Download - Der A*-Algorithmus
Der A*-Algorithmus
Gliederung1.Uniformierte Suche2.Heuristische Suche
a) Kostenfunktion b) Heuristische Funktion c) Schätzfunktion
2.1.A*-Algorithmus
4.Beispiel5.Bemerkungen6.Verbesserungen7.Zusammenfassung
Uniformierte Suche
Breitensuche
Vorteil : Findet Lösung mit minimaler Weglänge
Nachteil: Suchbaum wächst exponentiell mit der Suchtiefe
Tiefensuche
Vorteil : Speicherplatzbedarf ist linear
Nachteil: Findet kürzesten Weg eher zufällig (blinde Suche)
Heuristische Suche
Die Kostenfunktion g :
- ordnet jedem Knoten ein Gewicht g(k) 0 zu
- heißt streng monoton, wenn g(k1) < g(k2) für alle Knoten k1, k2 gilt
- gibt Aufschluss über die Höhe des Suchaufwand vom Startknoten bis zum jeweiligen Knoten des Suchbaumes
Die heuristische Funktion h
- ordnet jedem Knoten k im Suchraum eine nicht negative Zahl h(k) zu
- 0 ≤ h(k) ≤ h*(k)
- h(k) überschätzt nie die Kosten
- Es gilt h(e) = 0 (Zielknoten)
- Schätzfunktion sollte eine möglichst hohe untere Schranke sein
Schätzungen
City-Block- bzw. Manhattan-Abstand:
Euklidischer Abstand:
Schätzfunktion f
Der A* - Algorithmus vereint die Kostenfunktion g und
die heuristische Funktion h.
f(k) = g(k) + h(k)
wobei g eine streng monotone Kostenfunktion und h eine
zulässige heuristische Funktion ist.
Eigenschaften
- korrekt, d.h. das Suchergebnis, das die A* -Suche liefert, ist eine Lösung des Suchproblems.
- vollständig, d.h. wenn es eine Lösung des Suchproblems existiert, so wird diese auch gefunden.
- optimal, d.h. dass die Lösung des Suchproblems der kürzeste Pfad zum Zielknoten ist.
- optimal effizient, d.h. jeder andere optimale und vollständige Algorithmus, der die selbe Heuristik verwendet, muss mindestens so viele Knoten betrachten wie A*, um eine Lösung zu finden.
Algorithmus
1- Erzeuge eine Menge OPEN und vereine sie mit dem Startknoten
2- Erzeuge eine leere Menge CLOSED
3- Berechne für jeden Knoten aus der Menge OPEN den Schätzwert f(k)
4- Wähle denjenigen Knoten aus der Menge OPEN mit dem kleinsten Schätzwert
5- Weiter mit 3)
6- Ist die OPEN Menge leer, so ist das Problem unlösbar
Soll außer der Länge des kürzesten Pfades auch
der Pfad selbst gefunden werden, so kommt ein
weiterer Schritt hinzu :
7- Es wird die Funktion Gib_kürzesten_Pfad_aus aufgerufen
Beispiel
Augsburg: 43 kmErfurt: 342 kmFrankfurt: 353 kmKarlsruhe: 260 kmKassel: 446 kmMannheim: 311 kmMünchen: 0 kmNürnberg: 151 kmStuttgart: 199 kmWürzburg: 229 km
1.Frankfurt wurde erkundet, als nächstes wird Mannheim untersucht.
2.Mannheim wurde erkundet, als nächstes wird Karlsruhe untersucht.
3.Karlsruhe wurde erkundet, als nächstes wird Würzburg untersucht.
4. Würzburg wurde erkundet, stellte sich aber als eine schlechte Wahl dar, und es wird wieder der ursprüngliche Pfad durch Augsburg verfolgt.
5. Augsburg wurde erkundet und es wurde ein Weg nach München gefunden der jedoch eventuell länger als nötig ist.
6.Nürnberg wurde erkundet, und es wurde ein kürzester Pfad nach München gefunden.
Bemerkungen
Der Algorithmus funktioniert nur wenn folgende
Bedingungen erfüllt sind:
- Jeder Knoten hat nur endlich viele Nachfolger
- Die Heuristikfunktion h überschätzt für keinen Zustand z die Kosten einer Operationenfolge
- keine negativen Gewichte der Knoten
Verbesserungen
Eine Möglichkeiten den Algorithmus zu verbessern ist zum Beispiel das
Benutzen einer Heuristik h1 mit h(k) h1(k)
Zusammenfassung
Quellen
http://www.geosimulation.de/umsetzungen/Beschreibungen/Routenoptinierung_A_Stern_Algorithmus.htm
http://a-stern-algorithmus.lexikona.de/art/A-Stern-Algorithmus.html
http://de.wikipedia.org/wiki/A-Stern-Algorithmus
http://wiki.delphigl.com/index.php/A-Stern
http://www2.informatik.uni-erlangen.de/Lehre/WS200506/GameAlgHS/download/Baur-AStar.pdf?language=de
http://fuzzy.cs.uni-magdeburg.de/studium/ise/txt/ise05k09.pdf