人智导（二）：启发式搜索

人智导（二）：启发式搜索

概述：Best-First搜索

启发式搜索算法本质上都是Best-First搜索，当然，无信息搜索也是一种Best-First搜索，只不过衡量Best的标准不同。启发式搜索算法中，衡量Best的标准是基于评价函数（启发式函数）的。
基本思路：

• 后继状态中，具有"best"期望值的状态首先选择并继续扩展
• best这里指的是期望代价度量，而非实际代价度量。精确与否取决于启发函数的质量
  算法：

Function Best-First-Search(problem, EVAL-FN) returns a solution sequence
input: problem: a problem EVAL-FN: an evalution function
	Queuing-FN <--- a function that orders nodes by EVAL-FN
	return General-Search(problem, Queueing-FN)

贪心搜索(Greedy Search)

• 一种最简单的best-first搜索策略（最小化到达目标状态的期望代价）
• 预估离目标状态最接近的节点总是被先扩展
• 启发式函数$h$: $h(n)=$从状态$n$到目标状态的最少路径的期望代价
• 搜索过程中，到达目标状态的路径代价是预估的，而不是真实而准确的
  算法：

Function Greedy-Search(problem) returns a solution or failure
return Best-First-Search(problem, h)

• 若$n$为目标状态，$h(n)=0$
• 一般来说，$h$可以为任何形式的函数
• 启发式函数依赖于问题相关的背景知识

举例：

特点：

• 与深度优先算法类似
• 不完备，不最优
• 时间与空间复杂度：最坏情况下$O(b^m)$，但好的启发式可以大幅度改善性能

A*搜索

思路：
避免扩展已经是最高代价的路径
原理：
组合两种函数：
$$f(n)=g(n)+h(n)$$
其中：

• $h(n)$：从状态n到目标状态的预估（期望）代价（由贪心搜索得到）
• $g(n)$：从初始状态到当前状态n的实际路径代价（由最少路径代价搜索给出）
• $f(n)$：通过状态n节点的整体路径代价

寻找最佳的解，最小化$g(n)+h(n)$是合理的
A*搜索是完备的和最优的前提：”可接受的“启发式(admissible heuristic)
即 h ( n ) ≤ h ∗ ( n ) h(n)\le h^*(n) h(n)≤h