隐式图的搜索实验准备

1.从起点 开始，把它加入到一个由方格组成的open list(开放列表) 中，这个open list像是一个购物清单。Open list里的格子是可能会是沿途经过的，也有可能不经过。因此可以将其看成一个待检查的列表。查看与相邻的8个方格 ，把其中可走的 (walkable) 或可到达的(reachable) 方格加入到open list中。并把起点 设置为这些方格的父节点 (parent node) 。然后把 起点 从open list中移除，加入到close list(封闭列表) 中，close list中的每个方格都是不需要再关注的。
2.需要从open list中选一个与起点相邻的方格。但是到底选择哪个方格好呢？选F值（F(n) = G + H 。G代表的是从初始位置A沿着已生成的路径到指定待检测格子的移动开销。H指定待测格子到目标节点B的估计移动开销。H采用的是传统的曼哈顿距离（Manhattan Distance），也就是横纵向走的距离之和，并且忽略沿途的障碍。）最小的那个。
3.比较open list中节点的F值后，发现起点右侧节点的F=40，值最小。选作当前处理节点，并将这个点从Open List删除，移到Close List中。
4.对这个节点周围的8个格子进行判断，若是不可通过（比如墙，水，或是其他非法地形）或已经在Close List中，则忽略。否则执行以下步骤：
5.(1）若当前处理节点的相邻格子已经在Open List中，则检查这条路径是否更优，即计算经由当前处理节点到达那个方格是否具有更小的 G值。如果没有，不做任何操作。相反，如果G值更小，则把那个方格的父节点设为当前处理节点 ( 我们选中的方格 ) ，然后重新计算那个方格的 F 值和 G 值。（2）若当前处理节点的相邻格子不在Open List中，那么把它加入，并将它的父节点设置为该节点。
算法思想：
1.定义open表和close表，其中open表是用来存储待查验的节点，而close表是用来存储已查验过的节点（不需要再关注的节点）
2.把开始节点加入open表；
3.将开始节点拓展的子节点加入open表，将开始节点加入到close表；
4.将open表中的节点的耗散值也就是f进行从小到大的排序，此时open表中的第一个节点的耗散值最小，对open表中的第一个节点进行判断，如果这个节点是目标节点，则算法结束，无需进行以下步骤；反之，如果这个节点不是目标节点，则将这个节点进行扩展，再进行下一步；
5.判断n的可扩展节点（相邻节点）m，情况一：如果m在open表中，则说明初始节点到m节点出现了两条路径，此时需要判断这两条路径的耗散值的大小如果是新路径的耗散值小，则需要更改m节点的父节点，并将open表中的原的m节点加入close表，将现在的m节点加入open表，如果是新路径的耗散值大，则不需要进行任何操作；情况二：如果m在close表中，则说明初始节点该节点到m节点有两条路径，如果是新路径的耗散值大，则不需要进行任何操作如果是新路径的耗散值小，需要将更改m节点的父节点，并将m节点从close表中取出，并放入open表中；情况三：m节点既不在open表中也不在close表中，直接将m节点加入到open表中即可；
6.重复第4步，（算法结束的两种情况，其一，当前节点就是目标节点，即找到
了最优解；其二，open表为空，既无法找到到目标节点的路径，即无解。）

首先通过构建结点类，存储上下左右四个方向的状态，并用parent结点记录其原来位置，通过A算法的需要，构建评估价值的函数，即F(n)=g(n)+h(n)
其次构建隐式图的主要运作类
1.对是否可行的判断（奇偶性判断）放在一开始，若不可行，即不能到达目标位置，则直接，跳过。
2.构建判断两个二维数组是否相等的函数，作为结束的判断，以及中间查重的步骤。
3.构建g(n)函数，即两个二维数组有多少数字不相同。
4.构建主要的运行函数，通过对于四个方向的判断，增添其子节点。通过循环不断添加，直到达到目标位置。
5.输出函数，逆序输出，从到达的目标位置，不断寻找父结点存到一个新的列表里。
F(n)函数用于对列表再排序，找到价值最大的结点，寻找他的子节点。
实验任务：
1）对九宫重排问题，建立图的启发式搜索求解方法；
2）用A算法求解九宫重排问题。

实验要求：
3х3九宫棋盘，放置数码为1~8的8个棋子，棋盘中留有一个空格，空格周围的棋子可以移动到空格中，从而改变棋盘的布局。根据给定初始布局和目标布局，移动棋子从初始布局到达目标布局，求解移动步骤并输出。请设计算法，使用合适的搜索策略，在较少的空间和时间代价下找到最短路径。

编程语言以及开发环境的选择
编程语言采用java，开发环境为idea

实验思路
对于8数码问题我们首先应该想到的是问题是否可解，如何判断呢？这里给出如下判定结论：
将状态表示成一维的形式，求出除0（空格）之外所有数字的逆序数之和，也就是每个数字前面比它大的数字的个数的和，称为这个状态的逆序数。若两个状态的逆序奇偶性相同，则可相互到达，否则不可相互到达[1]。
例如：

S0表示成: 2 X 3 1 8 4 7 6 5
则:f(2)=0, f(3)=0, f(1)=2, f(8)=0, f(4)=1, f(7)=1, f(6)=2, f(5)=3
Sg表示成: 1 2 3 8 X 4 7 6 5
则:f(2)=0, f(3)=0, f(1)=2, f(8)=0, f(4)=1, f(7)=1, f(6)=2, f(5)=3
当f(a8)+f(a7)+……+f(a1)均为奇数或偶数时才能重排成功，所以，S0到Sg状态有解。
判断是否可解的问题解决了，用什么样的搜索算法找到移动路径呢？

其实，不管哪种搜索，都可以统一用这样的形式表示: 搜索的对象是一个图，它面向一个问题，不一定有明确的存储形式，但它里面的每一个结点都有可能是一个解(可行解)，搜索的目的有两个方面，或者求可行解，或者从可行解集中求最优解。

搜索算法可分为两大类:无信息的搜索算法和有信息的搜索算法。无信息的搜索又称盲目搜索，其特点是只要问题状态可以形式化表示，原则上就可用使用无信息的搜索，无信息搜索有如下常见的几种搜索策略:广度优先搜索、代价一致搜索、深度优先搜索、深度有限搜索、迭代深入优先搜索、双向搜索。我们说DFS和BFS都是蛮力搜索，因为它们在搜索到一个结点时，在展开它的后续结点时，是对它们没有任何‘认识’ 的，它认为它的孩子们都是一样的‘优秀’，但事实并非如此，后续结点是有好有坏的。好，就是说它离目标结点‘近’，如果优先处理它，就会更快的找到目标结点，从而整体上提高搜索性能。

为了改善上面的算法，我们需要对展开后续结点时对子结点有所了解，这里需要一个估值函数，估值函数就是评价函数，它用来评价子结点的好坏，因为准.确评价是不可能的，所以称为估值。这就是我们所谓的有信息搜索。如果估值函数只考虑结点的某种性能上的价值，而不考虑深度，比较有名的就是有序搜索(Ordered-Search)，它着重看好能否找出解，而不看解离起始结点的距离(深度)。如果估值函数考虑了深度，或者是带权距离(从起始结点到目标结点的距离加权和)，那就是A*。简单的来说A*就是将估值函数分成两个部分，一个部分是路径价值，另一个部分是一般性启发价值，合在一起算估整个结点的价值。