关于启发式搜索算法

启发式搜索（Informed Search / Heuristic Search）
启发式搜索就是利用启发性信息进行制导的搜索。

启发性信息就是有利于尽快找到问题之解的信息。
按其用途划分，启发性信息一般可分为以下三类：
(1)用于扩展节点的选择，即用于决定应先扩展哪一个节点，以免盲目扩展。
(2)用于生成节点的选择，即用于决定应生成哪些后续节点，以免盲目地生成过多无用节点。
(3)用于删除节点的选择，即用于决定应删除哪些无用节点，以免造成进一步的时空浪费。

启发式搜索要用启发函数来导航，其搜索算法就要在状态图一般搜索算法基础上再增加启发函数值的计算与传播过程，并且由启发函数值来确定节点的扩展顺序。两种策略:

全局择优搜索
在OPEN表中保留所有已生成而未考察的节点，并用启发函数f(x)对它们全部进行估价，从中选出最优节点进行扩展，而不管这个节点出现在搜索树的什么地方。
局部择优搜索（爬山法）
扩展节点N后仅对N的子节点按启发函数值大小以升序排序，再将它们依次放入OPEN表的首部。

一般的搜索策略都可以归纳成以下的算法过程

   - 初始化队列Q

   - 重复以下过程

             - 取队列Q头的值，并测试其是否是我们的目标值，如果是结束搜索

             - 拓展Q，例如产生候选节点并将其加入队列Q

因为在实际编程过程中，虽然实际模型常常是图Graph结构的，但是通常会使用队列Queue来保存搜索信息

不同的搜索算法根据添加新节点的顺序不同而区分，就是拓展步骤候选节点的选择顺序策略

从这种角度考虑时，深度优先搜索（DFS）和广度优先搜索（BFS）其实在处理新节点的方法上是一样的

区别仅仅在：

       - 深度优先搜索，在队列的头加入新的候选节点

       - 广度优先搜索，在队列的尾加入新的候选节点

最佳优先搜索 Best First Search 使用评价函数 f(x) 来对上述的节点选择顺序进行排序

下面先定义两个函数

       - g(x) 为从根节点到x节点的代价总和

       - h(x) 为从x节点到目标节点的估计代价总和

这类应用算法有

代价一致搜索 (Uniform Cost Search) f(x) = g(x)

贪心搜索 (Greedy Search) f(x) = h(x)

A星搜索 (A* Search) f(x) = g(x) + h(x)

关于模型的图

上面所讲的 g(x) h(x) 还是太过抽象，所以这里用一张经典的图进行说明，这是一张地图的抽象，假定目标节点为Bucharest

在上图中，h(x)指的是右边的各个节点（城市）到目标节点（Bucharest）的直线测量距离

可以想象，这个距离在实际中不可能等同于路程，除非你在驾驶一辆理想化的私人进行交通而且还无视航空法规。

但是，这个距离在大多情况下是能反映出一部分的实际距离的，因为无论怎样绕远路，直线距离100km和直线距离1km的两个地点在实际到达距离或时间（代价）上都是有区分度的。

这里又回到了数学建模问题，一个好的建模可以大大优化算法的执行质量。

贪心搜索是完全使用 h(x) 作为参考的，该算法会一直选择距离目标最近的点进行拓展。

由于每一步的拓展都是基于当前与节点相连接的节点进行选择的，所以贪心算法可能会出现环路状况，例如图中的 Iasi 和 Neamt 就会不断循环访问

而且贪心搜索无法保证结果的最优解，原因是我们用的数据是预测数据（直线距离）而不是真实数据，其具有一定概率上的相关性但不具备实际相关性。

代价一致搜索

用优先队列实现，关键点在于该算法不关心经过节点量，只关心该路径已走过路程和（代价和）。而且此算法就算到达目标点也不会停止，而是继续寻找是否有更佳路径，直至遍历完成

procedure UniformCostSearch(Graph, start, goal)
node ← start
cost ← 0
frontier ← priority queue containing node only
explored ← empty set
prev[] ← empty set
do
if frontier is empty
return failure
node ← frontier.pop()
if node is goal
return solution
explored.add(node)
for each of node’s neighbors n
if n is not in explored
if n is not in frontier
frontier.add(n)
prev[n] = node
else if n is in frontier with higher cost
replace existing node with n
prev[n] = node
这里还有一个算法在我看来是和代价一致搜索是一样原理的，就是Dijkstra’s algorithm。
这两个算法的区别在于UCS不需要像Dijkstra’s那样一次吧所有节点的信息全部读入（初始化时所有节点的cost设置成无限大），而是在某节点有更新时才对其进行cost值初始化并加入优先队列。（黄色字部分为区别）

因为算法的限制，ucs不会出现环路情况，因为explored参数的存在

explored 和 prev可以设置为每个节点的状态 ，也可以设成独立结构

A* Search

吸收了以上两个算法的优点

贪心的效率和ucs的精准

为什么A* Search能保证有最优解呢？

这是由于 h() 只要满足可允许（adimssible）条件：任何的h(x)都小于或等于h*(x)

h*(x) 是从节点x到目标的实际路径

那么从算法的角度看预测值的权永远小于或等于同等的实际距离的权

就是说预测对算法的影响不会大于实际值

Iterative Deepening A*

相对A*算法该算法使用了深度优先的搜索策略，并且在递归开始就设定了阈值，在算法搜索到一定深度后自动停止深度搜索

该算法无需进行访问判断和排序，相对占内存空间较小

node current node
g the cost to reach current node
f estimated cost of the cheapest path (root…node…goal)
h(node) estimated cost of the cheapest path (node…goal)
cost(node, succ) step cost function
is_goal(node) goal test
successors(node) node expanding function

procedure ida_star(root)
bound := h(root)
loop
t := search(root, 0, bound)
if t = FOUND then return bound
if t = ∞ then return NOT_FOUND
bound := t
end loop
end procedure

function search(node, g, bound)
f := g + h(node)
if f > bound then return f
if is_goal(node) then return FOUND
min := ∞
for succ in successors(node) do //DFS
t := search(succ, g + cost(node, succ), bound)
if t = FOUND then return FOUND
if t < min then min := t
end for
return min
end function

---

作者：joshualiunsw
来源：CSDN
原文：https://blog.csdn.net/joshualiunsw/article/details/52135805
版权声明：本文为博主原创文章，转载请附上博文链接！