目录
-
最基础的搜索
1.1 bfs
1.2 dfs
-
双向搜索
2.1 双向广搜
2.2 双向宽搜
2.3 meet in the middle
3 搜索的优化
3.1 记忆化搜索
3.2 最优性剪枝
3.3 可行性剪枝
3.4 其他方法
-
迭代加深搜索
-
Dancing Links
-
\(\alpha - \beta\) 剪枝
-
A/IDA
正文
1. 最基础的搜索
bfs/dfs 无需多言。bfs 瓶颈在于空间,dfs 瓶颈在于递归的时间。
2. 双向搜索
2.1 双向广搜/2.2 双向宽搜
从起点或终点同时进行搜索。
对于广搜,具体地说,给每个点带上从起点/终点转移而来的标记,同时丢进队列里面即可。
对于深搜,感觉好像没啥用。
2.3 meet in the middle
通常发现一个复杂度刚好是 \(O(a^b)\) 时,就可以把搜索分成两半合并,优化为 \(O(a^\frac b 2)\)。
例题1:
先做一半然后丢进 map
,然后在做后一半的时候对前一半的方案进行计数。复杂度 \(O(2^\frac n 2)\)。
例题2:
一个 \(n\times n\) 的网格图,点有点权 \(\in(0,1)\),求从地图左上走到地图右下经过的路径是回文串的方案数。\(n\le 20\)。
显然先从左上搜到 \((x,n-x)\),然后从终点搜过去就行了。\(O(2^\frac n2 n)\)。
3. 搜索的优化
3.1 记忆化搜索
具体的,如果函数为 dfs(i,j,k)
,那么可以设 \(f_{i,j,k}\) 表示 \(dfs(i,j,k)\) 的答案,每次如果遍历过直接取答案,大大优化复杂度。
3.2 最优性剪枝
如果当前答案加上剩余的最优解(不考虑合法情况)都小于当前的最优解,则不继续搜索。
3.3 可行性剪枝
如果已经不合法,不进行搜索。
3.4 其他方法
调整法/讨论极端情况/数学方法。或许可以考虑改变搜索的状态。
4. 迭代加深搜索
限制迭代层数。但可能搜不出最优解。
5. Dancing Links
咕。
6. \(\alpha - \beta\) 剪枝
咕。在 ACM 中感觉很常见啊。
7. A*/IDA*
引自 oi-wiki
。
定义起点 s,终点 t,从起点(初始状态)开始的距离函数 \(g(x)\),到终点(最终状态)的距离函数 \(h(x),h^{\ast}(x)\),以及每个点的估价函数 \(f(x)=g(x)+h(x)\)。
A* 算法每次从优先队列中取出一个 f 最小的元素,然后更新相邻的状态。
如果 \(h\leq h*\),则 A* 算法能找到最优解。
上述条件下,如果 h 满足三角形不等式,则 A* 算法不会将重复结点加入队列。
`IDA* 即为采用迭代加深的 A* 算法。
标签:剪枝,终点,迭代,dfs,学习,搜索,笔记,双向 From: https://www.cnblogs.com/lgh-blog/p/18042784