启发式搜索

启发式搜索 A*

从用优先队列的(BFS)开始想，优先队列的(BFS)策略显然不够完善，因为我们只在乎当前代价很小，而对于未来的搜索中，代价可能会更大，而那先当前代价大的在未来的代价中可能很小，所以为了提高搜索效率，可以对未来产生的代价进行预估，即估价函数，我们仍然维护一个堆，那么每次从堆中取出的就是“当前代价+未来预估代价”。

定义起点为s，终点为t，从起点开始的距离函数(g(x))，相当于当前代价，到终点的距离函数(h(x))，相当于未来估价，那么每个点在优先队列中形式就是(f(x) = g(x) + h(x))，(h(x))就是估价函数。

特别像 (Dijkstra)

while (q.size()) {
	t = 优先队列队头
	当终点第一次出队时，break
	for 所有邻边
		将邻边入队
}

1. 处理非负边权

2. 设(g(state))是从当前状态到目标状态的最小代价，(f(state))是从当前状态到目标状态的估计值，那么必须满足：

[f(state) \,\,leq\,\, g(state) ]

(f(state))越接近于(g(state))，那么效率越高，如果(f(state))，那么效率就等价于普通的优先队列(BFS)

注意：

1. 在(Dijkstra)算法中，每个点出队就是最优解。

2. 在普通(BFS)中，每个点入队就是最优解。

3. 在(A*)算法中，除了终点以外，其他点一定不满足出队就是最优解，也就是说每个点不止被更新一次。