a*演算法概述：
採用廣度優先搜尋策略，在搜尋過程中使用啟發函式，即有大致方向的向前進雖然目標有時候不是很明確。
a*演算法核心：
a演算法的關鍵在於啟發函式，啟發函式的優劣直接影響a演算法的效率。
f(n)=g(n)+h(n);
這個式子中：f(n)表示從初始狀態到目標狀態的估測代價。
g(n)表示從初始狀態到當前狀態的代價（已經確定）。
h(n)表示從當前狀態到目標狀態的估測代價(**）。
其中：h(n)的好壞直接影響評估函式的好壞。
乙個好的f(n)總能明確指引演算法前進的方向，可以迅速的到達目標狀態。
f*(n)=g*(n)+h*(n); 我們假設的從初始狀態到目標狀態的實際最小代價。
這個式子中：f(n)表示從初始狀態到目標狀態的實際代價。
g*(n)表示從初始狀態到當前狀態的代價（已經確定）g*(n)和g(n)是相等的。
h*(n)表示從當前狀態到目標狀態的實際代價。
若h(n)<=h*(n),則總能找到最優解。（當h(n)優點：
與廣度優先搜尋策略和深度優先搜尋策略相比，a*演算法不是盲目搜尋，而是有提示的搜尋。
缺點：
該演算法一般要使用大量的空間用於儲存已搜尋過的中間狀態，防止重複搜尋。
用途：
從初始狀態出發 =>經過一系列中間狀態 =>最終到達目標狀態（或者無法到達）。
該演算法用於經過中間狀態時候的行進策略（其中的中間狀態或者由題目給出，或者在前邊已經推導得出）。
ida*演算法：
迭代加深搜尋演算法，在搜尋過程中採用估值函式，以減少不必要的搜尋。
ida*演算法核心：
設定每次可達的最大深度depth，若沒有到達目標狀態則加深最大深度。
採用估值函式，剪掉f(n)大於depth的路徑。
優點：
使用回溯方法，不用儲存中間狀態，大大節省了空間。
缺點：
重複搜尋：回溯過程中每次depth變大都要再次從頭搜尋。
用途：和a*演算法大致相同。
a*演算法（a-star）
為了賦予計算機「智慧型」，我們必須更有智慧型（?），計算機可以通過乙個「估價函式」確定乙個狀態的「前途」的量，人呢……必須找到這個估價函式。
通常，估價函式計為f(n)，f中，^在f上方，讀作f-hat（帽子）。估價函式的定義如下：
f(n)=g(n)+h^(n)
n是狀態的表示，通常是狀態的編號之類的。在程式設計中，可以寫作f_hat()或者直接寫成f()即可。
g^(n)表示從初始狀態到n 總共花費的代價。
h(n)表示從n到目標狀態估計需要花費的代價，對於乙個正確的搜尋，h(n)<=h(n)，h(n)表示從n到目標狀態的實際代價（沒有算出來的時候，當然是求不出來h(n)的，但是可以找到乙個h(n)<=h(n)哦），在這個範圍內，h(n)越接近h(n)，搜尋的啟發效果越好。
對於h1(n)和h2(n)，如果存在h1(n)2(n)<=h(n)，且h1(n)<=h2(n)，我們說h2(n)比h1(n)更靈通（more informed）。
f(n)的值就是對n這個狀態的估價。這個估價主要體現在h()，因為g()是已知的；g()體現了廣度優先，當h()>g()時，可以省略g^()從而提高效率。
搜尋中，每到新的狀態，計算它的f()值，在目前所有的狀態中，優先擴充套件f()最小的，如果f()最小的中有很多，則優先擴充套件其中g()最大的。
這麼說好像十分抽象，我們用乙個例子理解它：
對於迷宮
#############
#a##
#########
######_###
#__________b#
#############
a表示起點，b表示終點，#表示牆，_表示路。
求最短路時，若用廣度優先搜尋，則會同時搜尋（即互不干擾）各條路徑，如果是人，一定不會這樣做，因為用「瞪眼法」可以看出下、右使最好的方法，但是計算機不能，所以我們要寫乙個函式來啟發它。
本例中g就是到當前狀態走了多少步，那麼，估計值h怎麼辦呢？我們知道，在迷宮上不能走斜路，所以說，從某個個點到終點，假設到終點都是路，那麼最少的步數就是從該點到終點的歐幾里得距離（橫座標差的絕對值+縱座標差的絕對值），如果有牆，最少的步數有可能比歐幾里得距離要大，所以說，用歐幾里得距離作為估價函式是可以的。
h^(n)=point[n].euclid(target)
那麼，在搜尋時，到達了(4,3)的時候，會擴充套件向上的和向右的，
向上的：
f^() = g^() + h^() = 6 + 8 = 14
向右的：
f^() = g^() + h^() = 6 + 7 = 13
所以向右的狀態先被搜尋（和擴充套件的順序無關）。
為了實現每次獲取當前狀態中最有前途的狀態，我們需要乙個「優先佇列」，每次取出最有前途的，這用堆實現。
顯然，當此h^()=0時，已經找到答案。
偽**：
class status
status *goup();status *godown();status *goleft();status *goright();
int g_hat()
int h_hat()
int f_hat()
};//heap用f_hat()（小在前），相同的，用g_hat()（大在前）。
while (!heap.isnull())
廣度優先搜尋是a*演算法的乙個特例，它的g^(n)=0，沒有任何啟發資訊。
ida演算法（迭代加深的a演算法）
引例：the rotation game（poj 2286）
->原題鏈結
這個遊戲中，你有乙個這樣的東西：
a~h表示所在的行或者列向其方向迴圈移動一格。
目標是使得**的八個格仔的數相同。
輸入保證數字只有1、2、3，且分別8個。求最少步驟的方式（a~h表示），並求出此時**的數字。
這個問題用a不是好的選擇，因為狀態擴充套件太多，判重不易，所以我們用迭代加深的a演算法。
ida*的基本步驟：
1、設定最大的深度maxf = f^(初始狀態)
2、ids搜尋，棄去f^()>maxf的情況，如果找到答案，則結束
3、如果沒有答案：若搜尋**現了比maxf更大的f^()，則令maxf = 其中最小的值，重複2；如果沒有，則說明沒有答案
那麼，剛才的問題可以表示為：（h^() = 8 - 中間的八個方格**現次數最多的數出現的次數）
int f_hat()
bool idastar()
//返回：是否找到答案
if (h_hat() == 0) return true;
++steps;
foreach(變換)
--steps;
return false;
}int main()
ida演算法解析
int sub 401130 sub 402702 yes,you get it return 0 bool thiscall sub 401000 int this else return result 這是演算法的具體內容，這裡出現的第乙個問題就是 v4的值 char v4 48 sp 0h b...
POJ 2286 IDA 搜尋（迭代加深搜尋演算法）
ida 搜尋又成為迭代加深搜尋，感覺迭代加深這個稱謂就基本概括了這種搜尋算沒的核心。首先所以討論一下什麼迭代加深搜尋，深度優先搜尋乙個局面可以搜尋很多很多層，這種情況很可能時間啊複雜度很大 怎麼辦呢？聰明的人們想到了限制限制了搜尋深度，正是所謂的迭代加深搜尋，就是在深度無上限的情況下，先預估乙個深度...
IDA 演算法 騎士精神
騎士精神 description 在乙個5 5的棋盤上有12個白色的騎士和12個黑色的騎士，且有乙個空位。在任何時候乙個騎士都能按照騎士的走法 它可以走到和它橫座標相差為1，縱座標相差為2或者橫座標相差為2，縱座標相差為1的格仔 移動到空位上。給定乙個初始的棋盤，怎樣才能經過移動變成如下目標棋盤 為...