8. Модернизированный алгоритм а*.
В результате алгоритм поиска примет следующий вид:
1. Раскрыть очередное состояние: si-1 ⊕ Fj =S i .
2. Если ∃ si ∈ Si , ≡ st , то задача решена, иначе п.3.
3. Для всех s i ∈ S i определить значение оценки f(x) и записать в память MF (x) , перейти к п. 4.
В памяти MF (x) хранятся оценки f(x) всех ранее раскрытых состояний в ранжированном виде. При записи новых состояний в MF (x)их оценки ранжируются вместе с ранее раскрытыми состояниями. Причем ранее раскрытые состояния должны быть помечены.
Следует также отметить, что в механизме управления формированием памяти должна быть предусмотрена работа алгоритмов, учитывающих наличие терминальных состояний и колец (повторов).
Отличие MF (x) в отношении MS , применяемой в методе Мура, заключается в том, что оригинальные состояния ранжируются на основе оценки f(x), а не на основе порядка поступления.
4. Выбрать из MF (x) любое состояние s i , которое ранее не раскрывалось, для которого оценка f(x) min , если таких нет, то выбрать любое состояние для которого f(x) min .
5. Оператор f i , образовавший очередное состояние, записать в цепочку L i = {f1, f2, … f i - 1 , f i , …}, далее перейти к п. 1 для состояния s i .
9. Минимаксная процедура, альфа-бета отсечение.
Альтернативным способом планирования является опережающая оценка событий. Сущность способа заключается в том, что выбор пути выполняется на основе прогноза результатов генерации двух и более последующих итераций. В этом случае точность прогнозирования пропорциональна затрачиваемому ресурсу. Поэтому суть планирования заключается в выборе оптимального или «минимаксного» соотношения между требуемым ресурсом и глубиной анализа. Для решения этой проблемы часто используется статистическая оценка апостериорной модели, которая вычисляется на каждой итерации поиска.
Как уже было отмечено, такой способ опережающего анализа может потребовать значительного ресурса. Для экономии ресурса может быть применено «отсечение» пространства поиска. Например, альфа-бета отсечение позволяет снизить ресурс необходимый для прогнозирования за счет того, что не строится все дерево решений. Основная идея принципа отсечения состоит в сравнении наилучших оценок, полученных для полностью изученных ветвей, относительно предполагаемых оценок для оставшихся.
10. N -направленный поиск, слепые алгоритмы и алгоритм Мура.
Рассмотрим схему взаимодействия процедур проверки на примере параллельной работы нескольких методов поиска Мура с генерацией в ширину, представленную на рисунке 2.18. Следует отметить, что в силу особенности метода ветвей и границ, он не может быть эффективно использован в n -направленном режиме поиска.
После каждой генерации, методы Мура задействованные в n - направленном режиме должны выделить подмножество оригинальных состояний из текущего фронта и сформировать обобщенный массив оригинальных состояний текущей итерации. Возможна ситуация, при которой часть оригинальных состояний в обобщенном массиве будут повторяться. В этом случае необходимо предусмотреть процедуру удаления повторений, как это выполняется в классическом методе Мура.
Тем самым, достигается максимальная эффективность применения апостериорной информации в организации n -направленного режима поиска методом Мура с генерацией в ширину. В результате в текущем обобщенном массиве поиска формируется множество оригинальных состояний, которое должно быть раскрыто на следующей итерации. Существенным отличием n - направленного режима поиска методом Мура от однонаправленного режима является то, что управление генерацией каждого метода происходит за счет обобщенного массива. Это позволяет значительно сократить время поиска.