解決一個回溯問題，實際上就是一個決策樹的遍歷過程 。你只需要思考 3 個問題：

1、 路徑 ：也就是已經做出的選擇。

2、選擇列表 ：也就是你當前可以做的選擇。

3、結束條件 ：也就是到達決策樹底層，無法再做選擇的條件。

如果你不理解這三個詞語的解釋，沒關系，我們后面會用「全排列」和「N 皇后問題」這兩個經典的回溯算法問題來幫你理解這些詞語是什么意思，現在你先留著印象。

代碼方面，回溯算法的框架：

result = []
def backtrack(路徑, 選擇列表):
    if 滿足結束條件:
        result.add(路徑)
        return

    for 選擇 in 選擇列表:
        做選擇
        backtrack(路徑, 選擇列表)
        撤銷選擇

其核心就是 for 循環里面的遞歸，在遞歸調用之前「做選擇」，在遞歸調用之后「撤銷選擇」 ，特別簡單。

什么叫做選擇和撤銷選擇呢，這個框架的底層原理是什么呢？下面我們就通過「全排列」這個問題來解開之前的疑惑，詳細探究一下其中的奧妙！

一、全排列問題

我們在高中的時候就做過排列組合的數學題，我們也知道n個不重復的數，全排列共有 n! 個。

PS： 為了簡單清晰起見，我們這次討論的全排列問題不包含重復的數字 。

那么我們當時是怎么窮舉全排列的呢？比方說給三個數[1,2,3]，你肯定不會無規律地亂窮舉，一般是這樣：

先固定第一位為 1，然后第二位可以是 2，那么第三位只能是 3；然后可以把第二位變成 3，第三位就只能是 2 了；然后就只能變化第一位，變成 2，然后再窮舉后兩位……

其實這就是回溯算法，我們高中無師自通就會用，或者有的同學直接畫出如下這棵回溯樹：

只要從根遍歷這棵樹，記錄路徑上的數字，其實就是所有的全排列。 我們不妨把這棵樹稱為回溯算法的「決策樹」 。

為啥說這是決策樹呢，因為你在每個節點上其實都在做決策 。比如說你站在下圖的紅色節點上：

你現在就在做決策，可以選擇 1 那條樹枝，也可以選擇 3 那條樹枝。為啥只能在 1 和 3 之中選擇呢？因為 2 這個樹枝在你身后，這個選擇你之前做過了，而全排列是不允許重復使用數字的。

現在可以解答開頭的幾個名詞：[2]就是「路徑」，記錄你已經做過的選擇；[1,3]就是「選擇列表」，表示你當前可以做出的選擇；「結束條件」就是遍歷到樹的底層，在這里就是選擇列表為空的時候 。

如果明白了這幾個名詞，可以把「路徑」和「選擇 列表 」作為決策樹上每個節點的屬性 ，比如下圖列出了幾個節點的屬性：

我們定義的backtrack函數其實就像一個指針，在這棵樹上游走，同時要正確維護每個節點的屬性，每當走到樹的底層，其「路徑」就是一個全排列 。

再進一步，如何遍歷一棵樹？這個應該不難吧。回憶一下之前 [學習數據結構的框架思維]寫過，各種搜索問題其實都是樹的遍歷問題，而多叉樹的遍歷框架就是這樣：

void traverse(TreeNode root) {
    for (TreeNode child : root.childern)
        // 前序遍歷需要的操作
        traverse(child);
        // 后序遍歷需要的操作
}

而所謂的前序遍歷和后序遍歷，他們只是兩個很有用的時間點，我給你畫張圖你就明白了：

前序遍歷的代碼在進入某一個節點之前的那個時間點執行，后序遍歷代碼在離開某個節點之后的那個時間點執行 。

回想我們剛才說的，「路徑」和「選擇」是每個節點的屬性，函數在樹上游走要正確維護節點的屬性，那么就要在這兩個特殊時間點搞點動作：

現在，你是否理解了回溯算法的這段核心框架？

for 選擇 in 選擇列表:
    # 做選擇
    將該選擇從選擇列表移除
    路徑.add(選擇)
    backtrack(路徑, 選擇列表)
    # 撤銷選擇
    路徑.remove(選擇)
    將該選擇再加入選擇列表

我們只要在遞歸之前做出選擇，在遞歸之后撤銷剛才的選擇 ，就能正確得到每個節點的選擇列表和路徑。

下面，直接看全排列代碼：

List<List<Integer>> res = new LinkedList<>();

/* 主函數，輸入一組不重復的數字，返回它們的全排列 */
List<List<Integer>> permute(int[] nums) {
    // 記錄「路徑」
    LinkedList<Integer> track = new LinkedList<>();
    backtrack(nums, track);
    return res;
}

// 路徑：記錄在 track 中
// 選擇列表：nums 中不存在于 track 的那些元素
// 結束條件：nums 中的元素全都在 track 中出現
void backtrack(int[] nums, LinkedList<Integer> track) {
    // 觸發結束條件
    if (track.size() == nums.length) {
        res.add(new LinkedList(track));
        return;
    }

    for (int i = 0; i < nums.length; i++) {
        // 排除不合法的選擇
        if (track.contains(nums[i]))
            continue;
        // 做選擇
        track.add(nums[i]);
        // 進入下一層決策樹
        backtrack(nums, track);
        // 取消選擇
        track.removeLast();
    }
}

我們這里稍微做了些變通，沒有顯式記錄「選擇列表」，而是通過nums和track推導出當前的選擇列表

至此，我們就通過全排列問題詳解了回溯算法的底層原理。當然，這個算法解決全排列不是很高效，因為對鏈表使用contains方法需要 O(N) 的時間復雜度。有更好的方法通過交換元素達到目的，但是難理解一些，這里就不寫了，有興趣可以自行搜索一下。

但是必須說明的是，不管怎么優化，都符合回溯框架，而且時間復雜度都不可能低于 O(N!)，因為窮舉整棵決策樹是無法避免的。 這也是回溯算法的一個特點，不像動態規劃存在重疊子問題可以優化，回溯算法就是純暴力窮舉，復雜度一般都很高 。

明白了全排列問題，就可以直接套回溯算法框架了，下面簡單看看 N 皇后問題。

二、N 皇后問題

這個問題很經典了，簡單解釋一下：給你一個 N×N 的棋盤，讓你放置 N 個皇后，使得它們不能互相攻擊。

PS：皇后可以攻擊同一行、同一列、左上左下右上右下四個方向的任意單位。

這是 N = 8 的一種放置方法：

圖片來自 LeetCode

這個問題本質上跟全排列問題差不多，決策樹的每一層表示棋盤上的每一行；每個節點可以做出的選擇是，在該行的任意一列放置一個皇后。

直接套用框架:

vector

這部分主要代碼，跟全排列問題差不多。isValid函數的實現也很簡單：

/* 是否可以在 board[row][col] 放置皇后？ */
bool isValid(vector {
    int n = board.size();
    // 檢查列是否有皇后互相沖突
    for (int i = 0; i < n; i++) {
        if (board[i][col] == 'Q')
            return false;
    }
    // 檢查右上方是否有皇后互相沖突
    for (int i = row - 1, j = col + 1; 
            i >= 0 && j < n; i--, j++) {
        if (board[i][j] == 'Q')
            return false;
    }
    // 檢查左上方是否有皇后互相沖突
    for (int i = row - 1, j = col - 1;
            i >= 0 && j >= 0; i--, j--) {
        if (board[i][j] == 'Q')
            return false;
    }
    return true;
}

函數backtrack依然像個在決策樹上游走的指針，每個節點就表示在board[row][col]上放置皇后，通過isValid函數可以將不符合條件的情況剪枝

如果直接給你這么一大段解法代碼，可能是懵逼的。但是現在明白了回溯算法的框架套路，還有啥難理解的呢？無非是改改做選擇的方式，排除不合法選擇的方式而已，只要框架存于心，你面對的只剩下小問題了。

當N = 8時，就是八皇后問題，數學大佬高斯窮盡一生都沒有數清楚八皇后問題到底有幾種可能的放置方法，但是我們的算法只需要一秒就可以算出來所有可能的結果。

不過真的不怪高斯。這個問題的復雜度確實非常高，看看我們的決策樹，雖然有isValid函數剪枝，但是最壞時間復雜度仍然是 O(N^(N+1))，而且無法優化。如果N = 10的時候，計算就已經很耗時了。

有的時候，我們并不想得到所有合法的答案，只想要一個答案，怎么辦呢 ？比如解數獨的算法，找所有解法復雜度太高，只要找到一種解法就可以。

其實特別簡單，只要稍微修改一下回溯算法的代碼即可：

// 函數找到一個答案后就返回 true
bool backtrack(vector {
    // 觸發結束條件
    if (row == board.size()) {
        res.push_back(board);
        return true;
    }
    ...
    for (int col = 0; col < n; col++) {
        ...
        board[row][col] = 'Q';

        if (backtrack(board, row + 1))
            return true;

        board[row][col] = '.';
    }

    return false;
}

這樣修改后，只要找到一個答案，for 循環的后續遞歸窮舉都會被阻斷。也許你可以在 N 皇后問題的代碼框架上，稍加修改，寫一個解數獨的算法？

三、最后總結

回溯算法就是個多叉樹的遍歷問題，關鍵就是在前序遍歷和后序遍歷的位置做一些操作，算法框架如下：

def backtrack(...):
    for 選擇 in 選擇列表:
        做選擇
        backtrack(...)
        撤銷選擇

寫backtrack函數時，需要維護走過的「路徑」和當前可以做的「選擇列表」，當觸發「結束條件」時，將「路徑」記入結果集 。

其實想想看，回溯算法和動態規劃是不是有點像呢？我們在動態規劃系列文章中多次強調，動態規劃的三個需要明確的點就是「狀態」「選擇」和「base case」，是不是就對應著走過的「路徑」，當前的「選擇列表」和「結束條件」？

某種程度上說，動態規劃的暴力求解階段就是回溯算法。只是有的問題具有重疊子問題性質，可以用 dp table 或者備忘錄優化，將遞歸樹大幅剪枝，這就變成了動態規劃。而今天的兩個問題，都沒有重疊子問題，也就是回溯算法問題了，復雜度非常高是不可避免的。