适合爬山的启发式机制
Proper Heuristic Mechanism For Hill Climbing
下面的问题是我从人工智能课程中找到的考试练习题。
"Suggest a heuristic mechanism that allows this problem to be solved, using the Hill-Climbing algorithm. (S=Start point, F=Final point/goal). No diagonal movement is allowed."
既然很明显曼哈顿距离或欧几里德距离会将机器人发送到 (3,4) 并且不允许回溯，那么这个问题的可能解决方案（启发式机制）是什么？
编辑：为了使问题更清楚，我在黑板上标记了一些曼哈顿距离：
很明显，使用曼哈顿距离，机器人的下一步将在 (3,4) 处，因为它的启发式值为 2 - HC 将选择它并永远卡住。目的是通过找到合适的启发式算法尝试永远不要走那条路。
我认为障碍物是热的，而且热量上升。我将一个单元格的净成本设为到 F 的曼哈顿度量距离加上热惩罚的总和。因此，存在将机器人拉向 F 的吸引力以及迫使其远离障碍物的排斥力。
有两种热罚：
1) 碰到障碍物很不好。查看给定单元格正下方的行中相邻单元格的 2 或 3 个单元格。为给定单元正下方的每个障碍单元添加 15，为正下方的每个对角线邻居添加 10
2) 对于不直接接触说明书的电池——热量更分散。我将其计算为单元格下方及其相邻列中障碍物块平均数量的 6 倍。
下面显示了所有这些组合的结果，以及从 S 到 F 所采取的路径：
一个关键点是，当机器人撞到第一行时，平均化会导致机器人向左转而不是向右转。向左的未加热柱使该方向更冷。有趣的是，所有单元格（右上角的两个单元格可能除外）如何被这种启发式方法吸引到 F。
下面的问题是我从人工智能课程中找到的考试练习题。
"Suggest a heuristic mechanism that allows this problem to be solved, using the Hill-Climbing algorithm. (S=Start point, F=Final point/goal). No diagonal movement is allowed."
既然很明显曼哈顿距离或欧几里德距离会将机器人发送到 (3,4) 并且不允许回溯，那么这个问题的可能解决方案（启发式机制）是什么？
编辑：为了使问题更清楚，我在黑板上标记了一些曼哈顿距离：
很明显，使用曼哈顿距离，机器人的下一步将在 (3,4) 处，因为它的启发式值为 2 - HC 将选择它并永远卡住。目的是通过找到合适的启发式算法尝试永远不要走那条路。
我认为障碍物是热的，而且热量上升。我将一个单元格的净成本设为到 F 的曼哈顿度量距离加上热惩罚的总和。因此，存在将机器人拉向 F 的吸引力以及迫使其远离障碍物的排斥力。
有两种热罚：
1) 碰到障碍物很不好。查看给定单元格正下方的行中相邻单元格的 2 或 3 个单元格。为给定单元正下方的每个障碍单元添加 15，为正下方的每个对角线邻居添加 10
2) 对于不直接接触说明书的电池——热量更分散。我将其计算为单元格下方及其相邻列中障碍物块平均数量的 6 倍。
下面显示了所有这些组合的结果，以及从 S 到 F 所采取的路径：
一个关键点是，当机器人撞到第一行时，平均化会导致机器人向左转而不是向右转。向左的未加热柱使该方向更冷。有趣的是，所有单元格（右上角的两个单元格可能除外）如何被这种启发式方法吸引到 F。