Establecer variables de estado y determinar rangos de valores

Determine el grupo de estados y enumere el conjunto de estados inicial y el conjunto de estados objetivo, respectivamente.

Definir y determinar conjuntos de acciones.

Calcule el número de todos los espacios de estados y enumere o describa todos los espacios de estados si es posible

Cuando el número de estados no sea muy grande, dibuje un diagrama de espacio de estados de acuerdo con las tuplas ordenadas del problema, busque y resuelva de acuerdo con el diagrama de espacio de estados.

Lo completo

Optimidad

complejidad del tiempo

Grado de escoria espacial

La idea central es seleccionar la solución óptima local cada vez, pero este algoritmo no garantiza que el resultado final sea la solución óptima global.

La mayoría de los algoritmos codiciosos encuentran caminos óptimos basándose en gráficos.

Un caso típico de algoritmo codicioso es la búsqueda del camino más corto.

Similar al algoritmo de búsqueda en amplitud, la única diferencia es que atraviesa los nodos del número a lo largo de la profundidad del árbol, atravesando las ramas del número de búsqueda tanto como sea posible.

Primero atravesará el primer nodo secundario del nodo raíz, luego atravesará el primer nodo secundario del nodo secundario y continuará atravesando a lo largo de la profundidad del árbol.

Uno de los algoritmos para resolver la función de búsqueda automática de ruta.

Como algoritmo de búsqueda de gráficos común, también se usa ampliamente para resolver otros problemas algorítmicos.

Generalmente, para un nodo, el conjunto de sus nodos vecinos se denomina lista abierta y, antes de atravesar este nodo, todos los demás nodos que han sido atravesados ​​se almacenan en la lista cerrada.

Completitud: cuando el factor de ramificación es limitado, el algoritmo está completo

Optimidad: este algoritmo es óptimo cuando el costo de la ruta es una función no decreciente de la profundidad del nodo.

Complejidad del tiempo: consistente con el algoritmo de búsqueda en amplitud

complejidad espacial

Dos de los objetivos fundamentales de la informática son descubrir algoritmos que puedan demostrar su buen funcionamiento y conducir a soluciones óptimas o subóptimas, pero los algoritmos heurísticos intentan proporcionar uno o todos los objetivos a la vez.

Método de escalada El método de escalada es un algoritmo completamente codicioso. La posición óptima se selecciona en cada paso y es posible que solo pueda obtener una solución óptima local.

Reinicie aleatoriamente el método de escalada de montañas. Cuando el número de pasos de escalada exceda un cierto valor, el tablero de ajedrez se interrumpirá nuevamente y la montaña se "escalará" nuevamente.

La longitud promedio de la ruta del método de escalada más empinada es más corta, pero el costo de búsqueda es mayor que el del método de escalada preferido. La razón es que para obtener el nodo secundario más empinado, es necesario explorar todos los nodos secundarios adyacentes.

Intente expandir el nodo más cercano a la meta, la razón es que así podrá encontrar la solución rápidamente.

Para resolver el problema LRP, el criterio de convergencia es en un sentido computacional

El método más básico para resolver programación entera.

La eficiencia de búsqueda del algoritmo A depende en gran medida de la función de valoración h(n)

Bajo la premisa de satisfacer **h(n)≤h(n)**, cuanto mayor sea el valor de h(n), mejor.

Informativo: cuanto mayor sea el valor de h (n), más información heurística contiene, menos nodos se expandirá el algoritmo A durante la búsqueda y mayor será la eficiencia de la búsqueda.

Para problemas de optimización de funciones que antes eran difíciles de resolver, problemas complejos de programación multiobjetivo, problemas de tuberías y cableado en la producción industrial y agrícola, así como aprendizaje automático, reconocimiento de imágenes, ajuste de coeficientes de peso y construcción de redes neuronales artificiales, etc.

Es una técnica probabilística utilizada para encontrar rutas optimizadas en gráficos.

Está inspirado en el comportamiento de las hormigas que encuentran caminos en el proceso de búsqueda de alimento. El algoritmo de colonia de hormigas es un algoritmo evolutivo simulado. La investigación preliminar muestra que el algoritmo tiene muchas propiedades excelentes.

Es un algoritmo de optimización estocástica basado en la estrategia de solución iterativa de Monte Carlo. Su punto de partida se basa en la similitud entre el proceso de recocido de sustancias sólidas en física y los problemas generales de optimización combinatoria.

Su propósito es proporcionar un algoritmo de solución aproximada eficaz para problemas con complejidad NP (polinomio no determinista). Supera las deficiencias de otros procesos de optimización que son propensos a caer en mínimos locales y depender de valores iniciales.

Ha atraído la atención de la comunidad académica debido a sus ventajas como fácil implementación, alta precisión y rápida convergencia, y ha demostrado su superioridad en la resolución de problemas prácticos.

Es un método de búsqueda utilizado para saltar del óptimo local.

TS es una manifestación de inteligencia artificial y una extensión de la búsqueda de dominio local.

La búsqueda tabú es un algoritmo de búsqueda aleatoria subheurística. Comienza a partir de una solución factible inicial, selecciona una serie de direcciones de búsqueda específicas (movimientos) como pruebas y selecciona el movimiento que más cambia el valor de una función objetivo específica.

Para evitar caer en la solución óptima local, se utiliza una tecnología de "memoria" flexible en la búsqueda TS para registrar y seleccionar el proceso de optimización que se ha llevado a cabo para guiar la siguiente dirección de búsqueda.