迷宫寻路实验报告.doc

人工智能实验报告 熟悉和掌握A*算法实现迷宫寻路功能，要求掌握启发式函数的编写以及各类启发式函数效果的比较。 二、实验原理： A*（A-Star)算法是一种静态路网中求解最短路最有效的方法。公式表示为：f(n)=g(n)+h(n)，其中f(n)是节点n从初始点到目标点的估价函数，g(n)是在状态空间中从初始节点到n节点的实际代价，h(n)是从n到目标节点最佳路径的估计代价。保证找到最短路径（最优解的）条件，关键在于估价函数h(n)的选取：估价值h(n)小于等于n到目标节点的距离实际值，这种情况下，搜索的点数多，搜索范围大，效率低，但能得到最优解。如果估价值大于实际值，搜索的点数少，搜索范围小，效率高，但不能保证得到最优解。 三、实验内容： 1、参考实验系统给出的迷宫求解核心代码，观察求解过程与思路。 2、画出用A*算法求解迷宫最短路径的流程图。 3、尝试改变启发式算法提高迷宫搜索速度。 4、分析不同启发式函数对迷宫寻路速度的提升效果。 四、实验报告要求： 1、画出A*算法求解迷宫最短路径问题的流程图。 2、试分析不同启发式函数对迷宫寻路求解的速度提升效果。 ①: gn = 0; fn = abs(Ei-ci)+abs(Ej-cj); ……………………… fn1 = abs(Ei-ni)+abs(Ej-nj)+gn1; ②: gn = 0; fn = 0; ………………… fn1 = 0; ③: gn = 0; fn = 0; ………………… fn1 = abs(Ei-ni)*abs(Ej-nj) + abs(Ej-nj)*abs(Ej-nj) +gn1; 调节g(n)和h(n)函数影响搜索策略。使启发式算法效率提高。 3、分析启发式函数中g(n)和h(n)求解方法不同对A*算法的影响。 g(n)和h(n)求解方法不同将直接A*算法的效率，解决方法不仅路径变短，而且过程中搜索产生节点数也会尽量的少；而比较差的解决方法则可能导致所找到的路径未必最短的，尽管它过程中搜索产生节点数也少。 、实验心得与体会 A*算法作为启发式算法的重要组成部分在实际应用中有很大的作用通过实验，我对n)和h(n)这两个函数对于A*的影响有了更一步的了解，同时也认识到编写好的n)和h(n)对于A*算法性能是关键的。