---
tags:
  - 算法设计与分析
  - 复习
  - 回溯法
create time: 2026-06-10 11:11
---

# 回溯法

## 概述
回溯法（Backtracking）是一种在解空间树中进行深度优先搜索的算法策略。它系统地搜索问题的解空间，当发现当前路径不可能得到解时，回退到上一步尝试其他路径。回溯法是求解NP-hard问题（如图着色、N皇后）的常用方法。

## 正文

### 一、回溯法基本思想

回溯法的核心思想是：在解空间树中按 **DFS（深度优先搜索）** 的方式搜索，当发现某个分支不满足约束条件时，**剪枝**——跳过该分支，回退到父节点尝试其他分支。

> [!warning] 回溯法使用DFS实现，不是队列
> 回溯法是沿着一条路径尽可能深地搜索，走不通就回退。它使用**栈**（或递归调用栈）实现DFS，而不是使用队列（BFS）。

### 二、解空间结构

回溯法的解空间是一棵树（不是图），常见的解空间结构有两种：

1. **子集树（Subset Tree）**：用于子集选择问题。每个节点表示是否选择某个元素，共 2ⁿ 个叶节点。
2. **排列树（Permutation Tree）**：用于排列问题。每个节点表示排列中的某个位置放哪个元素，共 n! 个叶节点。

```mermaid
flowchart TD
    Root["Root (empty)"]
    L1_1["Include item 1"]
    L1_2["Exclude item 1"]
    L2_1["Include item 2"]
    L2_2["Exclude item 2"]
    L2_3["Include item 2"]
    L2_4["Exclude item 2"]
    Leaf1["{1,2}"]
    Leaf2["{1}"]
    Leaf3["{2}"]
    Leaf4["{}"]

    Root --> L1_1
    Root --> L1_2
    L1_1 --> L2_1
    L1_1 --> L2_2
    L1_2 --> L2_3
    L1_2 --> L2_4
    L2_1 --> Leaf1
    L2_2 --> Leaf2
    L2_3 --> Leaf3
    L2_4 --> Leaf4
```

> [!tip] 子集树与排列树
> 子集树有 2ⁿ 个叶节点，每个元素有"选/不选"两种选择。排列树有 n! 个叶节点，表示所有可能的排列方式。

### 三、剪枝函数

剪枝是回溯法效率的关键。两类剪枝函数：

1. **约束函数（Constraint Function）**：可行性剪枝。判断当前部分解是否满足约束条件，不满足则剪掉。
2. **限界函数（Bound Function）**：最优性剪枝。判断当前路径是否可能到达最优解，不可能则剪掉。

> [!question] 回溯法的剪枝函数包括哪两类？
> 约束函数（可行性剪枝）和限界函数（最优性剪枝）。约束函数判断当前解是否合法；限界函数判断当前路径是否有希望得到最优解。两类函数共同作用，大幅减少搜索空间。

### 四、节点分类

在回溯搜索过程中，节点分为三类：

| 节点类型 | 定义 | 类比 |
|---------|------|------|
| **活结点（Live Node）** | 正在被扩展、还有未探索子节点的节点 | 栈中正在处理的节点 |
| **死结点（Dead Node）** | 已被扩展完毕，所有子节点都已探索 | 已经从栈中弹出的节点 |
| **扩展结点（E-Node）** | 当前正在生成子节点的节点 | 栈顶正在处理的节点 |

### 五、回溯法一般框架

```plaintext
void backtrack(int t) {
    if (t > n)
        output(x);             // 到达叶节点，输出解
    else {
        for (int i = f(n,t); i <= g(n,t); i++) {
            x[t] = h(i);       // 第t个位置尝试第i种选择
            if (constraint(t) && bound(t))
                backtrack(t+1); // 满足约束，继续深入
            // 否则剪枝，回退（x[t]会被下次循环覆盖）
        }
    }
}
```

各部分含义：

- **t**：当前搜索深度（第几个决策）
- **f(n,t)** 和 **g(n,t)**：第 t 个位置可选值的范围
- **h(i)**：将第 i 个候选值赋给 x[t]
- **constraint(t)**：约束函数，判断可行性
- **bound(t)**：限界函数，判断是否有希望得到最优解
- **output(x)**：输出一个完整的解

### 六、经典应用

#### 6.1 图着色/四色问题

**问题**：给定一个无向图 G 和 m 种颜色，用最少的颜色给图的每个顶点着色，使得相邻顶点颜色不同。当 m=4 时即为著名的四色问题。

**回溯策略**：
- 对每个顶点，尝试 m 种颜色
- 检查当前着色是否与相邻顶点冲突
- 冲突则剪枝，换下一种颜色
- 所有顶点着色完成则输出解

**时间复杂度**：最坏 O(mⁿ)，四色问题为 O(4ⁿ)

```plaintext
function graphColoring(graph, m, colors, vertex):
    if vertex == n:
        printSolution(colors)    // 所有顶点着色完成
        return

    for c = 1 to m:
        colors[vertex] = c       // 尝试颜色c
        if isSafe(graph, colors, vertex):
            graphColoring(graph, m, colors, vertex + 1)
        colors[vertex] = 0       // 回溯

function isSafe(graph, colors, vertex):
    for each neighbor v of vertex:
        if colors[v] == colors[vertex]:
            return false
    return true
```

```mermaid
flowchart TD
    V1c1["V1: color 1"]
    V1c2["V1: color 2"]
    V2c1["V2: color 1"]
    V2c2["V2: color 2"]
    V2c3["V2: color 3"]
    V2fail1["V2: color 1 = CONFLICT"]
    V3c1["V3: color 1"]
    V3c2["V3: color 2"]
    V3fail1["V3: color 1 = CONFLICT"]
    V3fail2["V3: color 2 = CONFLICT"]
    Solution["Solution: V1=1, V2=2, V3=3"]

    V1c1 --> V2fail1
    V1c1 --> V2c2
    V1c2 --> V2c1
    V1c2 --> V2c3
    V2fail1 --> |"Pruned"| V1c1
    V2c2 --> V3fail2
    V2c2 --> V3c1
    V2c1 --> V3fail1
    V2c1 --> V3c2
    V3c1 --> Solution
```

**解释**：以三节点图为例（V1-V2, V2-V3, V1-V3），先给 V1 尝试颜色1，然后给 V2 尝试颜色1（与V1冲突，剪枝），再试颜色2（可行）。接着给 V3 尝试颜色1（与V1冲突），颜色2（与V2冲突），颜色3（可行）。得到解 V1=1, V2=2, V3=3。

#### 6.2 N皇后问题

**问题**：在 N×N 的棋盘上放置 N 个皇后，使得任意两个皇后不在同一行、同一列或同一对角线上。

**回溯策略**：
- 每行放一个皇后（一行一个，所以只需确定列号）
- 逐行放置，每列尝试每个位置
- 检查列冲突和对角线冲突
- 冲突则剪枝

```plaintext
function solveNQueens(board, row, n):
    if row == n:
        printBoard(board)
        return

    for col = 0 to n-1:
        if isSafe(board, row, col, n):
            board[row][col] = "Q"     // 放置皇后
            solveNQueens(board, row + 1, n)
            board[row][col] = "."     // 回溯

function isSafe(board, row, col, n):
    // 检查同一列
    for i = 0 to row-1:
        if board[i][col] == "Q": return false
    // 检查左上对角线
    for i = row-1, j = col-1; i >= 0 && j >= 0; i--, j--:
        if board[i][j] == "Q": return false
    // 检查右上对角线
    for i = row-1, j = col+1; i >= 0 && j < n; i--, j++:
        if board[i][j] == "Q": return false
    return true
```

**解释**：N皇后是经典的回溯应用。由于每行只放一个皇后，解空间是排列树。剪枝函数检查列冲突和两条对角线冲突，大幅减少搜索空间。

#### 6.3 迷宫搜索

**问题**：给定一个迷宫，找到从入口到出口的路径。

**回溯策略**：
- 使用DFS探索迷宫
- 走过的路径标记为已访问
- 走到死路则回退，撤销标记
- 到达出口则输出路径

#### 6.4 骑士巡游

**问题**：在 m×n 的棋盘上，骑士从某个位置出发，按"日"字形移动（8个方向），能否不重复地走遍所有格子？

**回溯策略**：
- 从当前位置出发，尝试8个方向
- 选择合法且未访问的位置
- 走不通则回退
- 走完所有格子则找到解

### 七、回溯法的复杂度分析

回溯法的最坏时间复杂度通常是**指数级或阶乘级**：

| 问题 | 解空间类型 | 最坏复杂度 |
|------|----------|----------|
| 子集问题 | 子集树 | O(2ⁿ) |
| 排列问题 | 排列树 | O(n!) |
| 图着色(m种) | m叉树 | O(mⁿ) |
| N皇后 | 排列树 | O(n!) |

> [!tip] 回溯法是NP-hard问题的常用求解方法
> 图着色、N皇后、哈密顿回路等问题都是NP-hard问题，不存在多项式时间的精确算法。回溯法虽然最坏是指数级，但通过剪枝可以大幅减少实际搜索量，是实践中最常用的精确求解方法。

> [!question] 回溯法和暴力枚举有什么区别？
> 暴力枚举会检查所有可能的解，而回溯法通过剪枝函数提前排除不可能的分支，大幅减少搜索空间。例如N皇后问题，暴力枚举需要检查 nⁿ 种布局，而回溯法通过冲突检测剪枝，实际搜索量远小于此。

## 关联笔记
- [[算法设计与分析/试题册/index|试题册索引]]