查克拉巴蒂,P.P。;Ghose,S。;A.潘迪。;南卡罗来纳州德萨卡。 使用多种启发式方法提高搜索效率。 (英语) Zbl 0669.68056号 Inf.流程。莱特。 30,第1期,33-36(1989). 作者提出了一个名为QA(epsilon)的扩展,它是在N.J.尼尔森《人工智能原理》(1982;Zbl 0474.68094号)。符号和定义指的是该演示文稿。QA(\(\epsilon)\)被设计为\(a^*\)的2遍变体,结合了两种启发式,以提高搜索效率。第一个启发式是一个有效的估计,但不能保证可接受性。因此,扩展的节点数最少。第二个是低估并保证可受理性。第一次通过使用算法A和第一个启发式评估函数f1进行搜索,在终止路径P后,将得到中间结果max({)f1(n)(})。第二步,使用算法(A^*)和第二个启发式评估函数f2执行搜索,如果(epsilon>\emptyset)的\(f2(n)>\max\{f1(n)\}\cdot(1+\epsilon)\)成立,则检查绑定到丢弃的每个新生成的节点。现在他们声称,对于(epsilon)中的一些合适的选择,存在一个最小成本路径P,这样\[\最大值(f1(n))\]对于P的所有容许路径\(P')和节点n元素。然后,\(QA(\epsilon^*)\)提供成本最低的解决方案。因此,QA(\(\epsilon)\)的平均性能要好于A,尤其是对于较难的问题,尽管不能保证任意\(\ epsilon\)的可接受性。对本文中提出的8个难题的性能测试倾向于确认这一性质。审核人:R.霍斯 引用于2文件 MSC公司: 68泰克 人工智能 68T99型 人工智能 68页第10页 搜索和排序 68T20型 人工智能背景下的问题解决(启发式、搜索策略等) 关键词:人工智能;搜索算法;启发式评价函数 引文:Zbl 0474.68094号 PDF格式BibTeX公司 XML格式引用 \textit{P.P.Chakrabarti}等人,《Inf.过程》。莱特。30,第1号,33-36(1989;Zbl 0669.68056) 全文: 内政部 参考文献: [1] 巴格奇,A。;Mahanti,A.,《不同启发式下的搜索算法——比较研究》,J.ACM,30,1-21(1983)·Zbl 0497.68035号 [2] Dechter,R。;Pearl,J.,《广义最佳优先搜索策略和(A^*)的最优性》,J.ACM,32,505-536(1985)·兹比尔0631.68075 [3] Nilsson,N.J.,《人工智能中的问题解决》(1971),McGraw-Hill:McGraw-Hill纽约 [4] Nilsson,N.J.,《人工智能原理》(1980),蒂奥加:加利福尼亚州蒂奥加·帕洛阿尔托·Zbl 0422.68039号 此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配,并且可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。