启发函数

这个应该是搜索部分最有实用意义的一部分。给定一个搜索问题，如何确定一个启发函数，这无意是最具指导意义的。

考虑一个实际问题，8数码问题：在3×3的格子上有8个棋子，1-8，随机摆放在棋盘的四周格子中，其中中间的一格没有棋子，要通过移动，把这8个棋子变成按1-8的顺序排列的棋子。并且空格在0,0位置。

这里有两个启发函数
h1 = 不在位的棋子数，如果某状态所有的棋子都不在正确的位置，那么h1=8.可以知道这是一致性的启发函数。

h2=所有棋子到其目标位置的距离和，因为棋子不能斜着移动，这里的距离是指水平和竖直距离的和。这个函数也是一致的。

这两个启发函数，到底哪个好呢？一种刻画启发式函数的方法是有效分支因子b* , 对于某个问题，如果A*算法生成的总结点数为N，解的深度为d。那么b*就是深度为d的标准搜索树为了能够包括这N+1个节点所必需的分支因子。即
N+1 = 1+ b* + pow(b*,2) + pow(b*,3) + … + pow(b*,d)

如果A*算法用52个节点在第5层找到了解，那么b*就是1.92. 这个因子在实际问题中通常比较稳定，因此可以在小规模范围内估计这个b*，然后在实际问题中采用最小的b*来处理问题。

实际实验证明h2要比h1要好。

其实从另一个方面，如果h2/h1,是两个一致启发函数，并且h2(n)>h1(n) , 那么h2是比h1更好的启发函数。这是因为A*算法总是搜索所有的f(n) < C* 的节点。 而f(n) = g(n) + h(n) ,  h(n)越大，那么对应的g(n)就越小，满足f(n) < C*的节点就越少。

那么如何设计h2这个启发函数呢？计算机能否设计出这样的函数呢？

h1/h2估计剩余路径的长度，如果我们改变游戏规则，是棋子可以随便移动，而不是只能移动到起相邻的空格上，那么h1将给出最短解的确切步数。如果棋子每次可以横向或者纵向移动一格，而不管这个位置原来是不是有棋子，那么h2将给出最短解的确切步数。这里，减少了行动限制问题的问题成为松弛问题。松弛状态问题是原有状态空间的超图，因为减少限制导致图的边增加。

由于松弛问题增加了状态空间的边，原有问题的最优解是松弛问题的“最优”解，但是松弛问题可能存在更好的解。所以一个松弛问题的最优解代价是原问题的可采纳的启发式。更进一步，由于得出的启发式是松弛问题的确切代价，那么他一定遵守三角不等式，因而是一致的。

考虑上面的8数码问题，其行动可描述如下：棋子可以从A移到B，如果A与B水平或竖直相邻，并且B是空的。

如果去掉其中一个或者两个条件，生成三个松弛问题：

1.棋子可以从A移到B，如果A和B是相邻的。
2.棋子可以从A移到B，如果B是空的
3.棋子可以从A移到B。

由1，我们可以得到h2； 由3，可以得到h1。而由二，我们可以得到第三个启发函数。

如果我们得到一些列的启发函数，h1,h2,h3,但是找不大一个明显好的启发函数，那可以用h(n)=max(h1(n),h2(n),…,hm(n)) 来作为启发函数，而这个启发函数比任何一个单个的启发函数都要好。

可以证明h(n)是一致的，如果每个hi(n)都是一致的。
这个可以通过反证法得到，假设h(n)=hi(n) ,  h(n’)=hj(n’) , 现在要证明hi(n)<=c(n,a,n’) + hj(n’)
假设hi(n)  > c(n,a,n’) +hj(n’)  , 那么因为hj(n’) > hi(n’),  可以得到hi(n) > c(n,a,n’) + hi(n’) . 这与hi是一致启发函数相矛盾。因此，max(h1,h2,h3,…hm)是一致的启发函数。因为这函数比所有的启发函数都要大，因此她比所有的启发函数的都要好。

另外从子问题出发，也可以设计处可采纳的启发式。依旧考虑上面的8数码问题，如果只考虑将棋子1，2，3，4移动到正确的位置上，显然这个子问题的最优解的代价是完整问题的解代价的一个下界。在某些情况下，比上面提到的h2 要更好。

模式数据库的想法就是对每个可能的子问题实例存储解代价，最为一个启发函数。而1，2，3，4的选择是随机的，我们也可以选择自问题，2，3，4，5或者5，6，7，8，这样对于每个子问题。我们都可以构造一个启发函数，然后取MAX(hi)得到一个较好的启发函数。通过这样的方式，可以构造出更加精确的启发函数。

文章出处：http://www.bagualu.net/wordpress/archives/3431