图的搜索进阶A*，IDA*

一、A * ：

  估价函数的设计准则：估值f（state）≤未来实际代价g（state）。
  A * 算法的实现，A * =优先队列BFS+估价函数。
  1。优先队列BFS算法维护了一个优先队列，不断从堆中取出当前代价最小的状态
进行扩展。每个状态第一次从堆中取出时，就得到了从初态到该状态的最小代价。
  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，那么优先队列
BFS这个优先策略是不完善的。

  2。为了提高搜索效率，我们很自然的想到，可以对未来可能产生的代价进行预估。
详细的讲：我们设计一个估价函数，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。在搜索中，仍然维护一个堆，不断从堆中取出 当前代价+未来估价 最小的状态进行扩展

  3。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：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。

  4。这种带有估价函数的优先队列BFS就称为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被扩展一次（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 * 算法的效率就越高。如果估价始终为5.0，就等价于普通优先队列BFS。

  5。A * 算法提高搜索效率的关键，就在于能否设计出一个优秀的估价函数。估价函数在满足上述设计准则的前提下，含应该尽可能反映未来实际代价的变化趋势和相对大小关系，这样搜索才会较快的逼近最优解。

例题：POJ2449： 第K短路。
  对于任意正整数i和任意节点x，当第i次从堆中取出包含节点x的二元组时，对应的dist值就是从S到x的第i短路。

  使用优先队列BFS在最坏的情况下的复杂度为O（K （N+M）log（N+M））。这道题目给定了起点和终点，求长度最短（代价最小）的路径，可以考虑使用A*算法提高搜索效率。
  得到以下解题步骤：
  （1）预处理出各个节点x到终点T的最短路长度f（x）——这等价于在反向图上以T为起点求解单源最短路径问题，可以在O（（N+M）log(N+M) ）的时间内完成。

  （2）建立一个二叉堆，存储一些二元组（x，dist+f（x）），其中x为节点编号，dist表示S到x当前走过的距离。起初堆中只有（S，0+f（S））。

  （3）从二叉堆中取出dist+f（x）最小的二元组（x，dist+f（x）），然后沿着从x出发的每条边（x，y）进行扩展。如果节点y被取出的次数尚未到达K，就把新的二元组（y，dist+lenth（x，y）+f（y））插入堆中。

  （4）重复2-3步，直至第k次取出包含终点T的二元组，此时二元组中的dist值就是从S到T的第K短路。

  A * 算法的复杂度上届与优先队列BFS相同。不过，因为估价函数的作用，图中很多节点的访问次数都远小于k。

#include<iostream>
#include<cstdio>
#include<cstring>
#include<map>
#include<algorithm>
#include<queue>
#include<cmath>
#include<string>
#define ll long long
using namespace std;
const int maxn=10010;
const int mmax=100010;
int n,m,s,t,k;
int x,y,z;
int dis[maxn],head[maxn],ver[mmax],nt[mmax],edge[mmax];
int _head[maxn],_ver[mmax],_nt[mmax],_edge[mmax];
int tot,_tot;
bool ha[maxn];
int num[maxn];

struct node
{
   
    int x;
    int dx;
    int fx;
    node () {
   }
    node(int a,int b,int c)
    {
   
        x=a;
        dx=b;
        fx=c;
    }
    friend bool operator <(const node &a,const node &b)
    {
   
        return a.dx+a.fx>b.dx+b.fx;
    }
};

void add(int x,int y,