VC中利用人工智能解决八迷宫问题

前言

　　随着计算机技术的发展，人工智能（Artificial intelligence，下文简称"AI"）已经成为世界各国一个热门的研究方向。对于这一领域的内容，国内起步较晚，目前虽然网络上各种编程文章很多，但是关于如何编程解决人工智能问题的文章和资料少之又少。近日，笔者有幸在国外网站上发现了这一篇精彩文章，该文通过VC实例来说明如何解决及实现人工智能问题，例子程序虽然相对来说比较简单，但有一定的代表性，对有兴趣研究这一领域的朋友们有借鉴意义。

　　一、"八迷宫"游戏简介

　　在大学进行AI模块开发的时候，我就开始着手写这篇文章，目的是介绍我所了解到的一些让人感兴趣的问题。对于什么是人工智能，我想没有任何人愿意花费大量时间进行争论。

　　当你读到这里的时候，推荐你下源代码，因为粘贴和拷贝的代码与源代码的作用相比是远远不及的。在本文中，我将使用一个单人游戏"八迷宫"作为一个例子，这个游戏的规则如下：

　　有一个3X3的网格，包含1到8这几个数（因此，有一个格子是空的），最初这8个数的排列是随机的，例如，下面的排列是一种可能情况：

6	1	7
3	4
5	8	2

　　游戏玩家可以向东、南、西、北等方向移动这个空格，移动空格时，空格所占位置的数字将填补到原来空格的位置。例如，对于上图来说，如果向北移动空格，游戏的状态将如下图所示：

6	1
3	4	7
5	8	2

　　当游戏状态实现如下所示的状态时，游戏结束。

1	2	3
8	4
7	6	5

　　二、解决"八迷宫"问题的方法

　　解决上述问题的方法主要有以下几种：

　　1、Breadth First Search（按照"横向"原则搜索）.

　　2、Depth First Search（按照"深度"原则搜索）.

　　3、Heuristic Search（启发式搜索）.

　　4、A* search.

　　实现这些方法的代码非常相似，但是它们工作的方式是截然不同的。所有的上述方法都要使用一个链表，而且最初的链表都只有一个成员，它对应着游戏网格的最初状态。这个成员向它所有可能的子状态进行膨胀（每种移动所产生的结果都被考虑了进去），然后所有这些子状态都被添加到链表中。这种处理将在一个循环中进行持续处理，直到实现目标状态，也就是说直到游戏结束为止。

　　实现"八迷宫"单人游戏的伪代码如下：

Do 　Current_Item = Remove_Item_From_List 　Child_State_Array = Expand (Current_State) 　Add_to_List(Child_State_Array) 　If child_State_Array Holds the solution then IsGameOver = true Loop while (IsGameOver = false)

　　这个结构的代码可以在上述所有的人工智能方法中看到，各种方法的区别仅仅在于它们是如何在链表中进行排序。

　　1、在 breadth first search方法中，各个成员都是按照某一固定的方向被添加到链表中，删除时按相反方向进行。

　　2、在 depth first search方法中，各个成员的添加和删除都是在链表的同一个方向进行。

　　3、在heuristic search方法中，各个成员可以在链表的任意方向进行添加，然而，在从链表中删除一个成员时，每一个成员被"heuristic"函数进行打分（对于状态来说，分数越高越接近于最终状态），得分最高的项目将被从链表中删除。

　　4、A*方法使用两个heuristic函数，并将最终的两个得分加在一起。使用两个heuristics函数极大地提高了程序发现下步最佳状态的能力，但是却降低了程序的运行速度。

　　其实，三、四方法是第二种方法的延伸和变种，区别仅在于启发式搜索的方式不同罢了，这一点读者朋友们可以在后面的代码中细细体味。实际上"八迷宫"这种游戏的heuristic函数的可以是这么一个函数，它计算拥有正确位置的网格个数，或是100-状态深度。

　　使用启发式的搜索有利有弊，在这个例子中，使用启发式可能使程序的主循环降低10倍速度，然而，它降低了循环的次数，可能从6百万次降低到了4000次，这节省了内存的负荷，以及例子程序的运行时间。（这提醒了我，我使用的最初的状态使用了25步解决了问题），这看起来不是很多，但如果没有启发式搜索，搜索将1秒钟处理300兆的内存，除非你使用功能强大的处理机器，（我使用的是1.3G，256兆的机器），否则你可能需要减少结束游戏所需要的移动次数，要低于10。