学习课程：算法与数据结构高手养成-求职提升特训课
章节名称：第4章 搜索进阶 Advanced Searching
讲师：吉他熊
课程内容：
双向广度优先搜索
BFS的缺陷
占用空间太多
需要保存搜索树一整层的节点（很多时候≈一整棵树）
双向BFS的限制
有明确的起始和目标状态
状态变化过程可以反推
起始和目标之间确定有通路
迭代加深搜索——每一次都深一点
英文Iterative Deepening Search，因为是DFS的变体，常简写为DFS-ID(Iterative Deepening)
在普通DFS的基础上，加入搜索深度限制limit
从1开始，如果当前深度限制搜不到解，就放宽到下一层限制
能够保证找到的第一个解，一定是离起点最近的（与BFS特性相同），同时空间消耗和DFS一样
BFS:占用空间多，空间换时间
DFS的改进思路：保留空间优势，同时不要一条路走到黑
改进：限制搜索深度
启发式搜索A*的缺点：空间消耗巨大
IDA*之于A*,就好像DFS-ID之于BFS,效率略逊，但空间消耗明显降低
IDA*的实际应用很广，DFS-ID是IDA*的基础
改进盲目搜索
按照状态扩展选项的重要程度（优先级）进行搜索——启发式
尽可能少扩展一些选项——迭代加宽&剪枝
启发式搜索
核心——启发函数（Heuristic Function)
作用：估计当前状态的价值，决定状态扩展的优先级
启发函数的特点
启发函数的准确度越高，逼近最优解的速度越快
启发函数没有通用公式，需要根据问题来确定
启发函数的复杂度不能太高，否则会影响搜索性能
A*算法：最经典的启发式搜索
相比BFS，只有一点核心改动
队列-->按状态估价函数值排序的优先队列
队列每次取出的，不是最早插入的元素，而是优先级最高的元素
IDA*与DFS-ID的区别
深度限制-->估价函数的值的限制
剪枝
搜索树中，对状态进行判断，拿掉没有用的状态
看似减掉一个状态，实际上是减掉了1颗子树
大量削减状态，优化性能
剪枝的特点
本质上是对后续搜索结果的预期，灵活度高，堪比启发函数
剪枝的精度要求要不启发式的要高，启发式搜索精度低就是多搜一下，剪枝不能将正确值减掉
剪枝的预期往往是极端情况（不同于启发函数需要尽可能贴近实际情况）
一个剪枝往往不够，需要多个剪枝策略叠加使用
剪枝的分类
可行性剪枝
如果从当前状态出发，后续无论怎么搜索，都不可能找到解，就把他减掉
最优性剪枝
如果从当前出发，后续即便有解，也不比当前解要好，就把他减掉
学习收获：
了解了一系列进阶搜索方法，新学了IDA*，将新方法与DFS\BFS进行对比，以及新方法之间的优劣对比，分析提取其思想的一致性多思考，多和已经学过的知识进行比较和联系，这样就有助于搭成一个知识体系和框架，也有助于记忆和理解
打卡截图：