来自https://github.com/soulmachine/leetcode

广度优先搜索

输入数据：没有什么特征，不像dfs需要有递归的性质。如果是树/图，概率更大。

状态转换图：数或者DAG图（有向无环图）

求解目标：求最短

思考的步骤：

1，是求路径长度，还是路径本身（动作序列）

　　a，如果是求路径长度，则状态里面要存路径长度（或双端队列+一个全局变量）

　　b，如果是求路径本身或动作序列

　　　　i，要用一颗树存储宽搜过程的路径

　　　　ii，是否能够预算状态个数的上限？

　　　　　　能够预估状态总数，则开辟一个大数组，用树的双亲表示法;

　　　　　　如果不能预估状态总数，则要使用一颗通用的树，这也是第4步的需要不充分条件。

2，如何表示状态？即一个状态需要存储哪些必要的数据，才能够完整提供如何扩展到下一步状态的所有信息。一般记录当前位置或整体局面。

3，如何扩展状态？这一步和第2步有关，状态里记录的数据不同，扩展方法就不同。

　　对于固定不变的数据结构（一般题目直接将给出，作为输入数据），如二叉树、图。扩展方法简单，直接往下一层走。

　　对于隐式图，要先在第一步里想清楚状态所带的数据，想清楚了这一点，就可以直到如何扩展了。

4，如何判断重复？

　　如果状态转换图是一棵树，则永远不会出现回路，不需要判重。

　　如果状态转换图是一个图（这时候是一个图上的BFS），则需要判断重复。

　　　　a，如果是求最短路径长度或一条路径，则只需要让“点”（就是状态）不重复出现，即可保证不出现回路

　　　　b，如果是求所有路径，注意此刻，状态转换图是DAG，即允许两个父节点指向同一个字节点。具体实现时，每个节点要“延迟”加入到已访问集合visited，

　　　　　要等一层全部访问完后，再加入到visited集合。

　　　　c，具体实现？

　　　　　　i，状态是否存在完美哈希方案？即将状态一一映射到整数，互相之间不会冲突。

　　　　　　ii，如果不存在，则需要使用通用的哈希表（自己实现，或使用STL，例如unordered_set)来判重;

　　　　　　　　自己实现的哈希表，如果能够预估状态个数的上限，则可以开两个数组，head和next表示哈希表（下面有例子）。

　　　　　　iii，如果存在，则可以开一个大布尔数组，来判重，且此刻可以精确计算出状态总数，而不仅仅是预估上限。

5，目标状态是否已知？

　　如果题目已经给出了目标状态，可以带来很大便利，这时候可以从起始状态出发，正向广搜，

　　也可以从目标状态出发，逆向广搜，

　　也可以同时出发，双向广搜。

—–

代码模板？

广搜需要一个队列，用于一层一层扩展，一个hashset，用于判重，一棵树（只求长度时不需要）用于存储整棵树。

　　对于队列，可以用queue，也可以把vector当作队列使用。当求长度时，有两种做法：

　　　　1，只用一个队列，但在状态结构体state_t里面增加一个整数字段level，表示当前所在的层次，当碰到目标状态时，直接输出level即可。

　　　　这个方案可以很容易编程A*搜索，把queue替换为priority_queue即可。

　　　　2，用两个队列，current，next，分别表示当前层次和下一层，另设一个全局整数level，表示层数（即路径长度），当碰到目标状态，输出level即可。

　　　　这个方案，状态里可以村路径长度，只需全局设置一个整数level，比较节省内存;

　　对于hashset，

　　　　如果有完美哈希方案，用布尔数组（bool visited[STATE_MAX]或vector<bool> visited(STATE_MAX,false)来表示;

　　　　如果没有完美哈希方案，需要用STL里的set或unordered_set。

　　对于树，

　　　　如果用STL，可以用unordered_map<state_t,state_t> father表示一棵树，代码很简洁。

　　　　如果能够预估状态总数的上限（设为STATE_MAX)，可以使用数组state_t nodes[STATE_MAX]，即树的双亲表示法来表示树，效率更高，但是代码更高。

代码在这里

===============================================================

深度优先搜索

适用场景：

输入数据，如果是递归数据结构，如单链表，二叉树，集合，则百分百可以用深搜;如果是非递归数据结构，如一维数组，二维数组，字符串，图则概率小一些。但是也有的。

状态转换图，树或者图

求解目标：必须走到最深处（例如对于树，必须要走到叶子节点）才能得到一个解，适合是恩搜。

思考步骤：

1，深搜常见的三个问题，求可行解的总数，求一个可行解，求所有可行解。

　　a，如果是路径条数，则不需要存储路径

　　b，如果哦是路径本身，则要用一个数组path存储路径。

　　　　跟宽搜不同，宽搜虽然也是一条路径，但是需要存储扩展过程中的所有路径，在没找到答案之前所有路径都不能放弃。

　　　　而深搜，在搜索过程中始终只有一条路径，因此用一个数组就可以了。

2，只要求一个解，还是求所有解。

　　只求一个解，找到一个解就返回。

　　求所有解，找到一个后，还要继续遍历。

　　广搜一般只要求一个解，（广搜也会求所有解，这时需要扩展到所有叶子节点，相当于在内存中存储整个状态转换图，非常占内存，因此广搜不适合求这类问题）。

3，如果表示状态？

　　即一个状态需要存储哪些必要的数据，才能够完整提供如何扩展到下一步状态的所有信息。跟广搜不同，深搜的惯用写法，不是把数据记录在状态struct里，而是

　　添加函数参数（有时为了节省递归堆栈，用全局变量），struct里的字段与函数参数一一对应。

4，如何扩展状态？

　　这一步跟上一步相关。状态里记录的数据不同，扩展方法就不同，对于固定不变的数据结构（一般题目直接给出，作为输入数据），二叉树、图，扩展方法很简单，直接往下一步走就行了。对于隐式图，要先在第1步中想清楚状态所带的数据，才能直到扩展。

5，终止条件？

　　是指到了不能扩展的末端节点。对于树，是叶子节点。对于图或隐式图，是出度为0的节点。

6，收敛条件？

　　是指找到一个合法解的时刻。

　　如果正向深搜（父节点处理完了，才进行递归，即父状态不依赖子状态，递归语句在最后，尾递归），则是指是否达到目标状态;

　　如果是逆向搜索，（处理父状态时需要先知道子状态的结果，此时递归语句不在最后），则是指是否到达初始状态。

　　很多时候，终止状态和收敛条件是合二为一的，很多人不会区分这两种条件。仔细区分这两种条件，是有必要的。

　　为了判断是否到了收敛条件，要在函数接口里用一个参数记录当前的位置（或距离目标还有多远）。

　　如果是求一个解，直接返回这个解;如果是求所有解，要在这里搜集，即把第一步中表示路径的数组path[]复制到解集合里。

7，关于判重

　　a，是否需要判重？

　　　　如果状态转换图是一颗树，则不需要判重，因为在遍历的过程中不会出现重复;

　　　　如果状态状态图是一个DAG，则需要判重。这一点和BFS不一样，BFS的状态转换图总是DAG，必须判重。

　　b，怎么判重，跟广搜一样。同时，DAG说明存在重叠子问题，此时可以用缓存加速。见第8步（下一步）。

8，如何加速？

　　a，剪枝。深搜一定要好好考虑怎么剪枝，成本小收益大，加几行代码，就能大大加速。

　　　　　　这里没有通用的方法，只能具体问题，具体分析，要充分观察，充分利用各种信息来剪枝，在中间节点提前返回。

　　b，缓存。

　　　　i，前提条件：状态转换图是一个DAG。DAG=>存在重叠子问题=>子问题的解会被重复利用，用缓存自然会由加速效果。

　　　　　如果依赖关系是树状的（例如树，单链表等），没必要加缓存，因为子问题只会一层层往下，用一次就再也不会用到，加了缓存也没什么效果。

　　　　ii，具体实现：可以使用数组或hashmap。

　　　　　　维度简单的，用数组;

　　　　　　维度复杂的，用hashmap，c++有map，c++11以后有unordered_map，比map快。

代码模板

/**
*@brief dfs模板
*@param[in] input 输入数据指针
*@param[out] path 当前路径，也是中间结果
*@param[out] result 存放最终结果
*@param[inout] cur or gap 标记当前位置或距离目标的距离
*@return  1，路径长度，2路径本身
*/
void dfs(type &input,type &path,type &result,int cur or gap){
    if(data is valid) return;//终止条件
    if(curr==input.size()){// 收敛条件，正向
        ///if(gap==0){}///逆向
        result.push_back(path);
    }
    
    if(可以剪枝) return;
    
    for(...){///执行所有的可能的扩展
        执行动作，修改path
        dfs(input,step+1,or gap--,result);
        恢复path
    }
}        

———

深搜和回溯法？

深搜：维基百科

回溯法：维基百科

回溯法=深搜+剪枝，一般在用深搜时，或多或少会用到剪枝，因此深搜和回溯法没有什么不一样的。

深搜与递归recursion？

深搜，是逻辑意义上的算法;递归是物理意义上的实现，递归和迭代iteration相对应。

深搜，可以用递归实现，也可以用栈实现。而递归，一般总是用来实现深搜，可以说，递归一定是深搜，但是深搜不一定递归。

递归由两种加速策略，1剪枝，对中间结果判断，提前返回。2缓存，缓存中间结果，防止重复计算，用空间换时间。

其实，递归+缓存，就是memorization（翻译为备忘录法），就是top-down with cache（自顶向下+缓存），它是Donald Michie在1968年创造的术语，表示

　　一种优化技术，在top-down形式的程序中，使用来避免重复计算，可以加速。

memorization不一定用递归，就像深搜不一定用递归一样，可以在迭代iterative中使用memorization。递归也不一定用memorization，可以使用它来加速，但也不是必须的。

　　只有在使用了缓存时，它才是memorizaiton。