人工智能搜索策略（上）

人工智能搜素策略

  状态空间盲目搜索　　

 广度优先搜素(Breadth-First-Search)　　 

  深度优先搜素(Depth-First-Search)　　

状态空间启发搜索 

  A搜索算法(A search algorithm)

  A星搜索算法(A Star search algorithm)

状态空间盲目搜索

首先是思想基础，在此我罗列了BFS和DFS的科学定义，另还有个人通俗解释

   广度优先搜索： 从初始节点S0开始逐层向下扩展，在第n层节点尚未所有搜索完以前，不进入第n+1层节点的搜索。Open表中的节点老是按进入的前后排序，先进入的节点排在前面，后进入的节点排在后面。

   深度优先搜索： 从初始节点S0开始，在其子节点中选择一个最新生成的节点进行考察，若是该子节点不是目标节点且能够扩展，则扩展该子节点，而后再在此子节点的子节点中选择一个最新生成的节点进行考察，依此向下搜索，直到某个子节点既不是目标节点，又不能继续扩展时，才选择其兄弟节点进行考察。

若是你对上述的定义感到讨厌(固然这是很差的)，不妨看看下面个人通俗解释：

广度优先搜索：假如采用BFS进行搜索查找N，那么就是先搜索第一层，若是第一层没有就搜索第二层，而后再搜索第三层

深度优先搜索：假如采用DFS进行搜索查找N，那么先选择一个子数，好比左子树，而后在选择左子树的子节点，直到目标没有找到或者没有子节点再返回，也就是说深度优先搜索是一路走，不到天黑不回头

理解到字面意识毫不意味着结束，下面是一个九宫问题（八数码问题），相信他会让你进一步理解

咱们的目的是用最少的步骤移动空格，把S0变成SG，而空格只能选择左右上下移动

1)采用广度优先搜索

上图就是采用广度优先搜素策略的解法，不要带有恐惧的第一感受去看这个图，仔细看看它真的很是简单，第一次先列出空格向上下左右走的状况，假如咱们讨论图一1到图二2,1图的空格向左走获得了2，而后2因为左边没有了因此只有三种选择，再看看这三种选择，若是向右走显然就回到了图一，所以通过过滤与筛选图二只有两种走法，而后再继续直到找到目标节点 (图26)。

2)采用深度优先搜索

很遗憾的是没有画出完整的解法图，由于实在太长了，这就是深度优先搜索，一路走，不到天黑不回头。

状态空间启发性搜索

假如形象来所BFS和DFS，BFS像一个胆小的孩纸，遇到困难会尝试每一种解决方法，DFS，像一个胆大的孩纸，遇到困难会选择一种解决方法进行实践，直到解决或者实践失败

 

BFS和DFS不适用于人工智能，由于他没有体现出一种智能，只是盲目的寻找目标，试想一下，若是九宫格变成了一百宫格，而解法是在通常树的最后一层，那BFS和DFS的性能没法直视，因而就产生了适用于人工智能的启发性搜索-A*搜索（这里我不会讲解A*搜索算法，而是A搜索算法）

 

在讲它以前有必要了解一下启发性概念和估价函数

     启发性信息的概念：

     启发性信息是指那种与具体问题求解过程有关的，并可指导搜索过程朝着最有但愿方向前进的控制信息。    

估价函数：

     用来估计节点重要性的函数。估价函数f(n)被定义为从初始节点S0出发，约束通过节点n到达目标节点Sg的全部路径中最小路径代价的估计值。它的通常形式为：

             f(n)=g(n)+h(n)

其中，g(n)是从初始节点S0到节点n的实际代价；h(n)是从节点n到目标节点Sg的最优路径的估计代价。 

若是时间充足建议你多度一下上方绿色部分，并记住上面的形式，它将会颇有用

仍是接着上面的九宫问题，若是咱们考虑用A*搜解决就能够设估价函数以下：

f(n)=d(n)+W(n)

d(n)表示节点n在通常搜索树中的深度

W(n)表示节点与Sg不匹配的个数，W(n)的值越大就代表这个方法离成功越远

上图就是利用A搜索 （注意不是A星）的解法图，每一个格子左上方的值表示估价函数f(n)的值，将选择f(n)最小的路走，直到成功，就如上图，第一层（假设root不算层），每一个走法的估价值分别是4，4,5,5，因此咱们根本不考虑5的状况，大大减少了运行时间，从而快速找到目标点。

因为其它关系我准备把A*算法放在（下）中讲解，但愿你能认真体会A算法,另我把本文制做成了一个doc文档以供离线浏览http://download.csdn.net/detail/u013524455/6893047