人工智能——罗马利亚问题_根据上图以zerind为初始状态,bucharest为目标状态实现搜索,分别以贪婪搜索(只考虑-程序员宅基地

技术标签: AI  

题目:
在这里插入图片描述

根据上图以Zerind为初始状态,Bucharest为目标状态实现搜索,分别以贪婪搜索(只考虑直线距离)和A_plus算法求解最短路径。 按顺序列出贪婪算法探索的扩展节点和其估价函数值,A_plus算法探索的扩展节点和其估计值。

题目解析:
1.构建罗马利亚图
2.构建到B城市的直线距离
3.实现贪婪算法
4.实现A*算法
5.对所求路径及总长度进行输出

代码:

# 罗马利亚图存储
city_graph = [['A', 'Z', 75],
              ['A', 'T', 118],
              ['Z', 'O', 71],
              ['O', 'S', 151],
              ['A', 'S', 140],
              ['S', 'F', 99],
              ['S', 'R', 80],
              ['R', 'P', 97],
              ['R', 'C', 146],
              ['T', 'L', 111],
              ['L', 'M', 70],
              ['M', 'D', 75],
              ['D', 'C', 120],
              ['C', 'P', 138],
              ['P', 'B', 101],
              ['F', 'B', 211],
              ['B', 'G', 90],
              ['B', 'U', 85],
              ['U', 'V', 142],
              ['V', 'I', 92],
              ['I', 'N', 87],
              ['U', 'H', 98],
              ['H', 'E', 86]]
# B到其他城市的直线距离
to_B_distance = {
    'A': 366,
                 'B': 0,
                 'C': 160,
                 'D': 242,
                 'E': 161,
                 'F': 176,
                 'G': 77,
                 'H': 151,
                 'I': 226,
                 'L': 244,
                 'M': 241,
                 'N': 234,
                 'O': 380,
                 'P': 100,
                 'R': 163,
                 'S': 253,
                 'T': 329,
                 'U': 80,
                 'V': 199,
                 'Z': 374}
start_city = 'Z'
end_city = 'B'
# 判断某条路是否走过
def is_visited(A_city, B_city, went_road):
    for i in range(len(went_road)):
        if went_road[i][0] == A_city and went_road[i][1] == B_city:
            return 1
        if went_road[i][0] == B_city and went_road[i][1] == A_city:
            return 1
    return 0
# 根据访问结点打印结果
def print_ans(ans, distance):
    print("路径为:", end="")
    for i in range(len(ans)):
        if i != len(ans) - 1:
            print(ans[i], "->", end="")
        else:
            print(ans[i])
    print("路径长度之和为:",distance)
# 贪婪算法,每次寻找离目标城市直线距离最短的城市走
def greedy(start, end):
    print("贪婪算法:")
    went_road = []
    ans_road = [start]
    while 1:
        # 查找开始结点的所有临近城市及边
        start_near_city = []
        for item in city_graph:
            if item[0] == start:
                start_near_city.append([item[1], item[2]])
            if item[1] == start:
                start_near_city.append([item[0], item[2]])
        # 挑选到目标结点直接距离最短的城市
        direct_distance = 999
        for item in start_near_city:
            if to_B_distance[item[0]] < direct_distance and is_visited(start, item[0], went_road) == 0:
                direct_distance = to_B_distance[item[0]]
                min_distance = item[1]
                min_city = item[0]
        # 如果找到一条直线距离最短的路且没有访问过,则选择走这条路并记录走过的这条路
        if direct_distance != 999:
            went_road.append([start, min_city, min_distance])
            print(min_city, direct_distance)
            start = min_city
            ans_road.append(start)
        else:
            print("终点不可达!")
            return 0
        # 找到终点返回路径及总长度
        if start == end:
            ans_distance = 0
            for i in range(len(went_road)):
                ans_distance += went_road[i][2]
            print_ans(ans_road, ans_distance)
            return 1
# A*算法,每次寻找f=g+h最小的值走
def A_plus(start, end):
    print("A*算法:")
    went_road = []
    ans_road = [start]
    while 1:
        # 扫描图,获取与start相连的所有边
        go_to_city = []
        for item in city_graph:
            if item[0] == start:
                go_to_city.append([item[1], item[2]])
            if item[1] == start:
                go_to_city.append([item[0], item[2]])

        # 寻找fx最小的可达城市和距离,不能走回访问过的路
        hx = 0
        for j in went_road:
            hx += j[2]
        fx_distance = 999
        for item in go_to_city:
            if hx+item[1]+to_B_distance[item[0]] < fx_distance and is_visited(start, item[0], went_road) == 0:
                fx_distance = hx+item[1]+to_B_distance[item[0]]
                min_distance = item[1]
                min_city = item[0]
        # 如果找到可达的最小城市,则将其访问过的路径加入went_road
        if fx_distance != 999:
            went_road.append([start, min_city, min_distance])
            print(min_city, fx_distance)
            start = min_city
            ans_road.append(start)
        else:
            print("终点不可达!")
            return 0
        # 找到终点返回路径及总长度
        if start == end:
            ans_distance = 0
            for i in range(len(went_road)):
                ans_distance += went_road[i][2]
            print_ans(ans_road, ans_distance)
            return 1

greedy(start_city, end_city)
A_plus(start_city, end_city)
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/Dedication_/article/details/111885127

智能推荐

51信用卡Android 架构演进实践-程序员宅基地

文章浏览阅读227次。随着业务的快速扩张,原本小作坊式的单个工程的开发模式越来与不能满足实际需求。早在两年多以前,51信用卡管家就向下沉淀出了单独的公用基础库,一些通用的功能组件和个别独立的业务被拆分成 SDK,形成了一套中型项目、多人并行的开发模式,也为未来组件化拆分做准备。这套框架运行了一段时间之后,伴随着单应用内业务需求的增加、开发人员数量的增多、基础库数量的膨胀,导致了一些问题:主工程代码耦合严重,牵一发而动全...

机器学习模型评分总结(sklearn)_model.score-程序员宅基地

文章浏览阅读1.5w次,点赞10次,收藏129次。文章目录目录模型评估评价指标1.分类评价指标acc、recall、F1、混淆矩阵、分类综合报告1.准确率方式一:accuracy_score方式二:metrics2.召回率3.F1分数4.混淆矩阵5.分类报告6.kappa scoreROC1.ROC计算2.ROC曲线3.具体实例2.回归评价指标3.聚类评价指标1.Adjusted Rand index 调整兰德系数2.Mutual Informa..._model.score

Apache虚拟主机配置mod_jk_apache mod_jk 虚拟-程序员宅基地

文章浏览阅读344次。因工作需要,在Apache上使用,重新学习配置mod_jk1. 分别安装Apache和Tomcat:2. 编辑httpd-vhosts.conf: LoadModule jk_module modules/mod_jk.so #加载mod_jk模块 JkWorkersFile conf/workers.properties #添加worker信息 JkLogFil_apache mod_jk 虚拟

Android ConstraintLayout2.0 过度动画MotionLayout MotionScene3_android onoffsetchanged-程序员宅基地

文章浏览阅读335次。待老夫kotlin大成,扩展:MotionLayout 与 CoordinatorLayout,DrawerLayout,ViewPager 的 交互众所周知,MotionLayout 的 动画是有完成度的 即Progress ,他在0-1之间变化,一.CoordinatorLayout 与AppBarLayout 交互时,其实就是监听 offsetliner 这个 偏移量的变化 同样..._android onoffsetchanged

【转】多核处理器的工作原理及优缺点_多核处理器怎么工作-程序员宅基地

文章浏览阅读8.3k次,点赞3次,收藏19次。【转】多核处理器的工作原理及优缺点《处理器关于多核概念与区别 多核处理器工作原理及优缺点》原文传送门  摘要:目前关于处理器的单核、双核和多核已经得到了普遍的运用,今天我们主要说说关于多核处理器的一些相关概念,它的工作与那里以及优缺点而展开的分析。1、多核处理器  多核处理器是指在一枚处理器中集成两个或多个完整的计算引擎(内核),此时处理器能支持系统总线上的多个处理器,由总..._多核处理器怎么工作

个人小结---eclipse/myeclipse配置lombok_eclispe每次运行个新项目都需要重新配置lombok吗-程序员宅基地

文章浏览阅读306次。1. eclipse配置lombok 拷贝lombok.jar到eclipse.ini同级文件夹下,编辑eclipse.ini文件,添加: -javaagent:lombok.jar2. myeclipse配置lombok myeclipse像eclipse配置后,定义对象后,直接访问方法,可能会出现飘红的报错。 如果出现报错,可按照以下方式解决。 ..._eclispe每次运行个新项目都需要重新配置lombok吗

随便推点

vue-echarts饼图/柱状图点击事件_echarts 饼图点击事件-程序员宅基地

文章浏览阅读7.8k次,点赞2次,收藏17次。在实际的项目开发中,我们通常会用到Echarts来对数据进行展示,有时候需要用到Echarts的点击事件,增加系统的交互性,一般是点击Echarts图像的具体项来跳转路由并携带参数,当然也可以根据具体需求来做其他的业务逻辑。下面就Echarts图表的点击事件进行实现,文章省略了Echarts图的html代码,构建过程,option,适用的表格有饼图、柱状图、折线图。如果在实现过程中,遇到困难或者有说明好的建议,欢迎留言提问。_echarts 饼图点击事件

操作系统思维导图(一)_操作系统课程思维导图-程序员宅基地

文章浏览阅读1.3k次,点赞4次,收藏14次。内容整理自,华中科技大学,苏曙光老师《操作系统原理》,可在MOOC课程学习相关课程。_操作系统课程思维导图

vite build-程序员宅基地

文章浏览阅读4.3k次。vite在开发阶段采用的是按需加载的方式,不会将所有文件打包。但是生产环境的部署是需要进行打包的,这里它使用的是rollup打包方式。对于代码切割的需求,使用原生动态导入,因此打包后支持新浏览器,对IE的兼容性不是很好,但是可以用对应的polyfill解决。使用esbuild来处理需要pre-undle的在cli.ts的build命令中引入build.ts调用doBuild方法,在这个方法中配置打包参数(input output plugin等)调用buildHtmlPlugin解析文件入口in_vite build

Scala:访问修饰符、运算符和循环_scala ===运算符-程序员宅基地

文章浏览阅读1.4k次。http://blog.csdn.net/pipisorry/article/details/52902234Scala 访问修饰符Scala 访问修饰符基本和Java的一样,分别有:private,protected,public。如果没有指定访问修饰符符,默认情况下,Scala对象的访问级别都是 public。Scala 中的 private 限定符,比 Java 更严格,在嵌套类情况下,外层_scala ===运算符

MySQL导出ER图为图片或PDF_数据库怎么导出er图-程序员宅基地

文章浏览阅读2.6k次,点赞7次,收藏19次。ER图导出为PDF或图片格式_数据库怎么导出er图

oracle触发器修改同一张表,oracle触发器中对同一张表进行更新再查询时,需加自制事务...-程序员宅基地

文章浏览阅读655次。CREATE OR REPLACE TRIGGER Trg_ReimFactBEFORE UPDATEON BP_OrderFOR EACH ROWDECLAREPRAGMA AUTONOMOUS_TRANSACTION;--自制事务fc varchar2(255);BEGINIF ( :NEW.orderstate = 2AND :NEW.TransState = 1 ) THENBEG..._oracle触发器更新同一张表