质数传送与BFS结合的最短路径算法解析

1. 问题背景与核心挑战

这个算法问题描述了一个有趣的场景：在一个整数数组上，玩家从起点（索引0）出发，需要通过特定的移动规则到达终点（数组最后一个位置）。移动规则包含两种方式：常规的相邻位置移动和特殊的质数传送机制。

常规移动相对简单：可以从当前位置i移动到i-1或i+1（不越界的情况下）。而质数传送机制则复杂得多：如果当前位置的数字是质数p，可以立即跳转到数组中任意一个能被p整除的数字所在位置（j≠i）。这种传送机制使得问题变得非常有趣，因为它引入了非连续的跳跃可能性。

问题的核心挑战在于如何高效计算从起点到终点的最少跳跃次数。由于质数传送的存在，传统的动态规划或贪心算法难以直接应用，必须考虑所有可能的跳跃路径组合。

2. 算法设计思路解析

2.1 反向BFS策略

常规的BFS通常从起点出发寻找终点，但这里采用了反向BFS——从终点出发寻找起点。这种策略有几个关键优势：

1. 只需要一次完整的BFS遍历即可找到起点到终点的最短路径
2. 质数传送的处理更加高效，因为可以集中处理每个数字的质因数
3. 可以自然地利用层级遍历记录跳跃次数

反向BFS的核心在于"倒推"移动规则：从位置i可以到达的位置j，意味着从j也可以"反向"到达i。这种对称性保证了算法的正确性。

2.2 质数预处理与索引构建

为了高效处理质数传送，算法进行了两个关键预处理：

1. 埃拉托斯特尼筛法变种：预先计算1到1,000,000范围内每个数的所有质因数。这使得后续查询任意数字的质因数可以在O(1)时间内完成。

2. 质数分组索引：建立一个映射表，记录每个质数在数组中出现的位置。这样当需要进行质数传送时，可以快速找到所有可能的目标位置。

预处理阶段的时间复杂度为O(M log log M)，其中M是数值范围上限（1,000,000）。这种预处理虽然耗时，但对于后续的多次查询非常有利。

3. 核心算法实现细节

3.1 质因数预处理实现

go复制const mx = 1_000_001
var primeFactors = [mx][]int{}

func init() {
    // 预处理每个数的质因子列表，思路同埃氏筛
    for i := 2; i < mx; i++ {
        if primeFactors[i] == nil { // i 是质数
            for j := i; j < mx; j += i { // i 的倍数有质因子 i
                primeFactors[j] = append(primeFactors[j], i)
            }
        }
    }
}

这段代码实现了优化的埃拉托斯特尼筛法，它不仅标记质数，还记录每个合数的所有质因数。关键点：

• 外层循环从2开始遍历每个数
• 如果primeFactors[i]为空，说明i是质数
• 然后标记i的所有倍数的质因数列表中加入i

3.2 BFS主逻辑实现

go复制func minJumps(nums []int) (ans int) {
    n := len(nums)
    groups := map[int][]int{}
    for i, x := range nums {
        if len(primeFactors[x]) == 1 { // x 是质数
            groups[x] = append(groups[x], i)
        }
    }
    
    vis := make([]bool, n)
    vis[n-1] = true
    q := []int{n - 1}
    
    for {
        tmp := q
        q = nil
        for _, i := range tmp {
            if i == 0 {
                return
            }
            // 处理向左移动
            if !vis[i-1] {
                vi