对于所谓的分支限界法和回溯法，我们完全可以更加灵活，请看表格。
| 深度优先 | 广度优先 | 约束条件 | 限界函数 | 算法 | 策略 |
|---|---|---|---|---|---|
| √ | √ | 回溯法 | 局部判定 | ||
| √ | √ | √ | 分支限界法 | 局部判定 | |
| √ | √ | √ | 加限界的回溯法 | 局部判定 | |
| √ | 枚举法 | 全局判定 | |||
| √ | 枚举法 | 全局判定 |
前两种是我们常见的，但是，事实上，这几种方式， 怎么玩都行，看实际需求了。
一般来说，剪枝策略使用 约束条件 + 限界函数，然后再配合深度优先或者广度优先，是最好不过的了，也就是后两种。
这样一来，能够尽可能地剪枝，以提高搜索效率。
而最后两种枚举法，则没有剪枝策略，是一种全局判定方式，是最低效的。
总之，这三种常见的搜索算法，无非就是
- 枚举策略
- 深度优先
- 广度优先
- 剪枝策略
- 约束条件
- 限界函数
| 枚举策略 | 剪枝策略 |
|---|---|
| 深度优先 | 约束条件 |
| 广度优先 | 限界函数 |
其中，枚举策略有且仅有一种，剪枝策略则随意，然后就有了经典的枚举法（蛮力法）、回溯法和分支限界法。
搜索算法的学习策略
已经显而易见了，这4种方式，单独学明白，懂逻辑，会实现，然后再组合起来使用就OK了。
预测思想：限界函数
限界函数是通过对子树未来的上界/下界的预测，来评定是否需要继续生成，方法就是按照平均值排序后，乘以剩余容量。
具体实例可以参考
-
0/1 knapsack problem using branch and bound
-
分支限界法-01背包问题
限界函数和约束条件的目标
- 约束条件，是为了去掉不可行解，从而进行剪枝
- 限界函数，是为了去掉非最优解，从而剪枝，但是它依然是可行解
明确了这两个目标，就能够更加针对性选择了，如果题目求多个可行解，那么就不可能使用限界函数。
