八数码问题的A*搜索算法

在如下初始状态下八数码进行A*搜索算法。

283
14
765

目标状态:

123
84
765

搜索树的估价函数为f(n)=d(n)+h(n)
d(n):初始状态到当前状态的代价,当前状态处于搜索树的深度。
h(n):以“不在位”的数码数作为启发信息的度量,即当前不位于目的状态数码的个数。

初始化

初始状态为S(3),其中d(n)等于当前状态位于搜索树的深度0,h(n)等于当前状态不位于目的状态数码的个数3,故0+3=3。

第一次循环:

1、从Open表中取出第一个代价最小的状态S(3),如果该状态是目的状态,则搜索结束并返回Closed表;如果没有,则继续循环。
2、空白区域可以往上下左右四个方向移动,通过上述的计算方法可以得到A(4)、B(4)、C(5)和D(5)四个状态。
3、将A(4)、B(4)、C(5)和D(5)四个状态归入Open表中按每一个状态的代价升序排列,并将上一步状态S(3)归入Closed表中。

第二次循环:

1、从Open表中取出第一个代价最小的状态A(4),如果该状态是目的状态,则搜索结束并返回Closed表;如果没有,则继续循环。
2、空白区域可以往左右移动,由于往下移动后得到的状态已经在Closed表中出现,故不考虑。
3、将得到的E(4)和F(6)归入Open表中,并对Open表重新排序,将上一步状态A(4)归入Cloesd表中。

第三次循环:

1、从Open表中取出第一个代价最小的状态B(4),如果该状态是目的状态,则搜索结束并返回Closed表;如果没有,则继续循环。
2、空白区域可以往上下移动,由于往右移动后得到的状态已经在Closed表中出现,故不考虑。
3、将得到的G(5)和H(6)归入Open表中,并对Open表重新排序,将上一步状态B(4)归入Cloesd表中。

第四次循环:

1、从Open表中取出第一个代价最小的状态E(4),如果该状态是目的状态,则搜索结束并返回Closed表;如果没有,则继续循环。
2、空白区域可以往下移动,由于往右移动后得到的状态已经在Closed表中出现,故不考虑。
3、将得到的I(4)归入Open表中,并对Open表重新排序,将上一步状态E(4)归入Cloesd表中。

第五次循环:

1、从Open表中取出第一个代价最小的状态I(4),如果该状态是目的状态,则搜索结束并返回Closed表;如果没有,则继续循环。
2、空白区域可以往下、右移动,由于往上移动后得到的状态已经在Closed表中出现,故不考虑。
3、将得到的J(4)和K(6)归入Open表中,并对Open表重新排序,将上一步状态I(4)归入Cloesd表中。

第六次循环

1、从Open表中取出第一个代价最小的状态J(4),该状态就是目的状态,停止搜索并返回Cloesd表。

在这里插入图片描述

八数码状态搜索树

在这里插入图片描述

  • 20
    点赞
  • 85
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
八数码问题是一种经典的搜索问题,可以使用 A* 算法来求解。A* 算法是一种启发式搜索算法,可以在保证搜索最优解的同时尽可能减少搜索的时间和空间成本。下面是一个使用 Python 实现的八数码问题 A* 算法的示例代码: ``` from queue import PriorityQueue class Puzzle: def __init__(self, board): self.board = board self.moves = [] self.cost = 0 def get_distance(self, target_board): distance = 0 for i in range(3): for j in range(3): value = self.board[i][j] if value != 0 and value != target_board[i][j]: target_i, target_j = divmod(value - 1, 3) distance += abs(i - target_i) + abs(j - target_j) return distance def get_next_puzzles(self): next_puzzles = [] i, j = next((i, j) for i in range(3) for j in range(3) if self.board[i][j] == 0) for di, dj in [(0, 1), (0, -1), (1, 0), (-1, 0)]: if 0 <= i + di < 3 and 0 <= j + dj < 3: next_board = [row[:] for row in self.board] next_board[i][j], next_board[i + di][j + dj] = next_board[i + di][j + dj], next_board[i][j] next_puzzle = Puzzle(next_board) next_puzzle.moves = self.moves + [(i + di, j + dj)] next_puzzle.cost = len(next_puzzle.moves) + next_puzzle.get_distance(target_board) next_puzzles.append(next_puzzle) return next_puzzles def __lt__(self, other): return self.cost < other.cost def solve_puzzle(start_board, target_board): start_puzzle = Puzzle(start_board) start_puzzle.cost = start_puzzle.get_distance(target_board) queue = PriorityQueue() queue.put(start_puzzle) visited = set() while not queue.empty(): puzzle = queue.get() if puzzle.board == target_board: return puzzle.moves for next_puzzle in puzzle.get_next_puzzles(): if tuple(map(tuple, next_puzzle.board)) not in visited: visited.add(tuple(map(tuple, next_puzzle.board))) queue.put(next_puzzle) return None start_board = [[1, 2, 3], [4, 5, 6], [7, 8, 0]] target_board = [[1, 2, 3], [4, 5, 6], [7, 0, 8]] moves = solve_puzzle(start_board, target_board) if moves: for move in moves: print(move) else: print("No solution found.") ``` 在这个示例代码中,我们首先定义了一个 `Puzzle` 类来表示每个状态,其中包含了当前的棋盘状态以及移动序列和代价(即移动序列的长度加上当前状态到目标状态的估计距离)。然后我们使用 A* 算法来搜索最优解,其中使用了一个优先队列来进行状态的扩展,以保证每次扩展的状态都是代价最小的。最后,我们输出找到的移动序列,或者在无解的情况下输出提示信息。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 6
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值