Artificial intelligence 为什么可接受的启发式有效？

我在搜索算法的上下文中遇到了术语“可接受的启发式”。有人能解释（或给出直觉）为什么启发式函数h只有在没有高估实际距离的情况下才是可接受的吗？

对于那些不寻求免费资源的人来说

在计算机科学中，特别是在与 寻路，一个启发式函数被称为是可接受的，如果它从来没有 高估了实现目标的成本，即实现目标的成本 达到目标的估计值不高于可能的最低值 路径中当前点的成本。可接受的启发式是 也称为乐观启发式

这是指向维基百科的链接：

关于第二个问题

---

当启发式没有高估真实成本时，它是可以接受的，因为它是这样定义的。

对于那些不寻求免费提供的资源的人来说

在计算机科学中，特别是在与 寻路，一个启发式函数被称为是可接受的，如果它从来没有 高估了实现目标的成本，即实现目标的成本 达到目标的估计值不高于可能的最低值 路径中当前点的成本。可接受的启发式是 也称为乐观启发式

这是指向维基百科的链接：

关于第二个问题

---

当启发式没有高估真实成本时，它是可以接受的，因为它是这样定义的。

对于那些不寻求免费提供的资源的人来说

在计算机科学中，特别是在与 寻路，一个启发式函数被称为是可接受的，如果它从来没有 高估了实现目标的成本，即实现目标的成本 达到目标的估计值不高于可能的最低值 路径中当前点的成本。可接受的启发式是 也称为乐观启发式

这是指向维基百科的链接：

关于第二个问题

---

当启发式没有高估真实成本时，它是可以接受的，因为它是这样定义的。

对于那些不寻求免费提供的资源的人来说

在计算机科学中，特别是在与 寻路，一个启发式函数被称为是可接受的，如果它从来没有 高估了实现目标的成本，即实现目标的成本 达到目标的估计值不高于可能的最低值 路径中当前点的成本。可接受的启发式是 也称为乐观启发式

这是指向维基百科的链接：

关于第二个问题

---

当启发式没有高估真实成本时是允许的，仅仅因为它是这样定义的。

考虑A*的停止条件，如果算法以某个

F

值到达目标节点，则该算法停止，其中，

F

等于

G

——从起点开始构建的路径加上启发式值

H

，该值表示到目标的剩余路径的估计值

在目标节点，

F

等于

G

，因为对目标剩余路径的估计为0

只有当

H

允许时，停止条件才有效，因为这样我们可以确定，如果我们在目标节点计算的

F

值小于我们在任何其他节点计算的任何其他

F

值，我们肯定可以确定它是最短路径，因为没有其他路径可以以较小的

F

值达到目标

---

如果它不可接受，那么可能有其他节点，我们计算了

F

，高估了通向目标的剩余路径，我们无法停止算法，因为可能存在较短的路径。

想想a*的停止条件，如果算法以某个

F

值到达目标节点，则该算法停止，其中

F

等于

G

——距离起点很远的路径加上启发式值

H

，该值表示对目标剩余路径的估计

在目标节点，

F

等于

G

，因为对目标剩余路径的估计为0

只有当

H

允许时，停止条件才有效，因为这样我们可以确定，如果我们在目标节点计算的

F

值小于我们在任何其他节点计算的任何其他

F

值，我们肯定可以确定它是最短路径，因为没有其他路径可以以较小的

F

值达到目标

---

如果它不可接受，那么可能有其他节点，我们计算了

F

，高估了通向目标的剩余路径，我们无法停止算法，因为可能存在较短的路径。

想想a*的停止条件，如果算法以某个

F

值到达目标节点，则该算法停止，其中

F

等于

G

——距离起点很远的路径加上启发式值

H

，该值表示对目标剩余路径的估计

在目标节点，

F

等于

G

，因为对目标剩余路径的估计为0

只有当

H

允许时，停止条件才有效，因为这样我们可以确定，如果我们在目标节点计算的

F

值小于我们在任何其他节点计算的任何其他

F

值，我们肯定可以确定它是最短路径，因为没有其他路径可以以较小的

F

值达到目标

如果它是不可接受的，那么可能还有一些其他节点，我们计算了

F

，高估了剩余路径t