图搜索和树搜索有什么区别？

Question

图搜索和树搜索版本之间有什么区别DFS，A *搜索人工智能？

Answer 1

从现有的答案来看，似乎对这个概念存在很多困惑。

问题始终是图表

树搜索和图搜索之间的区别并不在于问题图是树还是普通图的事实。总是假设您正在处理一般图表。区别在于遍历模式，用于搜索图形，可以是图形或树形。

如果您正在处理树形问题，则两种算法变体都会产生相同的结果。因此，您可以选择更简单的树搜索变体。

图形和树搜索之间的差异

您的基本图搜索算法如下所示。使用起始节点start，定向边缘为successors，并且在循环条件中使用goal规范。 open将当前正在考虑的内存中的节点保存在打开列表中。请注意，以下伪代码在每个方面（2）都不正确。

树搜索

open <- []
next <- start

while next is not goal {
    add all successors of next to open
    next <- select one node from open
    remove next from open
}

return next

根据您实现select from open的方式，您可以获得不同的搜索算法变体，例如深度优先搜索（DFS）（选择最新元素），广度优先搜索（BFS）（挑选最旧元素）或统一成本搜索（选择具有最低路径成本的元素），通过选择具有最低成本加启发式值的节点来进行流行的A-star搜索，等等。

上述算法实际上称为树搜索。如果在启动状态下有多个定向路径，它将多次访问底层问题图的状态。如果它位于有向循环上，甚至可以无限次地访问一个状态。但是每次访问都对应于我们的搜索算法生成的树中的不同节点。如下所述，有时需要这种明显的低效率。

图表搜索

正如我们所见，树搜索可以多次访问一个州。因此，它将探索在该状态之后发现的“子树”，这可能是昂贵的。图搜索通过跟踪关闭列表中的所有访问状态来修复此问题。如果已经知道新发现的next后继者，则不会将其插入到打开的列表中：

open <- []
closed <- []
next <- start

while next is not goal {
    add next to closed
    add all successors of next to open, which are not in closed 
    remove next from open
    next <- select from open
}

return next

比较

我们注意到图搜索需要更多内存，因为它会跟踪所有访问状态。这可以通过较小的开放列表进行补偿，从而提高搜索效率。

最佳解决方案

实施select的一些方法可以保证返回最佳解决方案 - 即最短路径或最低成本的路径（对于附加成本的图表）边缘）。每当节点按成本增加的顺序扩展时，或者当成本是非零正常数时，这基本上成立。实现此类选择的常用算法是uniform cost search，或者如果步骤费用相同，则为BFS或IDDFS。 IDDFS避免了BFS积极的内存消耗，并且当步长不变时，通常建议用于不知情的搜索（也称为暴力）。

A*

此（非常受欢迎的）A * 树搜索算法在与admissible heuristic一起使用时提供最佳解决方案。但是，A * 图搜索算法仅在与consistent (or "monotonic") heuristic一起使用时才具有此保证（条件比可接受性更强）。

（2）伪代码的缺陷

为简单起见，所提供的代码不会：

• 处理失败的搜索，即仅在找到解决方案时才有效

Answer 2

树是图形的特例，因此适用于一般图形的树适用于树。树是一个图，其中每对节点之间只有一条路径。这意味着它不包含任何周期，如前面的答案所述，但是没有周期的有向图（DAG，有向非循环图）不一定是树。

但是，如果您知道图表有一些限制，例如它是树或DAG，您通常可以找到比非限制图更高效的搜索算法。例如，在一棵树上使用A *或其非启发式对应物“Dijkstra算法”可能没有多大意义（无论如何只有一条路可供选择，您可以通过DFS或BFS找到）或在DAG上（通过考虑拓扑排序获得的顺序可以找到最佳路径）。

对于有向vs无向，无向图是有向图的一种特殊情况，即遵循规则的情况“如果存在从 u 到<的边缘（链接，转换） em> v 还有 v 到 u 的边缘。

更新：请注意，如果您关心的是搜索的遍历模式而不是图表本身的结构，那么这不是答案。参见，例如@ ziggystar的回答。

Answer 3

图形和树之间的唯一区别是循环。图表可能包含循环，树不能。因此，当您要在树上实现搜索算法时，您不需要考虑周期的存在，但在使用任意图时，您需要考虑它们。如果你不处理循环，算法最终可能会陷入无限循环或无限递归。

要考虑的另一点是您正在处理的图形的方向属性。在大多数情况下，我们处理代表每个边缘的父子关系的树。 DAG（有向无环图）也显示出类似的特征。但是双向图表是不同的。双向图中的每个边表示两个邻居。因此，对于这两种类型的图，算法方法应该有所不同。

Answer 4

简单来说，树不包含循环以及图形可以包含的位置。因此，当我们进行搜索时，我们应该避免图形中的循环，这样我们就不会进入无限循环。

另一个方面是树通常会有某种拓扑排序或像二叉搜索树这样的属性，这使得搜索与图形相比变得如此快速和简单。

Answer 5

GRAPH VS TREE

• 图表有周期
• 树木没有周期“例如，想象一下你头上的任何一棵树，树枝与根没有直接连接，但树枝与其他树枝有连接，向上”

但是在AI Graph-search vs Tree-search

的情况下

图搜索具有良好的属性，只要算法探索新节点并将其标记为已访问，“无论使用何种算法”，该算法通常会探索从当前节点可到达的所有其他节点。

例如，考虑以下带有3个顶点A B和C的图形，并考虑以下边缘

A-B，B-C和C-A，从C到A有一个循环，

当DFS从A开始，A将生成新状态B时，B将生成新状态C，但是当探索C时，算法将尝试生成新状态A但是A已经被访问因此它将被忽略了。酷！

但树怎么样？井树算法不会将访问节点标记为已访问，但树没有循环，它将如何进入无限循环？

考虑具有3个顶点的树，并考虑以下边

< - > A - B - C根据A向下，向下。我们假设我们正在使用DFS算法

A将生成新状态B，B将生成两个状态A＆amp; C，因为树没有“如果它被探索就标记一个访问过的节点”，因此DFS算法可能会再次探索A，从而生成一个新的状态B，因此我们进入一个无限循环。

但是你注意到了什么，我们正在研究无向边缘，即A-B和B-A之间存在联系。当然，这不是一个循环，因为循环意味着顶点必须> = 3并且除了第一个和最后一个节点之外所有顶点都是不同的。

ST A-> B-> A-> B-> A它不是循环，因为它违反了循环特性> = 3.但实际上A-> B-> C->。 A是一个循环＆gt; = 3个不同的节点Checked，第一个和最后一个节点是相同的Checked。

再次考虑树边缘，A-> B-> C-> B-> A，当然它不是循环，因为有两个B，这意味着并非所有节点都是不同的。

最后，您可以实现树搜索算法，以防止两次探索同一节点。但这会产生后果。

Answer 6

您可以检查 slide 13 以获取伪代码。