从回溯到分支限界：重新理解搜索、剪枝与最优性证明

很多程序员第一次接触"搜索"，是在 LeetCode 上的全排列、组合、子集、N 皇后、数独、单词搜索这些题里。这些题做多了以后，我们很容易形成一套肌肉记忆：递归、选择、撤销选择、剪枝。

但搜索算法真正重要的地方，并不在递归本身。

递归只是遍历方式。搜索真正关心的是：如何把一个巨大的候选空间组织成一棵隐式的树；如何在树还没有完全展开时，就证明某些分支不可能产生答案；如果问题要求最优解，又如何证明某些分支不可能比当前答案更好。

换句话说，搜索算法的核心不是"把所有可能性试一遍"，而是"尽早证明哪些可能性不必再试"。

这篇文章讨论的不是回溯模板，而是模板背后的结构：解向量、解空间树、部分解、死节点、限界函数，以及一个最重要的问题：剪枝为什么不会漏掉正确答案。

从暴力枚举到隐式解空间树

很多组合问题看起来都绕不开穷举。

比如图着色问题中，给定一个无向图 \(G=(V,E)\)，如果每个顶点都可以染成 \(1,2,3\) 三种颜色之一，那么对 \(n\) 个顶点来说，最朴素的候选空间大小是：

\[3^n \]

其中大多数染色方案并不合法，因为相邻顶点可能颜色相同。

如果完全无组织地枚举，搜索很快会失控。搜索算法所做的第一件事，就是把这些候选方案组织起来。很多搜索问题都可以写成一个解向量：

\[X=(x_1,x_2,\dots,x_n) \]

其中每个分量 \(x_i\) 来自一个有限集合 \(S_i\)。完整搜索空间就是：

\[S_1 \times S_2 \times \cdots \times S_n \]

这句话看起来有些数学化，但它其实就是我们平时写搜索代码时面对的对象。

例如：

全排列问题中，\(x_i\) 表示第 \(i\) 个位置放哪个元素；
N 皇后问题中，\(x_i\) 可以表示第 \(i\) 行皇后所在的列；
3-coloring 中，\(x_i\) 表示第 \(i\) 个顶点的颜色；
0/1 背包中，\(x_i \in {0,1}\) 表示是否选择第 \(i\) 个物品。

一旦把问题写成连续决策，它就自然形成了一棵树：

根节点表示空向量 \(()\)；
第 \(k\) 层节点表示一个长度为 \(k\) 的前缀 \((x_1,\dots,x_k)\)；
从一个节点扩展子节点，就是给 \(x_{k+1}\) 选择一个候选值；
叶子节点对应完整解向量。

这棵树通常不会被显式构造出来。它存在于递归调用栈、队列、优先队列、状态变量或搜索框架里。因此它也常被称为隐式解空间树。从这个角度看，搜索代码并不是"递归魔法"。它只是用某种顺序遍历这棵隐式树。

一个节点代表的不是一个答案，而是一整棵子树

真正决定搜索效率的，往往不是完整解，而是部分解。一个长度为 \(k\) 的前缀：

\[(x_1,x_2,\dots,x_k) \]

代表的不只是当前这 \(k\) 个选择，而是它下面所有可能的补全。也就是说，一个搜索节点代表的是一整棵子树。例如在 N 皇后中，前 \(k\) 行皇后的列号确定以后，这个节点下面包含了所有可能的后 \(n-k\) 行摆法。剪掉一个节点，等于同时放弃它下面的所有补全。

这件事很危险，也很强大。如果剪错了，就可能漏掉正确答案。如果剪得安全，一次判断就能砍掉指数级数量的候选方案。

所以每个安全剪枝背后，都应该有一个证明。

在回溯法中，我们通常证明：

\[\text{当前部分解违反约束} \Rightarrow \text{任意扩展都不可能合法} \]

在分支限界法中，我们通常证明：

\[\text{当前子树的最好可能性不优于已知答案} \Rightarrow \text{任意扩展都不可能成为最优解} \]

如果一个判断只能说"这样大概率不会错"，那它是启发式；如果它能说"这样一定不会漏解"，它才是精确搜索中的安全剪枝。

这也是搜索算法最重要的思想：剪枝不是技巧，而是一种证明。

部分解、死节点和 promising node

在解空间树中，一个节点通常可以被分成几类。

第一类是完整解。它已经给所有变量赋值，并且满足问题约束。
第二类是仍有希望的部分解。它还不是完整解，但目前没有足够理由否定它。
第三类是死节点。它已经不可能扩展成合法解，或者不可能扩展成更优解。

当然，"当前没有违反约束"不一定等于"未来一定可以扩展成完整解"。例如图着色中，一个部分染色可能暂时没有任何已染色边冲突，但某个未染色顶点的所有颜色都已经被邻居占用。此时它虽然没有出现显式冲突，却已经不可能扩展成完整合法染色。没有被剪掉的节点，只表示"暂时不能证明它失败"；被剪掉的节点，则必须能证明"它一定失败"。

回溯法中的 is_valid、is_promising、check 这些函数，本质上都是在回答同一个问题：这个节点下面，还有没有继续搜索的必要？

回溯法：用约束剪掉不可能的解

回溯法通常以深度优先方式遍历解空间树。它从空向量开始，依次给 \(x_1,x_2,\dots\) 赋值。如果当前前缀仍然有希望，就继续深入；如果当前前缀已经被证明不可能成功，就返回上一层，尝试下一个候选值。

程序员熟悉的结构大概是：

text 复制代码

search(k):
    if current state is a final solution:
        record it
        return

    for x in candidates of next decision:
        choose x
        if current state is still promising:
            search(k + 1)
        undo x

这里最重要的不是递归，而是 promising 判断。如果没有这个判断，搜索就退化成完整枚举。promising 越能尽早发现失败，搜索树就越小。

搜索顺序不是实现细节

从解空间树的角度看，候选值顺序决定了遍历顺序，变量顺序决定了树的形态。

这会带来几个直接后果：

变量顺序会改变剪枝发生的早晚；
候选值顺序会影响第一个解出现的位置；
剪枝判断越早发生，被砍掉的子树越大；
同一个问题换一种状态表示，可能得到完全不同规模的搜索树。

所以，成熟的搜索算法设计并不是"套模板"，而是先设计一个好的状态空间，再决定如何遍历它。

N 皇后：状态设计本身就是剪枝

N 皇后是最经典的回溯问题之一。最直接但很糟糕的建模方式，是逐格决定棋盘上每个位置是否放皇后。对于一个 \(n \times n\) 的棋盘，这相当于面对接近 \(2^{n^2}\) 的候选空间。

但我们知道，每一行最终必须恰好放一个皇后。于是可以改用一维向量：

\[x_i = \text{第 } i \text{ 行皇后所在的列} \]

这样搜索空间立刻从棋盘格子的子集，变成每行列号的组合，规模变成 \( n^n \)

如果进一步意识到每一列也最多只能放一个皇后，那么还可以把状态空间限制为列的排列，规模进一步变成 \( n! \)

这三个状态空间描述的是同一个问题，但搜索规模完全不同。这说明一个很重要的事实：剪枝不只发生在 if 语句里，也发生在状态定义里。

在一维表示中，对于任意两行 \(i\) 和 \(j\)，两个皇后冲突当且仅当 \( x_i = x_j \) 或者 \( |x_i-x_j|=|i-j| \)。前者表示同列冲突，后者表示对角线冲突。

当我们只放了前 \(k\) 行皇后时，只要前 \(k\) 行内部已经冲突，就没有必要再考虑第 \(k+1\) 行及之后的任何放法。因为后续选择无法改变已经放下的皇后之间的冲突。

这就是一个典型的回溯剪枝证明：

\[\text{已有皇后互相攻击} \Rightarrow \text{任意扩展都不可能合法} \]

N 皇后的重点是理解：好的状态设计本身就在提前编码约束。

图着色：从冲突检查到更强的提前失败检测

再看 3-coloring。给定无向图 \(G=(V,E)\)，要给每个顶点染三种颜色之一，使得任意相邻顶点颜色不同。完整解可以表示为：

\[X=(x_1,x_2,\dots,x_n), \quad x_i \in {1,2,3} \]

没有剪枝时，候选解数量是 \( 3^n \)。

最基本的回溯做法是按顺序给顶点染色。对于一个部分染色，只要某两个已经染色的相邻顶点颜色相同，就可以立刻剪枝：

\[\exists (u,v)\in E,\ x_u=x_v \Rightarrow \text{任意扩展都不可能合法} \]

因为后续给其他顶点染色，无法修复已经发生的边冲突。

更强的做法是维护每个未染色顶点仍然可用的颜色集合。给某个顶点染色后，它的邻居就不能再使用这个颜色。如果某个未染色顶点的颜色集合变为空，那么即使当前没有任何已染色边冲突，这个节点也已经不可能扩展成完整解。这叫 forward checking，可以理解为一种更早的失败检测。

例如，某个未染顶点 \(v\) 的三个邻居已经分别使用了颜色 \(1,2,3\)。此时 \(v\) 已经没有任何合法颜色可选。即使当前染色方案还没有直接冲突，也应该立即剪掉。越强的必要条件，越可能提前发现死节点，节省无用的搜索。

变量选择顺序也很重要。如果总是按编号给顶点染色，可能很晚才遇到真正困难的顶点。更好的策略是优先选择可选颜色最少的顶点，也就是常说的 MRV，minimum remaining values。

直觉很简单：越难安排的变量，越应该早点处理。因为如果它注定失败，越早失败，剪掉的子树越大。这就是为什么搜索顺序不只是实现细节。它直接影响剪枝发生的时机。

从可行性剪枝到最优性剪枝

回溯法擅长处理约束满足问题，例如 N 皇后、数独、图着色。它关心的主要问题是：这个部分解还能不能扩展成合法解？

但很多问题不只是要找一个合法解，而是要找最优解。例如 0/1 背包中，合法解有很多个。我们真正关心的是：在容量限制内，总价值最大的是哪一个？这时，仅仅判断一个节点是否合法还不够。一个部分解即使合法，也可能没有继续搜索的价值，因为它下面无论怎么扩展，都不可能超过当前已知最优解。

这就是分支限界法的入口。分支限界法也是一种有组织的穷举。它和回溯法一样在解空间树上搜索，但它多了一个关键问题：这个节点所在的子树，理论上最多能产生多好的解？

对于最大化问题，我们通常给每个节点计算一个上界 upper bound，记作 \(ub\)。它表示：从这个部分解继续扩展，理论上最多能达到多好的目标值。

如果当前已经有一个可行解，目标值为 \(best\)，并且某个节点满足：

\[ub \le best \]

那么这个节点下面不可能产生更好的解，可以安全剪掉。

对于最小化问题，逻辑类似，只不过使用的是下界 lower bound。如果某个节点的下界已经不小于当前已知最优值，也可以剪掉。

因此，回溯法和分支限界法的区别可以概括为：

\[\text{回溯法：证明这里不可能有合法解} \]

\[\text{分支限界法：证明这里不可能有更优解} \]

bound 不是猜测，而是正确性的一部分

bound 很像启发式评分，但二者不能混为一谈。

如果某个函数只是用来决定"先搜索哪个节点"，那它可以是启发式的。它估得准，算法就快一些；估得不准，算法就慢一些。

但如果某个函数被用来剪枝，为了保证不漏掉最优解，它就必须满足严格的上界或下界性质。

对于最大化问题，如果我们用 \(ub(s)\) 剪枝，就必须保证：

\[ub(s) \ge \max_{y \in completion(s)} value(y) \]

也就是说，\(ub(s)\) 必须不小于这个节点所有可行补全中的最大价值。

对于最小化问题，如果我们用 \(lb(s)\) 剪枝，就必须保证：

\[lb(s) \le \min_{y \in completion(s)} cost(y) \]

也就是说，\(lb(s)\) 必须不大于这个节点所有可行补全中的最小成本。

这听起来有些绕，但本质很简单：

最大化问题的上界必须足够乐观，不能低估；
最小化问题的下界也必须足够乐观，不能高估。

如果这个性质不成立，剪枝就不安全。算法可能直接丢掉真正的最优解。因此，bound 不是装饰性的性能优化，而是分支限界法正确性的一部分。

0/1 背包：用分数背包构造上界

0/1 背包问题很适合说明分支限界法。给定 \(n\) 个物品，每个物品有重量 \(w_i\) 和价值 \(v_i\)，背包容量为 \(W\)。每个物品只能选或不选，因此解向量是：

\[x_i \in {0,1} \]

其中 \(x_i=1\) 表示选择第 \(i\) 个物品。目标是最大化总价值：

\[\max \sum_{i=1}^{n} v_i x_i \]

约束是总重量不超过容量：

\[\sum_{i=1}^{n} w_i x_i \le W \]

搜索树的第 \(i\) 层对应是否选择第 \(i\) 个物品。如果某个节点已经超重，那么它是不可行节点，可以直接剪掉。这是回溯式的可行性剪枝。

但分支限界法还会进一步问：如果当前还没超重，它有没有可能超过当前最优解？假设当前已经决定了前 \(k\) 个物品，当前重量为 \(w\)，当前价值为 \(v\)。最粗糙的上界是：

\[ub = v + \sum_{i=k+1}^{n} v_i \]

这个上界一定安全，因为它假设后面所有物品都能被装进去。但它太乐观了，很多明显不可能超过 \(best\) 的节点也无法被剪掉。更精细的做法，是借用分数背包的思想。

把剩余物品按照单位价值 \(v_i/w_i\) 从高到低排序，然后尽可能装入背包。如果最后一个物品装不下，就允许只装一部分。这会得到一个上界。因为分数背包是 0/1 背包的松弛：它去掉了"物品不可切分"的约束，允许物品被部分选取。放松约束之后，可选方案只会变多，不会变少。因此，分数背包在同一子树中得到的最优值，一定不会小于 0/1 背包的真实最优值。

也就是说：

\[ub \ge \text{当前子树中的真实最优价值} \]

虽然这个 \(ub\) 本身不一定能被 0/1 背包达到，但如果它都不超过当前已知最优值：

\[ub \le best \]

那么这个子树一定不可能产生更优解，可以安全剪掉。

这里有一个重要权衡：

很松的上界也能保证正确性，但剪枝效果差；
很紧的上界能剪掉更多节点，但计算成本更高。

分支限界法的工程设计，往往就在这两者之间寻找平衡。

最大团：回溯和限界合在一起

前面的例子里，N 皇后偏向可行性剪枝，背包偏向最优性剪枝。最大团问题则能很好地展示两者如何结合。

最大团问题是：给定一个无向图，找到最大的顶点集合，使得集合中任意两个顶点之间都有边。

一个搜索状态可以写成：

text 复制代码

C: 当前已经选入团的顶点集合
P: 仍然可能加入 C 的候选顶点集合
best: 当前找到的最大团大小

其中 \(C\) 必须始终是一个团。

如果选择一个顶点 \(v \in P\) 加入当前团，那么后续还能加入的顶点，必须同时满足两个条件：

它原本就在候选集合 \(P\) 中；
它必须与 \(v\) 相邻。

因此新状态是：

\[C' = C \cup {v} \]

\[P' = P \cap N(v) \]

这里的 \(P \cap N(v)\) 本身就是一种状态级剪枝。它直接排除了所有不可能与 \(v\) 共处同一个团的顶点。

一个简化版搜索可以写成：

text 复制代码

expand(C, P):
    if |C| + |P| <= best:
        return

    choose v from P
    expand(C ∪ {v}, P ∩ N(v))
    expand(C, P \ {v})

其中：

\[|C| + |P| \]

是一个朴素上界。因为即使候选集合 \(P\) 中所有顶点都能加入，最终团大小也不会超过 \(|C|+|P|\)。

所以如果：

\[|C| + |P| \le best \]

这个节点就可以剪掉。

但这个上界通常很松，因为 \(P\) 中的顶点未必两两相邻。候选点很多，不代表它们都能一起加入团。

更强的做法是对候选子图 \(P\) 做一次贪心染色。

如果 \(P\) 可以被染成 \(k\) 种颜色，那么从 \(P\) 中最多只能选出 \(k\) 个顶点加入团。

原因是：同一种颜色中的顶点两两不相邻，而一个团要求任意两个顶点都相邻。所以同一颜色中最多只能贡献一个顶点。

于是我们得到更强的上界：

\[|C| + coloring_bound(P) \]

如果：

\[|C| + coloring_bound(P) \le best \]

也可以安全剪枝。

这个例子很有代表性。它说明 bound 不一定来自原问题本身，也可以来自另一个更容易计算的结构。这里我们不是在真正求图着色的最优解，而是用一次贪心染色快速得到一个安全的上界。

更重要的是，这个 bound 依然有证明：候选集合中的团大小不可能超过候选子图的染色数。因此，用染色结果给最大团搜索做上界是安全的。

TSP：下界来自必要条件和问题松弛

旅行商问题也是分支限界法中的经典例子。给定 \(n\) 个城市和两两之间的距离，要求每个城市访问一次并回到起点，使总路程最短。

这是一个最小化问题，所以我们需要下界。一个最简单的必要条件是：在最终的 Hamilton 回路中，每个城市的度数都是 2，也就是有一条边进入，一条边离开。因此，对于对称 TSP，可以对每个城市取与它相连的两条最便宜的边，把这些成本加起来再除以 2，得到一个粗下界：

\[lb = \frac{\sum_i (min1_i + min2_i)}{2} \]

更强的下界通常来自问题松弛。例如，对于某个已经固定部分路径的节点，剩余城市最终必须被连接起来。我们可以用剩余城市上的最小生成树成本，再加上从路径端点连接到剩余集合的必要边，构造一个下界。

更经典的做法是 1-tree lower bound：固定一个根城市，对其他城市求最小生成树，再加上根城市关联的两条最便宜边。这个结构比普通 MST 更接近 TSP 回路，因此通常能给出更紧的下界。

TSP 的例子再次说明：bound 往往来自原问题的必要条件或松弛问题。它可以不是一个合法解，但必须是一个安全的乐观估计。

待处理节点集合：PT 不一定是优先队列

很多教材在讲分支限界法时，会提到一个待处理节点表，常记为 PT。

需要注意的是，PT 的本质不是优先队列，而是活节点集合：所有还没有被剪掉、也还没有被扩展完的节点，都可以放在里面。

至于下一步扩展哪个节点，是搜索策略的问题。

如果用 FIFO 策略，PT 表现为队列，搜索更接近广度优先。

如果用 LIFO 策略，PT 表现为栈，搜索更接近深度优先。

如果每次选择 bound 最有希望的节点，PT 通常用优先队列实现，搜索就是 best-first 分支限界。

所以，分支限界法的本质不是"必须使用优先队列"，而是：每个节点都有一个界，搜索过程中可以用这个界来剪枝，也可以用它来决定扩展顺序。

一个节点通常需要保存：

text 复制代码

partial_solution
level
current_value_or_cost
bound
parent_or_path

这和普通 DFS 很不同。

回溯法沿着递归栈向下走，路径天然保存在调用栈里。best-first 分支限界则可能跳跃式地处理节点：这一步扩展左边子树的某个节点，下一步可能跳到右边子树的另一个节点。

因此，如果最后不仅要得到最优值，还要得到对应的完整解，就需要额外保存路径、父指针，或者在节点中保存足够的状态信息。

最坏复杂度不会消失

回溯法和分支限界法都属于精确搜索方法。它们没有改变很多组合问题的最坏情况本质。如果问题本身具有指数级搜索空间，在最坏情况下，算法仍然可能访问指数级数量的节点。

剪枝改善的是实际搜索规模，而不是魔法般消除复杂性。一个好的剪枝条件，可能在真实数据上把搜索量从天文数字降到可以接受；但在理论最坏情况下，它仍然可能无能为力。

这也是为什么我们需要同时关心两件事：

正确性：剪枝一定不能漏掉答案或最优解；
有效性：剪枝要足够早、足够强、计算成本足够低。

搜索算法的设计，往往就是在这两者之间反复权衡。

和 A*、动态规划、整数规划的关系

理解回溯和分支限界后，很多算法思想会变得更容易联系起来。

A* 搜索也使用估价函数来决定优先扩展哪个节点。它的：

\[f(n)=g(n)+h(n) \]

和分支限界中的 bound 有相似之处。区别在于，A* 通常讨论图搜索和最短路语境，而分支限界更常用于组合优化的解空间树。如果 A* 要保证最优性，启发函数 \(h(n)\) 通常需要满足 admissible，也就是不能高估从当前节点到目标的剩余代价。这和分支限界中"bound 必须安全"的思想是一致的。

动态规划也可以看成避免重复搜索的技术。如果搜索树中大量不同路径会到达相同状态，那么继续把它当作树搜索就会产生大量重复计算。此时，记忆化搜索或动态规划可能比单纯回溯更合适。

整数规划中的分支限界也高度依赖松弛思想。很多整数规划求解器会先解线性规划松弛问题，用松弛解提供界，再通过分支逐步逼近整数最优解。这里的逻辑和 0/1 背包中用分数背包提供上界，本质上是一样的。

这些连接说明，搜索算法并不是孤立技巧。它们共同关心：怎么表示状态？怎么避免无效遍历？怎么如何证明没有错过正确答案或最优答案？

结语

回溯除了表面模板：选择、递归、撤销选择。真正值得掌握的是这几个问题：

我的解空间树是什么？
一个节点代表哪些可能的补全？
我什么时候能证明这个节点下面没有合法解？
如果是最优化问题，我能不能证明这个节点下面没有更优解？
我的 bound 是否安全？是否足够紧？计算是否划算？

而所有有效的剪枝，本质上都在做同一件事：在答案出现之前，证明某些答案不可能存在。