Artificial intelligence A*图形搜索

给定启发式值h（A）=5，h（B）=1，使用A*图搜索，它将A和B放在f（A）=2+5=7，f（B）=4+1=5的边界上，然后选择B进行扩展，然后将G放在f（G）=4+4=8的边界上，然后它将选择A进行扩展，但不会做任何事情，因为S和B都已经扩展，并且不在边界上，因此，它将选择G next并返回一个非最优解

---

我的论点正确吗？

您在边界上维护对象的有序优先级队列。然后选择最佳候选节点，向所有可用方向展开，并将新节点放入优先级队列中。因此，一个队列有可能被推到队列的后面，即使实际上最优路径经过它。它也可能被通过次优路径到达的邻居包围，在这种情况下，大多数算法不会像你说的那样扩展它

---

星号只是找到合理路径的一种方式，它不能找到全局最优路径。

这里有两个启发式概念：

可接受的启发式：对于图中的每个节点n，h（n）从不高估实现目标的成本

一致启发式：对于图中的每个节点n及其后继节点m，h（n）h（B）+c（A，B），5>2

如果启发式是一致的，则部分解的估计最终成本将始终沿路径增长，即f（n）f（B）=g（B）+h（B）=5

此启发式函数不满足此属性

关于A*：

A*使用可接受的启发式可以保证找到从起点到目标的最短路径

A*使用一致的启发式，除了找到最短路径，还保证一旦探索了一个节点，我们已经找到了该节点的最短路径，因此不需要重新探索任何节点

因此，在回答您的问题时，必须实施*算法，以便在找到节点的较短路径时重新打开节点（同时更新新路径成本），并且此新路径将添加到开放集或边界，因此您的参数不正确，，因为B必须再次添加到边界（现在使用路径S->A->B和成本3）

---

如果您可以将*限制为仅与一致的启发式函数一起使用，则可以放弃已探索的节点路径

大体上是错的。A*保证在启发式函数允许的情况下找到最短路径。启发式函数允许，但不一致。h（A）是从A到G的估计成本，而不是从S到A，所以这不是高估的。在图形搜索中，它不应该重新打开B，因为B在探索集中，因为它已经被扩展了？（应仅打开边界/未探测集中的节点）