剪枝本身不改变解的正确性，而是通过提前终止无前途的分支（如违反约束条件、目标函数值已劣于当前最优解等），显著降低时间复杂度

回溯法中，剪枝操作的作用是避免搜索那些不可能产生可行解或最优解的子树，从而减少无效搜索，提高算法效率。因此，正确答案是：

A. 加快搜索速度

剪枝本身不改变解的正确性，而是通过提前终止无前途的分支（如违反约束条件、目标函数值已劣于当前最优解等），显著降低时间复杂度，尤其在解空间庞大的问题（如N皇后、0-1背包、旅行商问题）中效果明显。

# 示例：N皇后问题中的剪枝（判断当前列是否与已放置皇后冲突）
def is_safe(board, row, col):
    # 检查列、主对角线、副对角线是否有冲突 → 剪枝条件
    for i in range(row):
        if (board[i] == col or 
            board[i] - i == col - row or 
            board[i] + i == col + row):
            return False
    return True

回溯法中：

• 可行性剪枝（Feasibility Pruning）：用于判断当前部分解是否满足问题的约束条件。若不满足（如N皇后中同一列/对角线已存在皇后、图着色中相邻顶点颜色相同），则该分支不可能延伸出任何可行解，立即回溯。其目标是排除不可行解，保证最终得到的解都合法。

• 最优性剪枝（Optimality Pruning）：仅适用于求最优解的问题（如最小代价、最大收益）。它基于对当前部分解所能达到的目标函数上界（或下界）的估计，若该估计值已劣于当前已找到的最优解（例如：已得最优值为100，而当前路径即使填满剩余位置也不可能超过95），则剪去该子树。其目标是排除虽可行但不可能更优的分支，提升效率而不影响最优性。

✅ 关键区别总结：

# 示例：0-1背包回溯中的两类剪枝
def backtrack(i, weight, value):
    if i == n:  # 叶子节点
        global best_value
        best_value = max(best_value, value)
        return
    
    # ✅ 可行性剪枝：超重则不扩展左子树（选第i个物品）
    if weight + w[i] <= W:
        backtrack(i + 1, weight + w[i], value + v[i])
    
    # ✅ 最优性剪枝：计算剩余物品的上界（如按单位价值贪心填充）
    bound = value + bound_estimate(i + 1, W - weight)
    if bound > best_value:  # 仅当可能超越当前最优时才搜索右子树（不选i）
        backtrack(i + 1, weight, value)