容易讓人搞混的算法問題,分別是求子集(subset),求排列(permutation),求組合(combination)。這幾個問題都可以用回溯算法解決。
問題很簡單,輸入一個不包含重複數字的數組,要求算法輸出這些數字的所有子集。
vector<vector> subsets(vector& nums);
比如輸入 nums = [1,2,3],你的算法應輸出 8 個子集,包含空集和本身,順序可以不同:
[ [],[1],[2],[3],[1,3],[2,3],[1,2],[1,2,3] ]
第一個解法是利用數學歸納的思想:假設我現在知道了規模更小的子問題的結果,如何推導出當前問題的結果呢?
具體來說就是,現在讓你求 [1,2,3] 的子集,如果你知道了 [1,2] 的子集,是否可以推導出 [1,2,3] 的子集呢?先把 [1,2] 的子集寫出來瞅瞅:
[ [],[1],[2],[1,2] ]
你會發現這樣一個規律:
subset([1,2,3]) - subset([1,2])
= [3],[1,3],[2,3],[1,2,3]
而這個結果,就是把 sebset([1,2]) 的結果中每個集合再添加上 3。
換句話說,如果 A = subset([1,2]) ,那麼:
subset([1,2,3])
= A + [A[i].add(3) for i = 1…len(A)]
這就是一個典型的遞歸結構嘛,[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 顯然就是當輸入集合爲空集時,輸出子集也就是一個空集。
翻譯成代碼就很容易理解了:
vector<vector<int>> subsets(vector<int>& nums) {
// base case,返回一個空集
if (nums.empty()) return {{}};
// 把最後一個元素拿出來
int n = nums.back();
nums.pop_back();
// 先遞歸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++) {
// 然後在之前的結果之上追加
res.push_back(res[i]);
res.back().push_back(n);
}
return res;
}
這個問題的時間複雜度計算比較容易坑人。我們之前說的計算遞歸算法時間複雜度的方法,是找到遞歸深度,然後乘以每次遞歸中迭代的次數。對於這個問題,遞歸深度顯然是 N,但我們發現每次遞歸 for 循環的迭代次數取決於 res 的長度,並不是固定的。
根據剛纔的思路,res 的長度應該是每次遞歸都翻倍,所以說總的迭代次數應該是 2^N。或者不用這麼麻煩,你想想一個大小爲 N 的集合的子集總共有幾個?2^N 個對吧,所以說至少要對 res 添加 2^N 次元素。
那麼算法的時間複雜度就是 O(2^N) 嗎?還是不對,2^N 個子集是 push_back 添加進 res 的,所以要考慮 push_back 這個操作的效率:
因爲 res[i] 也是一個數組呀,push_back 是把 res[i] copy 一份然後添加到數組的最後,所以一次操作的時間是 O(N)。
綜上,總的時間複雜度就是 O(N*2^N),還是比較耗時的。
空間複雜度的話,如果不計算儲存返回結果所用的空間的,只需要 O(N) 的遞歸堆棧空間。如果計算 res 所需的空間,應該是 O(N*2^N)。
第二種通用方法就是回溯算法
回溯算法的模板:
result = []
def backtrack(路徑, 選擇列表):
if 滿足結束條件:
result.add(路徑)
return
for 選擇 in 選擇列表:
做選擇
backtrack(路徑, 選擇列表)
撤銷選擇
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) {
// 記錄走過的路徑
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 從 start 開始遞增
for (int i = start; i < nums.size(); i++) {
// 做選擇
track.push_back(nums[i]);
// 回溯
backtrack(nums, i + 1, track);
// 撤銷選擇
track.pop_back();
}
}
可以看見,對 res 的更新是一個前序遍歷,也就是說,res 就是樹上的所有節點:
二、組合
輸入兩個數字 n, k,算法輸出 [1…n] 中 k 個數字的所有組合。
vector<vector> combine(int n, int k);
比如輸入 n = 4, k = 2,輸出如下結果,順序無所謂,但是不能包含重複(按照組合的定義,[1,2] 和 [2,1] 也算重複):
[
[1,2],
[1,3],
[1,4],
[2,3],
[2,4],
[3,4]
]
這就是典型的回溯算法,k 限制了樹的高度,n 限制了樹的寬度,直接套我們以前講過的回溯算法模板框架就行了:
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) {
// 到達樹的底部
if (k == track.size()) {
res.push_back(track);
return;
}
// 注意 i 從 start 開始遞增
for (int i = start; i <= n; i++) {
// 做選擇
track.push_back(i);
backtrack(n, k, i + 1, track);
// 撤銷選擇
track.pop_back();
}
}
backtrack 函數和計算子集的差不多,區別在於,更新 res 的地方是樹的底端。
三、排列
輸入一個不包含重複數字的數組 nums,返回這些數字的全部排列。
vector<vector> permute(vector& nums);
比如說輸入數組 [1,2,3],輸出結果應該如下,順序無所謂,不能有重複:
[
[1,2,3],
[1,3,2],
[2,1,3],
[2,3,1],
[3,1,2],
[3,2,1]
]
回溯算法詳解 中就是拿這個問題來解釋回溯模板的。這裏又列出這個問題,是將「排列」和「組合」這兩個回溯算法的代碼拿出來對比。
首先畫出回溯樹來看一看:
List<List<Integer>> res = new LinkedList<>();
/* 主函數,輸入一組不重複的數字,返回它們的全排列 */
List<List<Integer>> permute(int[] nums) {
// 記錄「路徑」
LinkedList<Integer> track = new LinkedList<>();
backtrack(nums, track);
return res;
}
void backtrack(int[] nums, LinkedList<Integer> track) {
// 觸發結束條件
if (track.size() == nums.length) {
res.add(new LinkedList(track));
return;
}
for (int i = 0; i < nums.length; i++) {
// 排除不合法的選擇
if (track.contains(nums[i]))
continue;
// 做選擇
track.add(nums[i]);
// 進入下一層決策樹
backtrack(nums, track);
// 取消選擇
track.removeLast();
}
}
回溯模板依然沒有變,但是根據排列問題和組合問題畫出的樹來看,排列問題的樹比較對稱,而組合問題的樹越靠右節點越少。
在代碼中的體現就是,排列問題每次通過 contains 方法來排除在 track 中已經選擇過的數字;而組合問題通過傳入一個 start 參數,來排除 start 索引之前的數字。
以上,就是排列組合和子集三個問題的解法,總結一下:
子集問題可以利用數學歸納思想,假設已知一個規模較小的問題的結果,思考如何推導出原問題的結果。也可以用回溯算法,要用 start 參數排除已選擇的數字。
組合問題利用的是回溯思想,結果可以表示成樹結構,我們只要套用回溯算法模板即可,關鍵點在於要用一個 start 排除已經選擇過的數字。
排列問題是回溯思想,也可以表示成樹結構套用算法模板,不同之處在於使用 contains 方法排除已經選擇的數字,前文有詳細分析,這裏主要是和組合問題作對比。
對於這三個問題,關鍵區別在於回溯樹的結構,不妨多觀察遞歸樹的結構,很自然就可以理解代碼的含義了。