双向广度搜索广度搜索虽然可以得到最优解但是其空间消耗增长太快.DOCVIP

双向广度搜索 广度搜索虽然可以得到最优解，但是其空间消耗增长太快。但如果从正反两个方向进行广度搜索，理想情况下可以减少二分之一 的搜索量，从而提高搜索速度。 范例：有N个黑白棋子排成一派，中间任意两个位置有两个连续的空格。每次空格可以与序列中 的某两个棋子交换位置，且两子的次序不变。要求出入长度为length的一个初始状态和一个目标状态，求出最少 的转化步数。 问题分析：该题要求求出最少 的转化步数，但如果直接使用广度搜索，很容易产生 数据溢出。但如果从初始状态和目标状态两个方向同时进行扩展，如果两棵解答树在某个节点第一次发生重合，则该节点所连接的两条路径所拼成 的路径就是最优解。 对广度搜索 算法 的改进： １。添加一张节点表，作为反向扩展表。 ２。在while循环体中在正向扩展代码后加入反向扩展代码，其扩展 过程不能与 正向 过程共享一个for循环。 ３。在正向扩展出一个节点后，需在反向表中查找是否有重合节点。反向扩展时 与之相同。 对双向广度搜索 算法 的改进： 略微修改一下控制 结构，每次while循环时只扩展正反两个方向中节点数目较少的一个，可以使两边 的发展速度保持一定的平衡，从而减少总扩展节点 的个数，加快搜索速度。 二、分支定界 分支定界实际上是A* 算法的一种雏形，其对于每个扩展出来 的节点给出一个预期值，如果这个预期值不如当前已经搜索出来的结果好 的话，则将这个节点(包括其子节点)从解答树中删去，从而达到加快搜索速度的目 的。 范例：在一个商店中购物，设第I种商品 的价格为 ci。但商店提供一种折扣，即给出一组商品 的组合，如果一次性购买了这一组商品，则可以享受较优惠的价格。现在给出一张购买清单和商店所提供 的折扣清单，要求利用这些折扣，使所付款最少。 问题分析：显然，折扣使用的顺序与最终结果无关，所以可以先将所有 的折扣按折扣率从大到小排序，然后采用回溯法 的控制 结构，对每个折扣从其最大可能使用次数向零递减搜索，设A为以打完折扣后优 惠的价格，C为当前未打折扣 的商品零售价之和，则其预期值为A+a* c，其中a为下一个折扣 的折扣率。如当前已是最后一个折扣，则a=1。 对回溯 算法 的改进： １。添加一个全局变量BestAnswer，记录当前最优解。 ２。在每次生成一个节点时，计算其预期值，并与BestAnswer比较。如果不好，则调用回溯 过程。 三、A* 算法 A* 算法中更一般的引入了一个估价函数f,其定义为f=g+h。其中g为到达当前节点 的耗费，而h表示对从当前节点到达目标节点的耗费 的估计。其必须满足两个条件： １。h必须小于等于实际的从当前节点到达目标节点 的最小耗费h*。 ２。f必须保持单调递增。 A* 算法 的控制 结构与广度搜索的十分类似，只是每次扩展的都是当前待扩展节点中f值最小 的一个，如果扩展出来的节点与已扩展的节点重复，则删去这个节点。如果与待扩展节点重复，如果这个节点 的估价函数值较小，则用其代替原待扩展节点，具体 算法描述如下： 范例：一个3*3 的棋盘中有1-8八个 数字和一个空格，现给出一个初始态和一个目标态，要求利用这个空格， 用最少 的步数，使其到达目标态。 问题分析：预期值定义为h=|x-dx|+|y-dy|。 估价函数定义为f=g+h。 Type Node(节点类型)＝Re cord Situtation:TSituation（当前节点状态）; g:Integer;(到达当前状态 的耗费) h:Integer;(预计 的耗费) f:Real;(估价函数值) Last:Integer;(父节点) End var List(节点表):Array[1..Max(最多节点数)]?of?Node(节点类型); open(总节点数):Integer; close(待扩展节点编号):Integer; New-S:Tsituation;(新节点) Init List-0; open-1; close-0; List[1].Situation-?初始状态; Main? Program While?( closeopen(还有未扩展节点))?and (openMax(空间未用完))?and (未找到目标节点)?do Begin Begin close:= close+1; For?I:= close+1?to?open?do?(寻找估价函数值最小 的节点) Begin if?List[i].fList[ close].f?then Begin 交换List[i]和List[