CS 188 Breadth First Search BFS(广度优先搜索算法)

Posted 2021-04-14 从零起步学习人工智能

    本文要实现 Breadth First Search BFS(广度优先搜索算法) ,首先搜索搜索树中最浅的节点,广度搜索算法搜索到达目标。

    Queue是一个先进先出（FIFO）队列策略的容器，Queue是一个类，使用列表List初始化,入站在列表List中头部插入一个元素，出栈使用pop实现，将仍在队列中的最早进入队列的项目出列，这个操作从队列中删除该项。从列表的长度为0判断栈是否为空。   

class Queue: "A container with a first-in-first-out (FIFO) queuing policy." def __init__(self): self.list = []
 def push(self,item): "Enqueue the 'item' into the queue" self.list.insert(0,item)
 def pop(self): """ Dequeue the earliest enqueued item still in the queue. This operation removes the item from the queue. """ return self.list.pop()
 def isEmpty(self): "Returns true if the queue is empty" return len(self.list) == 0

 

广度优先算法BFS代码：

# search.py# ---------# Licensing Information: You are free to use or extend these projects for# educational purposes provided that (1) you do not distribute or publish# solutions, (2) you retain this notice, and (3) you provide clear# attribution to UC Berkeley, including a link to http://ai.berkeley.edu.# # Attribution Information: The Pacman AI projects were developed at UC Berkeley.# The core projects and autograders were primarily created by John DeNero# ([e-mail]) and Dan Klein ([e-mail]).# Student side autograding was added by Brad Miller, Nick Hay, and# Pieter Abbeel ([e-mail]).

def breadthFirstSearch(problem): """Search the shallowest nodes in the search tree first.""" "*** YOUR CODE HERE ***" #util.raiseNotDefined() path =Path([problem.getStartState()],[],0) if problem.isGoalState(problem.getStartState()): return path.directions #新建一个队列,起始状态入队列 queue =util.Queue()  queue.push(path) #取得初始状态列表 visited =[problem.getStartState()]  while not queue.isEmpty(): #如队列不为空，取最先进入队列的元素（List的最后一个元素），获取当前路径 currentPath = queue.pop() currentLocation = currentPath.locations[-1] #如果当前位置已经是终点的位置，则返回当前路径的方向列表，用于移动pac man。 if problem.isGoalState(currentLocation): return currentPath.directions else: #在搜索问题中取得当前位置后继的下一个状态.getSuccessors中for循环遍历北、南、东、西四个方向， #directionToVector取得方向到坐标偏移向量的转换值，在当前坐标上加上位移的坐标偏移量值， #如果下一步坐标移动的点不是围墙，则在后续状态列表中加入三元组( nextState, action, cost) nextSteps = problem.getSuccessors(currentLocation) for nextStep in nextSteps: #遍历下一步的状态，依次获得位置、方向、成本信息 nextLocation =nextStep[0] nextDirection = nextStep[1] nextCost = nextStep[2] # 不在当前路径里面而且下一个位置还没被访问（多条路径交叉点） if (nextLocation not in currentPath.locations) and (nextLocation not in visited): if not problem.isGoalState(nextLocation): visited.append(nextLocation) print("访问的位置：", visited) #获取当前路径列表集 nextLocations =currentPath.locations[:] #将新的位置加入到当前路径的列表里面 nextLocations.append(nextLocation) print("当前位置：",currentLocation) print("当前位置下一步可能的移动位置：",nextLocation) print("加到当前位置列表集：",nextLocations) print() print() #print(currentLocation,nextLocation,nextLocations) #获取当前的方向集 nextDirections = currentPath.directions[:] #将新的方向加入到当前方向集的列表里面 nextDirections.append(nextDirection) nextCosts = currentPath.cost +nextCost nextPath =Path(nextLocations,nextDirections,nextCosts) #下一步的状态，入队列 queue.push(nextPath) 
 #队列为空，仍未到达终点，返回空集 return []

    案例使用tinyMaze布局，从搜索问题problem的walls属性信息中可以获取迷宫墙的数字信息，如下图所示，要从（5，5）点到达（1，1）点，和深度优先算法不同，深度优先算法采样堆栈沿着一条路径深入遍历，然后遍历另一条路径；广度优先算法采用队列先进先出，层层遍历两条路径：

     pac man移动北、南、东、西移动与x，y的坐标变换关系：

广度优先搜索算法的遍历如下：

[SearchAgent] using function breadthFirstSearch[SearchAgent] using problem type PositionSearchProblem访问的位置： [(5, 5), (5, 4)]当前位置： (5, 5)当前位置下一步可能的移动位置： (5, 4)加到当前位置列表集： [(5, 5), (5, 4)]

访问的位置： [(5, 5), (5, 4), (4, 5)]当前位置： (5, 5)当前位置下一步可能的移动位置： (4, 5)加到当前位置列表集： [(5, 5), (4, 5)]

访问的位置： [(5, 5), (5, 4), (4, 5), (5, 3)]当前位置： (5, 4)当前位置下一步可能的移动位置： (5, 3)加到当前位置列表集： [(5, 5), (5, 4), (5, 3)]

访问的位置： [(5, 5), (5, 4), (4, 5), (5, 3), (3, 5)]当前位置： (4, 5)当前位置下一步可能的移动位置： (3, 5)加到当前位置列表集： [(5, 5), (4, 5), (3, 5)]

访问的位置： [(5, 5), (5, 4), (4, 5), (5, 3), (3, 5), (4, 3)]当前位置： (5, 3)当前位置下一步可能的移动位置： (4, 3)加到当前位置列表集： [(5, 5), (5, 4), (5, 3), (4, 3)]

访问的位置： [(5, 5), (5, 4), (4, 5), (5, 3), (3, 5), (4, 3), (2, 5)]当前位置： (3, 5)当前位置下一步可能的移动位置： (2, 5)加到当前位置列表集： [(5, 5), (4, 5), (3, 5), (2, 5)]

访问的位置： [(5, 5), (5, 4), (4, 5), (5, 3), (3, 5), (4, 3), (2, 5), (4, 2)]当前位置： (4, 3)当前位置下一步可能的移动位置： (4, 2)加到当前位置列表集： [(5, 5), (5, 4), (5, 3), (4, 3), (4, 2)]

访问的位置： [(5, 5), (5, 4), (4, 5), (5, 3), (3, 5), (4, 3), (2, 5), (4, 2), (1, 5)]当前位置： (2, 5)当前位置下一步可能的移动位置： (1, 5)加到当前位置列表集： [(5, 5), (4, 5), (3, 5), (2, 5), (1, 5)]

访问的位置： [(5, 5), (5, 4), (4, 5), (5, 3), (3, 5), (4, 3), (2, 5), (4, 2), (1, 5), (3, 2)]当前位置： (4, 2)当前位置下一步可能的移动位置： (3, 2)加到当前位置列表集： [(5, 5), (5, 4), (5, 3), (4, 3), (4, 2), (3, 2)]

访问的位置： [(5, 5), (5, 4), (4, 5), (5, 3), (3, 5), (4, 3), (2, 5), (4, 2), (1, 5), (3, 2), (1, 4)]当前位置： (1, 5)当前位置下一步可能的移动位置： (1, 4)加到当前位置列表集： [(5, 5), (4, 5), (3, 5), (2, 5), (1, 5), (1, 4)]

访问的位置： [(5, 5), (5, 4), (4, 5), (5, 3), (3, 5), (4, 3), (2, 5), (4, 2), (1, 5), (3, 2), (1, 4), (2, 2)]当前位置： (3, 2)当前位置下一步可能的移动位置： (2, 2)加到当前位置列表集： [(5, 5), (5, 4), (5, 3), (4, 3), (4, 2), (3, 2), (2, 2)]

访问的位置： [(5, 5), (5, 4), (4, 5), (5, 3), (3, 5), (4, 3), (2, 5), (4, 2), (1, 5), (3, 2), (1, 4), (2, 2), (1, 3)]当前位置： (1, 4)当前位置下一步可能的移动位置： (1, 3)加到当前位置列表集： [(5, 5), (4, 5), (3, 5), (2, 5), (1, 5), (1, 4), (1, 3)]

访问的位置： [(5, 5), (5, 4), (4, 5), (5, 3), (3, 5), (4, 3), (2, 5), (4, 2), (1, 5), (3, 2), (1, 4), (2, 2), (1, 3), (2, 3)]当前位置： (2, 2)当前位置下一步可能的移动位置： (2, 3)加到当前位置列表集： [(5, 5), (5, 4), (5, 3), (4, 3), (4, 2), (3, 2), (2, 2), (2, 3)]

访问的位置： [(5, 5), (5, 4), (4, 5), (5, 3), (3, 5), (4, 3), (2, 5), (4, 2), (1, 5), (3, 2), (1, 4), (2, 2), (1, 3), (2, 3), (2, 1)]当前位置： (2, 2)当前位置下一步可能的移动位置： (2, 1)加到当前位置列表集： [(5, 5), (5, 4), (5, 3), (4, 3), (4, 2), (3, 2), (2, 2), (2, 1)]
......