Backtracking ist im D-Book der wichtigste Anker für den erweiterten Q1.3-Bereich. Einfache Rekursion wie Summe oder Fakultät zeigt, wie ein Problem kleiner wird. Backtracking zeigt zusätzlich, wie ein Suchraum durch Entscheidungen entsteht. Ein Algorithmus wählt eine Möglichkeit, geht tiefer, prüft, ob die Teillösung trägt, und kehrt bei einer Sackgasse zurück.
Damit wird der Rücksprung fachlich bedeutsam. Er ist kein Fehler und kein bloßer Abbruch, sondern Teil der Strategie. Die Suche verwirft nicht tragfähige Teillösungen und nutzt die Information, um Alternativen zu prüfen. Genau dadurch werden Probleme wie Labyrinthe, n-Damen, Sudoku oder andere Entscheidungsräume algorithmisch modellierbar.
Für Q1.3 ist Backtracking besonders geeignet, weil es mehrere Grundideen verbindet: Rekursion, Zustand, Basisfall, Entscheidung, Rücknahme und Verzweigung. Der Aufrufstapel aus der Rekursionsvisualisierung bekommt eine konkrete Suchfunktion. Jede Ebene repräsentiert eine Entscheidung oder einen Zustand des Teilproblems.
Didaktisch muss Backtracking nicht in voller Optimierungstiefe behandelt werden. Wichtig ist die Struktur: Teillösung prüfen, nächste Entscheidungen bestimmen, rekursiv weitergehen, bei Misserfolg rückgängig machen. Damit entsteht ein starker Kontrast zu linearen Schleifen und einfachen rekursiven Zahlenfunktionen.
Im D-Book bildet Backtracking deshalb den Zielanker für die Einsicht, dass Rekursion Entscheidungsräume modellieren kann.
