搬运工问题及其特点.docx

搬运工问题的启示二搬运工问题及其特点在对状态空间搜索算法有一定了解之后，我们来看看我们的搬运工问题。究竟用什么方法比较好呢？让我们先来看看该问题的特点。搬运工问题我们在前面已经介绍过搬运工问题，这里我只是想提一些和解题有关的注意事项。首先，我们考虑的搬运工问题的地图规模最大是20*20，这已经可以满足大部分关卡了。为了以后讨论方便，我们把地图加以编号。从左往右各列称为A，B，C…，而从上往下各行叫a,b,c…。而由于不推箱子时的走路并不重要，我们在记录解的时候忽略了人的位置和移动，只记录箱子的移动。人的动作很容易根据箱子的动作推出来。下面是包含解答的标准关卡第一关。呵呵，怎么样，第一关都要那么多步啊…以后的各关，可是越来越难。搬运工问题的特点我在前言里吹了这么半天，我想你即使以前没有玩，现在也已经玩过了吧：）。有什么感觉呢？是不是变化太多了，不好把握？不仅人不好把握，连编程序也变得困难了很多。我们不妨拿它与经典的8数码问题作一个比较。1.死锁！初学者很快就会学到什么是死锁–一旦他（她）把一个箱子推到角上。显然，这样的布局再继续玩下去是没戏了，不管以后怎么推都不可能把这个箱子推离那个角。不少玩家都总结了不少死锁的经验，但是要比较系统的解决这个问题并不是一件容易的事。我们将用整整一章（其实也不长啦）的篇幅来分析这个问题。典型的死锁。想一想，为什么：）我们再看一下8数码问题。它没有死锁，因为每一步都是可逆的。在这一点上，搬运工问题要令人头疼得多了。容易看出，这样的状态空间不是无向图，而是有向图。2.状态空间。8数码问题每次最多有4中移动方法，最多的步数也只有几十步。而搬运工问题呢？困难一点的关卡可以是一步有100多种选择，整个解答包括600多次推箱子动作。分支因子和解答树深度都这么大，状态空间自然就非同小可了。3.下界估计在启发式搜索中，我们需要计算h值，也就是需要对下界进行估计。8数码问题有很多不错的下界函数（如“离家”距离和），但是搬运工问题又怎么样呢？我们不能直接计算“离家”距离，因为谁的家是哪儿都不清楚。很自然，我们可以做一个二分图的最佳匹配，但是这个下界怎么样呢？a.准确性对于A*及其变种来说，下界与实际代价越接近，一般来说算法效率就越高。我们这个最佳匹配只是“理想情况”，但是事实上，在很多情况下箱子相互制约，不得已离开目标路线来为其他箱子腾位置的事情是非常普遍的。例如我们的标准关卡第50关，有的箱子需要从目标格子穿过并离开它来为其它箱子让路。我们的下界函数返回值是100，但是目前的最好结果是370。多么大的差别！b.效率由于下界函数是一个调用非常频繁的函数，其效率不容忽视。最佳匹配的时间渐进复杂度大约是O(N^3),比8数码的下界函数不知大了多少…我们将会在后面给出一些改进方法，但是其本质不会改变。如何解决搬运工问题已经有人证明了搬运工问题是NP-Hard，看来我们还是考虑搜索吧。回想一下上一节提到过的状态空间搜索，用哪一种比较好呢？既然是智力游戏，可用的启发式信息是非常丰富了，我们不仅是要用，而且要用得尽量充分,所以应该用启发式搜索。而前面已经提到了，搬运工问题的状态空间是非常大的，A*是没有办法了，因此我们选择了IDA*算法：实现简单，空间需求也少。既然搬运工问题这么难，为什么有那么多人都解决了相当数量的关卡呢（标准的90N年以前就被人们模透了）。因为人聪明嘛。他们会预测，会安排，会学习，有直觉的帮助，还有一定的冒险精神。他们（也包括我啦，呵呵）常用的是一些“高层次”的解题策略，既有效，又灵活。(Srbga:想学吗? Readers:当然想!!)可惜这些策略不是那么简单易学，也不是很有规律的。在后面的章节中，我将尽力模仿人的思维方式给我们的程序加入尽量多的智能。