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。