搜索算法
搜索算法入门详解
搜索算法⼊门详解什么是搜索算法搜索算法是利⽤计算机的⾼性能来有⽬的的穷举⼀个问题解空间的部分或所有的可能情况，从⽽求出问题的解的⼀种⽅法。
现阶段⼀般有枚举算法、深度优先搜索、⼴度优先搜索、A*算法、回溯算法、蒙特卡洛树搜索、散列函数等算法。
在⼤规模实验环境中，通常通过在搜索前，根据条件降低搜索规模；根据问题的约束条件进⾏剪枝；利⽤搜索过程中的中间解，避免重复计算这⼏种⽅法进⾏优化。
搜索⽅式⾸先给⼤家扫个盲在搜索中，不仅仅只有常见的递归式搜索，也存在着⼀部分正向迭代式搜索,但是在真正的使⽤中递归式搜索占到了绝⼤多数，基本上所有的递归式搜索⽤是递归都可以实现只不过代价⽐较⼤⽐如我们想要求出数字 1 - 3之间所有数字的全排列这个问题很简单，简单到不想⽤⼿写。
还是写⼀下吧对于这个问题我们只⽤三重循环就可以完全搞定它int n = 3;for(int i = 1;i <= n ;i ++){for(int j = 1;j <= n ;j ++){for(int k = 1;k <= n; k++){if(i != j && i != k && j != k){printf("%d %d %d\n",i ,j ,k);}}}}这个时候有同学就会问了，既然⽤递推就可以实现我们的搜索那么我们为什么还要费劲的去写递归呢？原因是之前举的哪⼀个例⼦规模很⼩，如果此时我们讲n 换成10 我们需要枚举 1 - 10的全排列那么你⽤递推的话代码⼤致式这样的int n = 3;for(int i = 1;i <= n ;i ++){for(int j = 1;j <= n ;j ++){for(int k = 1;k <= n; k++){for(int o = 1; 0 <= n ;o++){for(int p = 1;p <= n ; p++){for(){for().......不写了我吐了}}}}}}⾸先不说你有没有⼼情实现，光是变量的字母引⽤就够你喝⼀壶了这⾥n = 10 还没超过26，那如果超过了26，你岂不是要把汉字搬来了....这⾥就暴露出⼀个问题。
五种查找算法总结
五种查找算法总结一、顺序查找条件：无序或有序队列。
原理：按顺序比较每个元素，直到找到关键字为止。
时间复杂度：O(n)二、二分查找（折半查找）条件：有序数组原理：查找过程从数组的中间元素开始，如果中间元素正好是要查找的元素，则搜素过程结束；如果某一特定元素大于或者小于中间元素，则在数组大于或小于中间元素的那一半中查找，而且跟开始一样从中间元素开始比较。
如果在某一步骤数组为空，则代表找不到。
这种搜索算法每一次比较都使搜索范围缩小一半。
时间复杂度：O(logn)三、二叉排序树查找条件：先创建二叉排序树：1. 若它的左子树不空，则左子树上所有结点的值均小于它的根结点的值；2. 若它的右子树不空，则右子树上所有结点的值均大于它的根结点的值；3. 它的左、右子树也分别为二叉排序树。
原理：在二叉查找树b中查找x的过程为：1. 若b是空树，则搜索失败，否则：2. 若x等于b的根节点的数据域之值，则查找成功；否则：3. 若x小于b的根节点的数据域之值，则搜索左子树；否则：4. 查找右子树。
时间复杂度：四、哈希表法（散列表）条件：先创建哈希表（散列表）原理：根据键值方式(Key value)进行查找，通过散列函数，定位数据元素。
时间复杂度：几乎是O(1)，取决于产生冲突的多少。
五、分块查找原理：将n个数据元素"按块有序"划分为m块（m ≤ n）。
每一块中的结点不必有序，但块与块之间必须"按块有序"；即第1块中任一元素的关键字都必须小于第2块中任一元素的关键字；而第2块中任一元素又都必须小于第3块中的任一元素，……。
然后使用二分查找及顺序查找。
(完整版)《搜索算法》知识点总结
(完整版)《搜索算法》知识点总结1. 搜索算法的概念搜索算法是计算机科学中的一类算法，用于在一个数据集合中查找指定的数据项。
搜索算法的目标是通过最少的计算操作来找到目标数据项，以提高效率。
2. 常见的搜索算法2.1 线性搜索线性搜索是最简单的搜索算法之一，它从数据集合的第一个元素开始逐个比较，直到找到目标数据项或者遍历整个数据集合。
线性搜索的时间复杂度为O(n)，其中n为数据集合的大小。
2.2 二分搜索二分搜索是一种高效的搜索算法，它适用于有序的数据集合。
它将数据集合分为两部分，并与目标数据项进行比较，然后根据比较结果确定继续搜索的方向。
通过每次排除一半的数据，二分搜索的时间复杂度为O(log n)，其中n为数据集合的大小。
2.3 哈希搜索哈希搜索通过将数据项映射到哈希表中的特定索引位置来进行搜索。
通过哈希函数，可以快速找到目标数据项所在的位置。
哈希搜索的时间复杂度为O(1)，但需要额外的存储空间来存储哈希表。
2.4 深度优先搜索深度优先搜索是一种递归的搜索算法，它从起始点开始一直沿着一个路径搜索，直到找到目标数据项或者无法继续搜索。
如果搜索失败，则回溯到上一个节点，并探索其他路径。
深度优先搜索在有向图和无向图中均适用。
2.5 广度优先搜索广度优先搜索是一种逐层扩展的搜索算法，它从起始点开始，先访问所有直接相邻的节点，然后再访问相邻节点的邻居节点。
通过队列数据结构，广度优先搜索可以按层次进行遍历，直到找到目标数据项。
广度优先搜索适用于无权图和加权图。
3. 搜索算法的应用场景搜索算法在各种领域和实际问题中广泛应用，包括但不限于以下几个方面：- 文本搜索：在大规模的文本数据集中查找关键字或短语。
- 图像搜索：根据图像特征找到相似的图像。
- 数据库查询：根据指定条件查询数据库中的记录。
- 路径规划：在地图上找到最短路径或最优路径。
- 推荐系统：根据用户的兴趣和偏好推荐相关的内容。
- 人工智能：在机器研究和深度研究中的搜索空间优化等。
《信息科技新课标》中身边的算法
《信息科技新课标》中身边的算法随着科技的发展，信息技术也随之不断更新迭代，而“算法”更是如此。
身边的算法在我们日常生活中无处不在，从搜索引擎到社交媒体，从智能家居到电商平台，都离不开算法。
算法不仅是现代信息技术的重要组成部分，也是信息时代的“金矿”。
一、搜索算法搜索引擎，如百度、谷歌等，是我们日常生活中最常用的工具之一。
它们背后的搜索算法，可以帮助我们更快速、准确地找到所需信息。
搜索算法可以分为两类：基于文本和基于链接的搜索算法。
基于文本的搜索算法是通过对页面内容的分析，来确定该页面与用户搜索意图的相关性。
而基于链接的搜索算法则是通过对页面链接结构的分析，来确定该页面的权重和相关性。
搜索算法不仅需要考虑用户的搜索意图，还需考虑排除垃圾信息等因素，使其具有更高的搜索效率和准确性。
二、推荐算法电商平台、音乐平台等服务，都会根据用户的历史行为和用户画像等信息，为用户推荐更适合的商品、歌曲等。
这背后也离不开推荐算法的支持。
推荐算法主要分为两种：基于内容的推荐和基于协同过滤的推荐。
基于内容的推荐算法是根据用户的历史行为和兴趣爱好等，来寻找与其相关性比较高的内容进行推荐。
而基于协同过滤的推荐，则是通过对用户历史行为等大量数据的分析，来找到与其兴趣相似的用户，然后进行内容推荐。
三、自然语言处理算法自然语言处理算法是指计算机如何能够理解人类的自然语言，并能够对自然语言进行处理。
自然语言处理是计算机人工智能的一部分，是未来信息技术的核心。
自然语言处理算法支持范围广泛，如机器翻译、语音识别、情感识别等。
它们的基本原理是将人类语言转化为计算机可以接受的形式，然后利用算法进行处理和分析。
四、图像处理算法随着数字化时代的到来，图像处理算法也变得日益重要。
它们可以用于人脸识别、图像分割、图像压缩等各种应用场景。
图像处理算法通常分为两种：基于特征的算法和基于神经网络的算法。
基于特征的算法是通过对图像上的特征点进行分析，来获得图像的相关信息。
第一讲 图的搜索算法
算法框架
1．算法的基本思路 算法设计的基本步骤为：
1）确定图的存储方式； 2）图的遍历过程中的操作，其中包括为输 出问题解而进行的存储操作；
3）输出问题的结论。
dfs与bfs 深度搜索与广度搜索的相近，最终都要扩展 一个结点的所有子结点. 区别在于对扩展结点过程，深度搜索扩 展的是E-结点的邻接结点中的一个，并将其 作为新的E-结点继续扩展，当前E-结点仍为 活结点，待搜索完其子结点后，回溯到该结 点扩展它的其它未搜索的邻接结点。而广度 搜索，则是扩展E-结点的所有邻接结点，E结点就成为一个死结点。
或改造，加入了一定的“智能因素”，使搜索能尽快接近目标结点，减少了在空间和 时间上的复杂度。 )
二、分支定界 三、A*算法 第三部分 搜索与动态规划的结合 （包括与其他算法的联系和对比）
初级的图搜索算法
• 包括 深度优先遍历,广度优先遍历和双向广度优先遍历 • 图的两种遍历算法：深度优先搜索和广度优先搜索算法 • BFS是一种盲目搜寻法，目的是系统地展开并检查图中 的所有节点，以找寻结果。换句话说，它并不考虑结果 的可能位址，彻底地搜索整张图，直到找到结果为止。 BFS并不使用经验法则算法。
广度优先搜索的应用
【例1】已知若干个城市的地图，求从一个 城市到另一个城市的路径，要求路径中经过的 城市最少 【例2】走迷宫问题
·
【例1】已知若干个城市的地图，求从一个城市到 另一个城市的路径，要求路径中经过的城市最少。
算法设计：
图的广度优先搜索类似与树的层次遍 历，逐层搜索正好可以尽快找到一个结点 与另一个结点相对而言最直接的路径。
如图5-6表示的是从城市A到城市H的交通图。从图中可 以看出，从城市A到城市H要经过若干个城市。现要找出一条 经过城市最少一条路线。 (提示：看到这图很容易想到用邻接距阵来表示，0
常用的算法
常用的算法
算法是指解决特定问题的步骤和操作的一种方式，是计算机科学中的一个重要分支，它可以帮助计算机处理各种问题，并给出更好的解决方案。
在解决复杂问题时，算法是必不可少的。
常用的算法主要包括搜索算法、排序算法、图算法、动态规划算法、数学算法、随机算法等。
下面将详细介绍这些常用的算法。
1．搜索算法搜索算法是一种应用广泛的算法，它的目的是在一组元素中查找满足特定条件的元素，如深度优先搜索(DFS)、广度优先搜索(BFS)、A*搜索等，都属于搜索算法。
2．排序算法排序算法是一种常用的算法，它可以对一组元素进行排序，使它们按照某种顺序排列。
一般常用的排序算法包括冒泡排序、选择排序、插入排序、归并排序、快速排序等。
3．图算法图算法是用来处理图的算法，它的目的是找出图中的最短路径或最小生成树。
常见的有Dijkstra算法、Kruskal算法、Prim算法、Floyd-Warshall算法等。
4．动态规划算法动态规划算法是一种用于求解最优化问题的算法，它可以解决多阶段决策问题。
典型的动态规划算法有贪心算法、背包问题算法等。
5．数学算法数学算法是处理数学问题的一种算法，它可以帮助用户快速解决数学问题，例如求和、求积、求最大公约数、求最小公倍数等。
6．随机算法随机算法是一种基于随机性的算法，它可以利用随机性来解决复杂的问题。
典型的随机算法有随机搜索算法、随机化算法等。
以上就是常用的算法，它们在各种计算机科学和工程中发挥着重要作用。
每种算法都有自己的特点和优势，因此，在解决复杂问题时，必须根据情况选择合适的算法，以获得更好的解决方案。
常见搜索算法
下面是一些比较重要的算法，原文罗列了32个，但我觉得有很多是数论里的或是比较生僻的，和计算机的不相干，所以没有选取。
下面的这些，有的我们经常在用，有的基本不用。
有的很常见，有的很偏。
不过了解一下也是好事。
也欢迎你留下你觉得有意义的算法。
（注：本篇文章并非翻译，其中的算法描述大部份摘自Wikipedia，因为维基百科描述的很专业了）1A*搜寻算法俗称A星算法。
这是一种在图形平面上，有多个节点的路径，求出最低通过成本的算法。
常用于游戏中的NPC的移动计算，或线上游戏的BOT的移动计算上。
该算法像Dijkstra算法一样，可以找到一条最短路径；也像BFS一样，进行启发式的搜索。
2Beam Search束搜索(beam search) 方法是解决优化问题的一种启发式方法,它是在分枝定界方法基础上发展起来的,它使用启发式方法估计k 个最好的路径,仅从这k 个路径出发向下搜索,即每一层只有满意的结点会被保留,其它的结点则被永久抛弃,从而比分枝定界法能大大节省运行时间。
束搜索于20 世纪70 年代中期首先被应用于人工智能领域,1976 年Lowerre 在其称为HARPY的语音识别系统中第一次使用了束搜索方法,他的目标是并行地搜索几个潜在的最优决策路径以减少回溯,并快速地获得一个解。
3二分取中查找算法一种在有序数组中查找某一特定元素的搜索算法。
搜素过程从数组的中间元素开始，如果中间元素正好是要查找的元素，则搜素过程结束；如果某一特定元素大于或者小于中间元素，则在数组大于或小于中间元素的那一半中查找，而且跟开始一样从中间元素开始比较。
这种搜索算法每一次比较都使搜索范围缩小一半。
4Branch and bound分支定界(branch and bound) 算法是一种在问题的解空间树上搜索问题的解的方法。
但与回溯算法不同，分支定界算法采用广度优先或最小耗费优先的方法搜索解空间树，并且，在分支定界算法中，每一个活结点只有一次机会成为扩展结点。
算法_五大经典搜索算法
算法_五⼤经典搜索算法顺序查找最简单的从头开始对⽐查找。
折半查找要求：有序数组思想：将n个元素分成⼤致相同的两半，取中值和值x⽐较，如果相等则找到，如果值x⼩于中值，则只在数组的左半部分继续搜索值x；如果值x⼤于中值，则只在数组右半部分继续搜索值x复杂度：最坏情况下需要O(logN)时间代码如下：int binarySearch(int arr[], int x, int len){int left = 0, right = len-1;while(left <= right){int mid = (left + right) / 2;if(x == arr[mid]){return mid;}if(x > arr[mid]){left = mid + 1;}else{right = mid -1;}}return -1;}哈希查找时间复杂度为O(1)索引查找⼆叉树⼆叉树的前序遍历、中序遍历、后序遍历测试代码如下：package com.tree;public class Tree{public static void preOrder(TreeNode node){if(node == null){return ;}System.out.print(node.getData());preOrder(node.getLeft());preOrder(node.getRight());}public static void midOrder(TreeNode node){if(node == null){return ;}preOrder(node.getLeft());System.out.print(node.getData());preOrder(node.getRight());}public static void postOrder(TreeNode node){if(node == null){return ;}preOrder(node.getLeft());preOrder(node.getRight());System.out.print(node.getData());}public static void main(String[] args){TreeNode root = new TreeNode("A");TreeNode nodeB = new TreeNode("B");TreeNode nodeC = new TreeNode("C");TreeNode nodeD = new TreeNode("D");TreeNode nodeE = new TreeNode("E");TreeNode nodeF = new TreeNode("F");root.setLeft(nodeB);root.setRight(nodeC);nodeB.setLeft(nodeD);nodeB.setRight(nodeE);nodeC.setLeft(nodeF);System.out.print("先序遍历");preOrder(root);System.out.print("中序遍历");midOrder(root);System.out.print("后序遍历");postOrder(root);}}程序运⾏及结果如下（修改了控制台字体使得中⽂乱码）：。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
图1八数码问题的初始和目标状态第一课 搜索算法的基本理论课题：搜索原理 目标：知识目标：产生式系统、搜索框架、搜索算法的分类能力目标：对问题进行阐析，分析综合数据库和产生式规则 重点：综合数据库和产生式规则的描述，搜索算法的实质 难点：产生式规则的理解 板书示意：1） 综合数据库 2） 产生式规则3） 状态空间图与节点的耗散值 4） 搜索算法的框架授课过程：信息学竞赛的试题一般有两种类型：一、简明的数学模型揭示问题本质。
对于这一类试题，我们尽量用解析法求解。
二、对给定的问题建立数学模型，或即使有一定的数学模型，但采用数学方法解决有一定困难。
对于这一类试题，我们只好用模拟或搜索求解。
尽管搜索的时间复杂度一般是指数级的，但在缺乏解决问题的有效模型时，搜索却是一种最行之有效的解决问题的基本方法，而且，在使用搜索算法解决问题时，在实现过程中能有很大的优化空间。
信息学竞赛中考察搜索算法，其一是考察选手算法运用能力，其二是考察选手的算法优化能力。
下面我们来看看八数码问题。
在3*3组成的九宫格棋盘上，摆有八个将牌，每一个将牌都刻有1—8中的某一个数码。
棋盘中留有一个空格，允许其周围的某一个将牌向空格中移动，如右图所示。
这样通过移动将牌就可以不断改变的布局结构，给出一个初始布局（称初始状态）和一个目标布局（称目标状态），问如何移动将牌，才能实现从初始状态到目标状态的转换。
对此题，我们很难找到非常简明的数学方法，因此搜索势在必行。
在介绍算法之前，我们先介绍一下与搜索有关的基本概念。
一、综合数据库与问题相关的所有数据元素构成的集合，称为综合数据库。
它是用来表述问题状态或有关事实，即它含有所求解问题的信息，其中有些部分可以是不变的，有些部分则可能只与当前问题的解有关。
人们可以根据问题的性质，用适当的方法来构造综合数据库的信息。
在描述问题时，可以选择字符串，数组，集合，树，图等数据结构来构建综合数据库，对于八数码问题而言，选用二维数组可以简明直观地描述问题。
因此，八数码问题的综合数据库可描述如下：{P xy }，其中1<=x,y<=3，P xy ∈{0,1,2,3,4,5,6,7,8}，且P xy 互不相等。
因此，从理论上分析，八数码问题的综合数据库共有9！=362880种不同的状态。
但实际并不能达到这么多，大概只有9！/2=181440种。
问题中所有的可能的出现的状态集合就构成了问题的状态空间。
问题的状态空间描述了一个问题的求解过程。
它一般包含三种类型状态，即初始状态集合S ，中间状态集合M ，目标状态集合G ，所以我们可把状态空间记为三元状态(S,M,G)。
对八数码而说，S={唯一的初始状态}，M={初始状态所有可达的非目标状态}，G={唯一的目标状态}。
用Pascal 语言描述如下：typetState = array[1..3,1..3]of byte; varS ,G: tState; {S 为初始状态，G 为目标状态} M : array[0.. 181440] of tState; ｛综合数据库｝二、产生式规则构建了综合数据库以后，还需要研究问题的移动规则，称为产生式规则。
产生式规则一般可以用如下形式描述：if 条件 then 规则；条件描述了规则实施的先决因素，而规则描述问题实施的具体过程，通常为应用该规则所采取的行动或得到的结论。
在搜索过程中，一条产生式规则满足了应用条件之后，就可以作用于综合数据库，使综合数据库的状态发生改变，产生新的状态。
对于八数码问题而言，把将牌移入空格，实际上等价于将空格向将牌移动，因此移动的规则有四条，具体描述如下：设P xy 表示将牌第x 行第y 列的数码，m,n 表示数码空格所在的行列值，记P m,n =0,则可以得到如下四条规则：① if n -1>=1 then begin P m , n :=P m ,n -1 ; P m ,n -1 :=0 end; ② if m - 1>=1 then begin P m , n :=P m-1, n ; P m-1, n :=0 end; ③ if n + 1<=3 then begin P m , n :=P m , n+1; P m , n+1:=0 end; ④ if m + 1<=3 then begin P m , n :=P m+1,n ; P m+1, n :=0 end; 三、状态空间图在由初始状态扩展到目标状态的进程中，将扩展出来的所有状态构建成一个图来进行保存，这个图称为状态空间图。
为了对它有更深入的了解，下面介绍一些图论中的基本概念。
节点：图中的顶点。
弧：描述从一个节点到另一个节点之间的关系，它有方向性，一般用带箭头的边表示。
边：描述两个之间的关系，无方向性。
有向图：图中的节点与节点是用弧连接。
无向图：图中的节点与节点是用边连接。
孩子和父亲节点：一条弧AB 是从节点A 指向B ，那么B 就是A 的后继（或者叫孩子），A 是B 的前驱（或者叫父亲）。
有向树：没有回路的连通的有向图。
在树中没有父亲的节点称为根节点。
其余节点有且只有一个父亲，树中没有后继的节点称为末端节点或叶节点。
在构筑状态空间的过程中，图中的每一个节点代表综合数据库中的一个状态,每一条弧代表一条产生式规则，如果C 规则作用于A 状态得到B 状态,就从A 连一条弧C 指向B 。
图搜索的过程实际上就是一棵搜索树(图2)的生成过程。
四、节点的耗散值搜索树的度：对一棵搜索树而言，有这样的特征，除叶节点外，所有的节点都有b 个相同数量后继(b 为产生式规则个数)。
我们称b 为这棵搜索树的度。
节点的深度：根节点的深度为0，树上任何其它节点的深度是其父节点的深度加1。
路径：对于一个节点序列n 0, n 1, ...,n i ,...,n k ，对i= 1 , 2 ,… ,k，若节点n i －1都有一个后继节点n i ，则该节点序列称为从节点n 0到节点n k 的长度为k 的一条路径。
路径的耗散值：令c(i,j)为从节点n i 到n j 的这段路径（或者弧）的耗散值,一条路径的耗散值就等于连接这条路径各节点间所有弧的耗散值总和。
可以用递归公式描述如下：c(n i ,t)= c(n i , n j )+ c(n j , t)图2 搜索树扩展其中，c(n i,t)为n i到t这条路径的耗散值。
如果一条路径的耗散值最小，则称这条路径被为最佳路径。
通常，我们所求的问题是给定一个初始状态，要求寻找从初始状态到目标状态的最佳路径。
常用的方法是：从初始节点出发，按照产生式规则逐步扩展出搜索树，直到找到目标，算出各路径耗散值，取其最小耗散值的路径。
这样，我们就从开始的一个状态逐步扩展出含有代价弧的一张图，称这个过程为隐式图扩展过程。
采用的策略称为隐式图的搜索。
下面看看隐式图的搜索过程。
五、搜索策略搜索策略的实质是确定如何选取规则的方式。
有两种基本方式：一种是不考虑给定问题所具有的特定知识，系统根据事先确定好某种固定顺序，依次调用规则或随机调用规则，这实际上是盲目搜索的方法。
另一种是考虑问题领域可应用的知识，动态地确定规则的排列次序，优先调用较合适的规则使用，这就是通常所说的启发式搜索策略。
对于各种搜索方法，概括起来有⑴求任一解路的搜索回溯法(Backtracking)爬山法(Hill Climbing)宽度优先法(Breadth-first)深度优先法(Depth-first)限定范围的搜索(Beam Search)好的优先法(Best-first)⑵求最佳解路的搜索大英博物馆法(British Museum)分支界限法(Branch and Bound)动态规划法(Dynamic Programming)最佳图的搜索(A*)⑶与或图的搜索一般与或图搜索(AO*)极大极小法(Minimax)αβ剪枝法(Alpha-beta Prunning)启发式剪枝法(Heuristic Prunning)只要控制策略一经确定，搜索算法的框架也就确定了。
我们解决问题的基本思路是：分析问题1.建立初始数据库和目标数据库，以及其它中间数据库的基本资料2.根据问题提供规则，建立产生式规则选择控制策略1. 合理选择产生式规则作用初始数据库，将产生的节点添加到综合数据库中，并建立隐式图。
2.合理选择产生式规则，合理选择综合数据库中好的节点，继续进行扩展，直到找到目标节点。
产生式系统算法描述如下：PROCEDURE Production-System(算法1)1.DATA←初始化数据库2.Repeat3.在规则集中选择某一条可作用于DATA的规则R4. DATA←R作用于DATA后得到的结果5.Until DATA满足结束条件由上述过程可以看出，每次都是从综合数据库DATA中选取一个未被扩展的节点，按上下左右的顺序选用产生式规则逐步扩展，直到找到目标节点为止。
这实际上是一个宽度优先的扩展过程。
当然，除了这种扩展方式，我们还可以按照不同的顺序优先选择某些控制策略进行扩展，同样，也可以在综合数据库中，根据每个节点的好坏优先选择被扩展的节点，这是我们下面需要探讨的问题。
上面是产生式系统的算法，下面我们根据图的一般特点，将产生式系统的算法加以扩展，便得到了一般图搜索算法。
一般图搜索算法描述如下：PROCEDURE GRAPH-SEARCH;(算法2)1.G:=G0; {其中G表示搜索图，G0是初始图}2.Open:=(Source) ; {把source(初始节点)加入OPEN表}3.Closed:=nil; {置CLOSED表为空}4.Repeat5. IF OPEN=nil then Exit(Fail); {如果OPEN为空，输出无解并退出}6. n:=FIRST(OPEN);Remove(n,Open);{取出OPEN表首节点,从Open删除n}7. Add(n,Closed); {把n加入到Closed表}8. If n=Goal then Exit(Success); {如果n为目标，就退出并输出解}9. m i:=Expand(n); { m i中不包含其先辈节点 }10.标记和修改m i的指针 { m i=m j∪m j∪m j }.Add(m j,Open)，标记m j到n的指针;{ m j为不在Open和Closed中的节点}.计算是否要修改m k,m l到n的指针;{m k为在Open中的节点}.计算是否要修改m l到其后继的指针{m l为在Open中的节点}11.Add(m i,G); {把m i加入图G, 并标记修改指针}12.对Open中的节点按某种原则重新排序；13.Until false;以上算法不过是图搜索算法的一个简单框架，对于不同的图搜索算法在实现时，还需要利用到其它一下比较高级的数据结构。