1. 項目概述從一道國賽真題看DFS的實戰(zhàn)應用最近在復盤藍橋杯國賽的歷年真題發(fā)現(xiàn)“矩陣計數(shù)”這類題目出現(xiàn)的頻率相當高而且常常作為區(qū)分選手能力的關鍵題。它不像一些純模擬題那樣直接也不像動態(tài)規(guī)劃那樣有固定的套路模板更多是考察對搜索算法的深入理解和靈活應用能力。題目通常會給一個矩陣的規(guī)模比如 n x m以及一些限制條件比如矩陣中只能填0或1并且要求不存在某些特定的子矩陣模式例如2x2的子矩陣全為1然后問滿足條件的矩陣有多少種。這本質(zhì)上是一個狀態(tài)空間搜索問題而深度優(yōu)先搜索DFS正是解決這類問題的利器。我剛接觸這類題時第一反應是暴力枚舉——每個格子要么0要么1那直接2^(n*m)種可能全試一遍不就行了但稍微算一下就知道不可行一個5x5的矩陣就有2^25約3300萬種狀態(tài)更別說國賽常見的更大規(guī)模了。這就需要DFS結合剪枝技巧在搜索樹構建的早期就果斷砍掉大量不可能到達最終解的分支。這不僅僅是寫一個遞歸函數(shù)那么簡單它涉及到如何高效地表示狀態(tài)、如何設計搜索順序以減少冗余、以及如何挖掘題目條件設計出強有力的剪枝策略。接下來我就結合自己的解題經(jīng)驗拆解一下這類問題的通用思路和幾個關鍵的實現(xiàn)技巧。2. 問題核心與DFS建模思路拆解2.1 問題本質(zhì)與狀態(tài)定義“矩陣計數(shù)”問題的核心是統(tǒng)計滿足特定約束的所有可能矩陣的數(shù)量。約束條件千變?nèi)f化但最常見的兩類是局部形狀約束例如禁止出現(xiàn)任何2x2的子矩陣全部為1或全部為0。這是藍橋杯非常愛考的一類因為它能很好地引出“基于當前位置的可行性判斷”這一剪枝思想。行列統(tǒng)計約束例如每一行1的個數(shù)、每一列1的個數(shù)需要滿足某個條件。無論約束如何我們都可以將矩陣的填充過程看作在一個 n x m 的網(wǎng)格上進行DFS。每個格子是一個“搜索層”我們需要決定在這個格子填0還是填1。狀態(tài)如何表示最直接的想法是用一個二維數(shù)組matrix[n][m]來記錄當前填充的狀態(tài)-1表示未填充0或1表示已填充。DFS函數(shù)簽名可能像這樣dfs(row, col)表示當前要填充第row行、第col列的格子。搜索順序的設計這很重要。按行優(yōu)先從左到右從上到下的順序進行填充是最自然、也是最有利于剪枝的。因為當我們填充到(row, col)時它左上方的所有格子都已經(jīng)確定了我們可以利用這些已知信息來判斷當前選擇是否會導致后續(xù)無解。2.2 DFS遞歸框架的搭建一個清晰的遞歸框架是基礎。假設矩陣大小為n行m列我們從(0, 0)開始搜索。def dfs(pos): # pos 是當前要處理的格子編號 pos row * m col if pos n * m: # 所有格子都處理完了 if check_all(): # 檢查整個矩陣是否滿足最終約束 global count count 1 return row pos // m col pos % m # 嘗試在當前格子填 0 matrix[row][col] 0 if is_partial_valid(row, col): # 關鍵剪枝部分合法才繼續(xù) dfs(pos 1) # 回溯 matrix[row][col] -1 # 嘗試在當前格子填 1 matrix[row][col] 1 if is_partial_valid(row, col): dfs(pos 1) # 回溯 matrix[row][col] -1這個框架很簡單但有兩個關鍵函數(shù)check_all(): 當矩陣填滿后進行全局的、徹底的約束檢查。它只在到達葉子節(jié)點時調(diào)用一次。is_partial_valid(row, col):這是剪枝的靈魂。它在每次做出選擇填0或1后立即調(diào)用判斷在當前這個部分填充的狀態(tài)下是否已經(jīng)必然違反了題目約束。如果已經(jīng)違反就沒必要繼續(xù)向下搜索了直接回溯。對于“禁止2x2全1”這種約束is_partial_valid的實現(xiàn)非常高效我們只需要檢查以當前新填充的格子(row, col)作為右下角的2x2子矩陣如果存在的話是否非法。因為當我們在填充(row, col)時它左上方的(row-1, col-1),(row-1, col),(row, col-1)這三個格子如果坐標合法的狀態(tài)是已知的。如果這三個格子都是1并且當前我們也填1那么這個2x2子矩陣就全為1了當前狀態(tài)就是非法的必須剪枝。def is_partial_valid(row, col): # 檢查以 (row, col) 為右下角的潛在2x2子矩陣 # 只需要檢查當前格子填1的情況因為填0不可能構成全1矩陣 if matrix[row][col] 1: # 檢查左上、上、左三個格子 if row 1 and col 1: if matrix[row-1][col-1] 1 and matrix[row-1][col] 1 and matrix[row][col-1] 1: return False # 發(fā)現(xiàn)非法2x2全1子矩陣 return True這個剪枝的威力巨大它能在搜索的早期就排除掉大量無效分支。實測下來沒有這個剪枝5x5的矩陣都跑得吃力加上之后10x10甚至更大規(guī)模的矩陣都有可能在一定時間內(nèi)求解。3. 核心優(yōu)化技巧與實戰(zhàn)細節(jié)3.1 狀態(tài)壓縮與記憶化搜索當矩陣規(guī)模增大或者約束條件更復雜時單純的DFS剪枝可能依然會超時。這時就需要更高級的優(yōu)化。狀態(tài)壓縮是一個經(jīng)典思路。對于按行優(yōu)先搜索當我們處理到第i行第j列時哪些信息是對后續(xù)搜索有決定性影響的對于“禁止2x2全1”問題當前行i的填充狀態(tài)以及上一行i-1的填充狀態(tài)共同決定了下一行哪些位置不能填1否則會與上一行形成非法的2x2。我們可以用二進制位來壓縮一行的狀態(tài)。例如一個寬度為m的列每一列填1或0可以用一個m位的二進制數(shù)來表示第k位為1表示該列填1。這樣我們的DFS狀態(tài)就可以定義為dfs(i, prev_state, curr_state, col)表示i: 當前正在填充的行號。prev_state: 上一行i-1行的壓縮狀態(tài)。curr_state: 當前行i行已經(jīng)填充到第col列時的狀態(tài)。col: 當前正在填充的列號。那么is_partial_valid檢查就變成了位運算當我們要在(i, col)位置填1時需要檢查prev_state的第col位、以及curr_state的第col-1位如果存在是否都是1。這比操作二維數(shù)組快得多。更進一步我們可以引入記憶化搜索Memoization。狀態(tài)(i, prev_state, col)可能被重復計算多次。如果我們用DP的思想把dfs(i, prev_state, col)定義為“從第i行、第col列開始在上一行狀態(tài)為prev_state的約束下能填出多少種合法的剩余矩陣”那么就可以把結果緩存起來。當再次遇到相同的(i, prev_state, col)時直接返回緩存結果避免重復搜索子樹。from functools import lru_cache lru_cache(maxsizeNone) def dfs(row, prev_state, col): if col m: # 當前行填完進入下一行 return dfs(row 1, curr_state, 0) if row n: # 所有行都填完找到一種合法方案 return 1 total 0 # 嘗試填0 total dfs(row, prev_state, col 1) # 嘗試填1需要檢查是否與上一行形成非法2x2 # 檢查條件不能同時滿足 (prev_state在col位為1) 且 (col0時curr_state在col-1位為1) 且 (prev_state在col-1位為1) # 這里curr_state是當前行已填充的狀態(tài)我們需要在遞歸調(diào)用前判斷 # 更常見的寫法是在決定填1時構造新的new_curr_state然后判斷(new_curr_state, prev_state)是否合法 # 判斷函數(shù) is_valid_transition(prev_state, new_curr_state) new_curr_state curr_state | (1 col) if is_valid_transition(prev_state, new_curr_state): total dfs(row, new_curr_state, col 1) return total這種“DFS狀態(tài)壓縮記憶化”的組合拳能將指數(shù)級復雜度的搜索問題轉(zhuǎn)化為狀態(tài)數(shù)可控的動態(tài)規(guī)劃問題。狀態(tài)數(shù)大約是n * (2^m) * m當m較小時比如 m10這個方法是完全可行的。這也是國賽題常見的套路考察選手能否將搜索問題轉(zhuǎn)化為狀壓DP。3.2 搜索順序與對稱性剪枝除了基于約束的剪枝利用問題的對稱性也能大幅減少搜索量。在很多矩陣計數(shù)問題中矩陣是方陣nm或者問題本身具有旋轉(zhuǎn)、翻轉(zhuǎn)對稱性。這些對稱的方案在本質(zhì)上被視為同一種但我們的DFS會每一種都枚舉出來導致重復計數(shù)。例如一個關于中心點旋轉(zhuǎn)90度后相同的矩陣我們只應計數(shù)一次。一種處理方法是在搜索過程中加入規(guī)范化Canonical表示?；舅悸肥菍τ诿總€填充到一半或完整的矩陣我們計算出它所有對稱變換下的“最小”或“標準”表示比如轉(zhuǎn)化為字符串后取字典序最小的。在搜索過程中如果發(fā)現(xiàn)當前部分填充的狀態(tài)其規(guī)范表示不等于它自身說明它可以通過對稱性由“更小”的狀態(tài)得到那么當前分支就可以剪掉因為最終它會被那個“更小”的狀態(tài)搜索到并計數(shù)。實現(xiàn)對稱性剪枝通常比較復雜需要仔細處理部分填充狀態(tài)下的判斷。在競賽時間有限的情況下一個更實用的策略是先不考慮對稱性用DFS算出總數(shù)量包含重復如果題目要求的是“本質(zhì)不同”的數(shù)量再根據(jù)對稱群的規(guī)模如正方形旋轉(zhuǎn)有4種加上翻轉(zhuǎn)可能8種去除以相應的數(shù)。但要注意這種方法的前提是所有方案都恰好被每個對稱操作映射到不同的方案即沒有“自對稱”的方案。如果存在自對稱的矩陣比如全0矩陣它不會被重復計數(shù)那么多次直接除法會導致錯誤。這時就需要用到Burnside引理或Polya計數(shù)定理來準確計算這就涉及到更深的組合數(shù)學知識了在國賽中出現(xiàn)屬于壓軸難度。3.3 邊界處理與代碼魯棒性在實現(xiàn)DFS時邊界條件的處理是bug的高發(fā)區(qū)。數(shù)組越界在is_partial_valid函數(shù)中檢查(row-1, col-1)等格子時務必先判斷row1和col1。我早期經(jīng)常在這里寫出if matrix[row-1][col-1]...而忘記檢查下標導致程序在搜索第一行或第一列時崩潰。狀態(tài)回溯這是DFS的基石必須成對出現(xiàn)。我習慣采用“做出選擇-遞歸-撤銷選擇”的模式如上文代碼所示。在Python中對于整數(shù)等不可變對象在參數(shù)傳遞時是值傳遞天然具有回溯效果。但對于列表、字典等可變對象或者在C中使用全局數(shù)組就必須手動回溯。一個常見的錯誤是忘記在遞歸返回后撤銷選擇導致狀態(tài)污染。遞歸深度Python的默認遞歸深度限制通常1000對于 n*m 較大的矩陣可能不夠。例如一個30x30的網(wǎng)格遞歸深度就達到900。你需要使用sys.setrecursionlimit(1000000)來提高限制。但更根本的方法是評估問題規(guī)模如果實在太大可能就需要用迭代加深搜索IDS或者更高級的算法了。4. 從DFS到動態(tài)規(guī)劃的思維跨越對于“矩陣計數(shù)”這類問題DFS是直觀的起點但高效的解法往往最終落腳在動態(tài)規(guī)劃DP特別是狀壓DP。我們可以把DFS的記憶化搜索過程明確地寫成DP遞推式。定義dp[i][state]表示已經(jīng)填充完前i行并且第i行的填充狀態(tài)為state二進制壓縮時合法的方案數(shù)。 那么狀態(tài)轉(zhuǎn)移方程為dp[i][curr_state] sum(dp[i-1][prev_state] for prev_state in all_states if is_valid_transition(prev_state, curr_state))其中is_valid_transition(prev_state, curr_state)函數(shù)判斷從上一行狀態(tài)prev_state到當前行狀態(tài)curr_state是否合法。對于“禁止2x2全1”的約束這個判斷就是對于任意相鄰兩列j和j1不能出現(xiàn)prev_state的第j位、第j1位以及curr_state的第j位、第j1位同時為1。這同樣可以用位運算快速判斷。def is_valid_transition(prev, curr): # 假設矩陣寬度為m # 檢查是否存在連續(xù)的列j使得 prev和curr在這些列上都是1 # 即 (prev curr) 的任意連續(xù)兩位不能都為1 combined prev curr # 檢查combined中是否有連續(xù)的1 # 方法將combined與自身左移一位進行與操作結果不為0則說明有連續(xù)1 return (combined (combined 1)) 0初始化dp[0][0] 1第0行可以認為是全0的空行只有1種狀態(tài)。最終答案就是sum(dp[n][state] for state in all_states)。這種DP方法的時間復雜度是O(n * (2^m) * (2^m))因為對于每個dp[i][curr]我們需要遍歷所有可能的prev。當m較大時比如15狀態(tài)數(shù)2^1532768兩兩判斷的復雜度是1e9級別依然會超時。這時需要進一步優(yōu)化例如預處理出每個狀態(tài)所有合法的“下一行狀態(tài)”列表避免內(nèi)層循環(huán)遍歷所有狀態(tài)。5. 實戰(zhàn)案例分析與調(diào)試心得5.1 案例藍橋杯典型題“方格計數(shù)”變種假設題目是在 n x m 的矩陣中填0/1要求不存在任何2x2的子矩陣全為1。求方案數(shù)。n, m 10。思路選擇n和m都不大但最大10x10狀態(tài)空間2^100巨大必須剪枝。由于約束是局部的2x2按行優(yōu)先DFS配合“右下角檢查”剪枝是可行的。但為了更優(yōu)可以采用狀壓DP。DP實現(xiàn)關鍵點狀態(tài)表示dp[row][state]state是當前行的二進制壓縮。合法性檢查行內(nèi)合法性state本身不能有連續(xù)的1因為如果一行內(nèi)有兩個連續(xù)的1并且上一行對應位置也是1就會形成2x2。所以合法的state需要滿足(state (state 1)) 0。行間合法性對于上一行狀態(tài)prev和當前行狀態(tài)curr需要滿足(prev curr) ((prev curr) 1) 0。即兩行按位與的結果不能有連續(xù)的1。初始化dp[0][0] 1。注意第0行是虛擬行狀態(tài)0代表全0。結果sum(dp[n][state])其中state是任意合法狀態(tài)。def solve(n, m): all_states [] # 預處理所有行內(nèi)合法的狀態(tài) for s in range(1 m): if s (s 1) 0: # 沒有連續(xù)的1 all_states.append(s) # 預處理狀態(tài)轉(zhuǎn)移關系from_state - [to_state_list] transition {s: [] for s in all_states} for s1 in all_states: for s2 in all_states: if (s1 s2) ((s1 s2) 1) 0: transition[s1].append(s2) dp [ [0] * (1 m) for _ in range(n1) ] dp[0][0] 1 # 虛擬第0行狀態(tài)為0 for i in range(1, n1): for prev in all_states: if dp[i-1][prev] 0: continue for curr in transition[prev]: dp[i][curr] dp[i-1][prev] ans sum(dp[n][s] for s in all_states) return ans5.2 調(diào)試與驗證技巧從小規(guī)模驗證永遠從最小的數(shù)據(jù)開始測試。比如 n1, m1答案應該是2[0], [1]。n2, m2手動枚舉所有16種矩陣排除掉包含2x2全1的其實只有一種全1矩陣答案應該是15。用你的程序跑一下看結果是否匹配。輸出中間狀態(tài)在DFS中可以打印出搜索到某個深度時的矩陣狀態(tài)或者DP中每行的方案數(shù)看看是否符合預期。對于DP計算完dp[1]即第一行后dp[1][state]應該等于行內(nèi)合法的、狀態(tài)為state的方案數(shù)這很容易驗證。對拍寫一個暴力枚舉程序僅適用于非常小的n和m比如n,m4用它來生成小數(shù)據(jù)下的正確答案。然后用你的優(yōu)化算法去跑同樣的數(shù)據(jù)對比結果是否一致。這是檢驗算法正確性最可靠的方法之一。時間復雜度估算在提交前估算最壞情況下的操作次數(shù)。例如上述DP解法預處理transition是 O( (2^m)^2 )主循環(huán)是 O(n * (2^m) * avg_transition)。當 m10時2^m1024平方約1e6主循環(huán)假設平均轉(zhuǎn)移數(shù)100n10則約1e6次操作完全在1秒內(nèi)。做到心中有數(shù)避免盲目提交導致超時。5.3 常見“坑點”實錄整數(shù)溢出方案數(shù)可能非常大遠超int范圍。在C中要使用long long在Python中雖然整數(shù)不限但也要注意。藍橋杯的題目有時會要求取模一定要看清楚題目要求在每次加法或乘法后及時取模。初始化錯誤DP中dp[0][0]1是常見的初始化。但有些題目中第一行可能有特殊限制比如第一行不能全0那么初始化就需要改變。務必結合題意理解“第0行”這個虛擬狀態(tài)的含義。位運算優(yōu)先級和的優(yōu)先級問題。if s (s 1) 0:在Python中是錯誤的因為優(yōu)先級高于。必須寫成if (s (s 1)) 0:。這是我早期常犯的錯誤調(diào)試起來很痛苦因為邏輯上看不出問題。狀態(tài)表示歧義用二進制位表示一行狀態(tài)時第0位是最低位代表最右邊的列還是最高位代表最左邊的列這需要統(tǒng)一。我習慣讓state的第j位對應第j列從0開始。在檢查連續(xù)列時左移操作 1就對應檢查相鄰的下一列列號1。只要在整個程序中保持一致即可。6. 性能瓶頸分析與進階策略當 n 和 m 繼續(xù)增大比如到15以上無論是DFS剪枝還是標準的狀壓DP都可能面臨性能壓力。這時需要思考更精妙的優(yōu)化。1. 滾動數(shù)組優(yōu)化DP數(shù)組dp[i][state]只依賴于dp[i-1][state]所以可以只用兩個一維數(shù)組dp_curr和dp_prev交替使用將空間復雜度從 O(n * 2^m) 降到 O(2^m)。2. 矩陣快速冪優(yōu)化如果題目中的約束是“行間無關”的即下一行的合法狀態(tài)只依賴于上一行的狀態(tài)并且這個轉(zhuǎn)移關系對于每一行都是相同的就像我們上面討論的“禁止2x2全1”那么整個填充過程可以看作一個狀態(tài)轉(zhuǎn)移矩陣的連乘。定義矩陣M其大小是S x SS是合法狀態(tài)數(shù)M[prev][curr] 1當且僅當從狀態(tài)prev轉(zhuǎn)移到curr是合法的。那么從第0行虛擬行狀態(tài)0到第n行的方案數(shù)就是向量[1, 0, 0, ...]只有狀態(tài)0為1乘以矩陣M^n后所有元素的和。計算M^n可以使用矩陣快速冪時間復雜度為 O(S^3 * log n)。當合法狀態(tài)數(shù) S 不大比如幾百而 n 非常大比如10^9時這種方法極其高效。這通常出現(xiàn)在“鋪瓷磚”一類的問題中。3. 輪廓線DP插頭DP對于更復雜的連通性約束比如要求所有1的格子構成一條路徑或者要求1的連通塊數(shù)量等狀壓DP每一行記錄一個狀態(tài)就不夠了需要記錄當前處理格子所在“輪廓線”上的更細致狀態(tài)。這是競賽中的高級話題難度很大但也是解決復雜矩陣計數(shù)問題的終極武器之一。它本質(zhì)上是將狀態(tài)壓縮與DP結合到了極致按格遞推狀態(tài)表示當前已經(jīng)處理過的格子和未處理格子之間的“分界線”上的情況。面對國賽級別的矩陣計數(shù)題我的策略通常是先嘗試最直觀的DFS剪枝寫一個暴力版本用于驗證小數(shù)據(jù)思路。然后分析約束的局部性嘗試轉(zhuǎn)化為狀壓DP。如果數(shù)據(jù)范圍暗示 n 大 m 小就采用標準狀壓DP如果 m 也偏大就要考慮是否有特殊的性質(zhì)可以簡化狀態(tài)比如利用對稱性減少狀態(tài)數(shù)或者是否需要用到輪廓線DP。平時多積累不同約束對應的狀態(tài)表示和轉(zhuǎn)移方法比賽時才能快速識別并套用。