如何判断 A* 算法何时是一个好的选择，以及如何选择一个好的启发式算法？
How to tell when the A* algorithm is a good option, and how to choose a good heuristic?
最近我使用 A* 算法为著名的“15 拼图”编写了一个求解器，方法是使用启发式函数，该函数基于每个图块到其目的地点的距离的曼哈顿距离之和。
这让我想知道两件事：
你怎么知道什么时候可以使用 A* 算法？除非是看到网上的教程，否则我绝对想不到15的谜题可以这样解。
你怎么知道要使用哪个启发式函数？起初，对于 15 的谜题，我考虑了一个简单的 "sum of tiles not in position" 启发式。因此，如果所有部分都没有在正确的位置，则 15 拼图的启发式可能 return 15，而 0 表示已解决棋盘。但不知何故，距离的总和更好。一个人怎么知道，进入它？
如果您正在探索图表以找到某种方式 "shortest" 的路径（成本不一定是 "distance"，但它必须是单调的），你已经可以使用 Dijkstra 的了。乍一看，您的问题通常看起来不像寻路，因为您不打算 "travel over a route"。它比那更抽象。
然后如果你可以使用 Dijkstra 和 你有一些可接受的启发式（这是困难的部分），你可以使用 A*。
寻找启发式方法的一种常用技术是放弃问题的某些约束。例如，如果您可以将每个图块传送到其目的地，而不管那里是否已经有一个图块，它将需要 #displacements 传送。所以有第一个启发式。如果您必须滑动瓷砖但它们可以相互滑动，则每个瓷砖的成本是到其目的地的曼哈顿距离。然后你可以看看改进启发式，例如曼哈顿距离启发式显然忽略了瓷砖移动时相互干扰的情况，但有一个简单的情况，我们知道瓷砖必须在哪里冲突并使用更多移动：考虑两个瓷砖（假装同一行中没有其他图块），它们的目的地也在该行中，但为了到达那里，它们必须相互穿过。他们必须绕着对方走，增加两个垂直移动。这给出了线性冲突启发式。可以考虑更多的干扰，例如模式数据库。
最近我使用 A* 算法为著名的“15 拼图”编写了一个求解器，方法是使用启发式函数，该函数基于每个图块到其目的地点的距离的曼哈顿距离之和。
这让我想知道两件事：
你怎么知道什么时候可以使用 A* 算法？除非是看到网上的教程，否则我绝对想不到15的谜题可以这样解。
你怎么知道要使用哪个启发式函数？起初，对于 15 的谜题，我考虑了一个简单的 "sum of tiles not in position" 启发式。因此，如果所有部分都没有在正确的位置，则 15 拼图的启发式可能 return 15，而 0 表示已解决棋盘。但不知何故，距离的总和更好。一个人怎么知道，进入它？
如果您正在探索图表以找到某种方式 "shortest" 的路径（成本不一定是 "distance"，但它必须是单调的），你已经可以使用 Dijkstra 的了。乍一看，您的问题通常看起来不像寻路，因为您不打算 "travel over a route"。它比那更抽象。
然后如果你可以使用 Dijkstra 和 你有一些可接受的启发式（这是困难的部分），你可以使用 A*。
寻找启发式方法的一种常用技术是放弃问题的某些约束。例如，如果您可以将每个图块传送到其目的地，而不管那里是否已经有一个图块，它将需要 #displacements 传送。所以有第一个启发式。如果您必须滑动瓷砖但它们可以相互滑动，则每个瓷砖的成本是到其目的地的曼哈顿距离。然后你可以看看改进启发式，例如曼哈顿距离启发式显然忽略了瓷砖移动时相互干扰的情况，但有一个简单的情况，我们知道瓷砖必须在哪里冲突并使用更多移动：考虑两个瓷砖（假装同一行中没有其他图块），它们的目的地也在该行中，但为了到达那里，它们必须相互穿过。他们必须绕着对方走，增加两个垂直移动。这给出了线性冲突启发式。可以考虑更多的干扰，例如模式数据库。