人工智能之A*算法求解

实验目的

熟悉和掌握启发式搜索的定义、估价函数和算法过程

实验平台

Python 3.7 +

实验要求

熟练掌握A*算法的基本原理。分析不同启发式函数对问题求解的提升效果。

1. 实现A*算法的求解，要求设计两种不同的估价函数：设置相同的初始状态和目标状态，针对不同估价函数，求得问题的届，比较它们对搜索算法性能的影响，包括扩展节点数、生成节点数、运行时间等。
2. 画出流程图。
3. 源程序代码

实验结果（可以包含数据集分析、实验过程、结果截图、结果分析等）

• 八数码问题

1. 不同的估价函数对搜索算法性能的影响

（1）、曼哈顿距离：曼哈顿距离是八数码问题中常用的估价函数之一。在这个算法中，每个状态都会计算曼哈顿距离，并将距离加入优先队列中。曼哈顿距离具有良好的准确性和高效性，因此在这个算法中表现良好。

（2）、欧几里得距离：欧几里得距离是另一个常用的估价函数。在这个算法中，每个状态都会计算欧几里得距离，并将距离加入优先队列中。与曼哈顿距离相比，欧几里得距离可以更好地反映状态之间的真实距离，但是由于它需要进行平方根计算，因此计算成本更高。

（3）、切比雪夫距离：切比雪夫距离是一种更为简单的估价函数，它只需要取两个状态之间横向和纵向距离的最大值。在这个算法中，每个状态都会计算切比雪夫距离，并将距离加入优先队列中。与曼哈顿距离相比，切比雪夫距离更为简单，计算成本更低，但它可能不如曼哈顿距离那么准确。

1. 流程图