人工智能-人工智能报告 精品

人工智能课程报告

一．简介

推箱子游戏简介

经典的推箱子是一个来自日本的古老游戏，目的是在训练你的逻辑思考能力。在一个狭小的仓库中，要求把木箱放到指定的位置，稍不小心就会出现箱子无法移动或者通道被堵住的情况，所以需要巧妙的利用有限的空间和通道，合理安排移动的次序和位置，才能顺利的完成任务。胜利条件就是把所有的箱子都推到目的地。本程序的目标就是利用启发式搜索实现电脑自动推箱子。

推箱子游戏地图

程序采用手机中的推箱子小游戏的程序，地图总共75张，难度由易到难，搜寻路径的计算复杂度也会越来越高。每一张地图都以文本文件的形式存储起来。

地图展示：

（第1关）（第35关）

（第56关）（第75关）保存到文本文件中的地图代码：

推箱子中人的行为

人只可以推箱子, 不可以拉, 而且一次只能推动一个。即使是处于目的位置的箱子也可以推走。

二．基本概念

启发式搜索

考虑一个普通的图搜索问题：给出初始状态(节点 s)和目标状态(节点 t，可以不止一个)以及状态的产生规则，求从 s 到 t 的一条路经。搜索过程可描述如下：

1待展开的节点集合(OPEN 表)为 {s}，已展开的节点集合(CLOSED 表)为 {}，节点 s 的层深为 g(s) = 0。

2每次从 OPEN 表中取出一个节点 n，根据规则扩展产生一组节点 m i，然后把 n 放入CLOSED 表中。节点 m i可能属于下列三种情况之一：

（1）新的节点，则把 m i的源标记为 n，层深 g(m i) = g(n) + 1，并放入 OPEN 表中。（2）已在 OPEN 表中存在的节点，并且层深 g(m i) > g(n) + 1，说明从 s 到 m i并且经由 n 的路径要比先前搜索得到的路径要短。因此，把 m i的源改记为 n，层深 g(m i) = g(n) + 1，仍放入 OPEN 表中。

（3）已在 CLOSED 表中存在的节点，并且层深 g(m i) > g(n) + 1。同理，把 m i的源改记为 n，层深 g(m i) = g(n) + 1，并从 CLOSED 表中取出重新放入 OPEN 表中，留待以后重

新搜索计算 m i的子节点的层深。

3不断重复上一步操作，直到满足下列条件之一：

（1）n == t，搜索成功。

（2）OPEN 表为空，搜索失败。

在以上过程中，如何从 OPEN 表中选取待扩展的节点是关键。如果每次均选取层深 g(n) 最小的节点，以上过程就是宽度优先搜索；如果每次均选取层深 g(n) 最大的节点，以上过程就是深度优先搜索。启发式搜索算法A*的思想是，给节点定义一个评价函数

f(n) = g(n) + h(n) (1)

其中，g(n) 是节点的层深，即从 s 到 n 目前搜索已知的最短路径长度，h(n) 是节点 n 到目标节点 t 的最短路径长度的估计值，称为启发函数。拥有最小 f(n) 值的节点有希望成为从 s 到 t 的最短路径上的一个节点，因而被取出并扩展。

启发函数 h(n) 具有下列一些性质(证明略，我也不完全懂)：

如果 h(n) 处在从 n 到 t 的最短路径长度的真实值 h*(n) 的下界，即恒有 h(n) <= h*(n)，则算法A*找到的一定是从 s 到 t 的最短路径。此时算法A*称为算法A*。

可以想象，h(n) 越接近真实值 h*(n)，它所包含的启发信息就越多，搜索所需扩展的节点数就越少。

如果对所有节点 n i和 n j(其中 n j是 n i的子节点)都有 h(n i) - h(n j) <= 1，则称启发函数 h(n) 满足单调限制条件。此时，算法A*在选取节点 n 进行扩展时，必有 g(n) == g*(n)，在搜索过程中不会出现把 m i从 CLOSED 表中取出重新放入 OPEN 表的情况。

三．算法的设计与实施

推箱子游戏模块

节点的模板类。节点类要求具有被搜索函数使用的一些基本接口，这些接口描述了节点的

基本行为和属性，而节点的具体意义(比如表示推箱子的某个状态)则隐藏在类的实现细节中。节点类的基本接口如下：

程序中的 Node nodes[] 和 NodeInfo infos[] 是并列的两个散列数组，分别存储所有已展开的节点和节点的附加信息(f 值和在 OPEN 表中的位置)。key 根据节点的散列函数

hash() 在散列数组中查找或分配节点。

OPEN 表实际上是一个优先队列，因而采用堆的方式实现。程序中的 int opens[] 是以数组(完全二叉树)存储的堆，数组元素表示节点在散列数组中的位置，最小 f 值的节点可以在堆的根即 opens[0] 处中给出。orderDown 和 orderUp 是调整堆的需要。

推箱子

应用通用程序求解推箱子问题，关键是节点类的实现。

状态的划分

推箱子的状态由人和箱子的位置决定。考虑到人可以在墙壁和箱子围成的连通区域内任意行走而不会对局面产生实质性的影响，规定人必须位于他所处的连通区域的左上角。考虑到箱子的全同性，箱子的坐标应从小到大排序。这些都在构造函数 Box() 或者节点扩展函数 move(sw) 中完成。这时，判断两个状态是否相等只需分别比较每个箱子和人的坐标是否相等即可。

节点的扩展

每个箱子可以推向四个方向，因此总的可能的扩展节点数是箱子数的四倍。考虑到人的可到达范围(way[])的限制，某些箱子的某些方向(push_directions[])是不可到达的。另外，地图中还存在一些“死位置”(dead_positions[])，比如墙角、两个箱子并列在墙边等等。还有，箱子的背后可能是墙壁或者另一个箱子。这些不可能的情况都可以在节点扩展函数move(sw) 中予以拒绝。

启发函数

可以计算所有箱子离最近的目标的距离之和作为启发函数 h() 的返回值。不难看出，此定义的启发函数满足算法A*的下界条件，因而找到的目标路径一定是最优解。

A*算法的伪代码如下：