人工智能搜索策略的学习

。目前正在学习人工智能的课程理论知识，下面就该课程的主要知识做一些总结梳理。

搜索策略就是结点扩展顺序的选择

一、最佳优先搜索
思想：使用一个评估函数f(n)给每个结点估计他们的希望值。优先扩展最有希望的未扩展结点。
实现：open表中根据希望评估值从大到小排序。
最佳优先搜索策略有：
----贪婪最佳优先搜索
----A*搜索
1、贪婪最佳优先搜索
评估函数f(n)=h(n) (heuristic,启发函数） h(n)=估计从结点n到目标结点的代价
贪婪最佳优先搜索优先扩展看上去更接近目标的结点（启发式函数评估出来的）。
贪婪不一定能找到解。

2、A搜索
思想：避免扩展代价已经很高的结点
评估函数f(n)=g(n)+h(n)
g(n)=到达结点n已经发生的实际代价
h(n)=从结点n到目标的代价估计值
f(n)=评估函数，估计从初始结点出发，经过结点n，到目标的路径代价。
A是一定可以找到解的。

二、可采纳的启发式函数
如果启发式函数h(n)对于任意的结点n都满足h(n)=<h*(n)，这里h*(n)是指从结点n到达目标的真正代价，则称h(n)是可采纳的。
定理：如果h(n)是可采纳的，则A*树搜索算法是具有最优性。

三、松弛问题
对原定问题的动作的约束放宽，称为问题的松弛化。
松弛化问题的最优解的代价就可以用来定义原问题的一个可采纳启发式函数。