人工智能中与最佳优先搜索相关的问题有哪些？

我知道一般问题包括局部最大值和高原，但是我很好奇是否还有与此特定搜索相关的更多问题，以及为了克服这些问题我的最佳行动方案是什么。

有人还可以给我一个例子，说明该搜索适合用于哪种类型的问题吗？

最佳优先搜索的问题：

1. 它很贪婪。在许多情况下，它会带来非常快速的解决方案 （因为你开发的节点数没有增加 呈指数增长，随着深度的增加而线性增加 解决方案！），但是它通常没有优化，因为你的 启发式函数有一定的误差，有时会出错 回答要探索的下一个节点。

2. 无限分支还存在一个问题。假设你是 跟随深度节点的分支i具有启发价值h(v_i) = 2^-i。你永远不会达到零，但首先贪婪是最好的 将继续开发这些节点。
   Example:

                           2
                          / \  
                         /   \
                        /     \
                       1      1.5
                       |       |
                      1/2      1
                       |       |
                      1/4      0
                       |
                      1/8
                       |
                      1/16
                       |
                      ... 
   

注意上面的是允许的启发函数 http://en.wikipedia.org/wiki/Admissible_heuristic，但尽管如此，最好的首次搜索永远不会得到解决方案，它会陷入无限分支。

解决方案：

1. 为了克服它，我们可以使用统一算法（例如 Dijkstra 算法） 算法或未加权图的 BFS）
2. 您可以结合使用“最佳优先搜索”和 Dijkstra， 被称为A*算法 http://en.wikipedia.org/wiki/A*_search_algorithm.
   A*算法实际上是一种贪婪最佳优先算法，只不过不是根据选择h(v)，您选择了接下来要探索的节点f(v) = h(v) + g(v) (where g(v)是“到目前为止的成本”。如果给定一个解，则该算法是完整的（如果存在，则找到一个解决方案）并且是最优的（找到“最佳”解决方案）允许的启发函数 http://en.wikipedia.org/wiki/Admissible_heuristic.

何时使用最佳优先搜索：

1. 如果你有一个完美的启发式（表示为h*在文献中），最好的首次搜索将找到最佳解决方案 - 而且速度很快。
2. 如果您不关心最佳解决方案，您只想快速找到一个解决方案 - 它通常可以解决问题（但您必须小心无限分支问题）。
3. 当我们使用 A* 时，我们实际上使用的是最佳优先搜索 - 但在f:V->R而不是在h:V->R.