上面有正经的题解，这里说一下优化方案。
这题从单向 BFS 的角度去考虑，不难发现每处理一组数据，整个解答数就要重新构造一遍。也就是不停的做重复工作。
那么不难想到，如果把解答数存下来，那么下次要用，就接着上一次的解答树往下走。
这个想法的好处就是，虽然比朴素的双向 BFS 在某个节点的数据量以下的速度慢一点，但是如果有大量的数据的话，速度可以降到常熟级别。
非常吸引人，对吧？
下面就说说具体的做法。
首先，既然起点有 9 种，那么我们就要 9 组队列，9 组 dist，9 组 vis，等等。
大致算法如下：
1）输入数据，处理出所有可能的 256 种末尾状态（具体见上面题解）
2）遍历这 256 种可能，如果有之前已经算过的，直接往“小于”的方向更新答案。
3）如果步骤 2）里成功更新了答案，输出。否则进入步骤 4）
4）从起点对应的队列开始搜，知道找到答案为止。途中记录下经过的点的相关数据。
这样以来，BFS 的最大计算量就是 9 * 9 *（6 ^ 8）= 136048896 次（貌似非常大啊！），然后复杂度骤减至常数 256。
下面直接看具体的代码把。
这个优化方法的问题就是，在一定的数据量以内，就是一个单纯的 BFS 算法（也许运气好，可以达到优化的效果）。
因此时间很长，总是 TLE。（尽管我已经尽可能的少用 STL 容器了，取而代之用数组）
那么为什么不能用双向 BFS 呢？
似乎也可以。
算法：
1）从头和尾分别开始搜索
2）如果搜到一块儿，输出
3）对于从头开始的那一支，记录沿途点到起点的距离。注意起点有 9 种可能，所以要分别记录。
4）下一次如果目标节点已经被对应起点的一支搜索过了，就直接输出。否则从对应起点剩余的队列和由新的终点开始的新的队列开始 BFS。
双向 BFS 可以把常数减半，非常好的办法。
真的吗？
不难发现，每次搜索中反向搜索的那一支的数据全部作废掉了，只有正向的才会记录数据。
（反向只记录路径上的点到终点的最短距离，但不能告诉我们从起点到这一点的最短距离，是吧？）
（假如起点为 S， 终点为 T。已知一个点 A 到 T 的最短距离和 S 到 T 的最短距离。问 S 到 A 的最短距离？显然不能直接减。事实上 SA + AT >= ST，这里指最短距离，不是字面上的意义。）
但是要想达到饱和量，正向搜索的次数是不会减少的。
因此得出结论：当我们用双向 BFS 处理数据时，在处理新的数据的时候时间可以减半，但是实际上记录的数据量也会减半。
这就导致了要想使记录的数据达到饱和，所需的时间要加倍。
时间加倍，正向搜索总量不变，那么时间就多花在了反向搜索的时间上面了，而且还是双倍的。（这里的时间是指记录量达到饱和所花的时间）
所以我说啊，对于小规模的数据，双向 BFS 可以很快搞定。然而如果要认真实现优化的话，还是用朴素的 BFS 好了。
差点忘了贴代码了。??
2018-01-28
