人工智能[第五章状态空间搜索策略]山东大学期末考试知识点复习
人工智能[第五章状态空间搜索策略]山东大学期末考试知识点复习
![人工智能[第五章状态空间搜索策略]山东大学期末考试知识点复习](https://img.taocdn.com/s3/m/90a7eb54dd36a32d73758188.png)
第五章状态空间搜索策略搜索是人工智能的一个基本问题，是推理不可分割的一部分。
搜索是求解问题的一种方法，是根据问题的实际情况，按照一定的策略或规则，从知识库中寻找可利用的知识，从而构造出一条使问题获得解决的推理路线的过程。
搜索包含两层含义：一层含义是要找到从初始事实到问题最终答案的一条推理路线；另一层含义是找到的这条路线是时间和空间复杂度最小的求解路线。
搜索可分为盲目搜索和启发式搜索两种。
1．1 盲目搜索策略1．状态空间图的搜索策略为了利用搜索的方法求解问题，首先必须将被求解的问题用某种形式表示出来。
一般情况下，不同的知识表示对应着不同的求解方法。
状态空间表示法是一种用“状态”和“算符”表示问题的方法。
状态空间可由一个三元组表示(S，F，Sg)。
利用搜索方法求解问题的基本思想是：首先将问题的初始状态(即状态空间图中的初始节点)当作当前状态，选择一适当的算符作用于当前状态，生成一组后继状态(或称后继节点)，然后检查这组后继状态中有没有目标状态。
如果有，则说明搜索成功，从初始状态到目标状态的一系列算符即是问题的解；若没有，则按照某种控制策略从已生成的状态中再选一个状态作为当前状态，重复上述过程，直到目标状态出现或不再有可供操作的状态及算符时为止。
算法5．1 状态空间图的一般搜索算法①建立一个只含有初始节点S0的搜索图G，把S放入OPEN表中。
②建立CLOSED表，且置为空表。
③判断OPEN表是否为空表，若为空，则问题无解，退出。
④选择OPEN表中的第一个节点，把它从OPEN表移出，并放入CLOSED表中，将此节点记为节点n。
⑤考察节点n是否为目标节点，若是，则问题有解，并成功退出。
问题的解的这条路径得到。
即可从图G中沿着指针从n到S⑥扩展节点n生成一组不是n的祖先的后继节点，并将它们记作集合M，将M中的这些节点作为n的后继节点加入图G中。
⑦对那些未曾在G中出现过的(即未曾在OPEN表上或CLOSED表上出现过的)M中的节点，设置一个指向父节点(即节点n)的指针，并把这些节点加入OPEN 表中；对于已在G中出现过的M中的那些节点，确定是否需要修改指向父节点(n 节点)的指针；对于那些先前已在G中出现并且已在COLSED表中的M中的节点，确定是否需要修改通向它们后继节点的指针。
人工智能期末复习
人工智能期末复习一、名词解释1、人工智能（学科）：人工智能学科是计算机科学中涉及研究、设计和应用智能机器的一个分支，是一门综合性的交叉学科和边缘学科。
2、语义网络：语义网络是一种用实体及其语义关系来表达知识的有向图。
3、机器学习：机器学习就是让机器（计算机）来模拟和实现人类的学习功能。
4、正向推理产生式系统：正向推理也称数据驱动方式，它是从初始状态出发，朝着目标状态前进，正向使用规则的一种推理方法。
所谓正向使用规则，是指以问题的初始状态作为初始综合数据库，仅当综合数据库中的事实满足某条规则的前提时，该规则才被使用。
正向推理产生式系统简单明了，且能求出所有解，但是执行效率较低，具有一定的盲目性。
5、遗传算法：遗传算法是在模拟自然界生物遗传进化过程中形成的一种自适应优化的概率搜索算法。
6、人工智能（能力）：是智能机器执行的通常与人类智能有关的功能，如判断、推理、证明、识别、感知、理解、设计、思考、规划、学习和问题求解等思维活动。
7、机器学习系统：机器学习系统是指能够在一定程度上实现机器学习的系统。
8、逆向推理产生式系统：逆向推理也称目标驱动方式，它是从目标状态出发，朝着初始状态前进，反向使用规则的一种推理方法。
所谓逆向使用规则，是指以问题的目标状态作为初始综合数据库，仅当综合数据库中的事实满足某条规则的后件时，该规则才被使用。
逆向推理产生式系统不寻找无用数据，不使用与问题无关的规则。
9、演绎推理：演绎推理是从已知的一般性知识出发，去推出蕴含在这些已知知识中的适合于某种个别情况的结论。
是一种由一般到个别的推理方法，其核心是三段论，如假言推理、拒取式和假言三段论。
10、启发式搜索：状态空间的启发式搜索是一种能够利用搜索过程所得到的问题自身的一些特性信息来引导搜索过程尽快达到目标的搜索方法。
二、填空题1、目前人工智能的主要学派有下列三家：符号主义、联结主义和行为主义。
2、常用的知识表示方法有一阶谓词逻辑表示法、产生式表示法、语义网络表示法、框架表示法和过程表示法。
人工智能期末考试重点
人工智能：Artificial Intelligence，简称AI，主要研究如何使用人工的方法和技术，使用各种自动化机器或智能化机器模仿、延伸和扩展人的智能，实现某些机器的智能行为。
传统划分①符号主义学派②联结主义学派③行为主义学派现代1.符号智能流派2.计算智能流派3.群体智能流派人工智能的基本技术：1知识表示技术2知识推理、计算和搜索技术3系统实现技术。
符号智能的表示是知识的表示，运算是基于知识表示的推理或符号操作，采用搜索方法进行问题求解，一般在问题空间上进行，计算智能的表示是对象表示，运算时给予对象的表示的操作或计算，采用搜索方法进行问题求解，一般是在解空间上进行。
人工智能的研究领域：定理证明、专家系统、模式识别、机器学习、计算智能、自然语言处理、组合调度问题。
应用领域：难题求解、自动定理证明、自动翻译、智能管理、智能通信、智能仿真等。
人工智能的主要研究途径与方法：1功能模拟。
符号推演2结构模拟。
神经计算3行为模拟。
控制进化人工智能的研究目标及其意义：1目标：远期目标是要制造智能机器，即探索智能的基本机理，最终制造出和人有相似或相近智力和行为能力的综合智能系统；近期目标是实现机器智能，即研究如何使用现有的计算机具备更高的智能，在一定领域或在一定程度上去完成需要人的复杂脑力劳动才能完成的工作。
2意义：普遍的计算机智能低下，无法满足社会需求；研究AI是当前信息化社会的迫切需求；智能化是自动化发展的必然趋势；研究AI，对人类自身的智能的奥秘也提供有益的帮助。
人工智能的基本内容：1从人工智能的定义出发包括（感知与交流的模拟，记忆，联想，计算，思维的模拟，输出效率或行为模拟2从知识工程的角度出发包括（知识的获取，知识的处理以及知识的运用）人工智能诞生1956年夏，达特莫斯大学的研究会，麦卡锡提议正式采用了“AI”术语。
发展：推理期，知识期，学习期ＡＩ的现状与发展趋势：１多种途径齐头并进，多种方法协作互补２新思想、新技术不断涌现，新领域新方向不断开拓3理论研究更加深入，应用研究愈加广泛4研究队伍日益壮大，社会影响越来越大。
人工智能状态空间搜索策略
7, OPEN中的节点按f值从小到大排序； 8, GO LOOP；
一个A算法的例子
283 164 75
123 84 765
定义评价函数：
f(n) = g(n) + h(n) g(n)为从初始节点到当前节点的代价值 h(n)为当前节点“不在位”的位置数
h计算举例
123 283 81 6 4 4 7 55 76
h(n) =4
283
A(6) 1 6 4
75
283 3
D(5) 1 4
765
2 8 3 s(4)
164 1 75
283 2
1 4 B(4)
765
283
1 6 4 C(6)
75
4
23
1 8 4 E(5)
765
283
1 4 F(6)
7 65
83 214 765
问题求解就是搜索过程 搜索对应的知识表示法：
状态空间表示法、与/或树表示法
（6）对节点n进行扩展，将它的所有后继节点放入OPEN表的末端， 并为这些后继节点设置指向父节点n的指针，然后转步骤（2）
宽度优先搜索
1, G:=G0(G0=s), OPEN:=(s), CLOSED:=( );
5.3 启发式搜索策略
5.3.1 启发信息与估价函数 5.3.2 最佳优先搜索 5.3.3 A*算法
需要重点掌握的问题
用宽度优先搜索和深度优先搜索求解八数 码问题；
用代价树的宽度优先搜索和深度优先搜索 求解推销员旅行问题；
用全局最佳优先搜索八数码问题。
状态空间搜索策略
搜索是人工智能的基本问题，是推理不可 分割的一部分
人工智能期末考试复习提纲(工硕)
人工智能期末考试复习范围第1部分绪论1-1.什么是人工智能？试从学科和能力两方面加以说明.答：从学科方面定义:人工智能是计算机科学中涉及研究、设计和应用智能机器的一个分支。
它的近期目标在于研究用机器来模拟和执行人脑的某些智力功能，并开发相关理论和技术从能力方面定义：人工智能是智能机器所执行的通常与人类智能有关的智能行为，如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动。
1-2.在人工智能的发展过程中,有哪些思想和思潮起了重要作用？答：1）数理逻辑和关于计算本质的新思想,提供了形式推理概念与即将发明的计算机之间的联系；2）1956年第一次人工智能研讨会召开，标志着人工智能学科的诞生;3）控制论思想把神经系统的工作原理与信息理论、控制理论、逻辑以及计算联系起来，影响了许多早期人工智能工作者，并成为他们的指导思想；4）计算机的发明与发展；5）专家系统与知识工程;6）机器学习、计算智能、人工神经网络和行为主义研究,推动人工智能研究的近一步发展。
1-3.为什么能够用机器（计算机）模仿人的智能?答：物理符号系统的假设：任何一个系统，如果它能够表现出智能，那么它就必定能执行输入符号、输出符号、存储符号、复制符号、建立符号结构、条件迁移6种功能。
反之，任何系统如果具有这6种功能，那么它就能够表现出智能(人类所具有的智能）。
物理符号系统的假设伴随有3个推论.推论一:既然人具有智能，那么他(她)就一定是各物理符号系统;推论二：既然计算机是一个物理符号系统,它就一定能够表现出智能;推论三：既然人是一个物理符号系统，计算机也是一个物理符号系统，那么我们就能够用计算机来模拟人的活动.1-4.人工智能的主要研究内容和应用领域是什么？其中，哪些是新的研究热点？答：研究和应用领域：问题求解(下棋程序)，逻辑推理与定理证明（四色定理证明）,自然语言理解,自动程序设计,专家系统，机器学习，神经网络，机器人学（星际探索机器人），模式识别（手写识别，汽车牌照识别，指纹识别）,机器视觉（机器装配，卫星图像处理），智能控制，智能检索，智能调度与指挥（汽车运输高度，列车编组指挥），系统与语言工具。
人工智能期末复习概要
当MB(H,E)>0时，则为P(H/E)> P(H),那么有 MD(H,E)=0
如果P(H/E)= P(H),则MD(H,E)= MD(H,E)=0表 示，E与H无关
第四章 不确定性推理
不确定性的传递问题
– 单条知识
第四章 不确定性推理
可信度方法 组合证据不确定性表示
– 当多个证据以合取得方式构成一个组合证 据的时候，组合证据的可信度为这些单一 证据的可信度最小值；
– 当多个证据以析取得方式构成一个组合证 据的时候，组合证据的可信度为这些单一 证据的可信度最大值；
第四章 不确定性推理
– MB(H,E)：信任增长度 – MD(H,E)：不信任增长度 – MB(H,E)与MD(H,E)是互斥的 – 解释
学习目标
– 了解不确定性推理的含义、思路和讨论的 主要问题。
– 掌握可信度方法、主观Bayes方法和证据 理论不确定性推理方法
第四章 不确定性推理
计算问题
– 不确定性的传递问题 – 证据不确定性的合成问题 – 结论不确定性的合成问题
第四章 不确定性推理
可信度方法 知识不确定性的表示
– 在基于可信度的不确定性推理模型中，知 识是以产生式规则来表示的，而只是的不 确定性则是以可信度CF(H,E)来表示的， 其一般的形式为：
第一章 绪论
课程研究的主要内容
– 知识表示 – 推理方式
确定性推理（主要归结原理） 不确定性推理
– 搜索技术研究
普通图搜索 超图搜索（与或图搜索）
第一章 绪论
需要解决的问题：
– 万能的人工智能的知识体系结构从根本上 就不可能有，最根本的原因是缺乏知识。 人是根据知识行事的，而不是根据抽象原 则上进行推理。
山东大学网络教育-人工智能-期末考试试题答案
⼭东⼤学⽹络教育-⼈⼯智能-期末考试试题答案⼭⼤⽹络教育《⼈⼯智能》1.⾸次提出“⼈⼯智能”是在（D ）年A.1946B.1960C.1916D.19562. ⼈⼯智能应⽤研究的两个最重要最⼴泛领域为：BA.专家系统、⾃动规划B. 专家系统、机器学习C. 机器学习、智能控制D. 机器学习、⾃然语⾔理解3. 下列不是知识表⽰法的是 A 。
A：计算机表⽰法B：“与/或”图表⽰法C：状态空间表⽰法D：产⽣式规则表⽰法4. 下列关于不确定性知识描述错误的是 C 。
A：不确定性知识是不可以精确表⽰的B：专家知识通常属于不确定性知识C：不确定性知识是经过处理过的知识D：不确定性知识的事实与结论的关系不是简单的“是”或“不是”。
⼀、填空题1、在删除策路归结的过程中，删除以下⼦句：含有的⼦句；含有的⼦句；⼦句集中被别的⼦句的⼦句。
正确答案：纯⽂字#永真#类含2、⼀般公认⼈⼯智能学科诞⽣于年。
正确答案：19563、在启发式搜索当中，通常⽤来表⽰启发性信息。
正确答案：启发函数4、⽤谓词、量词（存在量词，全称量词、联接词（⼀蕴涵，个合取，V析取连接⽽成的复杂的符号表达式称为。
正确答案：谓词公式。
⼆、简答与应⽤题5、何谓“图灵测试”？简单描述之，请您设计⼀个图灵测试问题来测试您⾯对的是⼀台机器还是⼀个⼈？正确答案：图灵实验是为了判断⼀台机器是否具有智能的实验，试验由三个封闭的房间组成，分别放置主持⼈、参与⼈和机器。
主持⼈向参与⼈和机器提问，通过提问的结果判断哪是⼈，哪是机器，如果⽆法判断，则这台机器具有智能，即所谓的“智能机器”6、⼀个产⽣式系统是以整数的集合作为综合数据库，新的数据库可通过把其中任意⼀对元素的乘积添加到原数据库的操作来产⽣。
设以某⼀个整数⼦集的出现作为⽬标条件，试说明该产⽣式系统是可交换的。
正确答案：说明⼀个产⽣式系统是可交换的，就是要证明该产⽣式系统满⾜可交换产⽣式系统的三条性质。
（1）该产⽣式系统以整数的集合为综合数据库，其规则是将集合中的两个整数相乘后加⼊到数据库中。
人工智能期末复习
人工智能原理期末考试复习1. 什么是人工智能?发展经历了几个阶段?人工智能指的是能够感知或推断信息，并将其作为知识而拥有，以应用于环境或语境中适合的行为;机器的智能称为人工智能，通常在运用程序、间或适当硬件的计算机系统中得以实现.2. 人工智能研究的内容有哪些?机器学习、知识表示方法、搜索求解策略、进化算法及其应用、确定性及不确定性推理方法、群体智能算法及其应用。
3. 人工智能有哪些研究领域?安全防范、医疗诊断、语音识别、工业制造、计算机游戏、机器翻译。
4. 什么是知识?有哪些特性?有几种分类方法?知识是人们在长期的生活及社会实践中、在科学研究及实验中积累起来的对客观世界的认识与经验。
相对正确性、不确定性、可表示性与可利用性。
分类方法：(1)按知识的作用范围分为∶常识性知识和领域性知识﹔(2)按知识的作用及表示分为∶事实性知识、规则性知识、控制性知识和元知识;(3 )按知识的确定性分为：确定知识和不确定知识;(4) 按人类思维及认识方法分为：逻辑性知识和形象性知识。
5. 什么是知识表示、命题、谓词，一阶谓词逻辑、产生式、框架、语义网络?知识表示就是将人类知识形式化或者模型化；命题是一个非真即假的陈述句；谓词的一般形式： ),...,,(21n x x x P )；n x x x ,...,,21是个体，某个独立存在的事物或者某个抽象的概念， P 是谓词名，用来刻画个体的性质、状态或个体间的关系。
一阶谓词逻辑表示：谓词不但可表示一些简单的事实，而且可以表示带有变量的“知识”，有时称为“事实的函数”。
进而可用谓词演算中的逻辑联接词“与()”、“或(v)"、“非(┐)”和“蕴含(→)”等来组合已有知识，从而表示出更复杂的知识。
产生式通常用于表示事实、规则以及它们的不确定性度量，适合于表示事实性知识和规则性知识。
框架是一种描述所论对象（一个事物、事件或概念）属性的数据结构。
语义网络：从图论的观点看，它其实就是“一个带标识的有向图”，由结点和弧（也称“边”)所组成。
- 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)。
第五章状态空间搜索策略搜索是人工智能的一个基本问题，是推理不可分割的一部分。
搜索是求解问题的一种方法，是根据问题的实际情况，按照一定的策略或规则，从知识库中寻找可利用的知识，从而构造出一条使问题获得解决的推理路线的过程。
搜索包含两层含义：一层含义是要找到从初始事实到问题最终答案的一条推理路线；另一层含义是找到的这条路线是时间和空间复杂度最小的求解路线。
搜索可分为盲目搜索和启发式搜索两种。
1．1 盲目搜索策略1．状态空间图的搜索策略为了利用搜索的方法求解问题，首先必须将被求解的问题用某种形式表示出来。
一般情况下，不同的知识表示对应着不同的求解方法。
状态空间表示法是一种用“状态”和“算符”表示问题的方法。
状态空间可由一个三元组表示(S0，F，Sg)。
利用搜索方法求解问题的基本思想是：首先将问题的初始状态(即状态空间图中的初始节点)当作当前状态，选择一适当的算符作用于当前状态，生成一组后继状态(或称后继节点)，然后检查这组后继状态中有没有目标状态。
如果有，则说明搜索成功，从初始状态到目标状态的一系列算符即是问题的解；若没有，则按照某种控制策略从已生成的状态中再选一个状态作为当前状态，重复上述过程，直到目标状态出现或不再有可供操作的状态及算符时为止。
算法5．1 状态空间图的一般搜索算法①建立一个只含有初始节点S0的搜索图G，把S放入OPEN表中。
②建立CLOSED表，且置为空表。
③判断OPEN表是否为空表，若为空，则问题无解，退出。
④选择OPEN表中的第一个节点，把它从OPEN表移出，并放入CLOSED表中，将此节点记为节点n。
⑤考察节点n是否为目标节点，若是，则问题有解，并成功退出。
问题的解即可从图G中沿着指针从n到S的这条路径得到。
⑥扩展节点n生成一组不是n的祖先的后继节点，并将它们记作集合M，将M中的这些节点作为n的后继节点加入图G中。
⑦对那些未曾在G中出现过的(即未曾在OPEN表上或CLOSED表上出现过的)M中的节点，设置一个指向父节点(即节点n)的指针，并把这些节点加入OPEN表中；对于已在G中出现过的M中的那些节点，确定是否需要修改指向父节点(n节点)的指针；对于那些先前已在G中出现并且已在COLSED表中的M中的节点，确定是否需要修改通向它们后继节点的指针。
⑧按某一任意方式或按某种策略重排OPEN表中节点的顺序。
⑨转第③步。
2．宽度优先搜索策略宽度优先搜索是一种盲目搜索策略。
其基本思想是，从初始节点开始，逐层对节点进行依次扩展，并考察它是否为目标节点，在对下层节点进行扩展(或搜索)之前，必须完成对当前层的所有节点的扩展(或搜索)。
在搜索过程中，未扩展节点表OPEN中的节点排序准则是：先进入的节点排在前面，后进入的节点排在后面(即将扩展得到的后继节点放于OPEN表的末端)。
宽度优先搜索的盲目性较大，搜索效率低，这是它的缺点。
但宽度优先搜索策略是完备的，即只要问题有解，用宽度优先搜索总可以找到它的解。
3．深度优先搜索深度优先搜索也是一种盲目搜索策略，其基本思想是：首先扩展最新产生的(即开始，在其后继节点中选择一个节点，对其进行最深的)节点，即从初始节点S考察，若它不是目标节点，则对该节点进行扩展，并再从它的后继节点中选择一个节点进行考察。
依此类推，一直搜索下去，当到达某个既非目标节点又无法继续扩展的节点时，才选择其兄弟节点进行考察。
深度优先搜索与宽度优先搜索的区别就在于：在对节点n进行扩展时，其后继节点在OPEN表中的存放位置。
宽度优先搜索是将后继节点放入OPEN表的末端，而深度优先搜索则是将后继节点放入OPEN表的前端。
4．有界深度优先搜索对于许多问题，其状态空间搜索树的深度可能为无限深。
为了避免搜索过程沿着无穷的路径搜索下去，往往对一个节点扩展的最大深度进行限制。
任何节点如果达到了深度界限，就把它作为没有后继节点进行处理，即对另一个分支进行搜索。
在有界深度优先搜索算法中，深度界限的选择很重要。
选择过大，可能会影响搜索的效率；选择的过小，有可能求不到解。
有界深度优先搜索策略是不完备的。
5．代价树的宽度优先搜索前面的搜索算法没有考虑搜索的代价问题，即假设状态空间图中各节点之间的有向边的代价是相同的。
在实际问题求解中，往往是将一个状态变换成另一个状态时所付出的操作代价(或费用)是不一样的，即状态空间图中各有向边的代价是不一样的。
把有向边上标有代价的搜索树称为代价搜索树，简称代价树。
代价树宽度优先搜索的基本思想是：每次从OPEN表中选择一个代价最小的节点，移入COLSED表。
因此，每当对一节点扩展之后，就要计算它的所有后继节点的代价，并将它们与OPEN表中已有的待扩展的节点按代价的大小从小到大依次排序。
而从OPEN表选择被扩展节点时即选择排在最前面的节点(代价最小)。
代价树的宽度优先搜索算法是一个完备算法。
6．代价树的深度优先搜索代价树的深度优先搜索和宽度优先搜索的区别是：宽度优先搜索法每次从OPEN表中的全体节点中选择代价最小的节点移入CLOSED表，并对这一节点进行扩展或判断(是否为目标节点)，而深度优先搜索法则是从刚刚扩展的节点之后继节点中选择一个代价最小的节点移入CLOSED表，并进行扩展或判断。
代价树的深度优先搜索算法是不完备的算法，所求得的解不一定是最优解，甚至有可能进入无穷分支路径而搜索不到问题的解。
1．2 启发式搜索策略利用问题自身特性信息，以提高搜索效率的搜索策略，称为启发式搜索或有信息搜索。
1．启发信息与估价函数在搜索过程中，如果在确定要被考察的节点时，能够利用被求解问题的有关特性信息，估计出各节点的重要性，就可选择重要性较高的节点进行扩展，以便提高求解的效率。
通常可以构造一个函数来表示节点的“希望”程度，称这种函数为估价函数。
估价函数f(x)可定义为从初始节点经过节点z到达目标节点的最小代价路径的代价估计值。
它的一般形式为f(x)=g(x)+h(x)其中g(x)为初始节点S到节点z已实际付出的代价；h(x)是从节点x到目标节的最优路径的估计代价，搜索的启发信息主要由h(x)来体现，故把h(x)称点Sg作启发函数。
估价函数是针对具体问题构造的，是与问题特性密切相关的。
不同的问题，其估价函数可能不同。
在构造估价函数时，依赖于问题特性的启发函数h(x)的构造尤为重要。
在构造启发函数时，还要考虑到两个方面因素的影响：一个是搜索工作量，一个是搜索代价。
有些启发信息虽然能够大大减少搜索的工作量，但却不能保证求得最小代价的路径。
而我们感兴趣的是，使问题求解的路径代价与为求此路径所花费的搜索代价的综合指标为最小。
2．最佳优先搜索最佳优先搜索又称为有序搜索或择优搜索，它总是选择最有希望的节点作为下一个要扩展的节点，而这种最有希望的节点是按估价函数f(x)的值来挑选的，一般估价函数的值越小，它的希望程度越大。
最佳优先搜索又分局部最佳优先搜索和全局最佳优先搜索。
(1)局部最佳优先搜索局部最佳优先搜索的思想类似于深度优先搜索法，但由于使用了与问题特性相关的估价函数来确定下一个待扩展的节点，所以它是一种启发式搜索方法。
其思想是：当对某一个节点扩展之后，对它的每一个后继节点计算估价函数f(x)的值，并在这些后继节点的范围内，选择一个f(x)的值最小的节点，作为下一个要考察的节点。
由于它每次只在后继节点的范围内选择下一个要考察的节点，范围比较小，所以称为局部最佳优先搜索或局部择优搜索。
局部最佳优先搜索与深度优先搜索及代价树的深度优先搜索的区别，就在于在选择下一个节点时所用的标准不一样。
局部最佳优先搜索是以估价函数值作为标准；深度优先搜索则是以后继节点的深度作为选择标准，后生成的节点先考察；而代价树深度优先则是以各后继节点到其前驱节点之间的代价作为选择标准。
如果把层深函数d(x)就当作估价函数f(x)，或把代价函数g(x)当作估价函数f(x)，那么就可以把深度优先搜索和代价树深度优先搜索看作局部最佳优先搜索的两个特例。
(2)全局最佳优先搜索全局最佳优先搜索也是一个有信息的启发式搜索，它的思想类似于宽度优先搜索，所不同的是，在确定下一个扩展节点时，以与问题特性密切相关的估价函数f(x)作为标准，不过这种方法是在OPEN表中的全部节点中选择一个估价函数值f(x)最小的节点，作为下一个被考察的节点。
正因为选择的范围是OPEN表中的全部节点，所以它称为全局最佳优先搜索或全局择优搜索。
全局最佳优先搜索实际是对宽度优先搜索和代价树的宽度优先搜索的扩展，而宽度优先搜索和代价树的宽度优先搜索则是它的两个特例(这时可分别令f(x)到节点x 等于d(x)或g(x)，d(x)表示节点x的深度，而g(x)则表示初始节点S的代价)。
在启发式搜索中，估价函数的定义是非常重要的，如果定义得不好，则上述的搜索算法不一定能找到问题的解，即便找到解，也不一定是最优解。
所以，有必要讨论如何对估价函数进行限制或定义。
A*启发式搜索算法就使用了一种特殊定义的估价函数。
A*算法具有下列一些性质：①可采纳性。
所谓可采纳性是指对于可求解的状态空间图(即从状态空间图的初始节点到目标节点有路径存在)来说，如果一个搜索算法能在有限步内终止，并且能找到最优解，则称该算法是可采纳的。
②单调性。
所谓单调性是指在A*算法中，如果对其估价函数中的h(x)部分即启发性函数，加以适当的单调性限制条件，就可以使它对所扩展的一系列节点的估价函数值单调递增(或非递减)，从而减少对OPEN表或CLOSED表的检查和调整，提高搜索效率。
③信息性(又称最优性)。
A*算法的搜索效率主要取决于启发函数h(x)，在满足h(x)≤h*(x)的前提下，h(x)的值越大越好。
h(x)的值越大，表明它携带的与求解问题相关的启发信息越多，搜索过程就会在启发信息指导下朝着目标节点前进，所走的弯路越少，搜索效率就会提高。