深度优先算法(Depth-First Search, DFS)
深度优先搜索是一种用于遍历或搜索树或图的算法。它沿着树的深度遍历树的节点,尽可能深地搜索树的分支。当节点v的所在边都已被探寻过,搜索将回溯到发现节点v的那条边的起始节点。这一过程一直进行到已发现从源节点可达的所有节点为止。如果还存在未被发现的节点,则选择其中一个作为源节点并重复以上过程,直到所有节点都被访问为止。深度优先搜索是一个递归算法,它利用了后进先出的栈结构,在图的遍历中特别有效。
特点与应用:
内存消耗较小:由于只需存储一条从根节点到当前节点的路径。
找到解后停止:在搜索到解后,可以立即停止,不需要遍历整个图。
可能陷入死循环:在遍历图时,如果不记录已经访问过的节点,可能会陷入无限循环的情况。
不保证最短路径:深度优先搜索不保证找到的路径是最短的。
应用场景:如解决迷宫问题、排列组合问题、拓扑排序、解决连通性问题等。
在栈内完成,先进后出,探索完的节点入栈,当完成这一次的探索重新进入到这个节点时出栈,再次探索另一个节点时再次入栈
广度优先算法(Breadth-First Search, BFS)
广度优先搜索是最简便的图的搜索算法之一,属于盲目搜寻法,目的是系统地展开并检查图中的所有节点,以找寻结果。它从图的某个顶点V0开始,依次访问V0的各个未被访问过的邻接点,然后从这些邻接点出发,再依次访问它们的未被访问过的邻接点,直到图中所有已被访问过的顶点的邻接点都被访问到。这一过程类似于树的按层次遍历。
特点与应用:
找到最短路径:在无权图中,广度优先搜索可以保证找到从源点到目标点的最短路径。
遍历顺序确定:按层次依次访问,各层访问顺序是唯一的。
应用场景:如编写国际跳棋AI、计算最少编辑多少个地方就可将错拼的单词改成正确的单词、根据你的人际关系网络找到关系最近的医生等。
先进先出,访问的节点完全展开访问后出队,以此展开后边的节点,已经访问的节点不再继续访问
Hill Climbing(爬山算法)
爬山算法是一种局部择优的方法,属于启发式搜索算法。它从当前的节点开始,和周围的邻居节点的值进行比较,如果当前节点不是最大的,就用最高的邻居节点来替换当前节点,从而实现向“山峰”的高处攀爬的目的。如此循环直到达到最高点。
特点:
局部最优:容易陷入局部最优解,而非全局最优解。
避免遍历:通过启发选择部分节点,提高搜索效率。
应用场景:适用于对最优解要求不是非常严格,且搜索空间不是很大的情况。
贪心搜索(Greedy Search)
贪心算法是一种在每一步选择中都采取在当前状态下最好或最优(即最有利)的选择,从而希望导致结果是全局最好或最优的算法策略。它不保证会得到最优解,但在某些问题中,贪心算法的解足够接近最优解或者确实是最优解。
特点:
简单直观:通常直接且易于实现。
效率高:在很多情况下,贪心算法的运行时间较短。
无记忆:每次选择都是独立的,不依赖于之前的状态。
不保证最优解:在某些问题中,贪心选择可能导致非最优的全局解。
背包问题
A*算法
A算法是一种启发式搜索算法,它结合了最佳优先搜索和Dijkstra算法的特点。A算法通过维护一个优先队列(通常是最小堆),并根据启发式函数(如g(n) + h(n),其中g(n)是从起点到当前点的实际距离,h(n)是从当前点到目标点的估计距离)来评估节点的优先级。A*算法能够找到从起点到终点的最短路径,并且比纯粹的启发式搜索算法(如爬山算法)更加可靠和高效。
特点:
找到最短路径:在多数情况下,A*算法能够找到从起点到终点的最短路径。
启发式搜索:利用启发式函数来评估节点的优先级,提高搜索效率。
应用场景:如路径规划、游戏AI、图形学中的光照计算等。
启发式搜索算法(Heuristic Search Algorithm) 是一种利用启发性信息来指导搜索过程的算法。这种启发性信息通常是有利于尽快找到问题解的有价值信息,能够显著减少搜索空间的大小,提高搜索效率。
启发式搜索算法的基本特点
启发性信息:启发式搜索算法利用启发性信息来评估搜索过程中每个节点的价值,从而决定搜索的方向和顺序。这种信息可以是节点与目标节点之间的估计距离、代价或其他相关指标。
节点选择:在启发式搜索中,节点的选择不是盲目的,而是基于启发性信息进行的。算法会优先扩展那些看起来更有可能通向目标节点的节点。
效率提升:由于利用了启发性信息,启发式搜索算法能够省略大量无用的搜索路径,从而显著提高搜索效率。
与一般搜索算法的区别
搜索策略:
一般搜索算法(如深度优先搜索、广度优先搜索等)通常采用确定性的搜索策略,即按照固定的规则(如先深后广或先广后深)进行搜索。
启发式搜索算法则采用启发式的搜索策略,即根据启发性信息来指导搜索过程,使搜索更加灵活和高效。
节点评估:
一般搜索算法在搜索过程中通常不对节点进行特别的评估,只是简单地按照搜索策略进行遍历。
启发式搜索算法则会对每个节点进行评估,并根据评估结果来决定节点的扩展顺序和搜索方向。
搜索效率:
一般搜索算法在搜索空间较大时,可能会遇到搜索效率低下的问题,因为它们可能会遍历大量无用的节点。
启发式搜索算法由于利用了启发性信息来指导搜索过程,因此能够显著减少搜索空间的大小,提高搜索效率。
结果质量:
一般搜索算法在找到解时通常无法保证解的质量(如是否最优),因为它们只是按照固定的规则进行搜索。
启发式搜索算法虽然也无法保证总是找到最优解(这取决于启发性信息的准确性和问题的复杂度),但在很多情况下能够找到接近最优的解或高质量的解。
适用性:
一般搜索算法适用于搜索空间较小或问题结构较简单的情况。
启发式搜索算法则更适用于搜索空间较大、问题结构较复杂或需要快速找到高质量解的情况。
综上所述,启发式搜索算法通过利用启发性信息来指导搜索过程,显著提高了搜索效率和质量,是现代优化算法和人工智能领域中的重要工具之一。