Was ist die Breitensuche in der künstlichen Intelligenz?
Was ist die Breitensuche in der künstlichen Intelligenz?

Video: Was ist die Breitensuche in der künstlichen Intelligenz?

Video: Was ist die Breitensuche in der künstlichen Intelligenz?
Video: 11_Algorithmen&Datenstrukturen || Graphen-Breitensuche (BFS) 2024, Dezember
Anonim

Veröffentlicht am 04.04.2017. Breite - Erste Suche ist wie das Durchqueren eines Baums, bei dem jeder Knoten ein Zustand ist, der ein potenzieller Kandidat für eine Lösung sein kann. Es erweitert Knoten von der Wurzel des Baums und generiert dann jeweils eine Ebene des Baums, bis eine Lösung gefunden wird.

Was ist die Tiefensuche in der künstlichen Intelligenz?

Tiefe - erste Suche ( DFS ) ist ein Algorithmus zum Durchlaufen von oder suchen Baum- oder Graphdatenstrukturen. Der Algorithmus beginnt am Wurzelknoten (bei einem Graphen wählt er einen beliebigen Knoten als Wurzelknoten aus) und erforscht so weit wie möglich jeden Zweig, bevor er zurückverfolgt wird.

Und was ist die beste erste Suche in künstlicher Intelligenz? Am besten - erste Suche ist ein Suche Algorithmus, der einen Graphen untersucht, indem er den vielversprechendsten Knoten erweitert, der gemäß einer bestimmten Regel ausgewählt wird. Diese spezielle Art von Suche heißt gierig Beste - erste Suche oder pur heuristische Suche.

Was ist außerdem die Breitensuche mit Beispiel?

Breitensuche zuerst ( BFS ) Algorithmus durchquert einen Graphen in einer Breitenbewegung und verwendet eine Warteschlange, um sich daran zu erinnern, den nächsten Scheitelpunkt zu bekommen, um a. zu beginnen Suche , wenn in einer Iteration eine Sackgasse auftritt. Wie im Beispiel oben angegeben, BFS Algorithmus durchläuft von A nach B nach E nach F Erste dann zu C und G schließlich zu D.

Wofür wird die Breitensuche verwendet?

Breite - erste Suche (BFS) ist ein wichtiger Graph Suche Algorithmus, der ist gewöhnt an viele Probleme lösen, darunter das Finden des kürzesten Pfads in einem Diagramm und das Lösen von Puzzlespielen (wie Rubik's Cubes).

Empfohlen: