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

源程序代码

from queue import PriorityQueue

# 定义状态类
class State:
    def __init__(self, board, moves, previous):
        self.board = board
        self.moves = moves
        self.previous = previous

    # 定义状态比较函数，用于在优先队列中比较状态
    def __lt__(self, other):
        return self.moves + self.manhattan_distance() < other.moves + other.manhattan_distance()

    # 计算曼哈顿距离
    def manhattan_distance(self):
        distance = 0
        for i in range(3):
            for j in range(3):
                if self.board[i][j] == 0:
                    continue
                x, y = divmod(self.board[i][j] - 1, 3)
                distance += abs(x - i) + abs(y - j)
        return distance

    # 判断状态是否为目标状态
    def is_goal(self):
        return self.board == [[1, 2, 3], [4, 5, 6], [7, 8, 0]]

    # 获取当前状态的下一步状态
    def get_next_states(self):
        next_states = []
        i, j = next((i, j) for i in range(3) for j in range(3) if self.board[i][j] == 0)
        for x, y in ((i+1, j), (i-1, j), (i, j+1), (i, j-1)):
            if 0 <= x < 3 and 0 <= y < 3:
                board = [row[:] for row in self.board]
                board[i][j], board[x][y] = board[x][y], board[i][j]
                next_states.append(State(board, self.moves+1, self))
        return next_states

    # 获取从初始状态到达当前状态的路径
    def get_path(self):
        path = []
        state = self
        while state is not None:
            path.append(state)
            state = state.previous
        return reversed(path)

# A*搜索算法
def solve(start_board):
    start_state = State(start_board, 0, None)
    queue = PriorityQueue()
    queue.put(start_state)
    visited = set()
    while not queue.empty():
        state = queue.get()
        if state.is_goal():
            return state.get_path()
        if tuple(map(tuple, state.board)) in visited:
            continue
        visited.add(tuple(map(tuple, state.board)))
        for next_state in state.get_next_states():
            queue.put(next_state)

    return None

# 测试代码
if __name__ == '__main__':
    start_board = [[1, 2, 3], [4, 5, 6], [0, 7, 8]]
    path = solve(start_board)
    if path is None:
        print("无解")
    else:
        for i, state in enumerate(path):
            print(f"步骤 {i}:")
            for row in state.board:
                print(row)

• 5*5迷宫寻路问题

1. 不同的估价函数对搜索算法性能的影响

（1）、切比雪夫距离估价函数：对于55迷宫的起点和目标点，在网格上可视为同一正方形角落的两个点。因此，用切比雪夫距离可以轻松快速地计算出任意两点之间的代价。使用切比雪夫距离作为估价函数的A算法可以有效地搜索整个网格，直接到达目标点，并尽可能少地探索其他节点。因此，此估价函数能够有效地提高搜索算法性能。

（2）、曼哈顿距离估价函数：曼哈顿距离是指两点之间横向和纵向的距离之和。在5*5迷宫中，使用曼哈顿距离可以快速估算出两点之间的代价，但是这种估价方式会导致搜索算法探索更多的区域，因此相比于切比雪夫距离估价函数，曼哈顿距离估价函数在搜索算法性能方面稍逊一筹。

（3）、欧几里得距离估价函数：欧几里得距离是指两点之间的直线距离。在5*5迷宫中，使用欧几里得距离可以准确地估算出两点之间的代价，但是此估价方式需要更多的计算资源，因此可能会导致搜索算法性能下降。

综上所述，在5*5迷宫寻路问题中，估价函数的选择对搜索算法性能具有重要影响，切比雪夫距离估价函数可以在这个问题中提高搜索算法性能。

1. 流程图

源程序代码

import numpy as np
import heapq


class Node:
    def __init__(self, x: int, y: int, parent=None):
        self.x = x
        self.y = y
        self.parent = parent
        self.g = 0
        self.h = 0

    def __lt__(self, other):
        return self.g + self.h < other.g + other.h


def heuristic(a: tuple, b: tuple) -> int:
    return abs(b[0] - a[0]) + abs(b[1] - a[1])


def astar(maze: np.array, start: tuple, end: tuple) -> list:
    open_set = []
    closed_set = set()
    start_node = Node(start[0], start[1])
    end_node = Node(end[0], end[1])
    heapq.heappush(open_set, start_node)

    while len(open_set) > 0:
        current_node = heapq.heappop(open_set)
        if current_node.x == end_node.x and current_node.y == end_node.y:
            path = []
            while current_node is not None:
                path.append((current_node.x, current_node.y))
                current_node = current_node.parent
            return path[::-1]
        closed_set.add((current_node.x, current_node.y))

        for x, y in [(0, -1), (0, 1), (-1, 0), (1, 0)]:
            node = Node(current_node.x + x, current_node.y + y, current_node)
            if node.x < 0 or node.y < 0 or node.x >= maze.shape[0] or node.y >= maze.shape[1]:
                continue
            if maze[node.x][node.y] == 1:
                continue
            if (node.x, node.y) in closed_set:
                continue
            node.g = current_node.g + 1
            node.h = heuristic((node.x, node.y), (end_node.x, end_node.y))
            heapq.heappush(open_set, node)

    return None


if __name__ == '__main__':
    start = (0, 0)
    end = (4, 4)
    maze = np.array([
        [0, 0, 0, 0, 1],
        [1, 1, 1, 0, 1],
        [0, 0, 0, 0, 0],
        [1, 1, 1, 1, 0],
        [1, 1, 1, 1, 0]
    ])

    path = astar(maze, start, end)
    print(path)

实验总结

通过这次实验，我掌握了如何使用A*搜索算法解决迷宫问题和八数码问题。这是一种常用的人工智能搜索算法，可以用于寻找路径和规划。

在实验中，首先学习了迷宫问题的定义和A算法的基本思路。我们使用Python编写代码，在55大小的迷宫中，通过A*算法计算出从起点到终点的最短路径。其中，需要考虑迷宫的障碍物、每个节点的代价值和启发式函数等因素，也需要用到优先队列来存储待扩展的节点。最后，通过绘制迷宫地图和标注路径，完成了实验任务。

接着，学习了八数码问题的定义和A算法的适用性。同样利用Python编写代码，通过A算法计算出从初始状态到目标状态的最短路径。在实验中，为了提高算法效率和减少搜索深度，设计了一种简单而可行的启发式函数，并使用优先队列存储待扩展的节点，最终完成了实验任务。

通过这次实验，除了掌握了A*搜索算法的应用，还进一步了解了Python的函数定义语法和相关知识，同时也加深了对算法原理和机制的理解。