AO算法.docVIP

与或图的启发式搜索算法AO* 　　算法类似于普通图搜索中的算法。在算法中，对当前搜索图的前沿（即在OPEN表中的节点）节点进行评价，选取f值最小的节点进行扩展。回想一下，f是如何定义的？f(n) = g(n) + h(n)　　其中g(n)表示的是已经求得的从初始节点到当前节点n的路径耗散值，h(n)表示的是从n到目标节点的最优路径耗散值的估计值。所以对节点n的评价，实际上是对初始节点--节点n--目标节点这一条路径的评价。　　在与或图搜索中，由于与节点的存在，单纯对一个节点的评价已经不能反映解图的全面情况。与或图中的解图相当于普通图中的解路径。从上边所分析的，对节点n的评价，实际上是对初始节点--节点n--目标节点这一条路径的评价这一思路出发，我们可以很容易的想到，能否通过对局部解图进行评价，来达到类似于普通图中A*搜索的目的。AO*算法，正是这样的一种适用于与或图的搜索算法。 启发式的与或图搜索过程和普通图类似，也是通过评价函数f（n）来引导搜索过程。 　　对于与或图来说，由于局部图中有多个叶节点，不能像普通图搜索那样，通过对某一个节点的评价来实现对整个局部图的评价。在普通图搜索中，f(n)=g(n)+h(n)，表面上是对n的评价，实际上是对通过n的这条路径的评价。因此对于与或图搜索来说，就是通过对局部图的评价来选择待扩展的节点。 下面首先讨论算法本身，然后再通过示例说明搜索过程以及与算法的某些差别。 1．算法 算法可以划分为两个阶段。第一阶段：图生成过程，即扩展节点。对于每一个已经扩展了的节点，算法都有一个指针，指向该节点的后继节点中，耗散值小的那个连接符。图生成过程，就是从初始节点出发，按照该指针向下搜索，一直到找到一个未扩展的节点为止。然后扩展该节点。从下面的讨论可以知道，这实际上扩展的是一个耗散值最小的局部图。第二阶段：耗散值计算过程。这是一个逆向的计算过程。设n为最新被扩展的节点，该节点有m个外向连接符连接n的所有后继节点。则根据耗散值的计算公式，可以计算出节点n相对于每一个外向连接符的耗散值。从中选择一个最小值作为n的耗散值。并标记一个指针指向产生最小耗散值的外向连接符。对于n的父节点，进行同样的计算。重复这一过程，直到初始节点s为止。这时，从s出发，选择那些指针所指向的连接符得到的局部图，为当前耗散值最小的局部图。当连接符全部为1－连接符时，局部图就是一个路径，选择一个耗散值最小的局部图扩展，与第二章中从OPEN表中选择一个f值最小的节点扩展是一致的。 过程：1、建立一个搜索图G，G:＝s，计算q（s）＝h（s），IF GOAL（s）THEN M（s，SOLVED）；开始时图G只包括s，耗散值估计为h（s），若s是终节点，则标记上能解。2、Until s已标记上SOLVED，do：3、begin4、G′:＝FIND（G）；根据连接符标记（指针）找出一个待扩展的局部解图G′。5、n:＝G′中的任一非终节点；选一个非终节点作为当前节点。6、EXPAND（n），生成子节点集{nj}，计算q（nj）＝h（nj），其中nj G，G:＝ADD（{nj}，G），IF GOAL（nj） THEN M（nj， SOLVED）；对G中未出现的子节点计算耗散值，若有终节点则加能解标记，然后把n的子节点添加到G中。7、S:＝{n}；建立含n的单一节点集合S。8、Until S为空，do：9、begin10、REMOVE（m，S），；这个m的子节点mc应不在S中。11、·修改m的耗散值q（m）：对m指向节点集{n1i，n2i，…，nki}的每一个连接符i分别计算qi：qi（m）＝Ci+q（n1i）+…+q（nki），q（m）:＝min qi（m）；对m的i个连接符，取计算结果最小的那个耗散值为q（m）。·加指针到min qi（m）的连接符上，或把指针修改到min qi（m）的连接符上，即原来指针与新确定的不一致时应删去。·IF M（nji， SOLVED） THEN M（m， SOLVED）；若该连接符的所有子节点都是能解的，则m也标上能解。12、IF M（m， SOLVED）（q（m）≠q0（m））THEN ADD（ma， S）；m能解或修正的耗散值与原先估算q0不同，则把m的所有先辈节点ma添加到S中。13、end14、end这个算法可划分成两个操作阶段：第一阶段是4-6步，完成自顶向下的图生成操作，先通过有标记的连接符，找到目前为止最好的一个局部解图，然后对其中一个非终节点进行扩展，并对其后继节点赋估计耗散值和加能解标记。第二阶段是7-12步，完成自下向上的耗散值修正计算、连接符（即指针）的标记以及节点的能解标记。耗散值的修正从刚被扩展的节点n开始，其修正耗散值q（n