启发性信息的概念 启发性信息是指那种与具体问题求解过程有关的，并可指导搜索过程朝着最有希望方向前进的控制信息。 启发性信息的种类 ① 有效地帮助确定扩展节点的信息； ② 有效的帮助决定哪些后继节点应被生成的信息； ③ 能决定在扩展一个节点时哪些节点应从搜索树上删除的信息。 启发性信息的作用 启发信息的启发能力越强，扩展的无用结点越少。 4.3.1 启发性信息和估价函数 1. 启发性信息

AI-Pacman-Projects：包含UC Berkeley AI Pacman项目的实现。 这些项目依赖于各种人工智能算法和概念，包括Q学习，马尔可夫模型，图搜索，对抗搜索和启发式

分辨率，光栅，扫描线，像素，帧缓冲器；了解图形学的基本用途；掌握图形学光栅扫描显示系统的工作原理；

人工智能 用启发式方法搜索求解九宫格问题 广度优先 深度优先 九宫格

原子轨道搜索（AOS）是一种为优化目的而提出的新型元启发式算法。 该算法的主要概念基于一些量子力学原理和基于量子的原子模型，其中基于电子围绕原子核的一般构型。

用于实现java八数码问题，包括全局择优算法，A*算法，宽度优先算法，及四种启发式函数的实现

一种高效的大规模图数据频繁子图挖掘算法，靳思萌，李仲伟，随着计算机技术的发展和互联网应用的普及，各个领域可获取的数据呈爆炸式增长的趋势。图作为一种常用的数据表示模型，能够表达更

HDP单网络启发式动态规划，自适应动态规划中较为简单的网络，很好的入门例子，可运行。

【传统实际问题的特点】 连续性问题——主要以微积分为基础，且问题规模较小 传统的优化方法 追求准确——精确解 理论的完美——结果漂亮 主要方法：线性与非线性规划、动态规划、多目标规划、整数规划等；排队论、库存论、对策论、决策论等。 传统的评价方法 算法收敛性（从极限角度考虑） 收敛速度（线性、超线性、二次收敛等） 【现代问题的特点】 离散性问题——主要以组合优化（针对离散问题，定义见后）理论为基础 不确定性问题——随机性数学模型 半结构或非结构化的问题——计算机模拟、决策支持系统 大规模问题——并行计算、大型分解理论、近似理论 现代优化方法 追求满意——近似解 实用性强——解决实际问题 现代优化算法的评价方法 算法复杂性 【现代优化(启发式)方法种类】 禁忌搜索（tabu search） 模拟退火（simulated annealing） 遗传算法（genetic algorithms） 神经网络（neural networks） 蚁群算法（群体（群集）智能，Swarm Intelligence） 拉格朗日松弛算法（lagrangean relaxation）

现实世界数值优化问题的难度和复杂性已经成倍增加，这就需要有效的优化方法。 迄今为止，已经引入了各种元启发式方法，但只有少数在研究界得到认可。 在本文中，引入了一种称为阿基米德优化算法（AOA）的新元启发式算法来解决优化问题。 AOA 的设计灵感来自一个有趣的物理定律阿基米德原理。 它模拟了向上施加在物体上的浮力原理，部分或完全浸入流体中，与被排出流体的重量成正比。 为了评估性能，在CEC'17测试套件和四个工程设计问题上对提出的AOA算法进行了测试。 使用 AOA 获得的解决方案优于众所周知的最新技术和最近引入的元启发式算法，例如遗传算法 (GA)、粒子群优化 (PSO)、差分进化变体 L-SHADE 和 LSHADE-EpSin、鲸鱼优化算法(WOA)、正余弦算法 (SCA)、Harris 鹰优化 (HHO) 和均衡优化器 (EO)。 实验结果表明，AOA在收敛速度和探索开发平衡方面是一