博客
关于我
leetCode 79 单词搜索 (dfs,回溯)
阅读量:271 次
发布时间:2019-03-01

本文共 1737 字,大约阅读时间需要 5 分钟。

给定一个字母矩阵,所有的字母都与上下左右四个方向上的字母相连。给定一个字符串,求字符串能不能在字母矩阵中寻找到。

输入输出

输入:

  • board:一个二维向量,包含字符。
  • word:一个字符串。

输出:

  • 返回布尔值,表示是否存在。

分析

解决这个问题可以使用深度优先搜索(DFS)或广度优先搜索(BFS)算法。DFS 适用于这种问题,因为可以在同一个二维数组中进行状态修改,避免重复状态。

代码

bool exist(vector
>& board, string word) { if (board.empty() || word.empty()) return false; int m = board.size(), n = board[0].size(); vector
> visited(m, vector
(n, false)); bool found = false; for (int i = 0; i < m; ++i) { for (int j = 0; j < n; ++j) { if (backtracking(i, j, board, word, found, visited, 0)) { return true; } } } return found;}void backtracking(int i, int j, vector
>& board, string& word, bool& found, vector
>& visited, int pos) { if (i < 0 || i >= board.size() || j < 0 || j >= board[0].size()) { return; } if (visited[i][j] || found || board[i][j] != word[pos]) { return; } if (pos == word.size() - 1) { found = true; return; } visited[i][j] = true; if (backtracking(i + 1, j, board, word, found, visited, pos + 1)) { return; } visited[i][j] = false; if (backtracking(i - 1, j, board, word, found, visited, pos + 1)) { return; } visited[i][j] = false; if (backtracking(i, j + 1, board, word, found, visited, pos + 1)) { return; } visited[i][j] = false; if (backtracking(i, j - 1, board, word, found, visited, pos + 1)) { return; } visited[i][j] = false;}

代码解释

  • exist函数:这是主函数,负责初始化和调用回溯函数。

    • 检查边界条件:如果矩阵或字符串为空,返回false。
    • 创建访问数组visited,记录每个位置是否被访问过。
    • 遍历矩阵中的每一个单元格作为起点,调用回溯函数。
    • 如果回溯函数返回true,说明找到字符串,返回true。
  • backtracking函数:实现深度优先搜索。

    • 检查是否越界:如果越界,返回false。
    • 检查当前单元格是否已访问或字符不匹配:如果是,返回false。
    • 如果到达字符串末尾,返回true。
    • 标记当前单元格为已访问,递归四个方向。
    • 递归返回后,恢复当前单元格状态为未访问。
  • 这种方法确保每个位置只被访问一次,避免重复状态,提高效率。

    转载地址:http://uxlx.baihongyu.com/

    你可能感兴趣的文章
    OpenCV与AI深度学习 | OpenCV常用图像拼接方法(一) :直接拼接
    查看>>
    OpenCV与AI深度学习 | OpenCV常用图像拼接方法(三):基于特征匹配拼接
    查看>>
    OpenCV与AI深度学习 | OpenCV常用图像拼接方法(二) :基于模板匹配拼接
    查看>>
    OpenCV与AI深度学习 | OpenCV常用图像拼接方法(四):基于Stitcher类拼接
    查看>>
    OpenCV与AI深度学习 | OpenCV快速傅里叶变换(FFT)用于图像和视频流的模糊检测(建议收藏!)
    查看>>
    OpenCV与AI深度学习 | PaddleOCR 2.9 发布, 正式开源文本图像智能分析利器
    查看>>
    OpenCV与AI深度学习 | SAM2(Segment Anything Model 2)新一代分割一切大模型介绍与使用(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | T-Rex Label !超震撼 AI 自动标注工具,开箱即用、检测一切
    查看>>
    OpenCV与AI深度学习 | YOLO11介绍及五大任务推理演示(目标检测,图像分割,图像分类,姿态检测,带方向目标检测)
    查看>>
    OpenCV与AI深度学习 | YOLOv10在PyTorch和OpenVINO中推理对比
    查看>>
    OpenCV与AI深度学习 | YOLOv11来了:将重新定义AI的可能性
    查看>>
    OpenCV与AI深度学习 | YOLOv8自定义数据集训练实现火焰和烟雾检测(代码+数据集!)
    查看>>
    OpenCV与AI深度学习 | YOLOv8重磅升级,新增旋转目标检测,又该学习了!
    查看>>
    OpenCV与AI深度学习 | 一文带你读懂YOLOv1~YOLOv11(建议收藏!)
    查看>>
    OpenCV与AI深度学习 | 五分钟快速搭建一个实时人脸口罩检测系统(OpenCV+PaddleHub 含源码)
    查看>>
    OpenCV与AI深度学习 | 什么是 COCO 数据集?
    查看>>
    OpenCV与AI深度学习 | 低对比度缺陷检测应用实例--LCD屏幕脏污检测
    查看>>
    OpenCV与AI深度学习 | 使用 MoveNet Lightning 和 OpenCV 实现实时姿势检测
    查看>>
    OpenCV与AI深度学习 | 使用 OpenCV 创建自定义图像滤镜
    查看>>
    OpenCV与AI深度学习 | 使用 SAM 和 Grounding DINO 分割卫星图像
    查看>>