广度优先
广度优先搜索，其实就是层次遍历，程序采用队列来实现。
算法思想
从根开始，常以BF或以最小耗费（即最大收益）优先的方式搜索问题的解空间树。首先将根结点加入活结点表，接着从活结点表中取出根结点，使其成为当前扩展结点，一次性生成其所有孩子结点，判断孩子结点是舍弃还是保留，舍弃哪些导致不可行解或导致非最优解的孩子结点，其余的被保留在活结点表中。再从活结点表中取出一个活结点作为当前扩展结点，重复上述扩展过程，直到找到所需的解或活结点表为空时为止。每一个活结点最多只有一次机会成为扩展结点。
算法步骤
算法解题步骤为：
- 定义问题的解空间。
- 确定问题的解空间组织结构。
- 搜索解空间。搜索前要定义判断标准（约束函数或限界函数），如果选优优先队列式分支限界法，则必须确定优先级。
回溯法与分支限界法的异同
1.相同点：
- 均需要先定义问题的解空间，确定的解空间组织结构一般都是树和图；
- 在问题的解空间树上搜索问题解。
- 搜索前均需要确定判断条件，该判断条件用于判断扩展生成的结点是否为可行结点。
- 搜索过程中必须判断扩展生成的结点是否满足判断条件，如果满足则保留该扩展结点，否则舍弃。
2.不同点
- 搜索目标不同：回溯法的求解目标是找出解空间树中满足约束条件的所有解，而分支界限法的求解目标则是找出满足约束条件的一个解，或者是在满足约束条件的解中找出在某种意义下的最优解。
- 搜索的方式不同：回溯法以深度优先搜索方法搜索空间树，分支限界法采用广度优先法或者最小消耗优先搜索解空间树。
- 扩展方式不同：回溯法搜索，扩展结点一次只生成一个孩子结点，而分支限界法则一次生成所有孩子结点。
0-1背包问题
问题分析
前面有，不再重述，
| w[] | 1 | 2 | 3 | 4 |
|---|---|---|---|---|
| 2 | 5 | 4 | 2 | |
| v[] | 1 | 2 | 3 | 4 |
|---|---|---|---|---|
| 6 | 3 | 5 | 4 | |
购物车重量W=10。
商品的结构体定义为：
struct Goods
{
int weight;
int value;
} goods[N];
| weight | 2 | 5 | 4 | 2 |
|---|---|---|---|---|
| value | 6 | 3 | 5 | 4 |
算法设计
- 定义问题的解空间。问题解空间为{x1,x2,...,xi,...,xn}，显约束为：xi=0或者1。
- 确定解空间的组织结构：子集树。
-
搜索解空间：
- 约束条件为：wixi≤W（i=1~n）
- 限界条件：cp+rp>bestp（cp为当前已经装入购物车的物品的总价值，rp为第t+1~第n种物品的总价值，bestp为最大价值）
- 搜索过程：从根节点开始，以BFS方式进行搜索。根节点首先成为活结点，也是当前的扩展结点。一次性生成所有孩子结点，由于子集树中约定左分支上的值为“1”，因此沿着扩展结点的左分支扩展，则代表装入物品；右分支的值为“0”，代表不装入物品。此时判断是否满足约束条件和限界条件，如果满足，则将其加入队列中；反之舍弃。然后再从队列中取出一个元素，作为当前扩展结点，搜索过程队列为空时结束。
步骤解释
- 初始化。sumw=2+5+4+2=13，sumv=6+3+5+4=18，因为sumw>W，所以不能装完，所以需要进行后续的操作。初始化cp=0,rp=sumv，当前剩余重量rw=W；当前处理物品序号为1；当前最优值bestp=0.解向量为x[]=(0,0,0,0)，创建一个根结点Node(cp,rp,rw,id)，标记为A，加入先进先出队列q中。cp为装入购物车的物品价值，rp为剩余物品的总价值，rw为剩余容量，id为物品号，x[]为当前解向量。
//定义结点。每个节点来记录当前的解。
struct Node
{
int cp, rp; //cp背包的物品总价值，rp剩余物品的总价值
int rw; //剩余容量
int id; //物品号
bool x[N];//解向量
Node() {}
Node(int _cp, int _rp, int _rw, int _id){
cp = _cp;
rp = _rp;
rw = _rw;
id = _id;
memset(x, 0, sizeof(x));//解向量初始化为0
}
};
- 扩展A结点。队头元素A出队，该结点的cp+rp≥bestp，满足限界条件，可以扩展。rw=10>goods[1].weight=2，剩余容量大于1号物品，满足约束条件，可以放入购物车，cp=0+6=6。rp=18-6=12，rw=10-2=8，t=2，x[1]=1，解向量更新为x[]=(1,0,0,0)，生成左孩子B，加入q队列，更新bestp=6。再扩展右分支，cp=0,rp=18-6=12,cp+rp>=bestp=6，满足限界条件，不放入1号物品，cp=0,rp=12,rw=10,t=2,x[1]=0，解向量为x[]=(0,0,0,0)，创建新结点C，加入q队列。如下表所示，X表示为空。
- 扩展B结点。队头元素B出队，该结点cp+rp>=bestp，满足限界条件，可以扩展。rw=8>goods[2].weight=5，剩余容量大于2号物品重量，满足约束条件，可以放入购物车，cp=6+3=9。rp=12-3=9，rw=8-5=3，t=3，x[2]=1，解向量更新为x[]=(1,1,0,0)，生成左孩子D，加入q队列，更新bestp=9。再扩展右分支，cp=6,rp=12-3=9,cp+rp>=bestp=9，满足限界条件，不放入2号物品，cp=6,rp=9,rw=8,t=3,x[2]=0，解向量为x[]=(1,0,0,0)，创建新结点E，加入q队列。如下表所示。
- 扩展C结点。队头元素C出队，该结点cp+rp>=bestp，满足限界条件，可以扩展。rw=10>goods[2].weight=5，剩余容量大于2号物品重量，满足约束条件，可以放入购物车，cp=0+3=3。rp=12-3=9，rw=10-5=5，t=3，x[2]=1，解向量更新为x[]=(0,1,0,0)，生成左孩子F，加入q队列。再扩展右分支，cp=0,rp=12-3=9,cp+rp>=bestp=9，满足限界条件，不放入2号物品，cp=6,rp=9,rw=10,t=3,x[2]=0，解向量为x[]=(0,0,0,0)，创建新结点G，加入q队列。如下表所示。
- 扩展D结点。队头元素D出队，该结点cp+rp>=bestp，满足限界条件，可以扩展。但是rw=3>goods[3].weight=4，所以不满足约束条件，舍弃左分支。扩展右分支，cp=9,rp=9-5=4,cp+rp>=bestp=9，满足限界条件，不放入3号物品，cp=9,rp=4,rw=3,t=4,x[3]=0，解向量为x[]=(1,1,0,0)，创建新结点H，加入q队列。如下表所示。
- 扩展E结点。同理可得cp=11,rp=4,rw=4,t=4,x[3]=1，更新解向量为x[]=(1,0,1,0)，生成左孩子I，加入q队列，更新bestp=11。扩展右分支，cp=6,rp=9-5=4,cp+rp=10
- 扩展F结点。同理得到左分支，cp=8,rp=4,rw=1,t=4,x[3]=1，解向量为x[]=(0,1,1,0)，生成左孩子J，加入q队列。扩展右分支，cp+rp<11，舍弃。
- 扩展G结点。该结点cp+rp
- 扩展H结点。队头H结点出队，该结点cp+rp>=bestp，满足限界条件，rw=3>goods[4].weight=2，满足约束条件，令cp=9+4=13,rp=4-4=0,rw=3-2=1,t=5,x[4]=1，解向量更新为x[]=(1,1,0,1)，生成孩子K，加入q队列，更新bestp=13。右分支不满足限界条件舍弃。
- 扩展I结点。 队头I结点出队，该结点cp+rp>=bestp，满足限界条件，rw=4>goods[4].weight=2，满足约束条件，令cp=11+4=15,rp=4-4=0,rw=4-2=2,t=5,x[4]=1，解向量更新为x[]=(1,0,1,1)，生成孩子L，加入q队列，更新bestp=15。右分支不满足限界条件舍弃。
- 队头元素J出队，该结点cp+rp=12<15，不满足限界条件，不再扩展。
- 队头元素K出队，扩展K结点：t=5，已经处理完毕，cp
- 队头元素K出队，扩展K结点：t=5，已经处理完毕，cp=bestp，是最优解，输出该向量(1,0,1,1)。
- 队列为空，算法结束。
代码实现
int bestp, W, n, sumw, sumv;
/*
bestp 用来记录最优解。
W为购物车最大容量。
n为物品的个数。
sumw 为所有物品的总重量。
sumv 为所有物品的总价值。
*/
//bfs 来进行子集树的搜索。
int bfs()
{
int t, tcp, trp, trw;
queue<Node> q; //创建一个普通队列(先进先出)
q.push(Node(0, sumv, W, 1)); //压入一个初始结点
while (!q.empty()) //如果队列不空
{
Node livenode, lchild, rchild;//定义三个结点型变量
livenode = q.front();//取出队头元素作为当前扩展结点livenode
q.pop(); //队头元素出队
//cp+rp>bestp当前装入的价值+剩余物品价值小于当前最优值时，不再扩展。
cout << "当前结点的id值:" << livenode.id << "当前结点的cp值:" << livenode.cp << endl;
cout << "当前结点的解向量:";
for (int i = 1; i <= n; i++)
{
cout << livenode.x[i];
}
cout << endl;
t = livenode.id;//当前处理的物品序号
// 搜到最后一个物品的时候不需要往下搜索。
// 如果当前的购物车没有剩余容量(已经装满)了，不再扩展。
if (t>n || livenode.rw == 0)
{
if (livenode.cp >= bestp)//更新最优解和最优值
{
for (int i = 1; i <= n; i++)
{
bestx[i] = livenode.x[i];
}
bestp = livenode.cp;
}
continue;
}
if (livenode.cp + livenode.rp<bestp)//判断当前结点是否满足限界条件，如果不满足不再扩展
continue;
//扩展左孩子
tcp = livenode.cp; //当前购物车中的价值
trp = livenode.rp - goods[t].value; //不管当前物品装入与否，剩余价值都会减少。
trw = livenode.rw; //购物车剩余容量
if (trw >= goods[t].weight) //满足约束条件，可以放入购物车
{
lchild.rw = trw - goods[t].weight;
lchild.cp = tcp + goods[t].value;
lchild = Node(lchild.cp, trp, lchild.rw, t + 1);//传递参数
for (int i = 1; i<t; i++)
{
lchild.x[i] = livenode.x[i];//复制以前的解向量
}
lchild.x[t] = true;
if (lchild.cp>bestp)//比最优值大才更新
bestp = lchild.cp;
q.push(lchild);//左孩子入队
}
//扩展右孩子
if (tcp + trp >= bestp)//满足限界条件，不放入购物车
{
rchild = Node(tcp, trp, trw, t + 1);//传递参数
for (int i = 1; i<t; i++)
{
rchild.x[i] = livenode.x[i];//复制以前的解向量
}
rchild.x[t] = false;
q.push(rchild);//右孩子入队
}
}
return bestp;//返回最优值。
}
算法分析
时间复杂度为O(2n+1)，空间复杂度O(n*2n+1)。
算法优化拓展——优先队列式分支限界法
优先队列优化，简单来说就是以当前结点的上界为优先值，把普通队列改成优先队列。
- 算法设计。约束条件没有改变。优先级定义为活结点代表的部分解锁描述的装入物品价值的上界，该价值上界越大，优先级越高。活结点的价值上界up=活结点的cp+剩余物品装满购物车剩余容量的最大价值rp'。限界条件变为up=cp+rp'>=bestp。
-
解题步骤（简略版）
- 初始化。sumw和sumv分别用来统计所有物品的总重量和总价值。sumw=13,sumv=18,sumw>W，所以不能全部装完，需要搜索求解。
- 按价值重量比非递增排序。排序结果如下表所示。
- 后续不再详细叙述。
| weight | 2 | 2 | 4 | 5 |
|---|---|---|---|---|
| value | 6 | 4 | 5 | 3 |
3.代码实现
//定义辅助物品结构体，包含物品序号和单位重量价值,用于按单位重量价值(价值/重量比)排序、
struct Object
{
int id; //物品序号
double d;//单位重量价值
}S[N];
//定义排序优先级按照物品单位重量价值由大到小排序
bool cmp(Object a1,Object a2)
{
return a1.d>a2.d;
}
//定义队列的优先级。 以up为优先，up值越大，也就越优先
bool operator <(const Node &a, const Node &b)
{
return a.up<b.up;
}
int bestp,W,n,sumw,sumv;
/*
bestv 用来记录最优解。
W为背包的最大容量。
n为物品的个数。
sumw 为所有物品的总重量。
sumv 为所有物品的总价值。
*/
double Bound(Node tnode)
{
double maxvalue=tnode.cp;//已装入购物车物品价值
int t=tnode.id;//排序后序号
//cout<<"t="<<t<<endl;
double left=tnode.rw;//剩余容量
while(t<=n&&w[t]<=left)
{
maxvalue+=v[t];
// cout<<"malvalue="<<maxvalue<<endl;
left-=w[t];
t++;
}
if(t<=n)
maxvalue+=double(v[t])/w[t]*left;
//cout<<"malvalue="<<maxvalue<<endl;
return maxvalue;
}
//priorbfs 为优先队列式分支限界法搜索。
int priorbfs()
{
int t,tcp,trw;
double tup; //当前处理的物品序号t，当前装入购物车物品价值tcp，
//当前装入购物车物品价值上界tup，当前剩余容量trw
priority_queue<Node> q; //创建一个优先队列,优先级为装入购物车的物品价值上界up
q.push(Node(0, sumv, W, 1));//初始化,根结点加入优先队列
while(!q.empty())
{
Node livenode, lchild, rchild;//定义三个结点型变量
livenode=q.top();//取出队头元素作为当前扩展结点livenode
q.pop(); //队头元素出队
cout<<"当前结点的id值:"<<livenode.id<<"当前结点的up值:"<<livenode.up<<endl;
cout<<"当前结点的解向量:";
for(int i=1; i<=n; i++)
{
cout<<livenode.x[i];
}
cout<<endl;
t=livenode.id;//当前处理的物品序号
// 搜到最后一个物品的时候不需要往下搜索。
// 如果当前的购物车没有剩余容量(已经装满)了，不再扩展。
if(t>n||livenode.rw==0)
{
if(livenode.cp>=bestp)//更新最优解和最优值
{
cout<<"更新最优解向量:";
for(int i=1; i<=n; i++)
{
bestx[i]=livenode.x[i];
cout<<bestx[i];
}
cout<<endl;
bestp=livenode.cp;
}
continue;
}
//判断当前结点是否满足限界条件，如果不满足不再扩展
if(livenode.up<bestp)
continue;
//扩展左孩子
tcp=livenode.cp; //当前购物车中的价值
trw=livenode.rw; //购物车剩余容量
if(trw>=w[t]) //满足约束条件，可以放入购物车
{
lchild.cp=tcp+v[t];
lchild.rw=trw-w[t];
lchild.id=t+1;
tup=Bound(lchild); //计算左孩子上界
lchild=Node(lchild.cp,tup,lchild.rw,lchild.id);//传递参数
for(int i=1;i<=n;i++)
{
lchild.x[i]=livenode.x[i];//复制以前的解向量
}
lchild.x[t]=true;
if(lchild.cp>bestp)//比最优值大才更新
bestp=lchild.cp;
q.push(lchild);//左孩子入队
}
//扩展右孩子
rchild.cp=tcp;
rchild.rw=trw;
rchild.id=t+1;
tup=Bound(rchild); //右孩子计算上界
if(tup>=bestp)//满足限界条件，不放入购物车
{
rchild=Node(tcp,tup,trw,t+1);//传递参数
for(int i=1;i<=n;i++)
{
rchild.x[i]=livenode.x[i];//复制以前的解向量
}
rchild.x[t]=false;
q.push(rchild);//右孩子入队
}
}
return bestp;//返回最优值。
}
旅行商问题
问题分析
带权邻接矩阵g[][]如下所示，空表示为无穷，即没有路径。
| 15 | 30 | 5 | |
|---|---|---|---|
| 15 | 6 | 12 | |
| 30 | 6 | 3 | |
| 5 | 12 | 3 |
算法设计
可以使用优先队列分支限界法，加快搜索速度。
设置优先级：当前已走过的城市所有的路径长度cl。cl越小，优先级越高。
从根节点开始，以广度优先的方式进行搜索。根节点首先成为活结点，也是当前的扩展结点。一次性生成所有的孩子结点，判断孩子结点是否满足约束条件和限界条件，如果满足，将其加入到队列中，反之，舍弃。然后再从队列中取出一个元素，作为当前扩展结点，搜索过程队列为空时为止。
代码实现
struct Node//定义结点,记录当前结点的解信息
{
double cl; //当前已走过的路径长度
int id; //景点序号
int x[N];//记录当前路径
Node() {}
Node(double _cl,int _id)
{
cl = _cl;
id = _id;
}
};
//定义队列的优先级。 以cl为优先级，cl值越小，越优先
bool operator <(const Node &a, const Node &b)
{
return a.cl>b.cl;
}
//Travelingbfs 为优先队列式分支限界法搜索
double Travelingbfs()
{
int t; //当前处理的景点序号t
Node livenode,newnode;//定义当前扩展结点livenode,生成新结点newnode
priority_queue<Node> q; //创建一个优先队列,优先级为已经走过的路径长度cl,cl值越小，越优先
newnode=Node(0,2);//创建根节点
for(int i=1;i<=n;i++)
{
newnode.x[i]=i;//初时化根结点的解向量
}
q.push(newnode);//根结点加入优先队列
cout<<"按优先级出队顺序："<<endl;//用于调试
while(!q.empty())
{
livenode=q.top();//取出队头元素作为当前扩展结点livenode
q.pop(); //队头元素出队
//用于调试
cout<<"当前结点的id值:"<<livenode.id<<"当前结点的cl值:"<<livenode.cl<<endl;
cout<<"当前结点的解向量:";
for(int i=1; i<=n; i++)
{
cout<<livenode.x[i];
}
cout<<endl;
t=livenode.id;//当前处理的景点序号
// 搜到倒数第2个结点时个景点的时候不需要往下搜索
if(t==n) //立即判断是否更新最优解，
//例如当前找到一个路径(1243)，到达4号结点时，立即判断g[4][3]和g[3][1]是否有边相连，
//如果有边则判断当前路径长度cl+g[4][3]+g[3][1]<bestl，满足则更新最优值和最优解
{
//说明找到了一条更好的路径，记录相关信息
if(g[livenode.x[n-1]][livenode.x[n]]!=INF&&g[livenode.x[n]][1]!=INF)
if(livenode.cl+g[livenode.x[n-1]][livenode.x[n]]+g[livenode.x[n]][1]<bestl)
{
bestl=livenode.cl+g[livenode.x[n-1]][livenode.x[n]]+g[livenode.x[n]][1];
cout<<endl;
cout<<"当前最优的解向量:";
for(int i=1;i<=n;i++)
{
bestx[i]=livenode.x[i];
cout<<bestx[i];
}
cout<<endl;
cout<<endl;
}
continue;
}
//判断当前结点是否满足限界条件，如果不满足不再扩展
if(livenode.cl>=bestl)
continue;
//扩展
//没有到达叶子结点
for(int j=t; j<=n; j++)//搜索扩展结点的所有分支
{
if(g[livenode.x[t-1]][livenode.x[j]]!=INF)//如果x[t-1]景点与x[j]景点有边相连
{
double cl=livenode.cl+g[livenode.x[t-1]][livenode.x[j]];
if(cl<bestl)//有可能得到更短的路线
{
newnode=Node(cl,t+1);
for(int i=1;i<=n;i++)
{
newnode.x[i]=livenode.x[i];//复制以前的解向量
}
swap(newnode.x[t], newnode.x[j]);//交换x[t]、x[j]两个元素的值
q.push(newnode);//新结点入队
}
}
}
}
return bestl;//返回最优值。
}（1）时间复杂度：O(n!)。空间复杂度：O(n*n!)。
算法优化拓展
-
算法开始时创建一个用于表示活结点优先队列。每个结点的费用下界zl=cl+rl值作为优先级。cl表示已经走过的路径长度，rl表示剩余路径长度的下界，rl用剩余每个结点的最小出边之和来计算。初始时先计算图中每个顶点i的最小出边，并用minout[i]数组记录，minsum记录所有结点的最小出边之和。如果所给的有向图中某个顶点没有出边，则该图不可能有回路，算法立即结束。
- 限界条件：zl
- 优先级：zl指已经走过的路径长度+剩余路径长度的下界。zl越小，优先级越高。
算法优化代码实现
1.定义节点结构体
//定义结点,记录当前结点的解信息
struct Node
{
double cl; //当前已走过的路径长度
double rl; //剩余路径长度的下界
double zl; //当前路径长度的下界zl=rl+cl
int id; //景点序号
int x[N];//记录当前解向量
Node() {}
Node(double _cl,double _rl,double _zl,int _id)
{
cl = _cl;
rl = _rl;
zl = _zl;
id = _id;
}
};
2.定义队列优先级
bool operator <(const Node &a, const Node &b)
{
return a.zl>b.zl;
}
3.计算下界
bool Bound()//计算下界（即每个景点最小出边权值之和）
{
for(int i=1;i<=n;i++)
{
double minl=INF;//初时化景点点出边最小值
for(int j=1;j<=n;j++)//找每个景点的最小出边
if(g[i][j]!=INF&&g[i][j]<minl)
minl=g[i][j];
if(minl==INF)
return false;//表示无回路
minout[i]=minl;//记录每个景点的最少出边
cout<<"第"<<i<<"个景点的最少出边:"<<minout[i]<<" "<<endl;
minsum+=minl;//记录所有景点的最少出边之和
}
cout<<"每个景点的最少出边之和:""minsum= "<<minsum<<endl;
return true;
}
4.Travelingbfsopt 为优化的优先队列式分支限界法
double Travelingbfsopt()
{
if(!Bound())
return -1;//表示无回路
Node livenode,newnode;//定义当前扩展结点livenode,生成新结点newnode
priority_queue<Node> q; //创建一个优先队列,优先级为当前路径长度的下界zl=rl+cl,zl值越小，越优先
newnode=Node(0,minsum,minsum,2);//创建根节点
for(int i=1;i<=n;i++)
{
newnode.x[i]=i;//初时化根结点的解向量
}
q.push(newnode);//根结点加入优先队列
while(!q.empty())
{
livenode=q.top();//取出队头元素作为当前扩展结点livenode
q.pop(); //队头元素出队
cout<<"当前结点的id值:"<<livenode.id<<"当前结点的zl值:"<<livenode.zl<<endl;
cout<<"当前结点的解向量:";
for(int i=1; i<=n; i++)
{
cout<<livenode.x[i];
}
cout<<endl;
int t=livenode.id;//当前处理的景点序号
// 搜到倒数第2个结点时个景点的时候不需要往下搜索
if(t==n) //立即判断是否更新最优解，
//例如当前找到一个路径(1243)，到达4号结点时，立即判断g[4][3]和g[3][1]是否有边相连，
//如果有边则判断当前路径长度cl+g[4][3]+g[3][1]<bestl，满足则更新最优值和最优解
{
//说明找到了一条更好的路径，记录相关信息
if(g[livenode.x[n-1]][livenode.x[n]]!=INF&&g[livenode.x[n]][1]!=INF)
if(livenode.cl+g[livenode.x[n-1]][livenode.x[n]]+g[livenode.x[n]][1]<bestl)
{
bestl=livenode.cl+g[livenode.x[n-1]][livenode.x[n]]+g[livenode.x[n]][1];
cout<<endl;
cout<<"当前最优的解向量:";
for(int i=1;i<=n;i++)
{
bestx[i]=livenode.x[i];
cout<<bestx[i];
}
cout<<endl;
cout<<endl;
}
continue;
}
//判断当前结点是否满足限界条件，如果不满足不再扩展
if(livenode.cl>=bestl)
continue;
//扩展
//没有到达叶子结点
for(int j=t; j<=n; j++)//搜索扩展结点的所有分支
{
if(g[livenode.x[t-1]][livenode.x[j]]!=INF)//如果x[t-1]景点与x[j]景点有边相连
{
double cl=livenode.cl+g[livenode.x[t-1]][livenode.x[j]];
double rl=livenode.rl-minout[livenode.x[j]];
double zl=cl+rl;
if(zl<bestl)//有可能得到更短的路线
{
newnode=Node(cl,rl,zl,t+1);
for(int i=1;i<=n;i++)
{
newnode.x[i]=livenode.x[i];//复制以前的解向量
}
swap(newnode.x[t], newnode.x[j]);//交换两个元素的值
q.push(newnode);//新结点入队
}
}
}
}
return bestl;//返回最优值。
}算法复杂度分析
时间复杂度最坏为O(nn!)，空间复杂度为O(n2*(n+1)!)。
最优工程布线问题
问题描述
在3×3的方格阵列，灰色表示*，不能通过。将每个方格抽象为一个结点，方格和相邻4个方向（上下左右）中能通过的方格用一条线连接起来，不能通过的方格不连线。这样，可以把问题的解空间定义为一个图，如下图所示。
该问题是特殊的最短路径问题，特殊之处在于用布线走过的方格数代表布线的长度，布线时每一个方格，布线长度累加1.我们可以看出，从a到b有多种布线方案，最短的布线长度即从a到b的最短路径长度为4。
既然只能朝四个方向布线，也就是说如果从树型搜索的角度来看，我们可以把它看做为m叉树，那么问题的解空间就变成了一颗m叉树。
算法设计
（1）定义问题的解空间。可以把最优工程布线问题解的形式为n元组{x1,x2,...,xi,...,xn}，分量xi表示最优布线方案经过的第i个方格，而方格也可以用(x,y)表示第x行第y列。因为方格不可重复布线，所以在确定xi的时候，前面走过的方格{x1,x2,...,xi-1}都不可以再走，xi的取值范围为S-{x1,x2,...,xi-1}。
注意：和前面问题不同，因为不知道最优布线长度，所以n是未知的。
（2）解空间的组织结构：一颗m叉树，m=4，树的深度n未知。
（3）搜索解空间。搜索从起始结点a开始，到目标节点b结束。
- 约束条件：非障碍物或边界未曾布线。
- 限界条件：最先碰到的一定是距离最短的，因此无限界条件。
- 搜索过程：从a开始将其作为第一个扩展结点，沿a的右、下、左、上4个方向的相邻结点扩展。判断约束条件是否成立，若成立，则放入活结点中，并将这个方格标记为1。接着从活结点队列中取出队首结点作为下一个扩展结点，并沿当前扩展结点的右、下、左、上四个方向的相邻结点扩展，将满足约束条件的方格记为2，依此类推，一直继续搜索到目标方格或活结点为空为止，目标方格里的数据就是最优的布线长度。
构造最优解过程从目标节点开始，沿着右、下、左、上四个方向。判断如果某个方向方格里的数据比扩展结点方格的数据小1，则进入该方向方格，使其成为当前的扩展结点。以此类推，搜索过程一直持续到起始结点结束。
算法实现
//定义结构体position
typedef struct
{
int x;
int y;
} Position;//位置
int grid[100][100];//地图
bool findpath(Position s, Position e, Position *&path, int &PathLen)
{
if ((s.x == e.x) && (s.y == e.y))//开始位置就是结束位置
{
PathLen = 0;
return true;
}
Position DIR[4], here, next;
//定义方向数组DIR[4]，当前位置here，下一个位置next
DIR[0].x = 0;
DIR[0].y = 1;
DIR[1].x = 1;
DIR[1].y = 0;
DIR[2].x = 0;
DIR[2].y = -1;
DIR[3].x = -1;
DIR[3].y = 0;
here = s;
grid[s.x][s.y] = 0;//标记初始为0，未布线为-1，墙壁为-2
queue<Position> Q;//所使用队列
//按四个方向进行搜索
for (;;)
{
for (int i = 0; i < 4; i++)//四个方向前进，右下左上
{
next.x = here.x + DIR[i].x;
next.y = here.y + DIR[i].y;
if (grid[next.x][next.y] == -1)//未布线
{
grid[next.x][next.y] = grid[here.x][here.y] + 1;
Q.push(next);
}
if ((next.x == e.x) && (next.y == e.y))
break;//找到了我们需要的目标
}
if ((next.x == e.x) && (next.y == e.y))
break;//找到了我们需要的目标
if (Q.empty())
return false;
else
{
here = Q.front();
Q.pop();//把Q队头的元素弹出
}
}
//逆向找回最短布线方案
PathLen = grid[e.x][e.y];//最短的长度
path = new Position[PathLen];
here = e;
for (int j = PathLen - 1; j >= 0; j--)
{
path[j] = here;
//沿着四个方向寻找，右下左上
for (int i = 0; i < 4; i++)
{
next.x = here.x + DIR[i].x;
next.y = here.y + DIR[i].y;
if (grid[next.x][next.y] == j)
break;
}
here = next;
}
return true;
}
//初始化地图，标记大于0表示已经布线，-1未布线，-2墙壁
void init(int m, int n)
{
for (int i = 1; i <= m; i++)
for (int j = 1; j <= n; j++)
grid[i][j] = -1;
//上面是先将所有的格子都初始化为-1
//然后把本问题为了方便加上的第0行和第0列都设置为墙
for (int i = 0; i <= n + 1; i++)
grid[0][i] = grid[m + 1][i] = -2;
for (int i = 0; i <= m + 1; i++)
grid[i][0] = grid[i][n + 1] = -2;
}
复杂度分析
时间复杂度O(nm)，构造最短布线需要O(L)，空间复杂度O(n)。