引言：人工智能为什么需要搜索？
因为人们发现通过搜索可以找到问题的最佳解法。拿人来举例，你去一个新城市旅游，如果时间有限，那么需要找到你去各景点的最佳路线，而不是在偌大的城市里乱窜。
概述
搜索很容易理解，就是不断寻路以得到最优解。这个概念也被运用到人工智能领域。
早期搜索技术，如图搜索、盲目搜索、启发式搜索
高级搜索技术，如规则演绎系统、产生式系统
早期的 AI 程序与搜索技术联系紧密：几乎所有的 (智力难题、棋类游戏、简单数学定理证明) 都以搜索为基础。
图搜索方法
定义：基于实际问题，不断根据已有经验，构造出一条代价较小的推理路线，然后解决问题的过程。
用图搜索解决问题包括两个方面：
找到从初始事实到问题最终答案的一条推理路径
找到的这条路径在时间和空间上复杂度最小
搜索方法好的标准, 一般认为有两个：搜索空间小、解最佳。
图的搜索
指一种在图中寻找路径的方法。图中每个节点对应一个状态，每条连线对应一个操作符。
分类：
无信息搜索 (盲目搜索) ：宽度优先搜索，深度优先搜索，等代价搜索
有信息搜索 (启发式搜索) ：A 算法、A* 算法
状态图搜索
搜索是为了找到初始节点到目标节点的路径，在搜索过程中需要随时记录搜索轨迹。
OPEN 表：用来记录下一步还可以走的节点
CLOSED 表：用来记录已经走过的节点
还需记录从目标返回的路径。每个表示状态的节点结构中必须有指向父节点的指针。
所谓对一个节点进行 “扩展” 是指对该节点用某个可用操作进行作用，生成该节点的一组子节点(后续节点)。
图的一般搜索策略
说明：
(1) 第 7 步修改返回指针的原因是，因为这些节点又被第二次生成，所以它们返回初始节点的路径已有两条，但这两条路径的 “长度” 可能不同。那么，当新路径短时自然要走新路。
(2) 这里对路径的长短是按照路径上的节点数来衡量的，后面我们将会看到路径的长短也可以其 “代价” (如距离、费用、时间等) 衡量。
如果搜索中某一节点出现了两个或者两个以上的父节点，那么就需要进行修改指针操作；需要比较从初始节点到这个节点的几条路径的代价，选择最优路径。该节点的指针只指向最优路径的父节点，其他父节点的指针要删掉。
注：这只是一个通用的搜索过程。
各种搜索策略的主要区别在于：
步骤 “重排 OPEN 表” 对 OPEN 表上的节点进行排序的准则，以便选出一个 “最好” 的节点作为步骤 ④ (如图) 扩展使用。
搜索图和搜索树
算法结束后，将生成一个图 G，称为搜索图。
由图 G 中所有节点及反向指针 (每个节点都有一个指针指向父节点) 构成 G 的一个支撑树，称为搜索树。
从目标节点开始，将指针指向的状态回串起来，即找到一条解路径。
图搜索分类
对 OPEN 表中节点排序方式产生了不同的搜索策略， 不同的搜索搜索策略效率不同。
盲目搜索：排序是任意的，即盲目的
启发式搜索：排序用启发信息为依据
·
开启掘金成长之旅！这是我参与「掘金日新计划 · 2 月更文挑战」的第 1 天，点击查看活动详情
