迷宫寻路实验报告.doc

人工智能实验报告
实验三 A*算法实验II
一、实验目的：
熟悉和掌握A*算法实现迷宫寻路功能，要求掌握启发式函数的编写以及各类启发式函数效果的比较。

二、实验原理：
A*（A-Star)算法是一种静态路网中求解最短路最有效的方法。公式表示为：f(n)=g(n)+h(n)，其中f(n)是节点n从初始点到目标点的估价函数，g(n)是在状态空间中从初始节点到n节点的实际代价，h(n)是从n到目标节点最佳路径的估计代价。保证找到最短路径（最优解的）条件，关键在于估价函数h(n)的选取：估价值h(n)小于等于n到目标节点的距离实际值，这种情况下，搜索的点数多，搜索范围大，效率低，但能得到最优解。如果估价值大于实际值，搜索的点数少，搜索范围小，效率高，但不能保证得到最优解。

三、实验内容：
1、参考实验系统给出的迷宫求解核心代码，观察求解过程与思路。
2、画出用A*算法求解迷宫最短路径的流程图。
3、尝试改变启发式算法提高迷宫搜索速度。
4、分析不同启发式函数对迷宫寻路速度的提升效果。

四、实验报告要求：
1、画出A*算法求解迷宫最短路径问题的流程图。

2、试分析不同启发式函数对迷宫寻路求解的速度提升效果。
①: gn = 0;
fn = abs(Ei-ci)+abs(Ej-cj);
………………………
fn1 = abs(Ei-ni)+abs(Ej-nj)+gn1;

②: gn = 0;
fn = 0;
…………………
fn1 = 0;

③: gn = 0;
fn = 0;
…………………
fn1 = abs(Ei-ni)*abs(Ej-nj) + abs(Ej-nj)*abs(Ej-nj) +gn1;

调节g(n)和h(n)函数影响搜索策略。使启发式算法效率提高。
3、分析启发式函数中g(n)和h(n)求解方法不同对A*算法的影响。
g(n)和h(n)求解方法不同将直接影响A*算法的效率，好的解决方法不仅能够使路径变短，而且在求解过程中所搜索和产生的节点数也会尽量的少；而比较差的解决方法则可能导致所找到的路径未必是最短的，尽管它在求解过程中所搜索和产生的节点数也比较少。

五、实验心得与体会
A*算法作为启发式算法的重要组成部分在实际应用中有很大的作用。通过这次实验，我对g(n)和h(n)这两个函数对于A*算法的影响有了更进一步的了解，同时也认识到编写好的g(n)和h(n)对于A*算法的性能提高是十分关键的。