Algorithm 为什么可接受的启发法能保证最优性?
今天在课堂上,我的教授向我们介绍了可接受的启发式算法,并说它们保证了A*算法的最优性 我让他用一个极端的例子来解释这一点,让它变得明显,但他不能Algorithm 为什么可接受的启发法能保证最优性?,algorithm,artificial-intelligence,a-star,heuristics,Algorithm,Artificial Intelligence,A Star,Heuristics,今天在课堂上,我的教授向我们介绍了可接受的启发式算法,并说它们保证了A*算法的最优性 我让他用一个极端的例子来解释这一点,让它变得明显,但他不能 有人能帮忙吗 我们有一份候选人名单,对吗 它们中的每一个都有一个ETC(预期总成本),以从起始节点达到目标(即,达到该节点的成本+达到目标的预期剩余成本(启发式)) 现在,如果预期成本与实际成本相同,我们将直接选择最短路径上的节点(好的,任何最短路径),而不选择其他路径。既然我们选择了最低的ETC,那么很明显为什么我们只从最短路径中选择节点——任何不在
有人能帮忙吗 我们有一份候选人名单,对吗 它们中的每一个都有一个ETC(预期总成本),以从起始节点达到目标(即,达到该节点的成本+达到目标的预期剩余成本(启发式)) 现在,如果预期成本与实际成本相同,我们将直接选择最短路径上的节点(好的,任何最短路径),而不选择其他路径。既然我们选择了最低的ETC,那么很明显为什么我们只从最短路径中选择节点——任何不在最短路径上的节点都会有更高的ETC 如果ETC低于实际成本怎么办?我们总是选择最低的ETC,因此我们可能最终选择不在最短路径上的节点。但我们永远无法通过非最短路径实现目标,因为:
- 最短路径的实际成本低于任何非最短路径
- 目标处的ETC与通过该路径达到目标的成本相同(因为我们已经达到目标,预期剩余成本为0)
- ETC始终小于或等于任何路径上的实际总成本
- 因此,最短路径上的ETC严格小于通过非最短路径达到的目标上的ETC
0 10 0 100 0
START ---- O ------ GOAL
0 | | 100
O ------ O ------ O
100 1 100 1 100