剪枝一词引自对树木的修剪，即修剪掉不必要的枝叶以调整树冠结构或更新枝叶等。而在算法中，剪枝思想则是避免不必要的操作和搜索，或在结果中修剪不必要的部分以获得更好的效果。

这里举三个不同类型算法的例子，以更好的理解剪枝思想的应用：

质数

• 剪枝一：最简单的判断n是否为质数的方法是根据其定义判断从2到n-1是否存在其约数，时间复杂度O(n)；最常用的判断则是判断从2到sqrt(n)是否存在其约数，时间复杂度O(sqrt(n))

  • 剪枝操作：从2到(n-1)剪枝为2到sqrt(n)

• 剪枝二：判断2之后，就可以判断从3到sqrt(n)之间的奇数了，无需再判断之间的偶数，时间复杂度O(sqrt(n)/2)

  • 剪枝操作：从2到sqrt(n)剪枝为3到sqrt(n)之间的奇数

• 剪枝三：首先看一个关于质数分布的规律：大于等于5的质数一定和6的倍数相邻。例如5和7，11和13,17和19等等；注意反过来是不对的，即和6的倍数相邻的数是质数，如35

  证明：令x≥1，将大于等于5的自然数表示如下：

  ··· 6x-1，6x，6x+1，6x+2，6x+3，6x+4，6x+5，6(x+1），6(x+1)+1 ···

  可以看到，不在6的倍数两侧，即6x两侧的数为6x+2，6x+3，6x+4，由于2(3x+1)，3(2x+1)，2(3x+2)，所以它们一定不是素数，再除去6x本身，显然，素数要出现只可能出现在6x的相邻两侧。因此在5到sqrt(n)中每6个数只判断2个，时间复杂度O(sqrt(n)/3)。

• 剪枝操作：从3到sqrt(n)之间的奇数剪枝为5到sqrt(n)中和6的倍数相邻的数

以上都是一个剪枝的思想，剪枝一裁剪了sqrt(n)之后不必要的数，剪枝二中裁剪了不必要的偶数，剪枝三中裁剪了不和6的倍数相邻的数，虽然都没有降低时间复杂度的阶数（除了剪枝一），但都一定程度上加快了判断的速度。

RRT（快速搜索随机树）

RRT是一种多维空间中有效率的规划方法。它以一个初始点作为根节点，通过随机采样增加叶子节点的方式，生成一个随机扩展树，当随机树中的叶子节点包含了目标点或进入了目标区域，便可以在随机树中找到一条由从初始点到目标点的路径。

由上图可以看出，因为RRT采样的随机性，其得到的路径有很多冗余的节点，增加了路径的长度。最常用也是最简单的优化方法就是剪枝，裁剪掉不必要的节点。如下图所示，a,b两段就可以用c来替换，由三角不等式可知，替换后的路径更短且Zparent这个冗余的节点就被裁剪掉了。

剪枝在RRT上的应用，这个想法很简单，简单到觉得这不就是一个三角不等式嘛，但是对于RRT这个随机性很强的路径规划算法，非常实用，虽然已经有很多对RRT的改进方法，但在实时性上，这个简单的优化方法无疑是最快的，这里给出一个示意图。

决策树

剪枝处理(pruning)是决策树学习算法中对付“过拟合”的主要手段, 在决策树学习中， 为了尽可能正确分类训练样本， 节点划分过程不断重复， 有时候会造成决策树分支过多， 以至于将训练样本集自身特点当作泛化特点， 而导致过拟合。 因此可以采用剪枝处理来去掉一些分支来降低过拟合的风险。

Reference: 机器学习 - 周志华 清华大学出版社

代码：

这里给出RRT剪枝的代码，质数和决策树剪枝相关的博文和代码较多，可自行查找和学习。

代码托管在：RRT_and_Pruning