【算法】递归、搜索与回溯——汉诺塔

简介: 【算法】递归、搜索与回溯——汉诺塔

题解:汉诺塔(递归、搜索与回溯算法)

1.题目

题目链接:LINK

2.题目背景(拓展了解)

汉诺塔问题是一个通过隐式使用递归栈来进行实现的一个经典问题,该问题最早的发明人是法国数学家爱德华·卢卡斯。

汉诺塔传说

传说印度某间寺院有三根柱子,上串64个金盘。寺院里的僧侣依照一个古老的预言,以上述规则移动这些盘子;预言说当这些盘子移动完毕,世界就会灭亡。这个传说叫做梵天寺之塔问题(Tower of Brahma puzzle)。但不知道是卢卡斯自创的这个传说,还是他受他人启发。若传说属实,僧侣们需要2^64 − 1步才能完成这个任务;若他们每秒可完成一个盘子的移动,就需要5845亿年才能完成。整个宇宙现在也不过137亿年。这个传说有若干变体:寺院换成修道院、僧侣换成修士等等。寺院的地点众说纷纭,其中一说是位于越南的河内,所以被命名为“河内塔”。另外亦有“金盘是创世时所造”、“僧侣们每天移动一盘”之类的背景设定。佛教中确实有“浮屠”(塔)这种建筑;有些浮屠亦遵守上述规则而建。“汉诺塔”一名可能是由中南半岛在殖民时期传入欧洲的。

与之相似的一个故事就是“棋盘放大米的故事”:

故事是这样的,最初一位大哥发明了一种玩具叫做围棋,这个围棋有64个格子组成,国王很高兴问发明者什么赏赐,发明者说到“第一个格子放1粒大米,第二个格子放2粒大米,第三个格子放4粒大米,此后每个格子都是前面的两倍大米,放满棋盘上的64个格子就好”,随后国王欣然接受,然而经过实践,即使把整个王国的大米搬过来放,也不能放满64个棋格。

这两个故事都揭示了一个道理——指数大爆炸

3.题解

我们枚举不同N情况下移动过程如下:

写递归的步骤

  • 函数头的设计
    除N = 1,情况外,所有N的情况都可以分为三步,即先把A柱上的前N-1个盘子放到B柱上,再把A柱的最下面一个盘子放到C上,再把B柱上的盘子放到C上。
    所以,解决此问题,我们只需要接受A、B、C、N的个数即可。
  • 函数体的设计
    先把A柱上的N-1个盘子放到B柱上,再把A的最下的一个盘子放到C上,再把B上的N-1个盘子放到C上。
  • 函数结束
    当N = 1时,不再满足上述三步走规律,只需要把那个盘子放到C上即可。

4.参考代码

class Solution {
public:
    void hanota(vector<int>& A, vector<int>& B, vector<int>& C) 
    {
        dfs(A,B,C,A.size());
    }
    void dfs(vector<int>& A, vector<int>& B, vector<int>& C,int n)
    {
        //出递归
        if(n == 1)
        {
            C.push_back(A.back());
            A.pop_back();
            return;
        }
        //1.先把A中的N-1个盘子借助C扔到B上
        dfs(A,C,B,n-1);
        //2.再把A中剩下的一个盘子扔到C上
        C.push_back(A.back());
        A.pop_back();
        //3.再把B中的N-1个盘子借助A扔到C上
        dfs(B,A,C,n-1);
    }
};

5.细节

思考:

如果我们把代码C.push_back(A.back())改成C.push_back(A[0])可以吗?为什么?

答:不行。 因为我们思考顺序与实际挪动顺序不一致。

虽然我们直觉上认为A.back()与A[0]在只剩下一个元素时候都表示的是最后的那个盘子,但是计算机运行的顺序跟我们脑子想的顺序并不一致,计算机先从最小的子问题(不可分割)的情况开始运算,而我们想的是先从最大问题的那个开始思考。

在只剩下一个元素的情况下A[0]和A.back()的确是一样的,但是计算机运行的时候并不是只有一个元素!!!

举个例子:

6.总结

汉诺塔作为经典的简单递归题目,是需要好好理解的,比如我上面提到的写递归的步骤以及为什么A.back()不能写成A[0]的问题。


EOF


相关文章
|
1月前
|
算法
【算法】二分算法——搜索插入位置
【算法】二分算法——搜索插入位置
|
1月前
|
机器学习/深度学习 算法 文件存储
【博士每天一篇文献-算法】 PNN网络启发的神经网络结构搜索算法Progressive neural architecture search
本文提出了一种名为渐进式神经架构搜索(Progressive Neural Architecture Search, PNAS)的方法,它使用顺序模型优化策略和替代模型来逐步搜索并优化卷积神经网络结构,从而提高了搜索效率并减少了训练成本。
34 9
|
1月前
|
存储 算法 调度
基于和声搜索算法(Harmony Search,HS)的机器设备工作最优调度方案求解matlab仿真
通过和声搜索算法(HS)实现多机器并行工作调度,以最小化任务完成时间。在MATLAB2022a环境下,不仅输出了工作调度甘特图,还展示了算法适应度值的收敛曲线。HS算法模拟音乐家即兴创作过程,随机生成初始解(和声库),并通过选择、微调生成新解,不断迭代直至获得最优调度方案。参数包括和声库大小、记忆考虑率、音调微调率及带宽。编码策略将任务与设备分配映射为和声,目标是最小化完成时间,同时确保满足各种约束条件。
|
1月前
|
算法
【算法】递归总结:循环与递归的区别?递归与深搜的关系?
【算法】递归总结:循环与递归的区别?递归与深搜的关系?
|
1月前
|
算法
【算法】递归、搜索与回溯——简介
【算法】递归、搜索与回溯——简介
|
15天前
|
算法 BI Serverless
基于鱼群算法的散热片形状优化matlab仿真
本研究利用浴盆曲线模拟空隙外形,并通过鱼群算法(FSA)优化浴盆曲线参数,以获得最佳孔隙度值及对应的R值。FSA通过模拟鱼群的聚群、避障和觅食行为,实现高效全局搜索。具体步骤包括初始化鱼群、计算适应度值、更新位置及判断终止条件。最终确定散热片的最佳形状参数。仿真结果显示该方法能显著提高优化效率。相关代码使用MATLAB 2022a实现。
|
15天前
|
算法 数据可视化
基于SSA奇异谱分析算法的时间序列趋势线提取matlab仿真
奇异谱分析(SSA)是一种基于奇异值分解(SVD)和轨迹矩阵的非线性、非参数时间序列分析方法,适用于提取趋势、周期性和噪声成分。本项目使用MATLAB 2022a版本实现从强干扰序列中提取趋势线,并通过可视化展示了原时间序列与提取的趋势分量。代码实现了滑动窗口下的奇异值分解和分组重构,适用于非线性和非平稳时间序列分析。此方法在气候变化、金融市场和生物医学信号处理等领域有广泛应用。
|
1月前
|
算法
基于模糊控制算法的倒立摆控制系统matlab仿真
本项目构建了一个基于模糊控制算法的倒立摆控制系统,利用MATLAB 2022a实现了从不稳定到稳定状态的转变,并输出了相应的动画和收敛过程。模糊控制器通过对小车位置与摆的角度误差及其变化量进行模糊化处理,依据预设的模糊规则库进行模糊推理并最终去模糊化为精确的控制量,成功地使倒立摆维持在直立位置。该方法无需精确数学模型,适用于处理系统的非线性和不确定性。
基于模糊控制算法的倒立摆控制系统matlab仿真
|
16天前
|
资源调度 算法
基于迭代扩展卡尔曼滤波算法的倒立摆控制系统matlab仿真
本课题研究基于迭代扩展卡尔曼滤波算法的倒立摆控制系统,并对比UKF、EKF、迭代UKF和迭代EKF的控制效果。倒立摆作为典型的非线性系统,适用于评估不同滤波方法的性能。UKF采用无迹变换逼近非线性函数,避免了EKF中的截断误差;EKF则通过泰勒级数展开近似非线性函数;迭代EKF和迭代UKF通过多次迭代提高状态估计精度。系统使用MATLAB 2022a进行仿真和分析,结果显示UKF和迭代UKF在非线性强的系统中表现更佳,但计算复杂度较高;EKF和迭代EKF则更适合维数较高或计算受限的场景。
|
18天前
|
算法
基于SIR模型的疫情发展趋势预测算法matlab仿真
该程序基于SIR模型预测疫情发展趋势,通过MATLAB 2022a版实现病例增长拟合分析,比较疫情防控力度。使用SIR微分方程模型拟合疫情发展过程,优化参数并求解微分方程组以预测易感者(S)、感染者(I)和移除者(R)的数量变化。![]该模型将总人群分为S、I、R三部分,通过解析或数值求解微分方程组预测疫情趋势。