深搜和广搜的区别和中心思想

本文探讨了深度优先搜索和广度优先搜索的特点与应用场景。深度优先搜索适用于搜索树节点较多的情况,占用空间较少但速度较慢;广度优先搜索则速度快但占用空间大,适合在距离与深度成正比的情况下快速求出最优解。

转载自http://blog.youkuaiyun.com/bool_isprime/article/details/5803018




深度优先搜索和广度优先搜索的深入讨论
(一)深度优先搜索的特点是:
(1)从上面几个实例看出,可以用深度优先搜索的方法处理的题目是各种各样的。有的搜索深度是已知和固定的,如例题2-4,2-5,2-6;有的是未知的,如例题2-7、例题2-8;有的搜索深度是有限制的,但达到目标的深度是不定的。
但也看到,无论问题的内容和性质以及求解要求如何不同,它们的程序结构都是相同的,即都是深度优先算法(一)和深度优先算法(二)中描述的算法结构,不相同的仅仅是存储结点数据结构和产生规则以及输出要求。
(2)深度优先搜索法有递归以及非递归两种设计方法。一般的,当搜索深度较小、问题递归方式比较明显时,用递归方法设计好,它可以使得程序结构更简捷易懂。当搜索深度较大时,如例题2-5、2-6。当数据量较大时,由于系统堆栈容量的限制,递归容易产生溢出,用非递归方法设计比较好。
(3)深度优先搜索方法有广义和狭义两种理解。广义的理解是,只要最新产生的结点(即深度最大的结点)先进行扩展的方法,就称为深度优先搜索方法。在这种理解情况下,深度优先搜索算法有全部保留和不全部保留产生的结点的两种情况。而狭义的理解是,仅仅只保留全部产生结点的算法。本书取前一种广义的理解。不保留全部结点的算法属于一般的回溯算法范畴。保留全部结点的算法,实际上是在数据库中产生一个结点之间的搜索树,因此也属于图搜索算法的范畴。
(4)不保留全部结点的深度优先搜索法,由于把扩展望的结点从数据库中弹出删除,这样,一般在数据库中存储的结点数就是深度值,因此它占用的空间较少,所以,当搜索树的结点较多,用其他方法易产生内存溢出时,深度优先搜索不失为一种有效的算法。
(5)从输出结果可看出,深度优先搜索找到的第一个解并不一定是最优解。例如例题2-8得最优解为13,但第一个解却是17。
如果要求出最优解的话,一种方法将是后面要介绍的动态规划法,另一种方法是修改原算法:把原输出过程的地方改为记录过程,即记录达到当前目标的路径和相应的路程值,并与前面已记录的值进行比较,保留其中最优的,等全部搜索完成后,才把保留的最优解输出。
二、广度优先搜索法的显著特点是:
(1)在产生新的子结点时,深度越小的结点越先得到扩展,即先产生它的子结点。为使算法便于实现,存放结点的数据库一般用队列的结构。
(2)无论问题性质如何不同,利用广度优先搜索法解题的基本算法是相同的,但数据库中每一结点内容,产生式规则,根据不同的问题,有不同的内容和结构,就是同一问题也可以有不同的表示方法。
(3)当结点到跟结点的费用(有的书称为耗散值)和结点的深度成正比时,特别是当每一结点到根结点的费用等于深度时,用广度优先法得到的解是最优解,但如果不成正比,则得到的解不一定是最优解。这一类问题要求出最优解,一种方法是使用后面要介绍的其他方法求解,另外一种方法是改进前面深度(或广度)优先搜索算法:找到一个目标后,不是立即退出,而是记录下目标结点的路径和费用,如果有多个目标结点,就加以比较,留下较优的结点。把所有可能的路径都搜索完后,才输出记录的最优路径。
(4)广度优先搜索算法,一般需要存储产生的所有结点,占的存储空间要比深度优先大得多,因此程序设计中,必须考虑溢出和节省内存空间得问题。
(5)比较深度优先和广度优先两种搜索法,广度优先搜索法一般无回溯操作,即入栈和出栈的操作,所以运行速度比深度优先搜索算法法要快些。
总之,一般情况下,深度优先搜索法占内存少但速度较慢,广度优先搜索算法占内存多但速度较快,在距离和深度成正比的情况下能较快地求出最优解。因此在选择用哪种算法时,要综合考虑。决定取舍。 


### 度优先索与广度优先索中的剪枝技术 #### 度优先索 (DFS) 中的剪枝技术 度优先索是一种沿着某个方向尽可能入探索节点的策略。然而,在实际应用中,可能会遇到大量的无意义路径或冗余计算。为了提高效率,可以通过剪枝来减少不必要的分支。 剪枝的核心思想是在索过程中提前判断某些子树是否可能包含目标解,如果不可能,则跳过这些子树的进一步扩展。例如,在解决约束满足问题时,可以利用当前状态下的约束条件排除那些无法满足最终解的状态[^1]。 以下是 DFS 的基本框架以及如何加入剪枝逻辑: ```python def dfs(node, visited): if is_invalid_state(node): # 判断当前状态是否无效(剪枝) return False if is_goal(node): # 如果找到目标则返回成功 return True visited.add(node) for neighbor in get_neighbors(node): if neighbor not in visited: if dfs(neighbor, visited): # 继续递归索邻居节点 return True return False ``` 在此代码片段中,`is_invalid_state()` 函数用于检测当前节点是否违反任何已知规则或约束条件。一旦发现不可行的情况即可立即停止对该分支的继续探索[^2]。 --- #### 广度优先索 (BFS) 中的剪枝技术 相比 DFS,广度优先索按层展开索空间,通常适用于寻找最短路径等问题。尽管 BFS 能够提供最优解,但在大规模数据集上其内存消耗较高。因此引入剪枝同样有助于提升性能并降低资源占用。 对于 BFS 来说,常见的剪枝方法包括但不限于以下几种方式: - **启发式估计**:通过估算剩余距离或其他指标决定哪些候选项更值得保留; - **重复状态过滤**:避免多次访问相同的状态从而节省时间开销; - **边界限制设置**:只考虑一定范围内的可能性而忽略超出部分。 下面是一个带有简单剪枝机制的 BFS 示例程序: ```python from collections import deque def bfs(start_node): queue = deque([start_node]) visited = set() while queue: node = queue.popleft() if is_invalid_state(node): # 对于不符合条件的状态直接丢弃 continue if is_goal(node): # 找到解决方案即刻终止循环 break visited.add(node) neighbors = get_neighbors(node) for n in neighbors: if n not in visited and meets_pruning_criteria(n): # 只有符合条件的新邻接点才会被加入队列 queue.append(n) return None if not found_solution else solution_path ``` 这里 `meets_pruning_criteria()` 是一个自定义函数用来评估每一个候选者是否应该进入下一步处理阶段。 --- #### 总结比较两者差异及适用场景 | 特性 | 度优先索 | 广度优先索 | |--------------------|---------------------------------------|--------------------------------------| | 探索顺序 | 向下逐级入 | 层次化横向扫描 | | 存储需求 | 较低 | 高 | | 是否保证最佳答案 | 不一定 | 当存在单位权重边时可获得最小步数解答| 无论采用哪种基础算法形式,合理运用剪枝技巧都能够显著改善整体表现效果。值得注意的是具体实施方案需依据实际情况灵活调整以达到理想成效。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值