陆拾贰號1. 两个水桶问题的经典场景
想象你面前有两个空水桶，一个能装5升水，另一个能装3升水。现在需要精确量出4升水，该怎么办？这个看似简单的谜题，实际上蕴含着计算机科学中一个重要的算法思想——广度优先搜索（BFS）。
我第一次遇到这个问题是在大学算法课上。当时花了整整一节课时间尝试各种倒水方法，却总是差那么一点。直到教授在黑板上画出所有可能的状态，我才恍然大悟：原来每个倒水动作都是在状态空间中的一次转移，而寻找解决方案的过程，就是在状态图中寻找从初始状态到目标状态的最短路径。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 状态空间与图论模型
2.1 如何将水桶问题抽象为图
把两个水桶的水量看作一个状态对(x,y)，其中x是5升桶中的水量，y是3升桶中的水量。初始状态是(0,0)，目标状态是(4,y)（y可以是任意值，因为我们只关心5升桶中有4升水）。
每个合法的倒水操作都会将当前状态转移到另一个状态。例如：
- 填满5升桶：(0,0)→(5,0)
- 将5升桶的水倒入3升桶：(5,0)→(2,3)
- 倒空3升桶：(2,3)→(2,0)
这些状态和转移关系就构成了一个有向图，其中节点是状态，边是操作。
2.2 状态转移的六种基本操作
在任何给定状态下，我们都有六种可能的操作：
- 填满5升桶
- 填满3升桶
- 倒空5升桶
- 倒空3升桶
- 将5升桶的水倒入3升桶，直到5升桶空或3升桶满
- 将3升桶的水倒入5升桶，直到3升桶空或5升桶满
每种操作都会产生一个新的状态。需要注意的是，有些操作在特定状态下可能不会改变当前状态（比如在(5,0)状态下尝试填满5升桶）。
3. 广度优先搜索算法详解
3.1 BFS的基本原理
广度优先搜索是一种图遍历算法，它从起始节点开始，先访问所有相邻节点，然后再依次访问这些相邻节点的相邻节点，以此类推。在水桶问题中，这意味着我们会先尝试所有一步能到达的状态，然后是两步能到达的状态，依此类推。
BFS特别适合寻找最短路径问题，因为它保证第一次到达目标状态时，所用的步骤数就是最少的。这与深度优先搜索(DFS)不同，DFS可能会先找到一条很长的路径。
3.2 水桶问题的BFS实现步骤
让我们用伪代码来描述解决水桶问题的BFS算法：
code复制1. 初始化队列Q，包含初始状态(0,0)
2. 初始化visited集合，记录已访问状态
3. 初始化parent字典，记录状态转移路径
4. while Q不为空:
5. 当前状态 = Q.dequeue()
6. if 当前状态是目标状态:
7. 根据parent字典回溯路径
8. 返回解决方案
9. for 每个可能的操作:
10. 新状态 = 应用操作后的状态
11. if 新状态未访问过且是合法的:
12. visited.add(新状态)
13. parent[新状态] = (当前状态, 操作描述)
14. Q.enqueue(新状态)
15. 返回无解
在实际编程实现时，我们还需要考虑如何表示状态、如何实现各种操作等问题。下面是一个Python实现的示例片段：
python复制from collections import deque
def water_jug_bfs(capacity1, capacity2, target):
visited = set()
queue = deque()
parent = {}
initial_state = (0, 0)
queue.append(initial_state)
visited.add(initial_state)
while queue:
current = queue.popleft()
if current[0] == target:
path = []
while current in parent:
path.append(parent[current][1])
current = parent[current][0]
return path[::-1]
# 生成所有可能的下一步状态
next_states = []
# 填满第一个桶
next_states.append((capacity1, current[1]))
# 填满第二个桶
next_states.append((current[0], capacity2))
# 倒空第一个桶
next_states.append((0, current[1]))
# 倒空第二个桶
next_states.append((current[0], 0))
# 从第一个桶倒入第二个桶
pour_amount = min(current[0], capacity2 - current[1])
next_states.append((current[0] - pour_amount, current[1] + pour_amount))
# 从第二个桶倒入第一个桶
pour_amount = min(current[1], capacity1 - current[0])
next_states.append((current[0] + pour_amount, current[1] - pour_amount))
for state in next_states:
if state not in visited:
visited.add(state)
parent[state] = (current, f"从 {current} 到 {state}")
queue.append(state)
return None
4. 解决水桶问题的完整路径
让我们用BFS算法实际解决最初的5升和3升桶得到4升水的问题。以下是状态转移的完整路径：
- (0,0) → 填满5升桶 → (5,0)
- (5,0) → 将5升倒入3升 → (2,3)
- (2,3) → 倒空3升桶 → (2,0)
- (2,0) → 将5升倒入3升 → (0,2)
- (0,2) → 填满5升桶 → (5,2)
- (5,2) → 将5升倒入3升 → (4,3)
这样，我们就在6步内得到了5升桶中有4升水的目标状态。值得注意的是，这是最少的必要步骤，任何其他解法至少也需要这么多步。
5. BFS在实际编程中的优化技巧
5.1 状态表示与哈希
在实际编程实现中，状态的表示和快速查找非常重要。对于水桶问题，我们可以用元组表示状态，但要注意：
- 使用frozenset而不是普通元组作为字典键，可以提高查找效率
- 对于更大的问题，可能需要压缩状态表示（比如用单个整数编码两个桶的水量）
5.2 提前终止条件
除了检查是否达到目标状态外，还可以设置其他终止条件：
- 限制最大步数防止无限循环
- 检测重复状态（比如周期性状态转移）
- 检查不可能达到目标的情况（比如目标水量大于桶容量）
5.3 路径回溯优化
存储完整路径会消耗大量内存。替代方案包括：
- 只存储上一步状态和操作，最后回溯重建路径
- 使用双向BFS，从初始状态和目标状态同时搜索
- 对非常大的状态空间，考虑使用迭代加深DFS
6. BFS的其他应用场景
水桶问题只是BFS应用的冰山一角。这个算法在计算机科学中有广泛的应用：
6.1 最短路径问题
- 迷宫求解：找到从起点到终点的最短路径
- 社交网络：计算两个人之间的最短连接路径
- 网页爬虫：按层级抓取网页
6.2 状态空间搜索
- 拼图游戏（如8数码问题）
- 棋类游戏的状态分析
- 自动化定理证明
6.3 网络与图论
- 查找图中的连通分量
- 检测二分图
- 网络广播路由
7. BFS与DFS的对比选择
虽然本文聚焦BFS，但值得将其与DFS进行对比：
- 内存使用：BFS通常需要更多内存，因为它要存储所有当前层的节点
- 完备性：BFS总能找到最短解（如果存在），DFS则不一定
- 适用场景：
- 用BFS当需要最短路径或解在浅层时
- 用DFS当解可能在深层或状态空间非常大时
在水桶问题中，由于我们通常寻找最少步骤的解决方案，BFS是更自然的选择。但在某些变种问题中（比如桶数量很多时），DFS或混合策略可能更合适。
8. 水桶问题的变种与扩展
理解了基本的水桶问题后，可以尝试以下变种：
8.1 多桶问题
增加桶的数量（如3个或更多），这会显著增加状态空间的复杂度。例如，用3升、5升和8升桶得到特定水量。
8.2 不精确测量
允许近似解，比如"得到大约4升水，误差不超过0.1升"。这在实际应用中更常见。
8.3 带成本的倒水操作
不同操作可能有不同"成本"（如时间、体力）。这时问题就变成了寻找成本最低的路径，而不仅仅是步骤最少的路径。
8.4 不可逆操作
某些操作可能不可逆，比如一旦倒出水就不能再倒回去。这会改变状态空间的性质。
9. 从水桶问题到算法思维的培养
水桶问题虽然简单，但它教会我们几个重要的算法思维：
- 问题抽象能力：将具体问题转化为数学模型（图论模型）
- 状态空间思维：认识到解决问题就是在状态空间中搜索路径
- 算法选择能力：根据问题特点选择合适的搜索策略
- 优化意识：不断思考如何提高搜索效率
这些思维不仅适用于水桶问题，也适用于解决各种复杂的计算问题。