高级搜索之A星算法讲述.ppt

高级搜索算法之A* A算法 在BFS搜索算法中，如果能在搜索的每一步都利用估价函数f(n)=g(n)+h(n)对Open表(队列）中的节点进行排序，则该搜索算法为A算法。由于估价函数中带有问题自身的启发性信息，因此，A算法又称为启发式搜索算法。 对启发式搜索算法，又可根据搜索过程中选择扩展节点的范围，将其分为全局择优搜索算法和局部择优搜索算法。 1. 全局择优搜索 在全局择优搜索中，每当需要扩展节点时，总是从Open表的所有节点中选择一个估价函数值最小的节点进行扩展。其搜索过程可能描述如下： （1）把初始节点S0放入Open表中，f(S0)=g(S0)+h(S0)； （2）如果Open表为空，则问题无解，失败退出； （3）把Open表的第一个节点取出放入Closed表，并记该节点为n； （4）考察节点n是否为目标节点。若是，则找到了问题的解，成功退出； （5）若节点n不可扩展，则转到第(2)步； （6）扩展节点n，生成子节点ni(i=1,2,……)，计算每一个子节点的估价值f(ni) (i=1,2,……)，并为每一个子节点设置指向父节点的指针，然后将这些子节点放入Open表中； （7）根据各节点的估价函数值，对Open表中的全部节点按从小到大的顺序重新进行排序； （8）转第(2)步。 由于上述算法的第(7)步要对Open表中的全部节点按其估价函数值从小到大重新进行排序，这样在算法第(3)步取出的节点就一定是Open表的所有节点中估价函数值最小的一个节点。因此，它是一种全局择优的搜索方式。 对上述算法进一步分析还可以发现：如果取估价函数f(n)=g(n)，则它将退化为代价树的广度优先搜索；如果取估价函数f(n)=d(n)，则它将退化为广度优先搜索。可见，广度优先搜索和代价树的广度优先搜索是全局择优搜索的两个特例(g(n)是从起点到n的代价，d(n)是从起点到n经过的步数（n在BFS搜索树中的层次数)) 。 一个A算法的例子--八数码再解 定义评价函数： f(n) = g(n) + h(n) g(n)为从初始节点到当前节点的步数 h(n)为当前节点“不在位”的方块数 2 8 3 1 6 4 7 5 1 2 3 8 4 7 6 5 h计算举例 h(n) =4 2 8 3 1 6 4 7 5 1 2 3 4 5 7 6 8 2 8 3 1 6 4 7 5 s(4) A(6) B(4) C(6) D(5) E(5) F(6) G(6) H(7) I(5) J(7) K(5) L(5) M(7) 目标Sg 1 2 3 4 5 6 2．局部择优搜索 在局部择优搜索中，每当需要扩展节点时，总是从刚生成的子节点中选择一个估价函数值最小的节点进行扩展。其搜索过程可描述如下： (1)把初始节点S0放入Open表中，f(S0)=g(S0)+h(S0)； (2)如果Open表为空，则问题无解，失败退出； (3)把Open表的第一个节点取出放入Closed表，并记该节点为n； (4)考察节点n是否为目标节点。若是，则找到了问题的解，成功退出； (5)若节点n不可扩展，则转到第(2)步； (6)扩展节点n，生成子节点ni(i=1,2,……)，计算每一个子节点的估价值f(ni) (i=1,2,……)，并按估价值从小到大的顺序依次放入Open表的首部，并为每一个子节点设置指向父节点的指针，然后转第(2)步。 由于这一算法的第六步仅仅是把刚生成的子节点按其估价函数值从小到大放入Open表中，这样在算法第(3)步取出的节点仅是刚生成的子节点中估价函数值最小的一个节点。因此，它是一种局部择优的搜索方式。 对这一算法进一步分析也可以发现：如果取估价函数f(n)=g(n)，则它将退化为代价树的深度优先搜索；如果取估价函数f(n)=d(n)，则它将退化为深度优先搜索。可见，深度优先搜索和代价树的深度优先搜索是局部择优搜索的两个特例。 A*算法 上一节讨论的启发式搜索算法，都没有对估价函数f(n)做任何限制。实际上，估价函数对搜索过程是十分重要的，如果选择不当，则有可能找不到问题的解，或者找到的不是问题的最优解。为此，需要对估价函数进行某些限制。A*算法就是对估价函数加上一些限制后得到的一种启发式搜索算法。 假设f*(n)为从初始节点S0出发，经过节点n到达目标节点的最小代价值(真实值）。估价函数f(n)则是f*(n)的估计值。显然，f*(n)应由以下两部分所组成：一部分是从初始节点S0到节点n的最小代价，记为g*(n)；另一部分是从节点n到目标节点的最小代价，记为h*(n