标签：状态 夜深人静 PKU 队列 单向 HDU int 算法 BFSState
文章目录
一、前言
掌握了广搜就意味着至少可以拿一块省赛银牌，这或许是一句玩笑话，但是我觉得还是有几分道理的，广搜的涉及面很广，而且可以辅助你更好得理解动态规划，因为两者都有状态的概念，而且广搜的状态更加容易构造，不学广搜就无法理解 A*、SPFA、差分约束、稳定婚姻、最大流 等等其它的图论算法。
回想自己十几年前刚开始学习搜索的时候，总是分不清楚什么时候应该用广搜，什么时候应该用深搜，所以，我把之前遇到的问题做了一个总结，发现最重要的还是那两个字：状态。今天这篇文章会围绕这两个字进行一个非常详细的讲解。
当然，任何事情都有一个循序渐进的过程，我不会把所有关于广搜的内容一次性讲完，看完这篇文章，你至少应该可以自己手写一个单向广搜的代码。后面的章节会对 最短路、A* 、双向广搜 逐一进行讲解。
二、单向广搜简介
- 单向广搜就是最简化情况下的广度优先搜索（Breadth First Search），以下简称为广搜。游戏开发过程中用到的比较广泛的 A* 寻路，就是广搜的加强版。
- 那么，我们通过一个例子来初步了解下广搜的搜索过程。
【例题1】公主被关在一个 n × m ( n , m < = 500 ) n \times m(n,m <= 500) n×m(n,m<=500) 的迷宫里，主公想在最快的时间内救出公主。但是迷宫太大，而且有各种墙阻挡，主公每次只能在 上、下、左、右 四个方向内选择周围的非墙体格子前进一格，并且花费 1 单位时间，问主公救出公主的最少时间。
图二-1 （图中 ♂ 代表主公，♀代表公主，□ 代表墙体不能通行）
- 这个问题就是经典的用广度优先搜索来解决的问题。
- 我们通过一个动图来对广搜有一个初步的印象，如图二-2所示：
图二-2 - 从图中可以看出，广搜的本质还是暴力枚举。即对于每个当前位置，枚举四个相邻可以行走的方向进行不断尝试，直到找到目的地。有点像洪水爆发，从一个源头开始逐渐蔓延开来，直到所有可达的区域都被洪水灌溉，所以我们也把这种算法称为 FloodFill。
- 那么，如何把它描述成程序的语言呢？这里需要用到一种数据结构 —— 队列。本文接下来会对这种数据结构进行一个详细的讲解，如果读者对队列已经耳熟能详，那么可以跳过第三节，直接进入第四节。
三、先进先出队列
- 常见的队列有：先进先出队列、优先队列、单调队列 等等。本章将主要介绍 先进先出队列。
- 数据结构中的先进先出队列就好比我们日常工作中去食堂排队吃饭，排在前面的先取到饭。而 “先进先出” 就是 “先到先得” ，“近水楼台先得月” 的意思。读者可以从任何一本数据结构的书籍上看到这么一个词汇 FIFO，它就是先进先出（First Input First Output）的简称。
- 为了方便读者阅读，接下来一律将 先进先出队列 简称为 队列。
1、队列的基础结构
-
队列的基础结构是一种线性表，所以实现方式主要有两种：链表 和 数组。并且需要两个指针，分别指向队列头 f r o n t front front 和队列尾 r e a r rear rear。
-
链表结构的队列如下：
图三-1-1 -
数组结构的队列如下：
图三-1-2 -
那么接下来，请忘记链表。
-
作者将介绍一种用数组的方式来实现的队列，结构定义如下：
class Queue {
public:
Queue();
virtual ~Queue();
public:
...
private:
QueueData *data_;
int front_, rear_;
};
- 1）
QueueData *data_：虽然是个指针，但是它不是链表，这个指针指向的是队列数据的内存首地址，由于队列数组较大，所以采用堆内存，在队列类的构造函数里进行内存申请，析构函数里进行内存释放，代码如下：
const int MAXQUEUE = 1000000;
Queue::Queue() : data_(NULL) {
data_ = new QueueData[MAXQUEUE];
}
Queue::~Queue() {
if (data_) {
delete[] data_;
data_ = NULL;
}
}
- 2）
front_代表了队列头数据的索引，是一个数组下标，所以是整数类型，当队列不为空的时候，data_[front_]获取到的就是队首元素； - 3）
rear_代表了队列尾，也是一个数组下标，和队列首不同，它指向的是一个无用位置（空结点），当队列不为空的时候，队列尾部最后一个可用数据为data_[rear_-1]，如图三-1-3所示：
- 图中深灰色代表已经弹出的数据，蓝色代表队列内的数据，浅灰色代表尚未使用的数据；
2、队列的数据元素
- 队列的数据元素一般是一个结构体（或者类），即上文提到的
QueueData，这样就可以根据不同需求定义不同的数据类型。 - 这个结构体的成员变量可以只有一个整数，代表 身高、年龄；
struct QueueData {
int height;
};
struct QueueData {
int age;
};
- 也可以是两个整数，代表 二维空间的坐标位置、一个矩形的宽和高 等等；
struct QueueData {
int x, y;
};
struct QueueData {
int width, height;
};
- 也可以是三个整数，代表 三维空间的位置、亦或是二维空间的位置加上方向等等。
struct QueueData {
int x, y, z;
};
struct QueueData {
int x, y, dir;
};
3、队列的接口
- 队列的操作接口一共有三种：清空队列、压入数据、弹出数据；
- 队列的判定接口只有一个：判空；
class Queue {
...
public:
void clear(); // 1）清空队列
void push(const QueueData& bs); // 2）压入数据
QueueData& pop(); // 3）弹出数据
public:
bool empty() const; // 4）队列是否为空
private:
...
};
1）清空队列
- 清空队列不实际进行内存释放，而只是将队列头和队列尾下标索引置零，如下：
void Queue::clear() {
front_ = rear_ = 0;
}
2）压入数据
- 压入数据的过程是将传入的数据结构体拷贝到队列尾指向的内存上，然后再将队列尾指针下标自增 1，时间复杂度 O ( 1 ) O(1) O(1)。
void Queue::push(const QueueData& bs) {
data_[rear_++] = bs;
}
3）弹出数据
- 弹出数据的过程是将队列头的数据的结构体引用直接返回给调用方，然后队列头指针下标自增 1，时间复杂度 O ( 1 ) O(1) O(1)。
QueueData& Queue::pop(){
return data_[front_++];
}
4）队列判空
- 队列的判定接口只有一个：判空；
- 只需要判断 队列头索引 和 队列尾索引 是否相同即可；
bool Queue::empty() const {
return front_ == rear_;
}
4、队列的容错机制
- 上文在实现队列的时候，为了尽量简化代码，做了一些偷懒，所以是存在问题的，主要有两个：
- 1）队列为空的时候，进行弹出数据操作，得到的是一个未知的元素，是上一次残留的缓存数据，所以调用方在使用队列接口的时候需要进行先判空，再弹出的操作；
- 2）当队列数据超出了给定最大元素
MAXQUEUE时，压入数据会导致数组下标越界，有两个解决方案： -
- a. 循环队列；
-
- b. 动态扩容；
1）循环队列
- 我们发现，当弹出数据后，
data_[0, front_ - 1]这块内存的数据再也没有被用到，所以是可以被重复利用的，具体做法是： - a）当压入数据后，使得队列尾指针等于
MAXQUEUE时，则队列尾指针置0；修改后的push接口，代码实现如下：
void Queue::push(const QueueData& bs) {
data_[rear_++] = bs;
if (rear_ == MAXQUEUE) rear_ = 0;
}
- b）当弹出数据后，使得队列头指针等于
MAXQUEUE时，则队列头指针置0；修改后的pop接口，代码实现如下：
QueueData& Queue::pop(){
if (++front_ == MAXQUEUE) front_ = 0;
if (front_ == 0)
return data_[MAXQUEUE - 1];
else
return data_[front_ - 1];
}
- 但是，这样做存在一个问题，一旦压入数据的速度大于弹出数据的速度，并且队列中有效数据的个数大于
MAXQUEUE时，原有的数据会被下一次压入的数据覆盖掉，破坏原有内存结构，这个时候，循环队列已经不能解决问题，需要进行动态扩容了；
2）动态扩容
- 试想一下，对于一个循环队列，当
rear_ + 1 == front_时，再压入一个元素，就会导致rear_ == front_，队列就会变成空（参考上文的判空），这样就不能进行数据的弹出，导致队列不能正常运作，即使再压入数据，此时弹出的数据也不再是正确的，所以当队列剩余容量小于一定阈值的时候，我们需要把队列进行扩容处理； - 队列剩余容量 T 的计算分两种情况：
- 当
front_ <= rear_时，T = MAXQUEUE - (rear_ - front_); - 当
front_ > rear_时，T = front_ - rear_; - 那么我们可以考虑，当
T < MAXQUEUE * 0.1时，开辟一块新的内存，内存大小为MAXQUEUE*2，将原有内存拷贝过去，并且修改front_和rear_的值，然后再释放原有内存空间。 - 由于实际应用中，队列被用在网络消息的生产消费，基于多线程问题考虑，一般是需要加锁的，以上实现的是一个多线程不安全队列，关于加锁的内容不在本文讨论范围内。
- 以上就是有关队列的所有内容。
四、单向广搜的原理
- 为了更好的理解广搜的运作过程，我们需要先理解状态的概念。
1、状态的概念
1）状态
- 如果是计算机专业的同学，勉强上过几天编译原理的课，那么应该会对 有限状态自动机 这个词有点印象，没错，我们要说的状态就是它了。当然，为了照顾好逃课的同学，作者不会把书上的概念直接抄过来讲，毕竟那个太过于抽象，继续往下看，相信读者会对状态这个词有一个更加深入的理解。
2）状态转移
- 从一个状态到达另一个状态，这种转换的过程被称为状态转移。
- 举个具体的例子，你现在的位置是 (1,3)，经过一步到达 (1, 4)，我们可以把 (1,3) 这个位置编号为 0，(1, 4) 这个位置编号为 1，那么可以称为你从 状态 0 到达了 状态 1，表示成 ( 1 , 3 ) → ( 1 , 4 ) (1, 3) \to (1, 4) (1,3)→(1,4) 或者 0 → 1 0 \to 1 0→1。
- 状态不仅仅可以表示位置，比如现在你的位置在 (1, 3) ，方向为向左，经过一次右转，位置不变但是方向变成了向上，这也是一种状态转移，即 ( 1 , 3 , l e f t ) → ( 1 , 4 , u p ) (1, 3, left) \to (1, 4, up) (1,3,left)→(1,4,up)。
- 从一个状态到达另一个状态的时候会有消耗，可以是 时间、精力、步数 等等。
3）初始状态 和 结束状态
- 单向广搜的过程就是从 初始状态 通过穷举所有情况 最终到达 结束状态 的过程。而我们一般需要求的就是从 初始状态 到达 结束状态的最少时间（步数）。如图四-1-2描述的就是一个从初始状态经过一些中间状态，到达结束状态的过程。
4）状态哈希
- 之前的章节已经学过哈希表，哈希表的目的是标记重复，这里的状态也是一样的道理。
- 因为在广搜的图上，有可能形成环，这样就会导致本来已经搜索到过的状态，被再次访问，而再次访问同一个状态是没有意义的，所以需要对访问过的状态进行标记，这就是状态哈希。
2、状态的程序描述
1）结构体定义
- 以【例题1】为例，我们需要的状态是一个二维坐标，即 主公 的位置。我们定义一个二维坐标来作为状态，于是可以把状态定义如下结构体
BFSState：
struct Pos {
int x, y;
bool isInBound() {
return !(x < 0 || y < 0 || x >= XMAX || y >= YMAX);
}
bool isObstacle() {
return (Map[x][y] == MAP_BLOCK);
}
};
struct BFSState {
Pos p;
...
};
2）接口定义
- 状态的接口定义如下，先给出代码再进行讲解：
const int MAXSTATE = 1000000;
struct BFSState {
...
public:
inline bool isValidState(); // 1）
inline bool isFinalState(); // 2）
inline int getStep() const;
inline void setStep(int step);
protected:
int getStateKey() const;
public:
static int step[MAXSTATE]; // 3）
};
- 1）任何一个状态，都需要判断其合法性，比如对于迷宫来说，走出边界或者走到墙上都是非法状态，这个判定就是用
isValidState接口来完成的，实现可以是这样的：
bool BFSState::isValidState() {
return p.isInBound() && !p.isObstacle();
}
- 当然，对于不同的问题，可以对这个接口进行重载；
- 2）当遇到结束状态的时候，我们需要停止搜索过程，所以就需要对一个状态进行判定，比如地图上公主的位置标识为
MAP_EXIT，那么就判断这个状态下的位置所在的地图格子是否是MAP_EXIT，实现如下：
bool BFSState::isFinalState() {
return (Map[p.x][p.y] == MAP_EXIT);
}
- 3）
getStep是用来获取初始状态到当前状态的最小步数，setStep是用来设置初始状态到当前状态的最小步数，因为实际情况的状态所对应的维数是不确定的，有的是一维，有的是二维，三维、四维、甚至更高维度的。为了将问题统一，我们需要做一层映射，即 多维状态向量 转换成 一维状态向量，这个转换的过程见下一节：状态的降维； - 这里只需要知道
getStateKey()获取的就是降维以后一维的状态编号，那么我们可以定义所有状态最小步数的存储结构为一维数组，即static int step[MAXSTATE];，设置和获取的接口定义如下：
int BFSState::getStep() const {
return step[getStateKey()];
}
void BFSState::setStep(int sp) {
step[getStateKey()] = sp;
}
3、状态的降维
- 对于状态，最后聊一下状态的降维；
- 1）K 进制：取一个相对较大的数字（所有状态的所有维度下都不会遇到的数字）定义为 K，然后按照一定的顺序将所有维度排列好，组织成一个 K 进制数，例如对于二维的情况，降维后的状态值 s t a t e state state 就是： s t a t e = x ∗ K 1 + y ∗ K 0 state = x * K^1 + y * K^0 state=x∗K1+y∗K0
- 对应的代码实现如下：
int BFSState::getStateKey() const {
return (p.x * K) + p.y;
}
- 2）位运算优化：如果找到一个 K 是 2 的幂，我们就可以采用位或和左移来优化这里的乘法了，例如： K = 2 6 K=2^6 K=26，则： s t a t e = x < < 6 ∣ y state = x << 6 | y state=x<<6∣y
- 对应的代码实现如下：
int BFSState::getStateKey() const {
return p.x << 6 | p.y;
}
- 即 y y y 占了二进制的低 6 位， x x x 占了二进制的高 6 位。
- 3）映射预处理：当然还可以通过预处理的方式预先将所有的状态预先进行一一映射，如下代码代表的是将
pos2State这个全局数组代表的二维状态转换成一维状态：
int stateId = 0;
for (int i = 0; i < K; ++i)
for (int j = 0; j < K; j++)
pos2State[i][j] = stateId++;
- 对应的代码实现如下：
int BFSState::getStateKey() const {
return pos2State[p.x][p.y];
}
- 效率上来讲：映射预处理 > 位运算 > 乘法 （ > 代表优于）；
4、单向广搜的实现
- 如果对上面的状态相关的描述都已经理解了，那么单向广搜的内容基本也就清晰了，接下来我们来看下如何用队列来实现单向广搜。
1）广搜算法描述
单向广搜的算法大致可以描述如下：
1）初始化所有状态的步数为无穷大，并且清空队列；
2）将 起始状态 放进队列，标记 起始状态 对应步数为 0；
3）如果队列不为空，弹出一个队列首元素，如果是 结束状态，则返回 结束状态 对应步数；否则根据这个状态扩展状态继续压入队列；
4）如果队列为空，说明没有找到需要找的 结束状态，返回无穷大；
2）广搜算法框架
- 定义广搜图的接口如下：
class BFSGraph {
public:
int bfs(BFSState startState);
private:
void bfs_extendstate(const BFSState& fromState);
void bfs_initialize(BFSState startState);
private:
Queue queue_;
};
- 其中
bfs作为一个框架接口供外部调用，基本是不变的，实现如下：
const int inf = -1;
int BFSGraph::bfs(BFSState startState) {
bfs_initialize(startState); // 1）
while (!queue_.empty()) {
BFSState bs = queue_.pop();
if (bs.isFinalState()) { // 2）
return bs.getStep();
}
bfs_extendstate(bs); // 3）
}
return inf;
}
- 1）初始化整个广搜的路径图，确保每个状态都是未访问状态；
- 2）如果队列不为空，则不断弹出队列中的首元素，如果是结束状态则直接返回状态对应的步数；
- 3）如果不是结束状态，对它进行状态扩展，扩展方式调用接口
bfs_extendstate，不同问题的扩展方式不同，下文会对不同问题的状态扩展进行讲解。
3）广搜算法初始化
- 对于广搜的初始化，调用
bfs_initialize(startState)接口，主要做 4 件事情： - 1）初始化所有状态为未访问状态；
- 2）清空队列；
- 3）设置 初始状态 的 步数为 0；
- 4）将 初始状态压入队列；
- 代码实现如下：
const int inf = -1;
void BFSGraph::bfs_initialize(BFSState startState) {
memset(BFSState::step, inf, sizeof(BFSState::step));
queue_.clear();
startState.setStep(0);
queue_.push(startState);
}
4）广搜算法的状态扩展
- 广搜的状态扩展比较多样化，这里介绍一种四方向迷宫类的问题的扩展方式，如图四-4-1所示：
- 首先需要定义四个方向常量，如下：
const int dir[DIR_COUNT][2] = {
{ 1, 0 }, // 下
{ 0, 1 }, // 右
{ 0, -1 }, // 左
{ -1, 0 } // 上
};
- 当前位置为 (5, 8)，除了一个不可行走的墙体 (4, 8) ，已经访问过的 (6, 8) 以外，其它两个格子是可以被访问的，那么将它们加入队列，则状态扩展完毕后，队列中的数据如图四-4-2所示：
- (5, 8) 是当前位置，已经弹出队列，(5, 9) 和 (5, 7) 按照枚举方向的顺序，加入队列中；
- 对于四方向迷宫类问题的状态扩展的代码实现如下：
void BFSGraph::bfs_extendstate(const BFSState& fromState) {
int stp = fromState.getStep() + 1; // 1）
BFSState toState;
for (int i = 0; i < DIR_COUNT; ++i) {
toState.p = fromState.p.move(i); // 2）
if (!toState.isValidState() || toState.getStep() != inf) {
continue; // 3）
}
toState.setStep(stp); // 4）
queue_.push(toState);
}
}
- 1）本文介绍的广搜都是任意两个状态之间权值相同的情况，权值不同的情况需要用到 SPFA 算法来求最短路，会在后续的章节中继续展开，所以这种问题下两个状态之间的步数为 1（即权值）。
- 2）扩展状态的时候，从前一个状态经过某个方向走了一步，用
move来实现，我们可以对Pos结构体进行一个扩展，如下：
struct Pos {
...
Pos move(int dirIndex) const {
return Pos(x + dir[dirIndex][0], y + dir[dirIndex][1]);
}
};
- 其中
dir[][]代表的是一个方向向量，用于实现move接口的向量相加； - 3）当判断到达的状态是一个非法状态（图四-4-1中的红色方块）、或者曾经已经访问过（图四-4-1中的绿色方块）的话，则不进行压队操作，继续下一个方向的扩展；
- 4）否则，表明当前扩展状态是合法状态（图四-4-1中的白色方块），标记访问步数，将扩展的状态压入队列；
五、单向广搜的应用场景
1、迷宫问题
1）双人迷宫
【例题2】给定一个 n × m ( n , m < = 20 ) n \times m (n,m <= 20) n×m(n,m<=20) 的迷宫，有些格子是墙体不能进入，迷宫中有一个 主公 和 一位 公主，主公每次可以选择上、下、左、右四个方向进行移动，每次主公移动的同时，公主可以按照相反方向移动一格（如果没有墙体遮挡的话）。当主公和公主相邻或者进入同一个格子则算游戏结束，问至少多少步能让游戏结束。
- 这个问题和【例题1】的区别就是公主变成了动态的，而且是跟随主公的脚步进行移动，所以在设计状态的时候需要考虑公主的状态。所有动态的对象都应该被设计到状态里，所以这个问题的状态就是 主公 和 公主 两个人的位置。
- 设计状态如下：
struct BFSState {
Pos p[2];
...
};
- 其中 p [ 0 ] p[0] p[0] 代表主公的位置， p [ 1 ] p[1] p[1] 代表公主的位置。结束状态是两个人坐标的曼哈顿距离小于等于 1，即：
bool BFSState::isFinalState() {
return abs(p[0].x - p[1].x) + abs(p[0].y - p[1].y) <= 1;
}
- 然后只需要枚举主公的四方向进行广搜就行了。
2）推箱子
【例题3】给定一个 n × m ( n , m < = 8 ) n \times m (n,m <= 8) n×m(n,m<=8) 的迷宫，上面有 x ( x < = 4 ) x(x <= 4) x(x<=4) 个箱子 和 1个人，以及一些障碍和箱子需要放置的最终位置，求一种方案，用最少步数将所有的箱子推到指定位置。
图五-1-1
- 图五-1-2 是我们最重要实现的效果：
图五-1-2 - 算法的焦点一定在这个 “小人” 身上，但是光用 “小人” 的位置来表示状态肯定是不够的；
- 如图五-1-3所示，两个地图关卡的小人的位置是相同的，但是不能作为同一种情况来考虑，因为箱子的位置不同，所以最终状态表示也不同。根据【例题2】的经验，所有动态的对象都应该被设计到状态里。
图五-1-3 - 所以应该拿 小人 和 四个箱子 的位置来作为状态，设计如下：
struct BFSState {
Pos man, box[4];
...
};
- 然后针对这个问题需要考虑几个点：
- 1）状态数太大：每个坐标的最大值为7，需要用 8 进制表示状态，总共 10 位，即 8 10 = 1073741824 8^{10} = 1073741824 810=1073741824。
- 2）箱子的无差别性：由于四个箱子被认为是一样的，所以对于两组箱子的状态，位置重排后一一对应的应该被认为是同样的状态，例如： [ ( 1 , 1 ) , ( 1 , 2 ) , ( 2 , 4 ) , ( 4 , 5 ) ] [(1,1), (1,2), (2,4), (4,5)] [(1,1),(1,2),(2,4),(4,5)] 和 [ ( 4 , 5 ) , ( 1 , 1 ) , ( 1 , 2 ) , ( 2 , 4 ) ] [(4,5), (1,1), (1,2), (2,4)] [(4,5),(1,1),(1,2),(2,4)] 是同一个状态。
- 3）非法状态：所有墙体的位置都应该被计算为非法状态。
- 基于以上三点，我们可以对状态进行压缩，减少状态空间，首先用 小人 做一次连通性搜索，标记所有能够到达的点，然后进行编号，如图五-1-4所示：
图五-1-4 - 这样一来每个坐标只需要用一个 小于 24 的数来表示，也就是 2 4 5 = 7962624 24^5 = 7962624 245=7962624，即最大的状态编号。
- 然而实际上，基于四个箱子的无差异性，这是一个组合问题，不是排列问题，并且由于箱子和人都不能重叠，对于这个关卡来说，23 个空位置，选出 4 个位置放箱子，再从 19 个位置选择 1 个放小人，所以总的状态数是：
C 23 4 C 19 1 = 4037880 C_{23}^4C_{19}^1 = 4037880 C234C191=4037880 - 由于实际状态数会明显少很多（比如当某个箱子被推到墙角以后就无法再扩展状态），所以对于得到的状态编号我们可以进行一层散列哈希，用一个更小的数组来进行标记节省内存。
- 最后，结束状态 就是 所有箱子都到指定位置，当然，这个问题中结束状态有多个，因为箱子虽然归位了，小人的位置是可以任意选择的。
3）右转迷宫
【例题4】给定一个 n × m ( n , m < = 500 ) n \times m (n,m <= 500) n×m(n,m<=500) 的迷宫，一个入口一个出口。走迷宫的规则是优先选择右边的方向走，如果右边有墙就往前走，如果还有墙就往左，如果还有就掉头，问从入口到出口，以及出口到入口，能否将整个迷宫的区域走遍。如图5就是一种可行方案。
图五-1-5
- 这个问题的动态对象只有一个，但是光用一个人的位置来表示状态肯定是不够，考虑 图五-1-6 的这种情况：
图五-1-6 - 如果只用位置来标记状态，那么遇到一个三面都是墙的位置就要回头，但是回头的时候发现状态已经被标记过了，所以就不会继续扩展状态，导致搜索提前结束。
- 那么这里的改善方式就是在状态中加入一个方向的维度，即：
struct BFSState {
Pos p;
char dir;
...
};
- 这样一来，对于同一个格子的 前进 和 回头 就不是同一个状态了。
4）收集物品
【例题5】给定一个 n × m ( n , m < = 20 ) n \times m (n,m <= 20) n×m(n,m<=20) 的迷宫，一个入口一个出口。并且有 x ( x < = 10 ) x( x <= 10 ) x(x<=10) 个金币，问从入口到出口并且收集到所有 x 的最少时间。
图五-1-7
- 在每个位置上，没有拿到金币和拿到金币的状态是不一样的（从图五-1-7中可以看出，黄色、金黄色、橙色 的三种路径分别表示没有取得金币，取得一个金币，取得两个金币的情况）。那么将所有金币组合一下，总共有 2 x 2^{x} 2x 种状态，所以状态就是坐标和金币的组合态，即：
struct BFSState {
Pos p;
int coinMask;
...
};
- 其中 coinMask 是一个二进制数，它的第 k ( 0 < = k < x ) k(0 <= k < x) k(0<=k<x) 位 代表第 k k k 个金币有没有获得，那么结束状态就是坐标等于出口，并且 coinMask 为 2 x − 1 2^x-1 2x−1。
5）贪吃蛇
【例题6】一个 n × m ( n , m < = 20 ) n \times m (n,m <= 20) n×m(n,m<=20) 的迷宫，左上角 (0, 0) 为出口，一条蛇在迷宫中，蛇的身体长度为 L，最多占用 8 个格子，有上下左右四个方向可以走，蛇走的时候不能碰到自己的身体，问最少需要多少步才能走到出口。
图五-1-8
- 首先蛇的身体长度为 8，也就是如果把所有身体占用的格子作为状态，就是 40 0 8 400^8 4008，这样就很恐怖了。
- 但是仔细分析一下，因为身体是连在一起的，所以只要头部确定，第二节身体格子的方向最多4种，后面每个身体格子的方向最多3种，所以总的状态数是 20 ∗ 20 ∗ 4 ∗ 3 6 = 1166400 20 * 20 * 4 * 3^6 = 1166400 20∗20∗4∗36=1166400，状态表示如下：
struct BFSState {
Pos p;
int dir[7];
...
};
- 由于方向数目为四个，所以我们可以把每个身体的方向用一个四进制的数来表示， 4 7 = 2 14 4^7 = 2^{14} 47=214 在 32 位整数范围内，所以状态表示可以变成：
struct BFSState {
Pos p;
int dirMask;
...
};
- 和金币问题类似，采用二进制进行位压缩；
2、同余搜索
【例题7】给定一个不能被 2 或 5 整除的数 n ( 0 < = n < = 10000 ) n (0 <= n <= 10000) n(0<=n<=10000)，求一个十进制表示都是 1 的数 K K K ，使得 K K K 是 n n n 的倍数，且最小。例如： n = 3 n = 3 n=3，那么答案就是 111，因为 111 m o d 3 = 0 111 \mod 3 = 0 111mod3=0。
- 模拟 1 个 1，2 个 1, 3 个 1 … 不断对 n n n 取余数，根据初等数论的知识，我们令 a [ i ] a[i] a[i] 表示 i i i 个 1 对 n n n 取余数的值，则有： a [ i ] = ( a [ i − 1 ] ∗ 10 + 1 ) m o d n a[i] = (a[i-1] * 10 + 1) \mod n a[i]=(a[i−1]∗10+1)modn
- 那么当某个 a [ i − 1 ] a[i-1] a[i−1] 出现过了，后面的 a [ i ] a[i] a[i] 势必也会重复，所以我们可以拿 a [ i ] a[i] a[i] 作为状态，结束状态就是找到 a [ . . . ] = 0 a[...] = 0 a[...]=0， 这样最多进行 10000 次枚举就能找到满足条件的状态。
3、预处理
- 这里介绍的是一种思想，适用于数据量很大的问题。
- 对于一些 结束状态 永远是固定的，而 初始状态 不同，并且询问很多 的问题，那么我们可以从 结束状态 开始搜索，并且将到达的所有状态都一次性搜索出来，那么，每次询问的时候只需要查询状态步数即可，总时间复杂度就是预处理的时间，查询时间复杂度 O ( 1 ) O(1) O(1)。
本文所有示例代码均可在以下 github 上找到：github.com/WhereIsHeroFrom/模板/广度优先搜索
六、单向广搜题集整理
标签：状态,夜深人静,PKU,队列,单向,HDU,int,算法,BFSState 来源： https://blog.csdn.net/WhereIsHeroFrom/article/details/112727824
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。