AI 算法：快速找到最短路径

最新推荐文章于 2024-09-28 20:13:38 发布

分发吧

最新推荐文章于 2024-09-28 20:13:38 发布

阅读量55

点赞数

文章标签：搜索引擎

原文链接：https://anirudhdaya.hashnode.dev/the-a-algorithm-finding-the-shortest-path-in-a-hurry

版权

假设你想去某个特定的地方。你首先会做什么？对于我们大多数人来说，使用 Google 地图，获得从你所在位置到目的地的近乎准确的距离和预计到达时间。但他们是如何做到的？他们如何每次都为你找到最短、最好的路线？

三个词：

图搜索算法

图搜索算法是一种用于探索图并查找图中路径或其他信息的算法。图搜索算法通常用于查找图中两点之间的路径，或查找图中的其他信息，例如连通分量或循环。

一些常见的例子有：A-Star、广度优先搜索算法和深度优先搜索算法。

让我们在这篇文章中深入探讨 A-star 算法。

让我们回到谷歌地图。将从您到目的地的多条路径视为从点 S 到 F 的图形路径。您可以选择任何一条路径，通常谷歌会为您选择最短的路径。为此，他们使用这种算法。

AI 算法是一种搜索算法，用于在加权图中查找从起点到目标的最短路径。该算法结合了从起点到目标的实际距离和从起点到当前位置的行进距离来探索图并找到最佳路径。无论如何，只要您为其提供一些额外的数据或启发式方法，该算法始终会提供最短和最有效的路径。

让我们讨论一下。它确实需要的数据：交通、距离、道路状况等；这些被称为启发式方法。启发式方法是一种有助于解决问题或找到解决方案的技术或策略。在人工智能和搜索算法的背景下，启发式方法是一种估计从给定状态达到目标的成本的函数。

该估算基于距离目标的距离、迄今为止的移动次数以及可能与当前问题相关的任何其他信息。它们用于指导搜索算法并帮助算法在合理的时间内找到问题的最佳解决方案。

A* 算法基于启发式方法，这有助于实现最优性。如果它能够有效地估计节点“n”与末端节点之间的实际距离，则其启发式函数是可接受的。它绝不会高估；如果高估，则用“d”表示，这也表示解决方案的准确性。

以下是在人工智能和搜索算法中可能使用的启发式方法的一些示例：

在国际象棋比赛中，可以使用启发式方法来评估特定举动的潜在价值，通过考虑棋盘上棋子的相对强度、每个棋子的可能举动次数以及捕获对手棋子的可能性等因素。
在导航问题中，启发式方法可用于估计地图上两点之间的距离，或者根据交通状况、道路状况和速度限制等因素预测从一个点到另一个点所需的时间。
在益智游戏中，可以使用启发式方法来评估解决特定谜题的可能性，方法是考虑诸如找到解决方案所需的移动次数、可能的不同解决方案的数量以及谜题的复杂性等因素。
在机器学习问题中，可以使用启发式方法来评估给定模型的质量，通过考虑诸如模型在训练数据集上的准确性、模型的复杂性以及训练和使用该模型所需的计算资源量等因素。

A-star 如何运作？ www.cqzlsb.com

您有一个图 G，其起点/节点为 S，最终目标为 F。图 G 中有顶点 V，这些顶点有边 E。您有一个启发式函数 H(n)，其中 n 表示图中的每个节点。从节点 A 到 B 的路径成本为 P(B)。换句话说，在每一步中，算法都会选择具有最低成本 + 启发式值的节点并探索相邻节点。节点的成本是前一个节点的成本与前一个节点和当前节点之间的边权重之和。

从 S 开始，查看可以到达的可能边，然后选择边 E，使得 P(E)+H(E) 之和最小。因此，对每个相邻节点执行此操作，并选择最佳路径，直到到达目标节点 F。

为什么选择 A-Star？

A* 是寻路算法的热门选择，因为它既完整又最优，这意味着如果存在解决方案，它保证能找到解决方案，而且它找到的解决方案保证是最佳解决方案。A* 通过结合其他两种搜索算法的优势来实现这一点：深度优先搜索和广度优先搜索。深度优先搜索速度快，但可能陷入无限循环，而广度优先搜索保证能找到解决方案，但速度可能非常慢。A* 通过使用启发式函数来指导搜索并优先考虑最有希望的路径，从而平衡了这两种方法。这使得 A* 能够快速找到解决方案，同时仍确保解决方案是最优的。

复杂性

A* 算法的时间复杂度取决于实施和所用启发式函数的质量。在最坏的情况下，当启发式函数不可接受（即它低估了达到目标的真实成本）时，A* 的时间复杂度可能会呈指数增长。然而，在最好的情况下，当启发式函数既可接受又一致（即它从不高估达到目标的真实成本）时，A* 的时间复杂度保证不会低于 O(b^d)，其中 b 是分支因子（即每个状态的平均后继状态数），d 是最浅目标状态的深度。在实践中，A* 通常与可接受但不一定一致的启发式函数一起使用，在这种情况下，时间复杂度可能介于 O(b^d) 和 O(b^(d+1)) 之间。

A* 算法的空间复杂度是指存储算法中使用的数据和变量所需的内存量。这可能因具体实施和输入数据的大小而异，但一般来说，A* 算法的空间复杂度为 O(b^d)，其中 b 是搜索树的分支因子（每一步可以采取的可能操作的平均数量），d 是最浅目标的深度（从起始状态到达目标状态所需的最少步骤数）。这意味着 A* 的空间复杂度会随着分支因子和最浅目标的深度呈指数增长。