用A*算法解决十五数码问题（人工智能作业）

十五数码问题

一、实验目的

二、实验分析

2.1 A*算法

定义一个评价函数 f，对当前待搜索状态进行评估（既考虑从起始节点到节点 n 的花费，又考虑从节点 n 到达目标节点的费用），然后找出一个最有希望的节点来扩展，当满足条件h(n)≤h*(n)为A算法。g(n) 是在状态空间中从初始状态到状态n的实际代价，h(n) 是从状态n到目标状态的最佳路径的估计代价。
A算法的控制策略为：按照 f（n）值递增的顺序对 OPEN 中的元素进行排序，f（n）值小的节点排在前面，大的放在 OPEN 表的后面。A*算法使用OPEN表来存放待扩展的节点，使用CLOSED表来存放已经扩展完的节点。

2.2 实验分析

f（n）=g（n）+h（n），g（n）为根据搜索历史情况，是对已经走过的深度的估计，h（n）为启发函数，是对未来的估计。在此实验中，我们通过设置判断条件规定节点不会重复扩展，例如从状态（1）到状态（2），即节点向上移动又接着向下移动的情况是不被允许的。

三、实验设计

启发函数会影响A算法的行为，因此启发函数的设计至关重要，在此实验中，我们设计了三种启发函数，分别是w_n、p_n和wp_n，w_n为“不在位” 的将牌个数，p_n为每个将牌与其目标位置之间最短距离的总和，wp_n为0.5w_n+0.5*p_n。针对这三种不同的启发函数，从扩展节点数、生成节点数、算法运行时间方面进行了对比分析。

3.1 启发函数

1. w(n)
   w（n）为“不在位” 的将牌个数，也就是状态n与目标状态不同的元素个数。
2. p（n）
   p（n）为每个将牌与其目标位置之间最短距离的总和，也就是状态n与目标状态各个元素的曼哈顿距离，定义公式和曼哈顿距离图如下。
   
3. 自定义启发函数wp_n
   在此实验中，我们自己定义了一个启发函数，wp_n既考虑了w（n），又考虑了p（n），wp_n定义如下：
   

3.2 实验设计描述

3.3 实验代码

实验代码见github:https://github.com/taylor233316/class_work/tree/main/AI-homework

四、实验结果与分析

4.1 实验结果

（1）我们利用启发函数进行搜索，程序运行时需选择启发函数类型。

（2）当启发函数为w(n)时，搜索成功状态图和生成节点数、搜索时间（搜索时间每次不完全相同）等结果如下图所示。


（3）当启发函数为p(n)时，搜索成功状态图和生成节点数、搜索时间等结果如下图所示。


（4）当启发函数为自定义函数wp_n时，搜索成功状态图和生成节点数、搜索时间等结果如下图所示。

4.2 对比分析

三种启发函数的扩展节点数、生成节点数、算法运行时间如下表所示，从表中可以看出，我们自定义的启发函数搜索效率要比w（n）和p（n）高，搜索效率有了较大的提升，而w（n）和p（n）函数搜索效率相差并不是太大，在十五数码问题中，w（n）要优于p（n）。

4.3 实验分析

除了本实验给出的这个测试用例，我测试了其他情况，发现许多测试用例难以快速用本实验定义的A算法求出，本实验定义的三种启发函数都难以快速搜索到目标状态，因此后续我将尝试使用线性冲突、IDA算法、Pattern Database这三种方法来提高搜索效率。

五、总结

如果想使用A*进一步优化fifteen star 问题，可以参考一下以下这几篇博客。
使用A*和pattern databases解决十五数码问题
国外小哥的一个编程作业，比较详细