人工智能实验报告： 搜索策略.docxVIP

“人工智能”实验报告专 业： 班 级： 学 号： 姓 名： 2017年4月 日实验一 搜索策略（一）实验内容1.熟悉和掌握启发式搜索的定义、估价函数和算法过程；比较不同算法的性能。2.修改八数码问题或路径规划问题的源程序，改变其启发函数定义，观察结果的变化，分析原因。（二）实验思路1.利用已有程序“search.jar”，利用已有的“简单搜索树”图或自行构建一个图，选择DFS/BFS/Lowest Cost First/Best-First/Heuristic Depth First/A*等不同的搜索策略，观察程序运行中，OPEN表和CLOSED表的变化，观察搜索过程的变化，理解各个算法的原理。2.任选八数码问题或路径规划问题的源程序，思考程序如何解决该问题，并对其启发函数进行修改，观察结果的变化，并分析原因（三）程序清单此处我选择了路径规划问题：由于篇幅原因，只附上启发函数的定义部分。原启发函数：float MapSearchNode::GoalDistanceEstimate( MapSearchNode nodeGoal ){float xd = fabs(float(((float)x - (float)nodeGoal.x)));float yd = fabs(float(((float)y - (float)nodeGoal.y)));return (xd + yd);}第一次修改后的启发函数：float MapSearchNode::GoalDistanceEstimate( MapSearchNode nodeGoal ){float xd = fabs(float(((float)x - (float)nodeGoal.x)));float yd = fabs(float(((float)y - (float)nodeGoal.y)));float d=sqrt(xd*xd+yd*yd);return d;}第二次修改后的启发函数：float MapSearchNode::GoalDistanceEstimate( MapSearchNode nodeGoal ){float xd = fabs(float(((float)x - (float)nodeGoal.x)));float yd = fabs(float(((float)y - (float)nodeGoal.y)));float d=3*sqrt(xd*xd+yd*yd);return d;}第三次修改后的启发函数：float MapSearchNode::GoalDistanceEstimate( MapSearchNode nodeGoal ){float xd = fabs(float(((float)x - (float)nodeGoal.x)));float yd = fabs(float(((float)y - (float)nodeGoal.y)));float d=xd*xd+yd*yd;return d;}（四）运行结果说明1.首先对实验内容1进行说明图一图一展示A*算法的搜索过程（此处的g(n),h(n)由系统自动给定），绿色表示可拓展节点（在OPEN表内），灰色表示已扩展结点（CLOSED表），没有颜色表示未入表，红色代表当前路径由课上学习我们易知f(n)= g(n)+h(n)下面我们通过改变g(n)，h(n)来验证上式是否成立。图二①图二为图一的放大图，我们可以看出f(Node1)= g(Node1) +h(Node1)=26.9+56.8=83.7f(Node2)= g(Node2) +h(Node2)=34.2+31.5=65.7显然f(Node1) f(Node2),因此由A*算法，我们选择Node2图三②在图三中，我修改了Node2的启发值，其他不变f(Node1)= g(Node1) +h(Node1)=26.9+56.8=83.7f(Node2)= g(Node2) +h(Node2)=34.2+100.0=134.2显然f(Node1)f(Node2),因此由A*算法，我们选择Node1 图四③在图四中，我修改了Node2的当前路径值，其他不变f(Node1)= g(Node1) +h(Node1)=26.9+56.8=83.7f(Node2)= g(Node2) +h(Node2)=100.0+31.5=131.5显然f(Node1)f(Node2),因此由A*算法，我们选择Node1经过上述简单实验论证，我们可以发现，A*算法的确是根据f(n)的值来进行搜索的2.对实验内容2的说明实验内容2我一共做了三次启发函数值的修改①float d=sq