人工智能搜素策略
状态空间盲目搜索
广度优先搜素(Breadth-First-Search)
深度优先搜素(Depth-First-Search)
状态空间启发搜索
A搜索算法(A search algorithm)
A星搜索算法(A Star search algorithm)
状态空间盲目搜索
首先是思想基础，在此我罗列了BFS和DFS的科学定义，另还有我的通俗解释
广度优先搜索： 从初始节点S0开始逐层向下扩展，在第n层节点还没有全部搜索完之前，不进入第n+1层节点的搜索。Open表中的节点总是按进入的先后排序，先进入的节点排在前面，后进入的节点排在后面。
深度优先搜索： 从初始节点S0开始，在其子节点中选择一个最新生成的节点进行考察，如果该子节点不是目标节点且可以扩展，则扩展该子节点，然后再在此子节点的子节点中选择一个最新生成的节点进行考察，依此向下搜索，直到某个子节点既不是目标节点，又不能继续扩展时，才选择其兄弟节点进行考察。
如果你对上述的定义感到讨厌(当然这是不好的)，不妨看看下面我的通俗解释：
广度优先搜索：假如采用BFS进行搜索查找N，那么就是先搜索第一层，如果第一层没有就搜索第二层，然后再搜索第三层
深度优先搜索：假如采用DFS进行搜索查找N，那么先选择一个子数，比如左子树，然后在选择左子树的子节点，直到目标没有找到或者没有子节点再返回，也就是说深度优先搜索是一路走，不到天黑不回头
理解到字面意识绝不意味着结束，下面是一个九宫问题（八数码问题），相信他会让你进一步理解
我们的目的是用最少的步骤移动空格，把S0变成SG，而空格只能选择左右上下移动
1)采用广度优先搜索
上图就是采用广度优先搜素策略的解法，不要带有恐惧的第一感觉去看这个图，仔细看看它真的非常简单，第一次先列出空格向上下左右走的情况，假如我们讨论图一1到图二2,1图的空格向左走得到了2，然后2由于左边没有了所以只有三种选择，再看看这三种选择，如果向右走显然就回到了图一，因此经过过滤与筛选图二只有两种走法，然后再继续直到找到目标节点 (图26)。
2)采用深度优先搜索
很遗憾的是没有画出完整的解法图，因为实在太长了，这就是深度优先搜索，一路走，不到天黑不回头。
状态空间启发性搜索
假如形象来所BFS和DFS，BFS像一个胆小的孩纸，遇到困难会尝试每一种解决方法，DFS，像一个胆大的孩纸，遇到困难会选择一种解决方法进行实践，直到解决或者实践失败
BFS和DFS不适用于人工智能，因为他没有体现出一种智能，只是盲目的寻找目标，试想一下，如果九宫格变成了一百宫格，而解法是在一般树的最后一层，那BFS和DFS的性能无法直视，于是就产生了适用于人工智能的启发性搜索-A*搜索（这里我不会讲解A*搜索算法，而是A搜索算法）
在讲它之前有必要了解一下启发性概念和估价函数
启发性信息的概念：
启发性信息是指那种与具体问题求解过程有关的，并可指导搜索过程朝着最有希望方向前进的控制信息。
估价函数：
用来估计节点重要性的函数。估价函数f(n)被定义为从初始节点S0出发，约束经过节点n到达目标节点Sg的所有路径中最小路径代价的估计值。它的一般形式为：
f(n)=g(n)+h(n)
其中，g(n)是从初始节点S0到节点n的实际代价；h(n)是从节点n到目标节点Sg的最优路径的估计代价。
如果时间充足建议你多度一下上方绿色部分，并记住上面的形式，它将会很有用
还是接着上面的九宫问题，如果我们考虑用A*搜解决就可以设估价函数如下：
f(n)=d(n)+W(n)
d(n)表示节点n在一般搜索树中的深度
W(n)表示节点与Sg不匹配的个数，W(n)的值越大就表明这个方法离成功越远
上图就是利用A搜索 （注意不是A星）的解法图，每个格子左上方的值表示估价函数f(n)的值，将选择f(n)最小的路走，直到成功，就如上图，第一层（假设root不算层），每个走法的估价值分别是4，4,5,5，所以我们根本不考虑5的情况，大大减小了运行时间，从而快速找到目标点。
由于其它关系我准备把A*算法放在（下）中讲解，希望你能认真体会A算法,另我把本文制作成了一个doc文档以供离线浏览http://download.csdn.net/detail/u013524455/6893047
转载自原文链接, 如需删除请联系管理员。
原文链接：人工智能搜索策略（上），转载请注明来源！