内容发布更新时间 : 2024/5/8 1:07:42星期一 下面是文章的全部内容请认真阅读。

人工智能

学院：信息学院 班级: 学号： 姓名：

一、 实验原理

A*算法，作为启发式算法中很重要的一种，被广泛应用在最优路径求解和一些策略设计的问题中。而A*算法最为核心的部分，就在于它的一个估值函数的设计上：

f(n)=g(n)+h(n)

其中f(n)是每个可能试探点的估值，它有两部分组成：一部分为g(n)，它表示从起始搜索点到当前点的代价（通常用某结点在搜索树中的深度来表示）。另一部分，即h(n)，它表示启发式搜索中最为重要的一部分，即当前结点到目标结点的估值，h(n)设计的好坏，直接影响着具有此种启发式函数的启发式算法的是否能称为A*算法。

一种具有f(n)=g(n)+h(n)策略的启发式算法能成为A*算法的充分条件是： 1) 搜索树上存在着从起始点到终了点的最优路径。 2) 问题域是有限的。

3）所有结点的子结点的搜索代价值>0。 4）h(n)=

当此四个条件都满足时，一个具有f(n)=g(n)+h(n)策略的启发式算法能成为A*算法，并一定能找到最优解。对于一个搜索问题，显然，条件1,2,3都是很容易满足的，而 条件4)： h(n)<=h*(n)是需要精心设计的，由于h*(n)显然是无法知道的。所以，一个满足条件4）的启发策略h(n)就来的难能可贵了。不过h(n)距离h*(n)的程度不能过大，否则h(n)就没有过强的区分能力，算法效率并不会很高。对一个好的h(n)的评价是：h(n)在h*(n)的下界之下，并且尽量接近h*(n).

二、 实验过程

运行未修改的程序会得到最优路径为：

算法共扩展节点数792.

若修改源程序，即允许走斜线则

distance=(int)sqrt((end_x-x)*(end_x-x)+(end_y-y)*(end_y-y))，即将估价函数改为欧式距离

四连通改为八连通

trytile(x,y-1,n,1); //尝试向上移动

trytile(x+1,y-1,n,2);// 尝试向前上方移动 trytile(x-1,y-1,n,2); // 尝试向后上方移动 trytile(x-1,y+1,n,2); // 尝试向后下方移动 trytile(x+1,y+1,n,2); // 尝试向前下方移动 trytile(x,y+1,n,1);//尝试向下移动 trytile(x-1,y,n,1); //尝试向左移动 trytile(x+1,y,n,1); //尝试向右移动

并修改g值if(lei==1) //如果是直线走

{g_value=father->g+1; }

if(lei==2) //如果是斜线走

{g_value=father->g+1.414; }

修改后的扩展结点数837 三、 实验分析

A*算法最为核心的过程，就在每次选择下一个当前搜索点时，是从所有已探知的但未搜索过点中(可能是不同层，亦可不在同一条支路上)，选取f值最小的结点进行展开。而所有“已探知的但未搜索过点”可以通过一个按f值升序的队列(即优先队列)进行排列。这样，在整体的搜索过程中，只要按照类似广度优先的算法框架，从优先队列中弹出队首元素（f值），对其可能子结点计算g、h和f值，直到优先队列为空(无解)或找到终止点为止。

若修改地图该算法得到的路径是：

算法依然有效

其实该算法的启发函数是两点之间的欧式距离，即当前点到目标点的直线距离，对于此题目来说欧式距离启发信息相对太少，若将启发函数改为：

chang=end_x-x;

kuan=end_y-y; if(chang>=kuan)

{distance=(int)1.414*kuan+chang-kuan; } else

{distance=(int)1.414*chang+kuan-chang;

}即每次保证走的是四十五度，但与上图比较路径多了，代价多了，说明h函数并不合理，不满足可采纳性条件，即h<=h*.

四、实验总结

通过这一学期对于人工智能的学习我的感触有很多，一开始我并不喜欢这门课，但是通过老师的悉心指导，我渐渐的对这门课有了一定的认识。老师告诉我们做东西并不一定是创新才是成功的，认认真真扎扎实实的做好一件很普通的是也是很成功的，做任何事都要从自己的实际出发，充分的认识到自己的能力，自己应该去做哪些事情才是对的。通过上这门课我感觉我真正的学到了一些东西，当然不全是课本上的东西，还有一些做事的道理，我获益匪浅。