搜索的核心概念
问题求解树
问题求解树又叫问题状态树或状态求解树。这不是一个真实的计算机结构，而是我们思维逻辑层面的一种结构。如下图，我们可以将状态1展开得状态2、状态3、状态4，而状态3又展开得状态5和状态6.
状态1
/ | \
状态2 状态3 状态4
/ \
状态5 状态6
光看上面的状态树很难理解问题求解树的实际使用场景，接下来，咱们来举一个例子：
// 走迷宫,如下的二位数组代表一个迷宫，小狗🐶要怎样才能找到自己心爱的肉骨头🍖呢，其中🏖代表是海滩，小狗可以走这里，💣代表是有炸弹，不能走，不能走
const arr = [
[🐶,💣,🏖,🏖,🏖,🏖],
[🏖,🏖,🏖,💣,🏖,🏖],
[🏖,💣,🏖,💣,🏖,🏖],
[🏖,🏖,🏖,🏖,🏖,🍖],
];
// 我们以每个节点的坐标作为我们问题求解树的状态，初始坐标为[0,0]，即小狗所在的位置，那么，小狗每走一步我们就能知道他下一步能走的状态（坐标）是什么，于是就生成了这样的一棵问题求解树。
🐶
[0,0]
|
[1,0]
/ \
[2,0] [1,1]
| |
[3,0] [1,2]
| |
[3,1] [2,2]
| |
[3,2] [3,2]
/ \ / \
[2,2] [3,3][3,1] [3,3]
| | | |
... [3,4] ... [3,4]
/ \ / \
[2,4] [3,5] [2,4] [3,5]
🍖 🍖
// 最终小狗终于找到了他想要的肉骨头了。上面的问题求解树是精简版的，没有吧所有情况都画出来，但已经能够说明问题了
从上面的示例中我们可以发现：一些与我们求解的问题息息相关的量（示例中就是坐标）构成了问题求解树的节点，分析问题的时候，最重要的一步是定义什么是这个问题的状态。需要特别注意的是，上面所说的问题求解树都是我们大脑的思维结构，而不是在程序里面的真实数据结构，因为这个这棵树理论上来说是有无限中可能的，比如小狗在[0,0]和[1,0]这两个位置来回走，那么它就陷入了“死循环”，需要走无限步才能找到肉骨头。如果上述结构是我们程序中的结构的话，大家应该很清楚，出现死循环意味着什么，那就是程序崩溃。
搜索的核心概念
1. 什么是深搜和广搜
深搜和广搜就是针对于问题求解树的不同的遍历方式，由于我们问题求解树是存在于思维逻辑层面的结构，因此这里所说的遍历也是在思维逻辑层面的遍历，不是具体的程序实现的遍历方式。
深搜（DFS：深度优先搜索）
搜索时尽量往深处搜索，比如我们经常说的知识深度，就是对某些类型的知识点达到专家的地步，不断往深层次探究，最终到达计算机底层、硬件编程、材料与物理等领域。总结一下，就是专家路线
深搜的过程其实类似于我们树形结构的递归遍历，先一条路走到黑，碰壁了，再往回走一步（回溯），如果有其他出路，就往另一条路一条路走到黑，直到碰壁（继续回溯）或到达终点（返回结果）。
总结一下：深度优先遍历通常情况下是以递归的程序形态来实现的。
广搜（BFS：广度优先搜索）
适合最优化问题的求解
搜索时尽量往远处搜索，比如我们经常说的知识广度，就是不一定对某类型的知识点达到很深的理解，但掌握的知识点所横跨的领域很广，什么都会一点，知识面广博。总结一下，就是全栈路线。
广搜通常需要使用层序遍历的方式进行搜索，搜索过程需要额外借助队列这样的数据结构。也就是说，当我们遍历到第一层时，先将第二次层的所有节点加入队列，然后依次遍历队列中的每一个节点，再进入下一层继续上述操作。
看到这个描述，有没有一些二次元的小伙伴想到了什么？哈哈哈，就是影分身。假如鸣人执行某些任务时，发现前面有很多分叉路，他会怎么办，有多少条岔路，就分出多少个影分身，然后同时探索每一条岔路，如果之后再出现岔路，继续影分身，直到到达正确的目标点。假如说在某一条分叉路，同时有两个影分身到达入口，此时就没必要两个影分身一起行动了，可以让其中一个融入另一个影分身，节省查克拉，这种操作就是剪枝。
由于我们广搜始终是处理完上一层的所有节点之后，再处理下一层的所有节点，因此,广搜更适合处理最优化问题，即求最优解。就像上面说的，鸣人先让影分身去探路，找到最优路线。
2. 什么是搜索的剪枝和优化
通过排除某些明确不可能达到目的子树，在搜索时不搜索这些子树，以达到提升搜索效率的目的，这就是我们经常说的搜索剪枝。
拿上面的问题求解树来说，假如说我们通过某些判断手段，明确最左侧的子树不可能达到目标（可能出现死循环），不搜索最左边的子树，也就是在问题求解树中将最左边的“树枝”减掉，这样就不会分摊给其他树枝提供的“营养”（搜索资源）了。
3. 设计搜索算法的核心关键点
设计问题求解树中的状态。
