题目2：隐式图的搜索问题（A*算法解决八数码）

最新推荐文章于 2022-04-07 10:40:07 发布

十年不洗头，只为吃顿油

最新推荐文章于 2022-04-07 10:40:07 发布

阅读量751

点赞数 1

本文链接：https://blog.csdn.net/weixin_52382922/article/details/114684455

版权

本文介绍了如何使用A*算法解决八数码游戏。通过状态压缩表示棋盘状态，利用估价函数f(n)=g(n)+h(n)进行启发式搜索，其中g(n)表示实际代价，h(n)表示目标状态的接近程度。A*算法确保找到最优解，并在搜索过程中每个状态只扩展一次。文章还探讨了BFS算法的不足，以及A*算法如何克服这些问题。

摘要由CSDN通过智能技术生成

声明

题目要求

看过这次实验要求之后在这里插入图片描述

总结：利用A*来解决八数码问题，状态很好找，每次移动空格就会形成一种新的状态，

何为八数码？

八数码游戏包括一个3X3的棋盘，棋盘上摆放着8个数字的棋子，留下一个空位。与空位相邻的棋子可以滑动到空位中。游戏的目的是要达到一个特定的目标状态。标注的形式化如下（举例）：

2		3
1	8	4
7	6	5

（初始状态）

1	2	3
8		4
7	6	5

（目标状态）

状态如何表示

每个状态都用3*3的数组表示，但是BFS中需要入队出队，比较麻烦而且空间占用较大
状态压缩，采用一个整数保存状态的数字序列，例如状态1表示为203184765,状态2表示为123804765

所需知识

优先队列BFS算法，因为A*算法就是带有估价函数的优先队列BFS。

导出所需知识

优先队列BFS算法缺陷

该算法维护了一个优先队列（二叉堆），不断从堆中取出“当前代价最小”的状态（堆顶）去进行扩展。但是它得到只是初态到该状态的最小代价（并没有去考虑从该状态出发到目标状态的情况）

举例说明：
如果给定一个“目标状态”，需要求出从初态到目标状态的最小代价，优先队列BFS显然不行。因为一个状态的当前代价最小，只能说明从起始状态到该状态的代价很小，而在未来的探索中，从该状态到目标状态可能会花费很大的代价；另外一些状态虽然当前代价略大，但是未来到目标状态的代价可能会很小，于是从起始状态到目标状态的总代价反而更优。

A*搜索算法

于是，我们为了解决上面的问题：可以对未来可能产生的代码进行预估。详细地讲，我们去设计一个**“估价函数”**，以任意状态为输入，计算出从该状态到目标状态所需代价的估计值。在搜索之中，仍然维护了一个堆，不断从堆中取出“当前代价+未来估价”最小的状态来进行扩展。

为了保证第一次从堆中取出目标状态时得到的就是最优解，我们设计的估价函数需要满足一个基本准则：

设当前状态state到目标状态所需代价的估计值为f（state）；设在未来的探索中，实际求出的从当前状态state到目标状态的最小代价为g（state）
对于任意的state，应该有f（state）<=g（state）

也就是说，估价函数的估值不能大于未来实际代价，估价比实际代价更优。估价函数f(n)=g(n)+h(n)

总结：

这种带有估价函数的优先队列BFS就成为A* 算法。只要保证对于任意状态state，都有f（state）<=g（state），A* 算法就一定能在目标状态第一次从堆中被取出时得到最优解，并且在搜索过程中每个状态只需要扩展一次（之后再被取出就可以直接忽略）。估价f（state）越准确，越接近g（state），A*算法的效率越高。如果估价始终为0，就等于普通的优先队列BFS。

实际操作

搜索过程描述

A算法又称为启发式搜索算法。对启发式搜索算法，又可根据搜索过程中选择扩展节点的范围，将其分为全局择优搜索算法和局部择优搜索算法。

在全局择优搜索中，每当需要扩展节点时，总是从 Open 表的所有节点中选择一个估价函数值最小的节点进行扩展。其搜索过程可能描述如下：

把初始节点 S0 放入 Open 表中， f(S0)=g(S0)+h(S0) ；
如果 Open 表为空，则问题无解，失败退出；
把 Open 表的第一个节点取出放入 Closed 表，并记该节点为 n ；
考察节点 n 是否为目标节点。若是，则找到了问题的解，成功退出；
若节点 n 不可扩展，则转到第 (2) 步；
扩展节点 n ，生成子节点 ni ( i =1,2, …… ) ，计算每一个子节点的估价值 f( ni ) ( i =1,2, …… ) ，并为每一个子节点设置指向父节点的指针，然后将这些子节点放入 Open 表中；
根据各节点的估价函数值，对 Open 表中的全部节点按从小到大的顺序重新进行排序；
转第 (2) 步。

这里采用的启发式策略为：f(n) = g(n) + h(n)，其中g(n)为从初始节点到当前节点的步数(层数)，h(n)为当前节点 “不在位 ”的方块数（也就是说不在位的方块数越少，那么临目标状态越近）例如下图中的h(n)=5，有的讲解的是不包含空格，我这里是包含了的，经测试只要前后标准一致，包不包含空格都一样。
g(n)为已经消耗的实际代价，即已经走了的步数。
h(n)为预测路径，即还有几个数字待走。

在这里插入图片描述
h(n)=5

启发式策略工作工程：红圈数字表示扩展顺序

在这里插入图片描述

代码实现

Map+BFS+A*

#include<cstdio>
#include<queue>
#include<map>
using namespace std;
char arr[10], brr[10] = "123804765";
struct node {
   
	int num, step, cost, zeroPos;
	bool operator<(const node& a)const {
   
		return cost > a.cost;
	}
	node(int n, int s, int p) {
   
		num = n, step = s, zeroPos = p;
		setCost();
	}
	void setCost() {
   
		char a[10];
		int c = 0;
		sprintf(a, "%09d&#