L3.2 Uninformed Search Strategy- Key Points

Uninformed Search Strategy

• Definition: A search strategy that does not use heuristic information.
• Characteristics:
  • No direction knowledge
  • Works for general problems but inefficient
  • Useful when no heuristic function is available

Search Strategy

• Choose an option → If incorrect, keep other options for later.
• The challenge: Which option should be chosen first?

Node Components

1. STATE - Current state in the search space.
2. PARENT - Where it was generated from.
3. ACTION - Action used to generate it.
4. PATH-COST - Cost from the initial state to the node.
5. DEPTH - Steps from the initial state.

Queue Types

1. FIFO (First-In, First-Out) - Used in BFS.
2. LIFO (Last-In, First-Out) - Used in DFS.
3. Priority Queue - Used in A Search*.

搜索算法性能衡量与不同搜索策略

在人工智能和计算机科学中，搜索算法的性能决定了解决问题的效率。我们可以通过完备性（Completeness）、最优性（Optimality）、时间复杂度（Time Complexity）和空间复杂度（Space Complexity）等指标来衡量搜索策略的优劣。此外，搜索策略可以分为无信息搜索（Uninformed Search）和有信息搜索（Informed Search），不同策略适用于不同的应用场景。本文将详细介绍这些概念。

---

1. 搜索算法的性能衡量标准

1.1 完备性（Completeness）

完备性指的是算法是否一定能找到解。如果一个搜索算法总是能够找到可达解，则它是完备的。
此外，还需要考虑：

• 算法是否会陷入无限循环（如深度优先搜索可能会陷入死循环）。
• 是否能够避免重复状态，提高搜索效率。

1.2 最优性（Optimality）

最优性指的是找到的解是否是最优解，即是否找到代价最小的路径。例如：

• 广度优先搜索（BFS） 在代价一致时能保证最优解。
• A 搜索算法* 在满足某些条件下可以找到最优解。

1.3 时间复杂度（Time Complexity）

时间复杂度表示搜索算法找到解所需的时间，通常用节点扩展的数量衡量。
时间复杂度的计算涉及以下参数：

• b（分支因子）：每个节点的平均子节点数。
• d（目标节点的最浅深度）：找到解时的最小步数。
• m（状态空间的最大深度）：问题的最大可能路径。

通常，时间复杂度表示为 O(b^d) 或 O(b^m)。

1.4 空间复杂度（Space Complexity）

空间复杂度表示搜索过程中需要存储的最大节点数，也可以用O(b^d) 或 O(b^m) 表示。

---

2. 时间与空间复杂度的计算

时间与空间复杂度通常由以下因素决定：

1. b（分支因子）：每个节点可扩展的最大子节点数。
2. d（目标节点的深度）：最优解所在的最小深度。
3. m（状态空间的最大深度）：搜索树的最大可能路径。

计算时通常使用 大 O 记号（Big-O notation） 来衡量复杂度。例如：

• 广度优先搜索（BFS） 的时间复杂度为 O(b^d)，空间复杂度也为 O(b^d)。
• 深度优先搜索（DFS） 的时间复杂度为 O(b^m)，空间复杂度为 O(bm)（只存储路径上的节点）。

---

3. 搜索策略分类

3.1 无信息搜索（Uninformed Search）

无信息搜索（又称盲目搜索）不使用额外的启发信息，仅依赖基本的搜索规则遍历搜索空间。主要包括：

• 广度优先搜索（BFS）
• 深度优先搜索（DFS）
• 一致代价搜索（Uniform Cost Search）
• 深度限制搜索（Depth-limited Search）
• 迭代加深搜索（Iterative Deepening Search）

3.2 有信息搜索（Informed Search / Heuristic Search）

有信息搜索使用启发式函数（Heuristic Function） 来指导搜索，使得算法更高效。
常见的启发式搜索算法：

• A 搜索*
• 贪心最佳优先搜索（Greedy Best-First Search）

---

4. 具体搜索算法解析

4.1 广度优先搜索（BFS）

广度优先搜索使用FIFO 队列（先进先出），按照层次展开搜索，确保最优解。

BFS 伪代码

BREADTH-FIRST-SEARCH(problem)
  1. 初始化：
     - 创建一个 FIFO 队列 frontier，存入初始节点
     - 创建 explored 集合，存储已访问节点
  2. 进入循环：
     - 若 frontier 为空，返回失败
     - 取出队列头部节点 node
     - 若 node 是目标状态，返回成功
     - 遍历 node 的所有子节点 child：
         - 若 child 不在 frontier 和 explored 中，加入 frontier

BFS 的时间复杂度和空间复杂度：O(b^d)。

4.2 深度优先搜索（DFS）

深度优先搜索使用LIFO 栈（后进先出），优先沿着路径向下探索，适合解决空间复杂度较大的问题。

DFS 伪代码

DEPTH-FIRST-SEARCH(problem)
  1. 初始化：
     - 创建一个 LIFO 栈 frontier，存入初始节点
     - 创建 explored 集合，存储已访问节点
  2. 进入循环：
     - 若 frontier 为空，返回失败
     - 取出栈顶节点 node
     - 若 node 是目标状态，返回成功
     - 遍历 node 的所有子节点 child：
         - 若 child 不在 frontier 和 explored 中，加入 frontier

DFS 的时间复杂度：O(b^m)，空间复杂度 O(bm)。

---

5. 总结

1. 衡量搜索算法的性能主要考虑：

   • 完备性（能否找到解）
   • 最优性（找到的解是否最优）
   • 时间复杂度（搜索所需时间）
   • 空间复杂度（存储需求）

2. 时间复杂度计算时，主要参数包括：

   • b（分支因子）：每个节点的最大子节点数
   • d（最小目标深度）
   • m（最大路径长度）

3. 搜索策略分类：

   • 无信息搜索（Uninformed Search）：不依赖启发信息（如 BFS, DFS）。
   • 有信息搜索（Informed Search）：使用启发式指导搜索（如 A*）。

4. 广度优先搜索（BFS）适用于：需要最优解的情况，但占用较大内存。

5. 深度优先搜索（DFS）适用于：内存受限的问题，但不保证最优解。

---

📌 英文翻译：Searching Algorithm Performance & Strategies

1. Performance Metrics

• Completeness: Can a solution always be found?
• Optimality: Is the solution the best among possible solutions?
• Time Complexity: How long does it take to find a solution?
• Space Complexity: How much memory is required?

2. Time & Space Complexity Calculation

• b: Branching factor (number of successors per node)
• d: Depth of the shallowest goal node
• m: Maximum path length

Complexity measured using Big-O notation:

• BFS: O(b^d)
• DFS: O(b^m)

3. Search Strategies

• Uninformed Search: No heuristic, includes BFS, DFS.
• Informed Search: Uses heuristics, includes A*.

4. BFS vs DFS

• BFS: Guarantees optimal solution, but uses more memory.
• DFS: Uses less memory, but may not find the best solution.

---

📚 考试笔记（Exam Notes）

• BFS: FIFO Queue, O(b^d).
• DFS: LIFO Stack, O(b^m).
• Time Complexity: O(b^d) vs O(b^m).
• Uninformed vs Informed Search: Blind vs Guided.

1.2 Optimality Conditions of A Search Algorithm*

English Explanation

1. Admissible Heuristic
   The heuristic function h(n)h(n) must never overestimate the true cost h∗(n)h^*(n) from node nn to the goal.
   Example: In grid-based maps, Manhattan distance or Euclidean distance is commonly used as a heuristic estimate.

2. Consistent Heuristic
   For every pair of adjacent nodes nn and mm, the heuristic must satisfy:

   h(n)≤c(n,m)+h(m)h(n) \leq c(n, m) + h(m)

   where c(n,m)c(n, m) is the movement cost between nodes nn and mm. This ensures path expansion consistency and prevents unnecessary backtracking.

3. Finite Problem Domain
   The graph must contain a finite number of nodes; otherwise, the algorithm may enter an infinite loop.

4. Non-Negative Path Costs
   The actual cost g(n)g(n) of all paths must be non-negative, ensuring the validity of physical quantities such as time and distance.

---

📌 考试笔记（Exam Notes） 

BFS

• FIFO queue, expands level by level.
• Complexity: O(b^d) (time & space).
• Best for shortest path problems.

UCS

• Uses priority queue, always expands the lowest-cost node.
• Guarantees optimal path.
• Time complexity: O(b^d).

DFS

• LIFO stack, expands deepest nodes first.
• Complexity: O(b^m) time, O(bm) space.
• Best for deep search spaces.

---

一、问题定义的四个要素​（就像规划一次旅行）

1. ​初始状态

   • 你现在的位置，比如“在家门口”。

2. ​可能的行动

   • 你能做的动作，比如“开车、坐地铁、步行”。

3. ​目标状态

   • 你想去的地方，比如“市中心的书店”。

4. ​路径代价

   • 每种选择的成本，比如“开车要油费，坐地铁要时间，步行免费但累”。

例子：
走迷宫问题 = 初始位置（入口）→ 行动（上下左右移动）→ 目标（出口）→ 代价（步数最少）。

---

二、测量问题解决的性能​（像评价导航APP的好坏）

1. ​**时间快吗？**​（时间复杂度）

   • 比如：BFS（广度优先）像地毯式搜索，速度慢；DFS（深度优先）像一条路走到底，可能更快找到解，但不一定最优。

2. ​**内存大吗？**​（空间复杂度）

   • BFS需要记住所有可能的路径，内存爆炸；DFS只需要记住当前路径，内存小。

3. ​**能保证找到最优解吗？**​（最优性）

   • BFS和Uniform-cost（均一成本）像“强迫症”，必须找到最短路径；DFS可能找到一条路就停，不保证最短。

4. ​**能解决问题吗？**​（完备性）

   • 比如：无限深的树中，DFS可能永远找不到解，BFS则能保证找到（如果解存在）。

---

三、六大搜索策略的原则​（像不同的找人策略）

1. ​广度优先（BFS）​

   • ​原则：像“水波纹扩散”，一层层找。
   • ​例子：在迷宫中，先检查所有离起点1步的位置，再检查2步的位置……保证找到最短路径，但内存消耗大。

2. ​均一成本（Uniform-cost）​

   • ​原则：优先走“当前已知最便宜的路”。
   • ​例子：导航APP实时计算路线，优先推荐高速费最少（或时间最短）的路径，类似Dijkstra算法。

3. ​深度优先（DFS）​

   • ​原则：像“钻牛角尖”，一条路走到黑，走不通再回头。
   • ​例子：迷宫中选择一个方向走到死胡同，再回上一个岔路换方向。内存小，但可能绕远路。

4. ​深度限制（Depth-limited）​

   • ​原则：给DFS加一个“探索深度上限”，避免无限下钻。
   • ​例子：找人时规定“最多找3条街”，找不到就放弃。

5. ​迭代加深（Depth-Deepening）​

   • ​原则：结合BFS和DFS，先浅层DFS，再逐步加深深度。
   • ​例子：找钥匙时，先翻抽屉第一层，没有就翻第二层……直到找到。

6. ​深度延长（排版疑似错误，可能指其他策略）​

   • （此处可能是排版问题，或指动态调整搜索深度，暂不展开）

---

四、这些策略的对比​（像选不同的交通工具）

策略	优点	缺点	适用场景
广度优先	保证最短路径	内存爆炸	小规模迷宫、树搜索
均一成本	边权不同时仍最优	比BFS稍慢	带权重的路径规划
深度优先	内存小，适合深问题	可能绕远路、死循环	解空间深，不求最优
迭代加深	内存小且保证最优	重复搜索浅层节点	未知深度的问题

---

通俗总结

• ​搜索策略的核心矛盾：
  “快和省内存不可兼得”——想要快（DFS），可能绕路；想要省内存（DFS），可能不最优；想要又省内存又最优（迭代加深），就得牺牲时间。

• ​实际应用：
  导航软件用均一成本（Dijkstra/A*）找最短路径；游戏AI用BFS/DFS生成地图；智能客服用深度限制搜索快速回答用户问题。

 

Below is a concise cheat sheet for quick memorization, focusing on the key ideas and properties of Depth-Limited Search, Iterative Deepening Search, and Iterative Lengthening Search—especially useful for exam revision.

---

Depth-Limited Search (DLS)

• Definition: A form of Depth-First Search (DFS) with a fixed maximum depth dd.
• Pros:
  • Straightforward modification of DFS.
  • Can avoid infinite-depth pitfalls.
• Cons:
  • Not guaranteed to find a solution if the true solution depth > dd.
  • Not optimal (might miss shallower solutions).
• Completeness: Only if dd is large enough and state space is finite.
• Use Case: When you have a reasonable guess for the solution depth.

---

Iterative Deepening Search (IDS)

• Definition: Increases the depth limit step by step: try d=0, then d=1, d=2, etc.
• Pros:
  • Combines BFS’s completeness/optimality (for uniform-cost edges) with DFS’s low memory usage.
  • Finds the shallowest goal first ⇒ optimal when all edges have the same cost.
• Cons:
  • May repeat states multiple times (due to repeated DFS at each depth).
• Completeness: Yes, when the branching factor is finite.
• Use Case: When you don’t know the solution depth but still want BFS-like optimality in a large search space.

---

Iterative Lengthening Search (ILS)

• Definition: Similar to IDS but with path cost as the limit (rather than depth). Increments the maximum cost allowed each iteration.
• Pros:
  • An iterative version of Uniform-Cost Search (UCS).
  • Finds the least-cost path (like UCS).
  • Uses lower memory than a single full UCS run.
• Cons:
  • Each increase in cost limit restarts the search ⇒ repeated work.
• Completeness/Optimality:
  • Optimal when path costs are non-negative.
  • Complete in a finite state space.
• Use Case: When path costs vary widely or are unknown, and you want guaranteed least-cost solutions.

---

Remember

• DLS: DFS + depth cap; easy but not optimal.
• IDS: Depth-limited DFS repeated; BFS-like guarantees, DFS-like memory.
• ILS: Cost-limited search repeated; UCS-like optimality, iterative overhead.