入物品
while(i <= n && w[i] <= leftw)
{
leftw -= w[i];
b += val[i];
i++;
}
//装满背包
if(i <= n)
b += val[i] / w[i] * leftw;
return b; //返回计算出的上界
}
void search(int cur, int cur_v, int cur_w)
{ //search递归函数，当前current节点的价值为current value，重量为current weight
if(cur > n) //判断边界
{
if(cur_v > bag_v) //是否超过了最大价值
{
bag_v = cur_v; //得到最大价值
for(int i = 1; i <= n; i++)
bag[order[i]] = put[i]; //put表示当前是否被选中，将选中的物品存入bag中
}
}
//如若左子节点可行，则直接搜索左子树
//对于右子树，先计算上界函数，以判断是否将其减去
if(cur_w + w[cur] <= bag_w) //将物品cur放入背包,搜索左子树,即选择当前物品
{
cur_w += w[cur]; //同步更新当前背包的重量
cur_v += val[cur]; //同步更新当前背包的总价值
put[cur] = 1;
search(cur + 1, cur_v, cur_w); //深度搜索进入下一层
cur_w -= w[cur]; //回溯复原
cur_v -= val[cur]; //回溯复原
}
if(bound(cur + 1, cur_v, cur_w) > bag_v) //如若符合条件则搜索右子树，即不选择当前物品
{
put[cur] = 0;
search(cur + 1, cur_v, cur_w);
}
}
int main()
{
int i;
bag_v = 0; //初始化背包最大价值
//输入数据
std::cout << "请输入背包最大容量:" << std::endl;;
std::cin >> bag_w;
std::cout << "请输入物品个数:" << std::endl;
std::cin >> n;
std::cout << "请依次输入物品的重量:" << std::endl;
for(i = 1; i <= n; i++)
std::cin >> w[i];
std::cout << "请依次输入物品的价值:" << std::endl;
for(i = 1; i <= n; i++)
std::cin >> val[i];
for(i = 1; i <= n; i++) //新增的order数组，存储初始编号
order[i] = i;
search(1, 0, 0);
std::cout << "最大价值为:" << std::endl;
std::cout << bag_v << std::endl;
std::cout << "物品的编号依次为:" << std::endl;
for(i = 1; i <= n; i++)
if(bag[i] == 1)
std::cout << i << " ";
std::cout << std::endl;
return 0;
}
3. 旅行商问题TSP：排序树
3.1 问题介绍
小明在去同学那前想了一想，准备顺便拜访各高校的高中同学。他打算从本校出发，途径高中同学所在的一些高校，最终回到自己学校。小舟很懒，希望只走最短的路，同时不想在一个学校玩第二次，因为他们不是主要目标。如何制定一个旅行方案？
乍一看这个题目是不是和最短路径问题很像？但很可惜的是，最短路径不要求通过每一个点，还是有所不同。
3.2 解决思路
排列树与子集树最大的区别在于，子集树的解是无序的子集，而排列树的解则包含整个集合的所有元素，我们从暴力的原则出发，将元素进行全排列。
{ } 外的数表示已经排好序，{ } 内的数表示尚未排序。
在排序树中，每一层选择一个数字排到队尾，因此对一个n元素的集合，树的第一层将有n个子结点，表示可选n个数放在队伍的第一个位置，一次分叉比前一次减少一个（因为已经确定了一个位置的元素）；树共有n+1层（图中省略了最后一层），表示选择n次；叶结点共有**n!**个，表示组合数A，全排列共有n!种情形（因此时间复杂度也是n!）。
在这个问题中，我们的解空间就是所有城市的全排列，即走过每一个城市的顺序，因此可以用排序树来考虑这个问题。
3.3 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[i],x[t]);
}
}
}
这里的swap是一个交换函数，对于一个排列，只要交换任意两数后就是一个新排列。constraint()和bound())分别是约束条件和限定函数（用于剪枝优化）。
为什么要用swap来交换，而不是把数据放入新数组啦等等什么别的操作呢？这是因为，当我们在原先存储数据的数组x内进行交换时，我们把排好序的元素放到了数组的前面，留下的数据则是未排序的。这样在我们进行for循环的时候就能从t开始，同时避免了重复遇到排过序的数，也不需要book记录等多余的代码。
3.4 算法实现
//旅行商问题-回溯法-排序树
#include <iostream>
int n, t;
int dis[100][100], x[100], bestroad[100];
int cur_dis, bestdis;
const int INF=99999;
void swap(int& a, int& b) //swap函数，交换
{
int temp;
temp = a;
a = b;
b = temp;
}
void backtrack(int t)
{
if (t == n)
{ //判断边界。很长的判断，不能到自己或到不了，要比当前最优解短
if (dis[x[n - 1]][x[n]] != 0 && dis[x[n]][1] != 0 &&(cur_dis + dis[x[n - 1]][x[n]] + dis[x[n]][1] < bestdis || bestdis == 0))
{ //记录最优路径，最优距离
for (int j = 1; j <= n; j++)
bestroad[j] = x[j];
bestdis = cur_dis + dis[x[n-1]][x[n]] + dis[x[n]][1];
return;
}
}
else
{
for (int j=t;j<= n; j++)
{
if(dis[x[t]][x[j]]!=0&& (cur_dis + dis[x[t - 1]][x[t]] + dis[x[t]][1] < bestdis || bestdis == 0))
{
swap(x[t], x[j]);
cur_dis += dis[x[t]][x[t-1]];
backtrack(t+1);
//回溯
cur_dis -= dis[x[t]][x[t-1]];
swap(x[t], x[j]);
}
}
}
}
int main()
{
int i, j, m, a, b, c;
std::cout << "输入城市数:" << std::endl;
std::cin >> n;
std::cout << "输入路径数:" << std::endl;
std::cin >> m;
//初始化邻接矩阵
for(i = 1; i <= n; i++)
for(j = 1; j <= n; j++)
dis[i][j] = 0;
std::cout << "输入路径与距离:" << std::endl;
//读入城市之间的距离
for(i = 1; i <= m; i++)
{
std::cin >> a >> b >> c;
dis[a][b] = dis[b][a] = c; //无向图，两边都记录
}
for(i = 1; i <= n; i++)
x[i] = i;
backtrack(2);
std::cout << "最佳路径为:";
for (i = 1; i <= n; i++)
std::cout << bestroad[i] << " --> ";
std::cout << "1" << std::endl;
std::cout << "最短距离为:" << bestdis;
return 0;
}
输出如下：
PS E:\Code\VSCode\Learning\build> ."E:/Code/VSCode/Learning/build/main.exe"
输入城市数:
4
输入路径数:
6
输入路径与距离:
1 2 30
1 3 6
1 4 4
2 3 5
2 4 10
3 4 20
最佳路径为:1 --> 4 --> 2 --> 3 --> 1
最短距离为:25
注意：
不同于最短路径，这里我们把**INF（即无路径连通）与0（即自身）**放在一起处理，因为他们都不需要swap。
我们用t==n，而不是t>=n，是为了防止数组下表越界。
4. 总结
-
回溯法作为一种极暴力的搜索法，其时间复杂度是极高的，子集树大概是2n，排序树大概是n！，所以处理大的问题不太给力。但作为回报，它能给出真正的最优解。
-
回溯法的子集树和排序树，可以处理两类问题，求子集最优和排序最优。
-
想要利用剪枝函数优化是非常困难的。
参考文章：程序猿声：【算法学习】再谈回溯法
![强化学习从基础到进阶--案例与实践[7.1]：深度确定性策略梯度DDPG算法、双延迟深度确定性策略梯度TD3算法详解项目实战](https://img-blog.csdnimg.cn/67034356e4fd404482aff3e542dcf4ee.png#pic_center)
