一致代价搜索(UCS)的原理和代码实现

2024-02-28 06:08

本文主要是介绍一致代价搜索(UCS)的原理和代码实现,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

一:基本原理

        一致代价搜索是在广度优先搜索上进行扩展的,也被成为代价一致搜索,他的基本原理是:一致代价搜索总是扩展路径消耗最小的节点N。N点的路径消耗等于前一节点N-1的路径消耗加上N-1到N节点的路径消耗。

        图的一致性代价搜索使用了优先级队列并在边缘中的状态发现更小代价的路径时引入的额外的检查。边缘的数据结构需要支持有效的成员校测,这样它就结合了优先级队列和哈希表的能力。

我们以前在高级人工智能第一篇讲无信息搜索的文章中(https://blog.csdn.net/Suyebiubiu/article/details/100738725),有一个例子是有名的罗马尼亚的旅行问题。我们这次可以尝试着用一致代价搜索方式进行解决这个问题。

我们想要从Arad到达Bucharest,姑且认为是A和B两个位置,我们想要使用一致代价搜索方式

  • 1.根据上图创建一个搜索树,以A为初始状态,B为目标状态
  • 2.实现代价一致搜索的图搜索算法并记录搜索路径

二:算法实现流程

frontier:边缘。存储未扩展的节点。优先级队列,按路径消耗来排列
explored:探索集。存储的是状态


2.1 流程分析:

1.如果边缘为空,则返回失败。操作:EMPTY?(frontier)
2.否则从边缘中选择一个叶子节点。操作:POP(frontier)
3.目标测试:通过返回,否则将叶子节点的状态放在探索集
4.遍历叶子节点的所有动作

  • 每个动作产生子节点
  • 如果子节点的状态不在探索集或者边缘,则插入到边缘集合。操作:INSERT(child, frontier)
  • 否则如果边缘集合中如果存在此状态且有更高的路径消耗,则用子节点替代边缘集合中的状态
     

A是起点,C是终点。

2.2 一致代价搜索算法执行:

  • A放入frontier
  • ---第1次
  • 从frontier中取出A(此时路径消耗最小)检测发现不是目标
  • A放入explored
  • 遍历A的子节点,D和B放入frontier
  • ---第2次
  • 从frontier中取出D(此时路径消耗最小)检测发现不是目标
  • D放入explored
  • 遍历D的子节点,C放入frontier
  • ---第3次
  • 从frontier中取出B(此时路径消耗最小)检测发现不是目标
  • B放入explored
  • 遍历B的子节点,E放入frontier
  • ---第4次
  • 从frontier中取出E(此时路径消耗最小)检测发现不是目标
  • E放入explored
  • 遍历E的子节点,C准备放入frontier,发现此时frontier已有C,但路径消耗为8大于7,则替代frontier中的C
  • ---第5次
  • 从frontier中取出C(此时路径消耗最小)检测发现是目标,成功
  • 最优路径:A->B->E->C
     

从上例可以看出,一致代价搜索具有最优性,关键在于frontier中存储是按路径消耗顺序来排序的。

2.3 算法性能分析:

2.3.1:分析一致代价搜索的完备性、最优性、时间和空间复杂度

2.3.2:指出无信息搜索策略和有信息搜索策略的不同

2.3.3:分析一致代价搜索如何保证算法的最优性

三:源代码分析

import pandas as pd
from pandas import Series, DataFrame# 城市信息:city1 city2 path_cost
_city_info = None# 按照路径消耗进行排序的FIFO,低路径消耗在前面
_frontier_priority = []# 节点数据结构
class Node:def __init__(self, state, parent, action, path_cost):self.state = stateself.parent = parentself.action = actionself.path_cost = path_costdef main():global _city_infoimport_city_info()while True:src_city = input('输入初始城市\n')dst_city = input('输入目的城市\n')# result = breadth_first_search(src_city, dst_city)result = uniform_cost_search(src_city, dst_city)if not result:print('从城市: %s 到城市 %s 查找失败' % (src_city, dst_city))else:print('从城市: %s 到城市 %s 查找成功' % (src_city, dst_city))path = []while True:path.append(result.state)if result.parent is None:breakresult = result.parentsize = len(path)for i in range(size):if i < size - 1:print('%s->' % path.pop(), end='')else:print(path.pop())def import_city_info():global _city_infodata = [{'city1': 'Oradea', 'city2': 'Zerind', 'path_cost': 71},{'city1': 'Oradea', 'city2': 'Sibiu', 'path_cost': 151},{'city1': 'Zerind', 'city2': 'Arad', 'path_cost': 75},{'city1': 'Arad', 'city2': 'Sibiu', 'path_cost': 140},{'city1': 'Arad', 'city2': 'Timisoara', 'path_cost': 118},{'city1': 'Timisoara', 'city2': 'Lugoj', 'path_cost': 111},{'city1': 'Lugoj', 'city2': 'Mehadia', 'path_cost': 70},{'city1': 'Mehadia', 'city2': 'Drobeta', 'path_cost': 75},{'city1': 'Drobeta', 'city2': 'Craiova', 'path_cost': 120},{'city1': 'Sibiu', 'city2': 'Fagaras', 'path_cost': 99},{'city1': 'Sibiu', 'city2': 'Rimnicu Vilcea', 'path_cost': 80},{'city1': 'Rimnicu Vilcea', 'city2': 'Craiova', 'path_cost': 146},{'city1': 'Rimnicu Vilcea', 'city2': 'Pitesti', 'path_cost': 97},{'city1': 'Craiova', 'city2': 'Pitesti', 'path_cost': 138},{'city1': 'Fagaras', 'city2': 'Bucharest', 'path_cost': 211},{'city1': 'Pitesti', 'city2': 'Bucharest', 'path_cost': 101},{'city1': 'Bucharest', 'city2': 'Giurgiu', 'path_cost': 90},{'city1': 'Bucharest', 'city2': 'Urziceni', 'path_cost': 85},{'city1': 'Urziceni', 'city2': 'Vaslui', 'path_cost': 142},{'city1': 'Urziceni', 'city2': 'Hirsova', 'path_cost': 98},{'city1': 'Neamt', 'city2': 'Iasi', 'path_cost': 87},{'city1': 'Iasi', 'city2': 'Vaslui', 'path_cost': 92},{'city1': 'Hirsova', 'city2': 'Eforie', 'path_cost': 86}]_city_info = DataFrame(data, columns=['city1', 'city2', 'path_cost'])# print(_city_info)def breadth_first_search(src_state, dst_state):global _city_infonode = Node(src_state, None, None, 0)# 目标测试if node.state == dst_state:return nodefrontier = [node]explored = []while True:if len(frontier) == 0:return Falsenode = frontier.pop(0)explored.append(node.state)if node.parent is not None:print('处理城市节点:%s\t父节点:%s\t路径损失为:%d' % (node.state, node.parent.state, node.path_cost))else:print('处理城市节点:%s\t父节点:%s\t路径损失为:%d' % (node.state, None, node.path_cost))# 遍历子节点for i in range(len(_city_info)):dst_city = ''if _city_info['city1'][i] == node.state:dst_city = _city_info['city2'][i]elif _city_info['city2'][i] == node.state:dst_city = _city_info['city1'][i]if dst_city == '':continuechild = Node(dst_city, node, 'go', node.path_cost + _city_info['path_cost'][i])print('\t孩子节点:%s 路径损失为%d' % (child.state, child.path_cost))if child.state not in explored and not is_node_in_frontier(frontier, child):# 目标测试if child.state == dst_state:print('\t\t 这个孩子节点就是目的城市')return childfrontier.append(child)print('\t\t 添加孩子节点到这个孩子')def is_node_in_frontier(frontier, node):for x in frontier:if node.state == x.state:return Truereturn Falsedef uniform_cost_search(src_state, dst_state):global _city_info, _frontier_prioritynode = Node(src_state, None, None, 0)frontier_priority_add(node)explored = []while True:if len(_frontier_priority) == 0:return Falsenode = _frontier_priority.pop(0)if node.parent is not None:print('处理城市节点:%s\t父节点:%s\t路径损失为:%d' % (node.state, node.parent.state, node.path_cost))else:print('处理城市节点:%s\t父节点:%s\t路径损失为:%d' % (node.state, None, node.path_cost))# 目标测试if node.state == dst_state:print('\t 目的地已经找到了')return nodeexplored.append(node.state)# 遍历子节点for i in range(len(_city_info)):dst_city = ''if _city_info['city1'][i] == node.state:dst_city = _city_info['city2'][i]elif _city_info['city2'][i] == node.state:dst_city = _city_info['city1'][i]if dst_city == '':continuechild = Node(dst_city, node, 'go', node.path_cost + _city_info['path_cost'][i])print('\t孩子节点:%s 路径损失为:%d' % (child.state, child.path_cost))if child.state not in explored and not is_node_in_frontier(_frontier_priority, child):frontier_priority_add(child)print('\t\t 添加孩子到优先队列')elif is_node_in_frontier(_frontier_priority, child):# 替代为路径消耗少的节点frontier_priority_replace_by_priority(child)def frontier_priority_add(node):""":param Node node::return:"""global _frontier_prioritysize = len(_frontier_priority)for i in range(size):if node.path_cost < _frontier_priority[i].path_cost:_frontier_priority.insert(i, node)return_frontier_priority.append(node)def frontier_priority_replace_by_priority(node):""":param Node node::return:"""global _frontier_prioritysize = len(_frontier_priority)for i in range(size):if _frontier_priority[i].state == node.state and _frontier_priority[i].path_cost > node.path_cost:print('\t\t 替换状态: %s 旧的损失:%d 新的损失:%d' % (node.state, _frontier_priority[i].path_cost,node.path_cost))_frontier_priority[i] = nodereturnif __name__ == '__main__':main()

四:运行结果

输入初始城市
Arad
输入目的城市
Bucharest
处理城市节点:Arad	父节点:None	路径损失为:0孩子节点:Zerind 路径损失为:75添加孩子到优先队列孩子节点:Sibiu 路径损失为:140添加孩子到优先队列孩子节点:Timisoara 路径损失为:118添加孩子到优先队列
处理城市节点:Zerind	父节点:Arad	路径损失为:75孩子节点:Oradea 路径损失为:146添加孩子到优先队列孩子节点:Arad 路径损失为:150
处理城市节点:Timisoara	父节点:Arad	路径损失为:118孩子节点:Arad 路径损失为:236孩子节点:Lugoj 路径损失为:229添加孩子到优先队列
处理城市节点:Sibiu	父节点:Arad	路径损失为:140孩子节点:Oradea 路径损失为:291孩子节点:Arad 路径损失为:280孩子节点:Fagaras 路径损失为:239添加孩子到优先队列孩子节点:Rimnicu Vilcea 路径损失为:220添加孩子到优先队列
处理城市节点:Oradea	父节点:Zerind	路径损失为:146孩子节点:Zerind 路径损失为:217孩子节点:Sibiu 路径损失为:297
处理城市节点:Rimnicu Vilcea	父节点:Sibiu	路径损失为:220孩子节点:Sibiu 路径损失为:300孩子节点:Craiova 路径损失为:366添加孩子到优先队列孩子节点:Pitesti 路径损失为:317添加孩子到优先队列
处理城市节点:Lugoj	父节点:Timisoara	路径损失为:229孩子节点:Timisoara 路径损失为:340孩子节点:Mehadia 路径损失为:299添加孩子到优先队列
处理城市节点:Fagaras	父节点:Sibiu	路径损失为:239孩子节点:Sibiu 路径损失为:338孩子节点:Bucharest 路径损失为:450添加孩子到优先队列
处理城市节点:Mehadia	父节点:Lugoj	路径损失为:299孩子节点:Lugoj 路径损失为:369孩子节点:Drobeta 路径损失为:374添加孩子到优先队列
处理城市节点:Pitesti	父节点:Rimnicu Vilcea	路径损失为:317孩子节点:Rimnicu Vilcea 路径损失为:414孩子节点:Craiova 路径损失为:455孩子节点:Bucharest 路径损失为:418替换状态: Bucharest 旧的损失:450 新的损失:418
处理城市节点:Craiova	父节点:Rimnicu Vilcea	路径损失为:366孩子节点:Drobeta 路径损失为:486孩子节点:Rimnicu Vilcea 路径损失为:512孩子节点:Pitesti 路径损失为:504
处理城市节点:Drobeta	父节点:Mehadia	路径损失为:374孩子节点:Mehadia 路径损失为:449孩子节点:Craiova 路径损失为:494
处理城市节点:Bucharest	父节点:Pitesti	路径损失为:418目的地已经找到了
从城市: Arad 到城市 Bucharest 查找成功
Arad->Sibiu->Rimnicu Vilcea->Pitesti->Bucharest

五:结果说明

 

 

这篇关于一致代价搜索(UCS)的原理和代码实现的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/754590

相关文章

使用Python实现矢量路径的压缩、解压与可视化

《使用Python实现矢量路径的压缩、解压与可视化》在图形设计和Web开发中,矢量路径数据的高效存储与传输至关重要,本文将通过一个Python示例,展示如何将复杂的矢量路径命令序列压缩为JSON格式,... 目录引言核心功能概述1. 路径命令解析2. 路径数据压缩3. 路径数据解压4. 可视化代码实现详解1

PyQt6/PySide6中QTableView类的实现

《PyQt6/PySide6中QTableView类的实现》本文主要介绍了PyQt6/PySide6中QTableView类的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学... 目录1. 基本概念2. 创建 QTableView 实例3. QTableView 的常用属性和方法

PyQt6/PySide6中QTreeView类的实现

《PyQt6/PySide6中QTreeView类的实现》QTreeView是PyQt6或PySide6库中用于显示分层数据的控件,本文主要介绍了PyQt6/PySide6中QTreeView类的实现... 目录1. 基本概念2. 创建 QTreeView 实例3. QTreeView 的常用属性和方法属性

Android使用ImageView.ScaleType实现图片的缩放与裁剪功能

《Android使用ImageView.ScaleType实现图片的缩放与裁剪功能》ImageView是最常用的控件之一,它用于展示各种类型的图片,为了能够根据需求调整图片的显示效果,Android提... 目录什么是 ImageView.ScaleType?FIT_XYFIT_STARTFIT_CENTE

pandas中位数填充空值的实现示例

《pandas中位数填充空值的实现示例》中位数填充是一种简单而有效的方法,用于填充数据集中缺失的值,本文就来介绍一下pandas中位数填充空值的实现,具有一定的参考价值,感兴趣的可以了解一下... 目录什么是中位数填充?为什么选择中位数填充?示例数据结果分析完整代码总结在数据分析和机器学习过程中,处理缺失数

Golang HashMap实现原理解析

《GolangHashMap实现原理解析》HashMap是一种基于哈希表实现的键值对存储结构,它通过哈希函数将键映射到数组的索引位置,支持高效的插入、查找和删除操作,:本文主要介绍GolangH... 目录HashMap是一种基于哈希表实现的键值对存储结构,它通过哈希函数将键映射到数组的索引位置,支持

Pandas使用AdaBoost进行分类的实现

《Pandas使用AdaBoost进行分类的实现》Pandas和AdaBoost分类算法,可以高效地进行数据预处理和分类任务,本文主要介绍了Pandas使用AdaBoost进行分类的实现,具有一定的参... 目录什么是 AdaBoost?使用 AdaBoost 的步骤安装必要的库步骤一:数据准备步骤二:模型

使用Pandas进行均值填充的实现

《使用Pandas进行均值填充的实现》缺失数据(NaN值)是一个常见的问题,我们可以通过多种方法来处理缺失数据,其中一种常用的方法是均值填充,本文主要介绍了使用Pandas进行均值填充的实现,感兴趣的... 目录什么是均值填充?为什么选择均值填充?均值填充的步骤实际代码示例总结在数据分析和处理过程中,缺失数

Java对象转换的实现方式汇总

《Java对象转换的实现方式汇总》:本文主要介绍Java对象转换的多种实现方式,本文通过实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录Java对象转换的多种实现方式1. 手动映射(Manual Mapping)2. Builder模式3. 工具类辅助映

Go语言开发实现查询IP信息的MCP服务器

《Go语言开发实现查询IP信息的MCP服务器》随着MCP的快速普及和广泛应用,MCP服务器也层出不穷,本文将详细介绍如何在Go语言中使用go-mcp库来开发一个查询IP信息的MCP... 目录前言mcp-ip-geo 服务器目录结构说明查询 IP 信息功能实现工具实现工具管理查询单个 IP 信息工具的实现服