啟發函數的介紹

是一種函數用來估算當前state和 目標state之間的距離，用于路徑決策。
也就是說，該函數的IQ直接決定了尋找路徑的快慢和準確度（accuracy）
在A*算法里：

Evaluation function： f(n) = g(n) + h(n)

h(n)就是啟發函數，如果我們將該算法用于電腦在游戲中的角色，那么該函數將直接決定游戲地難度，當我們在調整游戲難度的時候，其實就是在重新選擇一個更完美或者弱智的啟發函數。

相關性質

1.admissibility(決定了啟發函數得到最佳solution)
一個啟發函數是admissible，那么當
a是非最佳goal，b是最佳goal，c 是起始點，n 是一個中間點。
通過該啟發函數，最后得到的應該是b，而不是a。

c-->a: f(a) = g(a) + h(a) =g(a)-----since a is a goal node, hence, h(a) = 0
c-->b: f(b) = g(b) + h(b) = g(b)
即：f(a)>=f(b)>=f(n)
since h is admissible, f(n) does not overestimate g(b)

2.consistency（確保該啟發函數在最小cost的qing'kuai'xai能夠找到最優解）

示例

如果，一個啟發函數是consistent，那么
h(n) ≤ c(n, a, n′) + h(n′)
也就是說，一旦一個node 的state被expended，那么，這個cost （ h(node) ）就是最小的cost。
所以，一個啟發函數是consistent，它也是admissible。反之，不可。

3.Dominance（用于表現不同啟發函數的關系）
two admissible heuristics ha, hb：如果對于所有n, ha(n) >hb(n),那么，我們可以說 ha dominates hb，對于這個search問題，我們最好使用ha作為啟發函數。

一些想法

1.很多問題都不會像tree的結構那么簡單，graph更適合表示現實問題。
2.環形結構可以避免不必要的termination。
3.在探測node時，要避免對同一個node的重復test，不然會使計算復雜度以指數形式增長。

練習

有一只紅鳥，要吃五只黃鳥。請設計不同的啟發算法，使其成功完成任務。

def null_heuristic(pos, problem):
    """ The null heuristic. It is fast but uninformative. It always returns 0.
        (State, SearchProblem) -> int
    """
    return 0

def manhattan_heuristic(pos, problem):
  """ The Manhattan distance heuristic for a PositionSearchProblem.
      ((int, int), PositionSearchProblem) -> int
  """
  return abs(pos[0] - problem.goal_pos[0]) + abs(pos[1] - problem.goal_pos[1])

def euclidean_heuristic(pos, problem):
    """ The Euclidean distance heuristic for a PositionSearchProblem
        ((int, int), PositionSearchProblem) -> float
    """
    return ((pos[0] - problem.goal_pos[0]) ** 2 + (pos[1] - problem.goal_pos[1]) ** 2) ** 0.5

#Abbreviations
null = null_heuristic
manhattan = manhattan_heuristic
euclidean = euclidean_heuristic

#-------------------------------------------------------------------------------
# You have to implement the following heuristics for Q4 of the assignment.
# It is used with a MultiplePositionSearchProblem
#-------------------------------------------------------------------------------

#You can make helper functions here, if you need them

def bird_counting_heuristic(state, problem) :
    position, yellow_birds = state
    heuristic_value = len(yellow_birds) - len(problem.heuristic_info)  # the number of rest yellow birds

    for index in range(0,len(yellow_birds)):
        if position == yellow_birds[index]:  # if find the yellow birds
            if position in problem.heuristic_info:  # if it has been found  before
                heuristic_value = len(yellow_birds) - len(problem.heuristic_info)
            else :
                problem.heuristic_info[position] = 1  # record the yellow birds' position caught by red birds
                heuristic_value = len(yellow_birds) - len(problem.heuristic_info)  # the number of rest yellow birds


    return heuristic_value

bch = bird_counting_heuristic


def every_bird_heuristic(state, problem):
    """    
        (((int, int), ((int, int))), MultiplePositionSearchProblem) -> number
    """
    position, yellow_birds = state
    heuristic_value = 0
  
    for index in (0, len(yellow_birds)):  # go through all the yellow birds
        if yellow_birds[index] in problem.heuristic_info: # if this yellow bird has been found before
            continue
        else:
            # calculate the distance between the red bird and the closest yellow bird
            heuristic_value_test = abs(yellow_birds[index][0] - position[0]) + abs(yellow_birds[index][1] - position)[1]
            if heuristic_value > heuristic_value_test:  # compare the distance and find the closest yellow bird
                heuristic_value = heuristic_value_test
                if heuristic_value == 0:
                    problem.heuristic_info[position] = 1  # add the yellow bird position visited into dic
  
    return heuristic_value
 
every_bird = every_bird_heuristic

以上code中有完整的4種方法，一是計算歐幾里得距離；二是計算曼哈頓距離；三是計算剩余的黃鳥數量；最后是計算該紅鳥與最近黃鳥的距離，返回最小值。