下载文档原格式
本文部分内容来自网络整理，本司不为其真实性负责，如有异议或侵权请及时联系，本司将立即删除！== 本文为word格式，下载后可方便编辑和修改！ ==八数码实验报告篇一：八数码实验报告利用人工智能技术解决八数码游戏问题1．八数码游戏问题简介九宫排字问题（又称八数码问题）是人工智能当中有名的难题之一。
问题是在3×3方格盘上，放有八个数码，剩下第九个为空，每一空格其上下左右的数码可移至空格。
问题给定初始位置和目标位置，要求通过一系列的数码移动，将初始位置转化为目标位置。
2．八数码游戏问题的状态空间法表示①建立一个只含有初始节点S0的搜索图G，把S0放入OPEN表中②建立CLOSED表，且置为空表③判断OPEN表是否为空表，若为空，则问题无解，退出④选择OPEN表中的第一个节点，把它从OPEN表移出，并放入CLOSED表中，将此节点记为节点n⑤考察节点n是否为目标节点，若是，则问题有解，成功退出。
问题的解就是沿着n到S0的路径得到。
若不是转⑥⑥扩展节点n生成一组不是n的祖先的后继节点，并将它们记为集合M，将M 中的这些节点作为n的后继节点加入图G中⑦对未在G中出现过的（OPEN和CLOSED表中未出现过的）集合M中的节点, 设置一个指向父节点n的指针，并把这些节点放入OPEN表中；对于已在G中出现过的M中的节点，确定是否需要修改指向父节点的指针；对于已在G中出现过并已在closed表中的M中的节点，确定是否需要修改通向他们后继节点的指针。
⑧ 按某一任意方式或某种策略重排OPEN表中节点的顺序⑨ 转③3．八数码游戏问题的盲目搜索技术宽度优先搜索：1、定义如果搜索是以接近起始节点的程度依次扩展节点的，那么这种搜索就叫做宽度优先搜索(breadth-first search)。
2、特点这种搜索是逐层进行的；在对下一层的任一节点进行搜索之前，必须搜索完本层的所有节点。
3、宽度优先搜索算法(1) 把起始节点放到OPEN表中(如果该起始节点为一目标节点，则求得一个解答)。
八数码问题求解（一）实验软件TC2.0或VC6.0编程语言或其它编程语言（二）实验目的1.熟悉人工智能系统中的问题求解过程；2.熟悉状态空间的盲目搜索和启发式搜索算法的应用；3.熟悉对八数码问题的建模，求解及编程语言的应用。
（三）实验内容八数码问题：在3×3的方格棋盘上，摆放着1到8这八个数码，有一个方格是空的，要求对空格执行空格左移，空格右移，空格上移，空格下移这四个操作使得棋盘从初始状态到目标状态。
输入初始状态和目标状态，输出从初始状态到目标状态的路径。
（四）实验代码#include"stdafx.h"#include<iostream>#include<ctime>#include<vector>using namespace std;const int ROW = 3;const int COL = 3;const int MAXDISTANCE = 10000;const int MAXNUM = 10000;typedef struct_Node{int digit[ROW][COL];int dist; // distance between one state and the destination int dep; // the depth of node// So the comment function = dist + dep.int index; // point to the location of parent} Node;Node src, dest;vector<Node> node_v; // store the nodesbool isEmptyOfOPEN() {for (int i = 0; i < node_v.size(); i++) {if (node_v[i].dist != MAXNUM)return false;}return true;}bool isEqual(int index, int digit[][COL]) {for (int i = 0; i < ROW; i++)for (int j = 0; j < COL; j++) {if (node_v[index].digit[i][j] != digit[i][j])return false;}return true;}ostream& operator<<(ostream& os, Node& node) {for (int i = 0; i < ROW; i++) {for (int j = 0; j < COL; j++)os << node.digit[i][j] << ' ';os << endl;}return os;}void PrintSteps(int index, vector<Node>& rstep_v) { rstep_v.push_back(node_v[index]);index = node_v[index].index;while (index != 0) {rstep_v.push_back(node_v[index]);index = node_v[index].index;}for (int i = rstep_v.size() - 1; i >= 0; i--)cout << "Step " << rstep_v.size() - i<< endl << rstep_v[i] << endl;}void Swap(int& a, int& b) {int t;t = a;a = b;b = t;}void Assign(Node& node, int index) {for (int i = 0; i < ROW; i++)for (int j = 0; j < COL; j++)node.digit[i][j] = node_v[index].digit[i][j];}int GetMinNode() {int dist = MAXNUM;int loc; // the location of minimize nodefor (int i = 0; i < node_v.size(); i++) {if (node_v[i].dist == MAXNUM)continue;else if ((node_v[i].dist + node_v[i].dep) < dist) {loc = i;dist = node_v[i].dist + node_v[i].dep;}}return loc;}bool isExpandable(Node& node) {for (int i = 0; i < node_v.size(); i++) {if (isEqual(i, node.digit))return false;}return true;}//扩展int Distance(Node& node, int digit[][COL]) {int distance = 0;bool flag = false;for (int i = 0; i < ROW; i++)for (int j = 0; j < COL; j++)for (int k = 0; k < ROW; k++) {for (int l = 0; l < COL; l++) {if (node.digit[i][j] == digit[k][l]) {distance += abs(i - k) + abs(j - l);//abs()求得是正数的绝对值。
八数码问题实验报告八数码问题实验报告引言：八数码问题是一种经典的数学难题，在计算机科学领域有着广泛的研究和应用。
本实验旨在通过探索八数码问题的解法，深入理解该问题的本质，并通过实验结果评估不同算法的效率和准确性。
一、问题描述：八数码问题是一个在3×3的棋盘上，由1至8的数字和一个空格组成的拼图问题。
目标是通过移动棋盘上的数字，使得棋盘上的数字排列按照从小到大的顺序排列，最终形成如下的目标状态：1 2 34 5 67 8二、解法探索：1. 深度优先搜索算法：深度优先搜索算法是一种经典的解决拼图问题的方法。
该算法通过不断尝试所有可能的移动方式，直到找到目标状态或者无法再继续移动为止。
实验结果显示，该算法在八数码问题中能够找到解，但由于搜索空间庞大，算法的时间复杂度较高。
2. 广度优先搜索算法：广度优先搜索算法是另一种常用的解决八数码问题的方法。
该算法通过逐层扩展搜索树，从初始状态开始，逐步扩展所有可能的状态，直到找到目标状态。
实验结果显示，该算法能够找到最短路径的解，但同样面临搜索空间庞大的问题。
3. A*算法：A*算法是一种启发式搜索算法，结合了深度优先搜索和广度优先搜索的优点。
该算法通过使用一个估价函数来评估每个搜索状态的优劣，并选择最有希望的状态进行扩展。
实验结果显示，A*算法在八数码问题中表现出色，能够高效地找到最优解。
三、实验结果与分析：通过对深度优先搜索、广度优先搜索和A*算法的实验，得出以下结论：1. 深度优先搜索算法虽然能够找到解，但由于搜索空间庞大，时间复杂度较高，不适用于大规模的八数码问题。
2. 广度优先搜索算法能够找到最短路径的解，但同样面临搜索空间庞大的问题，对于大规模问题效率较低。
3. A*算法在八数码问题中表现出色，通过合理的估价函数能够高效地找到最优解，对于大规模问题具有较好的效果。
四、结论与展望：本实验通过对八数码问题的解法探索，深入理解了该问题的本质，并评估了不同算法的效率和准确性。
八数码实验报告八数码实验报告引言：八数码，也称为滑块拼图，是一种经典的数字游戏。
在这个游戏中，玩家需要通过移动数字方块，将它们按照从小到大的顺序排列。
本次实验旨在通过编写八数码游戏的程序，探索并实践算法设计与实现的过程。
实验过程：1. 游戏规则设计在开始编写程序之前，首先需要明确游戏的规则。
八数码游戏的规则如下：- 有一个3x3的方格，其中有8个方块分别带有数字1到8，还有一个空白方块。
- 玩家可以通过移动数字方块，将它们按照从小到大的顺序排列。
- 移动的方式是将数字方块与空白方块进行交换，只能上下左右移动。
2. 程序设计基于以上规则，我们开始设计程序。
首先，我们需要实现游戏界面的显示与交互。
通过使用图形界面库，我们可以方便地创建一个可视化的游戏界面。
在界面中，每个数字方块都是一个可交互的按钮，玩家可以通过点击按钮来移动数字方块。
接下来，我们需要实现游戏逻辑的处理。
当玩家点击一个数字方块时，程序需要判断该方块是否与空白方块相邻，如果相邻，则进行交换。
同时，程序还需要判断玩家是否已经成功完成了游戏，即数字方块是否已经按照从小到大的顺序排列。
为了实现这些功能，我们可以使用算法来进行判断和计算。
例如，可以通过遍历每个方块，检查其周围是否有空白方块，从而确定是否可以进行移动。
另外，可以使用排序算法来判断数字方块是否已经按照顺序排列。
3. 算法实现在实现算法时，我们可以选择不同的方法。
例如，可以使用深度优先搜索算法来寻找解决方案。
深度优先搜索算法通过递归地尝试每一种移动方式，直到找到一个可行的解决方案。
另外，还可以使用启发式搜索算法，如A*算法，来提高搜索效率。
在本次实验中，我们选择使用A*算法来解决八数码问题。
A*算法通过估计每个状态与目标状态的距离，选择最有可能导致解决方案的移动方式。
通过使用合适的启发函数，A*算法可以在较短的时间内找到一个最优解。
4. 实验结果经过程序的编写和测试，我们成功地实现了八数码游戏。
8数码实验报告8数码实验报告引言：数码技术在现代社会中扮演着重要的角色，它的应用范围广泛，从家庭到工业领域都有着不可替代的作用。
为了更好地了解和掌握数码技术的原理和应用，我们进行了一系列的实验。
本报告将详细介绍我们进行的8个数码实验，包括实验目的、实验原理、实验步骤、实验结果和实验总结。
实验一：二进制与十进制转换实验目的：通过将二进制数转换为十进制数，加深对二进制和十进制之间转换关系的理解。
实验原理：二进制数是由0和1组成的数，而十进制数是由0-9这10个数字组成的数。
二进制数转换为十进制数的方法是将每一位的权值与对应位上的数字相乘，再将结果相加。
实验步骤：将给定的二进制数转换为十进制数，并记录结果。
实验结果：通过实验，我们成功地将二进制数转换为了十进制数，并验证了转换的正确性。
实验总结：这个实验帮助我们更好地理解了二进制和十进制之间的转换关系，为后续的实验打下了基础。
实验二：逻辑门电路实验实验目的：通过搭建逻辑门电路，了解逻辑门的基本原理和功能。
实验原理：逻辑门是由晶体管或其他电子元件组成的电路，根据输入信号的不同，产生不同的输出信号。
常见的逻辑门有与门、或门、非门等。
实验步骤：根据实验要求，搭建逻辑门电路，并测试输入和输出信号。
实验结果：通过实验，我们成功地搭建了逻辑门电路，并观察到了不同输入信号下的输出信号变化。
实验总结：逻辑门电路是数字电路的基础，通过这个实验，我们对逻辑门的原理和功能有了更深入的了解。
实验三：数码显示实验实验目的：了解数码显示器的原理和工作方式。
实验原理：数码显示器是一种能够显示数字和字符的设备，它由多个发光二极管（LED）组成。
每个发光二极管代表一个数字或字符，通过控制不同的发光二极管点亮或熄灭，可以显示不同的数字或字符。
实验步骤：通过控制数码管的电平，显示指定的数字或字符。
实验结果：通过实验，我们成功地控制了数码管的显示，实现了指定数字或字符的显示效果。
实验总结：数码显示器是一种常见的输出设备，通过这个实验，我们对数码显示器的工作原理和控制方式有了更深入的理解。
八数码实验报告八数码实验报告引言：八数码，也被称为滑块拼图，是一种经典的益智游戏。
在这个实验中，我们将探索八数码问题的解决方案，并分析其算法的效率和复杂性。
通过这个实验，我们可以深入了解搜索算法在解决问题中的应用，并且探讨不同算法之间的优劣势。
1. 问题描述：八数码问题是一个在3x3的方格上进行的拼图游戏。
方格中有8个方块，分别标有1到8的数字，还有一个空方块。
游戏的目标是通过移动方块，将它们按照从左上角到右下角的顺序排列。
2. 算法一：深度优先搜索（DFS）深度优先搜索是一种经典的搜索算法，它从初始状态开始，不断地向前搜索，直到找到目标状态或者无法继续搜索为止。
在八数码问题中，深度优先搜索会尝试所有可能的移动方式，直到找到解决方案。
然而，深度优先搜索在解决八数码问题时存在一些问题。
由于搜索的深度可能非常大，算法可能会陷入无限循环，或者需要很长时间才能找到解决方案。
因此，在实际应用中，深度优先搜索并不是最优的选择。
3. 算法二：广度优先搜索（BFS）广度优先搜索是另一种常用的搜索算法，它从初始状态开始，逐层地向前搜索，直到找到目标状态。
在八数码问题中，广度优先搜索会先尝试所有可能的一步移动，然后再尝试两步移动，依此类推，直到找到解决方案。
与深度优先搜索相比，广度优先搜索可以保证找到最短路径的解决方案。
然而，广度优先搜索的时间复杂度较高，尤其是在搜索空间较大时。
因此，在实际应用中，广度优先搜索可能不太适合解决八数码问题。
4. 算法三：A*算法A*算法是一种启发式搜索算法，它在搜索过程中利用了问题的启发信息，以提高搜索效率。
在八数码问题中，A*算法会根据每个状态与目标状态之间的差异，选择最有可能的移动方式。
A*算法通过综合考虑每个状态的实际代价和启发式估计值，来评估搜索路径的优劣。
通过选择最优的路径，A*算法可以在较短的时间内找到解决方案。
然而，A*算法的实现较为复杂，需要合适的启发函数和数据结构。
八数码实验报告实验名称：八数码实验目的：通过使用搜索算法和启发式算法，解决八数码问题，深入理解搜索算法原理和应用。
实验环境：使用Python语言进行编程实现，操作系统为Windows。
实验过程：1. 定义八数码问题的状态和目标状态，分别以列表的形式表示。
* 初始状态：[2, 8, 3, 1, 6, 4, 7, 0, 5]* 目标状态：[1, 2, 3, 8, 0, 4, 7, 6, 5]2. 实现深度优先搜索算法，运行程序得到结果。
通过深度优先搜索算法，得到了八数码问题的解法。
但是，由于深度优先搜索算法过于盲目，搜索时间过长，而且容易陷入无解状态，因此需要改进算法。
3. 改进算法——广度优先搜索。
在深度优先搜索的基础上，改用广度优先搜索算法，实现代码如下：```def bfs(start, target):queue = [(start, [start])]seen = {tuple(start)}while queue:node, path = queue.pop(0)for move, i in direction.items():new_node = [j for j in node]if i not in range(0, 9):continuenew_node[0], new_node[i] = new_node[i], new_node[0] if tuple(new_node) in seen:continueif new_node == target:return path + [new_node]seen.add(tuple(new_node))queue.append((new_node, path + [new_node]))```4. 改进算法——A*算法。
在广度优先搜索的基础上，使用A*算法进行优化。
进行了以下改进：* 引入估价函数，加快搜索速度；* 遍历过程中对结点进行评估，保留最优的结点。
八个数字问题实验报告. 《八数码问题》实验报告首先，实验的目的:熟悉启发式搜索算法。
二、实验内容:启发式搜索算法用于解决8位数问题。
编制了程序，实现了解决8位数问题的算法。
采用评估功能，其中:是搜索树中节点的深度；在节点数据库中放错位置的件数；这是每个棋子与其在节点数据库中的目标位置之间距离的总和。
三、实验原理:1.问题描述:八位数问题也被称为九宫问题。
在3×3的棋盘上，有八个棋子，每一个棋子都标有一定的1到8的数字，不同棋子上标的数字是不同的。
棋盘上还有一个空格(用数字0表示)，与空格相邻的棋子可以移动到空格中。
要解决的问题是: 给定初始状态和目标状态，找出从初始状态到目标状态移动次数最少的移动步骤。
所谓问题的一种状态是棋盘上棋子的排列。
解决八位数问题实际上是找出一系列从初始状态到目标状态的中间过渡状态。
2.原则描述:启发式搜索(1)原理启发式搜索是评估每个搜索在状态空间中的位置以获得最佳位置，然后从这个位置搜索到目标。
这样，可以省略大量不必要的搜索路径，并且提高了效率。
在启发式搜索中，位置的评估非常重要。
不同的评估会产生不同的效果。
(2)评估函数计算节点的评估函数，可分为两部分:1.成本已经支付(从开始节点到当前节点)；2.要支付的价格(当前节点到目标节点)。
节点n的评估函数被定义为从初始节点通过n到目标节点的路径的最小成本的估计值，即=。
是从初始节点到达当前节点n的实际成本；是从节点n到目标节点的最佳路径的估计开销。
比例越大，它越倾向于先搜索宽度或同等成本。
相反，比例越大，启发式性能越强。
(3)算法描述:(1)将起始节点S放入OPEN表中，计算节点S的值；(2)如果OPEN为空表，则无法退出且没有解决方案；(3)从OPEN表中选择具有最小值的节点。
如果多个节点具有相同的值，当其中一个节点是目标节点时，选择目标节点；否则，任意一个节点被选为节点；(4)从OPEN表中移除节点，并将其放入CLOSED扩展节点表中；(5)如果它是目标节点，它成功退出并获得解决方案；⑥扩展节点以生成其所有后续节点。
八数码人工智能实验报告八数码人工智能实验报告引言：八数码是一种经典的数学问题，也是人工智能领域中常用的实验题目之一。
本次实验旨在通过使用搜索算法解决八数码问题，探讨人工智能在解决复杂问题上的应用。
一、问题描述：八数码问题是一种数字排列游戏，使用一个3x3的方格，其中8个方格上各有一个数字，剩下一个方格为空白。
通过移动数字方格，最终将数字按照从小到大的顺序排列，空白方格位于最后一个位置。
例如，初始状态为：1 2 38 47 6 5目标状态为：1 2 34 5 67 8二、算法选择：本次实验采用了A*搜索算法来解决八数码问题。
A*算法是一种启发式搜索算法，通过估计每个搜索节点到达目标状态的代价来进行搜索。
它综合了广度优先搜索和最佳优先搜索的优点，能够高效地找到最优解。
三、实验过程：1. 状态表示：在实验中，我们使用一个3x3的二维数组来表示八数码的状态。
数组中的每个元素代表一个方格的数字，空白方格用0表示。
2. 启发函数：为了评估每个搜索节点到达目标状态的代价，我们需要定义一个启发函数。
本实验中，我们选择了曼哈顿距离作为启发函数。
曼哈顿距离是指每个数字方格与其目标位置之间的水平和垂直距离之和。
3. A*算法：A*算法的核心思想是维护一个优先队列，根据每个搜索节点的估价函数值进行排序。
具体步骤如下：- 将初始状态加入优先队列，并设置初始估价函数值为0。
- 从优先队列中取出估价函数值最小的节点，进行扩展。
- 对于每个扩展节点，计算其估价函数值，并将其加入优先队列。
- 重复上述步骤，直到找到目标状态或者队列为空。
四、实验结果：经过实验，我们发现A*算法能够高效地解决八数码问题。
对于初始状态为随机排列的八数码，A*算法能够在较短的时间内找到最优解。
实验结果表明，A*算法在解决八数码问题上具有较好的性能。
五、实验总结：本次实验通过使用A*搜索算法解决八数码问题，展示了人工智能在解决复杂问题上的应用。
A*算法通过合理的启发函数和优先队列的维护，能够高效地找到最优解。
利用人工智能技术解决八数码游戏问题1．八数码游戏问题简介九宫排字问题（又称八数码问题）是人工智能当中有名的难题之一。
问题是在 3×3方格盘上，放有八个数码，剩下第九个为空，每一空格其上下左右的数码可移至空格。
问题给定初始位置和目标位置，要求通过一系列的数码移动，将初始位置转化为目标位置。
2．八数码游戏问题的状态空间法表示①建立一个只含有初始节点s0的搜索图g，把s0放入open表中②建立closed表，且置为空表③判断open表是否为空表，若为空，则问题无解，退出④选择open表中的第一个节点，把它从open表移出，并放入closed表中，将此节点记为节点n⑤考察节点n是否为目标节点，若是，则问题有解，成功退出。
问题的解就是沿着n到s0的路径得到。
若不是转⑥⑥扩展节点n生成一组不是n的祖先的后继节点，并将它们记为集合m，将m中的这些节点作为n的后继节点加入图g中⑦对未在g中出现过的（open和closed表中未出现过的）集合m中的节点, 设置一个指向父节点n的指针，并把这些节点放入open表中；对于已在g中出现过的m中的节点，确定是否需要修改指向父节点的指针；对于已在g中出现过并已在closed表中的m中的节点，确定是否需要修改通向他们后继节点的指针。
⑧按某一任意方式或某种策略重排open表中节点的顺序⑨转③3．八数码游戏问题的盲目搜索技术宽度优先搜索：1、定义如果搜索是以接近起始节点的程度依次扩展节点的，那么这种搜索就叫做宽度优先搜索(breadth-first search)。
2、特点这种搜索是逐层进行的；在对下一层的任一节点进行搜索之前，必须搜索完本层的所有节点。
3、宽度优先搜索算法(1) 把起始节点放到open表中(如果该起始节点为一目标节点，则求得一个解答)。
(2) 如果open是个空表，则没有解，失败退出；否则继续。
(3) 把第一个节点(节点n)从open表移出，并把它放入closed的扩展节点表中。
(4) 扩展节点n。
如果没有后继节点，则转向上述第(2)步。
(5) 把n的所有后继节点放到open表末端，并提供从这些后继节点回到n的指针。
(6) 如果n的任一个后继节点是个目标节点，则找到一个解答，成功退出；否则转向第(2)步。
流程图：性质：当问题有解时，一定能找到解。
当问题为单位消耗值，且问题有解时，一定能找到最优解。
算法与问题无关，具有通用性。
时间效率和空间效率都比较低。
深度优先搜索：1、定义在此搜索中，首先扩展最新产生的(即最深的)节点。
深度相等的节点可以任意排列。
这种盲目(无信息)搜索叫做深度优先搜索(depth-first search)。
2、特点首先，扩展最深的节点的结果使得搜索沿着状态空间某条单一的路径从起始节点向下进行下去；只有当搜索到达一个没有后裔的状态时，它才考虑另一条替代的路径。
3、深度界限为了避免考虑太长的路径(防止搜索过程沿着无益的路径扩展下去)，往往给出一个节点扩展的最大深度界限。
任何节点如果达到了深度界限，那么都将把它们作为没有后继节点处理。
4、深度优先搜索算法(1) 把起始节点放到open表中(如果该起始节点为一目标节点，则求得一个解答)。
(2) 如果open是个空表，则没有解，失败退出；否则继续。
(3) 把第一个节点(节点n)从open表移出，并把它放入closed的扩展节点表中。
(4) 考察节点n是否为目标节点，若是，则找到问题的解，用回溯法求解路径，退出（5）如果没有后继节点，则转向上述第(2)步。
(6) 扩展节点n，把n的所有后继节点放到open表前端，并提供从这些后继节点回到n的指针。
转向第(2)步。
流程图：性质：一般不能保证找到最优解。
当深度限制不合理时，可能找不到解。
最坏情况时，搜索空间等同于穷举。
4．八数码游戏问题的启发式搜索技术（给出你所采用估价函数，并介绍算法的基本原理和流程图）估价函数:f(n) = g(n) + h(n)是对下列函数的一种估计或近似：f*(n) = g*(n) + h*(n) f*(n)：从初始节点到节点n的一条最佳路径的实际代价加上从节点n到目标节点的最佳路径的代价之和。
g*(n)：从初始节点到节点n之间最小路径的实际代价h*(n)：从节点n到目标节点的最小代价路径上代价定义利用与问题有关的知识（即：启发信息）来引导搜索，达到减少搜索范围，降低问题复杂度的搜索过程称为启发式搜索方法。
核心问题：启发信息应用，启发能力度量和如何获得启发信息。
启发信息的强度强：降低搜索工作量，但可能导致找不到最优解。
弱：一般导致工作量加大，极限情况下变为盲目搜索，但可能可以找到最优解。
全局最佳优先搜索：(1) 把起始节点放到open表中，并计算估价函数f(s0)。
(2) 如果open是个空表，则没有解，失败退出；否则继续。
(3) 把open表中的第一个节点（股价函数最小的节点n），移入closed表。
(4) 如果n是目标节点，问题得解，退出。
否则继续。
(5) 判断节点n是否可扩展。
若否则转向第(2)步，若是则转向(6)。
(6) 对节点n进行扩展，并对其所有后继节点计算估价函数f（n）的值，并为每个后继节点设置指向n节点的指针。
把这些后继节点都送入open表，然后对open表中的全部节点按照估价函数值从小到大的顺序排序。
(7) 转向第(2)步。
流程图：5．例子及分析双向宽度优先搜索：深度优先搜索：启发式搜索：篇二：人工智能实验报告八数码问题实验一启发式搜索算法姓名：徐维坚学号：2220103484 日期：2012/6/29一、实验目的：熟练掌握启发式搜索a?算法及其可采纳性。
二、实验内容：使用启发式搜索算法求解8数码问题。
1) 编制程序实现求解8数码问题a?算法，采用估价函数??w?n?， f?n??d?n?????p?n?其中：d?n?是搜索树中结点n的深度；w?n?为结点n的数据库中错放的棋子个数；p?n?为结点n的数据库中每个棋子与其目标位置之间的距离总和。
2) 分析上述⑴中两种估价函数求解8数码问题的效率差别，给出一个是p?n?的上界的h?n?的定义，并测试使用该估价函数是否使算法失去可采纳性。
三、实验原理：1. 问题描述：八数码问题也称为九宫问题。
在3×3的棋盘，摆有八个棋子，每个棋子上标有1至8的某一数字，不同棋子上标的数字不相同。
棋盘上还有一个空格（以数字0来表示），与空格相邻的棋子可以移到空格中。
要求解决的问题是：给出一个初始状态和一个目标状态，找出一种从初始转变成目标状态的移动棋子步数最少的移动步骤。
所谓问题的一个状态就是棋子在棋盘上的一种摆法。
解八数码问题实际上就是找出从初始状态到达目标状态所经过的一系列中间过渡状态。
2. 原理描述：2.1 有序搜索算法：（1）原理：在搜索过程中，open表中节点按照其估价函数值以递增顺序排列，选择open表中具有最小估价函数值的节点作为下一个待扩展的节点，这种搜索方法称为有序搜索。
在本例中，估价函数中的g(n)取节点深度d(n)，h(n)为节点n的状态与目标状态之间错放的个数，即函数?(n)。
（2）算法描述：①把起始节点s放到open表中，并计算节点s的f(s)；②如果open是空表，则失败退出，无解；③从open表中选择一个f值最小的节点i。
如果有几个节点值相同，当其中有一个为目标节点时，则选择此目标节点；否则就选择其中任一个节点作为节点i；④把节点i从 open 表中移出，并把它放入 closed 的已扩展节点表中；⑤如果i是个目标节点，则成功退出，求得一个解；⑥扩展节点i，生成其全部后继节点。
对于i的每一个后继节点j：计算f(j)；如果j 既不在open表中，又不在cloced表中，则用估价函数f把它添入open表中。
从j加一指向其父节点i的指针，以便一旦找到目标节点时记住一个解答路径；如果j已在open表或closed表中，则比较刚刚对j计算过的f和前面计算过的该节点在表中的f值。
如果新的f较小，则(i)以此新值取代旧值。
(ii)从j指向i，而不是指向他的父节点。
(iii)如果节点j在closed表中，则把它移回open表中。
⑦转向②，即goto②。
（3）算法流程图：2.2启发式搜索技术（1）原理启发式搜索就是在状态空间中的搜索对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标。
这样可以省略大量无谓的搜索路径，提高了效率。
在启发式搜索中，对位置的估价是十分重要的。
采用了不同的估价可以有不同的效果。
（2）估价函数计算一个节点的估价函数，可以分成两个部分：1、已经付出的代价（起始节点到当前节点）；2、将要付出的代价（当前节点到目标节点）。
节点n的估价函数f(n)定义为从初始节点、经过n、到达目标节点的路径的最小代价的估计值，即f*(n) = g*(n)+ h*(n)。
g*(n)是从初始节点到达当前节点n的实际代价；h*(n)是从节点n到目标节点的最佳路径的估计代价，体现出搜索过程中采用的启发式信息（背景知识），称之为启发函数。
g*(n)所占的比重越大，越趋向于宽度优先或等代价搜索；反之，h*(n)的比重越大，表示启发性能就越强。
本实验中我们使用函数p(n)，其值是节点n与目标状态节点相比较，每个错位棋牌在假设不受阻拦的情况下，移动到目标状态相应位置所需走步（移动次数）的总和。
显然p(n)比?(n)更接近于h*(n)，因为p(n)不仅考虑了错位因素，还考虑了错位的距离。
（3）算法描述：参考有序搜索算法描述，基本相同。
流程图亦参考有序算法流程图。
四、实验程序及其说明：1）int goal[n][n]，struct chessboard：试验中我定义goal数组为目标状态——{1,2,3,8,0,4,7,6,5}。
结构体chessboard记录棋盘信息，其中变量pos数组坐标记录每个数码a的位置，其值为数码a。
d表示该棋盘的深度，f为启发函数值，move为父节点移动到该节点的方式，以便在输出时告诉用户该如何移动棋子知道目标状态。
2）struct lnode：定义节点lnode结构体，存放该节点状态时的棋盘信息board，和指向父节点、下一节点的指针(*parent,*next)，以及标记量flag——值为true时表示该节点是最佳路径上的节点。
3）int* findzero(lnode* &node)：为方便找到空格，我设计了找到该函数findzero(*&node)，以便找到当前节点空格所在位置以利于接下来的程序执行。
返回值为空格所在的行和列。
4）int wrong(lnode *node)和int pick(lnode *node)：分别为函数?(n)和p(n)。
