本人大一，今年2017最后一天，准备做点这学期学的算法一点总结，当做复习吧。
一周前看见了贪吃蛇AI算法，受到震撼于是就把以前的win32贪吃蛇加了个AI实现，让我这个渣渣写了好几天才完工
，终于能吃完全屏了，虽然离自己看的那个贪吃蛇AI的gif还有些距离emmmm，贪吃蛇AI不可避免的用到了寻路算法，所以今天当做复习总结提一提，
何为盲目？何为启发？。举个例子，加入你在学校操场，老师叫你去国旗那集合，你会怎么走？
假设你是瞎子，你看不到周围，那如果你运气差，那你可能需要把整个操场走完才能找到国旗。这便是盲目式搜索，即使知道目标地点，你可能也要走完整个地图。
假设你眼睛没问题，你看得到国旗，那我们只需要向着国旗的方向走就行了，我们不会傻到往国旗相反反向走，那没有意义。
这种有目的的走法，便被称为启发式的。
而今天要提到的深度优先跟广度优先，便是盲目式搜索，而A*跟IDA*，便是启发式搜索。
盲目式搜索
DFS
深度优先（DFS）正如他的名字，每次先往深度走，如果此路走到底都没找到，退回到原点，换另一条路找，如果走到底还是没找到，继续换一条路，直到全部路走完。
DFS由于每次向深处搜索然后返回，很容易就让人想到用栈实现，而系统本来就有提供栈，即用递归实现。DFS函数里，一般都是在一个循环调用自己完成递归过程，如果用迷宫比喻的话，每次递归返回便是走完一条路，而这个循环便是有多少条路，这样每个路口都会实现同样的操作，便能把整个迷宫搜索完。因其每次会返回的特点DFS在枚举算法里也称为回溯法，DFS走的路径被称为解答树。下面的图中，只有（1,3,0,2）跟（2,0,3,1）是到达了目标，其他都是死路
BFS
广度优先（BFS）是，每次先搜索周围，先把原点方圆1m找完，如果找不到，就找再向外扩展1m，如果找不到，就再向外扩展1m，每次扩大自己的圈子，直到整个地图走完。很像传染病，从开始一个点慢慢传染到整个地区
BFS则是用队列实现跟循环实现，每次把当前节点周围的节点加入队列，然后pop出队列，不断循环，直到队列为空。一种用递归一种用循环，很明显，在时间上，深度优先搜索一般要比广度优先搜索慢，但广度优先搜索需要大量的空间。所以说这两种算法各有优缺点。
在说启发式搜索之前，先说说寻路算法
寻路算法
一般要到终点，我们会关注两件事，要走多远以及这条路要怎么走。然后为了不重复走过的路，我们还需要标记这条路已经走过，即判重。
走多远，即是最少步数。如果用DFS来说，即是深度，用BFS来说，便是向外扩展了多少米（其实也是深度）。
那怎么记录路径呢？办法是每个节点加个指向前一个节点的指针，每一步记录前一步，便能记录整条路径。DFS不用说，就是解答树的一个分支，而BFS则是会形成一颗BFS树
但是这样得出来的路径是从终点到起点的路径，这里便需要从终点开始用递归打印出来，便能打印起点到终点的路径。
DFS以解答树遍历，不会重复，无需判重，但如果是用DFS进行回溯法枚举，则可能需要判重
BFS判重的方法可以用bool数组，然后true表示走过节点，false表示没走过的节点，如果是比较复杂的状态等，则可能需要hash了（当《算法导论》中DFS跟BFS用的都是OPEN跟CLOSE表）
启发式搜索
启发式搜索的好坏基本都取决于评估函数。
IDA*算法
要说IDA*算法，就先说迭代加深搜索吧。本来不打算说的，先说一个DFS的一个问题，如果现在的路的深度没有上限，即没有底，那么直接DFS就回不来了。。。所以就有了迭代加深搜索，即每次给DFS加个记录深度的（或者说解答树的层数）参数d，每次走到相应的深度就返回。由于深度d是慢慢递增的，这样的得出了的答案毫无疑问是最小深度（即少步数），但是缺点很明显，重复遍历解答树上层多次，造成巨大浪费。而IDA*则多了评估函数（或者说剪枝），每次预估如果这条路如果继续下去也无法到达终点，则放弃这条路（剪枝的一种，即最优性剪枝）。IDA*原理实现起来简单，非常方便，但难的地方是评估函数的编写，足够好的评估函数可以避免走更多的不归路，如果评估函数太差或者没有评估函数，那会退化到迭代加深搜索那种浪费程度。如果想要学IDA*算法，我推荐算法竞赛入门经典中的暴力枚举法—迭代加深搜索一章。
A*算法
A*算法我想很多人都听说过，这是AI算法应用最广泛的算法之一，经常用到游戏里寻找最短路的算法里。如果说IDA*算法是改进DFS算法来的，A*算法便是BFS算法的升级版。A*算法跟BFS一样，扩展周围的几个点，但是A*会评估这几个点哪个到终点比较近，然后选择近的走，然后继续评估，又选择近的走，直到走到终点。
如何每次保证选择到的是最近的呢，这里就需要用到堆了。建立一个最小堆，每次取最上面的一个。而比较大小的标准是通过评估值F的大小，以最短路径来说，每次会选F值最小的。对于节点n有这样的定义，f（n） = g（n） + h（n）， 其中g（n）是到节点n已经花费的代价，h是到g（n）的估计代价，也可以认为是最少代价。在最短路径中h函数可以用欧几里得距离，或者曼哈顿距离来判断，欧几里得距离通俗点说即两点间长度。曼哈顿距离就是x轴距离+y轴距离。至于g（n），可以设置走一步代价为1（当然你想设置成8,9,10之类的随便，只是一个度量），g值跟Dijkstra的松弛一样，需要更新，每次找到一个节点可以让它更新为更小的，就更新g值跟f值（h值不用更新，因为对于每个点的h值都是确定的）。
A*算法跟BFS一样，需要用father来记录上一个节点，从而实现遍历最短路径。至于判重操作，A*的判重是通过两个表（或许该说是两个堆）判重的，一般叫做open表跟close表(当然BFS也可以通过open跟close队列实现判重)，close表存放已经走过的点，open表中是还没走的节点，每次从open取出f值最小的作为当前节，然后扩展当前节点周围的点push进open表，然后pop并把当前点放到close表中，然后继续重复以上操作，每次从open取出f值最小的作为当前节.......如果此条最近的路不通，如遇到墙之类的，A*便选择第二短的路（当然第一第二可能一样短），（这里最近的路是如操场无障碍那种，那我们走直线距离肯定最近，但是如果我们走近发现前面有一堵墙，此路不通，我们就得退回去试试其他路，A*会马上跳转到刚才第二近的路进行下一步扩展），如果还不通，就选择第三短的路。。。直到open表中出现了目标节点，则表示已经找到最短路，退出循环，如果open表为空，则表示不存在到达目标的路径。总结起来A*算法就是BFS的扩展方式+预估函数的+Dijkstra的松弛方式+堆的使用+open跟close表的判重+father记录路径。
关于A*算法，这是我看过的一个写的不错的文章http://blog.csdn.net/u012234115/article/details/47152137，可以当做参考。
总结，DFS在搜索中使用栈返回，IDA*是DFS的延伸还是用到栈，BFS使用队列扩展，A*使用堆来取出评估最好的值，理解这三个数据结构，才能较好理解这三种算法，无非就是，如果这点符合条件的就扩展，然后用不同的数据结构扩展，前两者不管数据如何，看到就放入，后者用堆，实现大小排序，可以选择更好的路径。 几种搜索不同的条件下返回，DFS是走到底，A*跟BFS是队列为空，IDA*是到达目标深度或者剪枝
几种搜索算法就说到这，暂时想到这么多，由于本人知识有限，如果有什么错误，望各位大佬纠正