Algorithm 启发式比A更好*

我注册了斯坦福大学的ai-class.com，在第一周的讲座中，我刚刚学习了a*算法，以及它如何比其他搜索算法更好地使用

我还展示了我的一位同班同学在4x4滑块拼图上实现它，他已在以下网站上发表： 我非常感谢George实现了一个*并发布了结果供我们娱乐

我（他也）想知道是否有任何方法可以使流程更加优化，或者是否有更好的启发式a*，比如比最大“偏离位置的块数”或“目标距离总和”更好的启发式函数，从而加快速度？ 如果有更好的算法来解决这些问题，我也想知道

感谢您的帮助，如果出现差异，请在降级我的个人资料之前，允许我有机会升级我的方法，或者即使我需要删除该问题，因为我仍在学习stackoverflow的方法。

这取决于您的意见。例如，如果您有一个完美的启发式[

h*

]，那么算法（*）将产生比a*更好的结果，并且仍然是最优的[因为您的启发式是完美的！]。它将只开发解决方案所需的节点。不幸的是，你很少有完美的启发。
（*）贪婪算法：始终使用最低的

h

值开发节点

但是，如果您的启发式非常糟糕：

h=0

，那么A*实际上是一个！在这种情况下，A*将生成

O（B^d）

节点，其中B是分支因子，d是求解所需的步骤数。
在这种情况下，因为您有一个单一的目标函数，所以a（*）将更有效，因为它只需要开发

O（2*B^（d/2））=O（B^（d/2））

节点，这比a*将开发的要少得多。
双向搜索：（*）从目标节点和开始节点运行BFS，每次迭代从每一侧开始一步，当两个前端都有一个公共顶点时，算法结束

对于一般情况，如果你有一个不完美但不完全可靠的启发式，a*可能会比两个解决方案都好

---

平均情况下可能的优化：您还可以使用*：从开始端运行双向搜索，使用启发式运行*，从目标端运行常规BFS。它能更快地找到解决方案吗？不知道，您可能应该对这两种可能性进行基准测试，并找出哪一种更好。然而，使用该算法找到的解决方案也将是最优的，就像BFS和A*

一样，A*的性能取决于预期成本启发式的质量，正如您在视频中了解到的那样。让您的预期成本启发式尽可能接近该州的实际成本，将减少需要扩展的州总数。在某些情况下，也有许多变体的性能更好，例如，在大状态空间搜索中遇到硬件限制时。

您是否尝试过搜索*替代方案？我在提问前曾尝试过，但没有令人满意的结果，其中一个是blobmap algo。因此，它认为在这里提问会是一个更好的方法。（BDW感谢GollezTrol的回复）感谢Amit的澄清。我已经修改了这个问题，希望听取您的pt对4x4拼图采用的方法是否合适，或者是否有相当大的改进空间。