2023年春季《人工智能》
3D茶壶绘制_2021秋季《计算机图形学》_基于《计算机图形学（第四版）》D.H.&M.P.B.&W.R.C.rd142857:我重新看了下代码，`GLUT_KEY_[DIRECTION]`，按一下上下左右键可以改变`[x,y]Rotate`变量，从而实现旋转，不是鼠标拖动，之前忘记了所以回答错了，不好意思
3D茶壶绘制_2021秋季《计算机图形学》_基于《计算机图形学（第四版）》D.H.&M.P.B.&W.R.C.m0_74449691:无法鼠标旋动呢
3D茶壶绘制_2021秋季《计算机图形学》_基于《计算机图形学（第四版）》D.H.&M.P.B.&W.R.C.23333blbl:键盘上下左右键旋转
3D茶壶绘制_2021秋季《计算机图形学》_基于《计算机图形学（第四版）》D.H.&M.P.B.&W.R.C.m0_74254547:鼠标拖动也无法旋转，是长按拖动吗
3D茶壶绘制_2021秋季《计算机图形学》_基于《计算机图形学（第四版）》D.H.&M.P.B.&W.R.C.rd142857:附录就是源码
人工智能搜索策略：A*算法
人工智能搜索策略：A*算法目录人工智能搜索策略：A*算法A算法1.全局择优搜索2.局部择优搜索A*算法1.A*算法的可纳性2.A*算法的最优性3.h(n)的单调限制A*算法应用举例对A*算法的一点思考熟练掌握A*算法的性质A*算法的性质A*算法的最优性h(n)的单调限制A算法在图搜索算法中，如果能在搜索的每一步都利用估价函数f(n)=g(n)+h(n)对Open表中的节点进行排序，则该搜索算法为A算法。由于估价函数中带有问题自身的启发性信息，因此，A算法又称为启发式搜索算法。对启发式搜索算法，又可根据搜索过程中选择扩展节点的范围，将其分为全局择优搜索算法和局部择优搜索算法。
1.全局择优搜索在全局择优搜索中，每当需要扩展节点时，总是从Open表的所有节点中选择一个估价函数值最小的节点进行扩展。其搜索过程可能描述如下：
（1）把初始节点S0放入Open表中，f(S0)=g(S0)+h(S0)；（2）如果Open表为空，则问题无解，失败退出；（3）把Open表的第一个节点取出放入Closed表，并记该节点为n；（4）考察节点n是否为目标节点。若是，则找到了问题的解，成功退出；（5）若节点n不可扩展，则转到第(2)步；（6）扩展节点n，生成子节点ni(i=1,2,……)，计算每一个子节点的估价值f(ni)(i=1,2,……)，并为每一个子节点设置指向父节点的指针，然后将这些子节点放入Open表中；（7）根据各节点的估价函数值，对Open表中的全部节点按从小到大的顺序重新进行排序；（8）转第(2)步。
由于上述算法的第(7)步要对Open表中的全部节点按其估价函数值从小到大重新进行排序，这样在算法第(3)步取出的节点就一定是Open表的所有节点中估价函数值最小的一个节点。因此，它是一种全局择优的搜索方式。对上述算法进一步分析还可以发现：如果取估价函数f(n)=g(n)，则它将退化为代价树的广度优先搜索；如果取估价函数f(n)=d(n)，则它将退化为广度优先搜索。可见，广度优先搜索和代价树的广度优先搜索是全局择优搜索的两个特例。
例1：八数码难题。设问题的初始状态S0和目标状态Sg如图所示，估价函数与请用全局择优搜索解决该题。
解：这个问题的全局择优搜索树如图1所示。在图1中，每个节点旁边的数字是该节点的估价函数值。例如，对节点S2，其估价函数的计算为f(S2)=d(S2)+W(S2)=2+2=4从图1还可以看出，该问题的解为S0→S1→S2→S3→Sg
图1八数码难题的全局择优搜索树
2.局部择优搜索在局部择优搜索中，每当需要扩展节点时，总是从刚生成的子节点中选择一个估价函数值最小的节点进行扩展。其搜索过程可描述如下：
(1)把初始节点S0放入Open表中，f(S0)=g(S0)+h(S0)；(2)如果Open表为空，则问题无解，失败退出；(3)把Open表的第一个节点取出放入Closed表，并记该节点为n；(4)考察节点n是否为目标节点。若是，则找到了问题的解，成功退出；(5)若节点n不可扩展，则转到第(2)步；(6)扩展节点n，生成子节点ni(i=1,2,……)，计算每一个子节点的估价值f(ni)(i=1,2,……)，并按估价值从小到大的顺序依次放入Open表的首部，并为每一个子节点设置指向父节点的指针，然后转第(2)步。
由于这一算法的第六步仅仅是把刚生成的子节点按其估价函数值从小到大放入Open表中，这样在算法第(3)步取出的节点仅是刚生成的子节点中估价函数值最小的一个节点。因此，它是一种局部择优的搜索方式。对这一算法进一步分析也可以发现：如果取估价函数f(n)=g(n)，则它将退化为代价树的深度优先搜索；如果取估价函数f(n)=d(n)，则它将退化为深度优先搜索。可见，深度优先搜索和代价树的深度优先搜索是局部择优搜索的两个特例。
A*算法上一节讨论的启发式搜索算法，都没有对估价函数f(n)做任何限制。实际上，估价函数对搜索过程是十分重要的，如果选择不当，则有可能找不到问题的解，或者找到的不是问题的最优解。为此，需要对估价函数进行某些限制。A*算法就是对估价函数加上一些限制后得到的一种启发式搜索算法。假设f*(n)为从初始节点S0出发，约束经过节点n到达目标节点的最小代价值。估价函数f(n)则是f*(n)的估计值。显然，f*(n)应由以下两部分所组成：
一部分是从初始节点S0到节点n的最小代价，记为g*(n)；另一部分是从节点n到目标节点的最小代价，记为h*(n)，当问题有多个目标节点时，应选取其中代价最小的一个。因此有f*(n)=g*(n)+h*(n)把估价函数f(n)与f*(n)相比
g(n)是对g*(n)的一个估计h(n)是对h*(n)的一个估计。在这两个估计中，尽管g(n)的值容易计算，但它不一定就是从初始节点S0到节点n的真正最小代价，很有可能从初始节点S0到节点n的真正最小代价还没有找到，故有有了g*(n)和h*(n)的定义，如果我们对A算法（全局择优的启发式搜索算法）中的g(n)和h(n)分别提出如下限制：•g(n)是对g*(n)的估计，且g(n)>0；•h(n)是对h*(n)的下界，即对任意节点n均有则称得到的算法为A*算法。
1.A*算法的可纳性一般来说，对任意一个状态空间图，当从初始节点到目标节点有路径存在时，如果搜索算法能在有限步内找到一条从初始节点到目标节点的最佳路径，并在此路径上结束，则称该搜索算法是可纳的。A*算法是可采纳的。下面我们分三步来证明这一结论。
定理1对有限图，如果从初始节点S0到目标节点Sg有路径存在，则算法A*一定成功结束。定理1证明：首先证明算法必定会结束。由于搜索图为有限图，如果算法能找到解，则会成功结束；如果算法找不到解，则必然会由于Open表变空而结束。因此，A*算法必然会结束。然后证明算法一定会成功结束。由于至少存在一条由初始节点到目标节点的路径，设此路径S0=n0，n1，…，nk=Sg算法开始时，节点n0在Open表中，而且路径中任一节点ni离开Open表后，其后继节点ni+1必然进入Open表，这样，在Open表变为空之前，目标节点必然出现在Open表中。因此，算法必定会成功结束。
引理0在最佳路径上的所有节点n的f值都应相等，即f(n)=f*(S0)
引理1对无限图，如果从初始节点S0到目标节点Sg有路径存在，且A*算法不终止的话，则从Open表中选出的节点必将具有任意大的f值。引理1证明：设d*(n)是A生成的从初始节点S0到节点n的最短路径长度，由于搜索图中每条边的代价都是一个正数，令这些正数中最小的一个数是e,则有因为是最佳路径的代价，故有又因为h(n)>=0,故有如果A算法不终止的话，从Open表中选出的节点必将具有任意大的d*(n)值，因此，也将具有任意大的f值。引理2在A*算法终止前的任何时刻，Open表中总存在节点n’，它是从初始节点S0到目标节点的最佳路径上的一个节点，且满足。引理2证明：设从初始节点S0到目标节点t的最佳路径序列为S0=n0，n1，…，nk=Sg算法开始时，节点S0在Open表中，当节点S0离开Open进入Closed表时，节点n1进入Open表。因此，A没有结束以前，在Open表中必存在最佳路径上的节点。设这些节点排在最前面的节点为n’,则有由于n’在最佳路径上，故有从而又由于A算法满足故有因为在最佳路径上的所有节点的f*值都应相等，因此有
定理2对无限图，若从初始节点S0到目标节点t有路径存在，则A*算法必然会结束。证明：（反证法）假设A算法不结束，又引理5.1知Open表中的节点有任意大的f值，这与引理2的结论相矛盾，因此，A算法只能成功结束。
推论1Open表中任一具有的节点n，最终都被A*算法选作为扩展节点。
定理3A算法是可采纳的，即若存在从初始节点S0到目标节点Sg的路径，则A算法必能结束在最佳路径上。证明：证明过程分以下两步进行：先证明A*算法一定能够终止在某个目标节点上。由定理1和定理2可知，无论是对有限图还是无限图，A算法都能够找到某个目标节点而结束。**再证明A算法只能终止在最佳路径上（反证法）。**假设A算法未能终止在最佳路径上，而是终止在某个目标节点t处，则有但由引理2可知，在A算法结束前，必有最佳路径上的一个节点n’在Open表中，且有这时，A算法一定会选择n’来扩展，而不可能选择t，从而也不会去测试目标节点t，这就与假设A算法终止在目标节点t相矛盾。因此，A*算法只能终止在最佳路径上。
在A*算法中，对任何被扩展的任一节点n，都有证明：令n是由A*选作扩展的任一节点，因此n不会是目标节点，且搜索没有结束。由引理2可知，在Open表中有满足的节点n’。若n=n’，则有否则，算法既然选择n扩展，那就必有，所以有
2.A*算法的最优性A算法的搜索效率很大程度上取决于估价函数h(n)。一般说来，在满足**h(n)≤h(n)**的前提下，h(n)的值越大越好。h(n)的值越大，说明它携带的启发性信息越多，A算法搜索时扩展的节点就越少，搜索的效率就越高?A算法的这一特性也称为信息性。下面通过一个定理来描述这一特性。
定理4设有两个A算法A1和A2*，它们有A1*：f1(n)=g1(n)+h1(n)A2*：f2(n)=g2(n)+h2(n)如果A2比A1有更多的启发性信息，即对所有非目标节点均有h2(n)>h1(n)则在搜索过程中，被A2扩展的节点也必然被A1扩展，即A1扩展的节点不会比A2扩展的节点少，亦即A2扩展的节点集是A1扩展的节点集的子集。证明：（用数学归纳法）(1)对深度d(n)=0的节点，即n为初始节点S0，如果n为目标节点，则A1和A2都不扩展n；如果n不是目标节点，则A1和A2都要扩展n。(2)假设对A2搜索树中d(n)=k的任意节点n，结论成立，即A1也扩展了这些节点。(3)证明A2搜索树中d(n)=k+1的任意节点n，也要由A1扩展（用反证法）。假设A2搜索树上有一个满足d(n)=k+1的节点n,A2扩展了该节点，但A1没有扩展它。根据第(2)条的假设，知道A1扩展了节点n的父节点。因此，n必定在A1的Open表中。既然节点n没有被A1扩展，则有f1(n)≥f*(S0)即g1(n)+h1(n)≥f*(S0)但由于d=k时，A2扩展的节点A1也一定扩展，故有g1(n)≤g2(n)因此有-g1(n)≥-g2(n)因此有h1(n)≥f*(S0)-g1(n)≥f*(S0)-g2(n)h1(n)≥f*(S0)-g2(n)另一方面，由于A2扩展了n，因此有f2(n)≤f(S0)即g2(n)+h2(n)≤f*(S0)亦即h2(n)≤f*(S0)-g2(n)f*(S0)-g2(n)≥h2(n)所以有h1(n)≥h2(n)这与我们最初假设的h1(n)h1(n)则在搜索过程中，被A2扩展的节点也必然被A1扩展，即A1扩展的节点不会比A2扩展的节点少，亦即A2扩展的节点集是A1扩展的节点集的子集。
h(n)的单调限制•如果启发函数满足以下两个条件：•（1）h(Sg)=0；•（2）对任意节点ni及其任意子节点nj,都有其中c(ni,nj)是节点ni到其子节点nj的边代价，则称h(n)满足单调限制•如果h满足单调条件，则当A*算法扩展节点n时，该节点就找到了通往它的最佳路径，即
人工智能基础
前往我的主页以获得更好的阅读体验人工智能基础-路径规划-DearXuan的主页https://blog.dearxuan.com/2021/10/15/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%9F%BA%E7%A1%80-%E8%B7%AF%E5%BE%84%E8%A7%84%E5%88%92/
图的遍历深度优先遍历DFS遍历一个节点，需要访问它自己，再遍历左子树和右子树，根据遍历顺序分为以下三种遍历
前序遍历:先访问当前节点，再遍历左右子树中序遍历:先遍历左子树，再访问自己，最后遍历右子树后序遍历:先遍历左右子树，最后访问自己#includestruct_Node{intnum;_Node*lChild;_Node*rChild;};void前序遍历(_Node*node){if(node==nullptr)return;printf("num=%d ",node->num);//访问自己前序遍历(node->lChild);前序遍历(node->rChild);}void中序遍历(_Node*node){if(node==nullptr)return;中序遍历(node->lChild);printf("num=%d ",node->num);//访问自己中序遍历(node->rChild);}void后序遍历(_Node*node){if(node==nullptr)return;后序遍历(node->lChild);后序遍历(node->rChild);printf("num=%d ",node->num);//访问自己}例如下面的二叉树
它的遍历顺序分别为
前序遍历:A-B-D-E-C-F中序遍历:D-B-E-A-C-F后序遍历:D-E-B-F-C-A广度优先遍历BFS广度优先遍历是指先遍历顶点V的所有子节点V1,V2……Vn，然后再分别遍历V1,V2……Vn的子节点。即每次先遍历完第n层的节点，再遍历n+1层的节点
上图的广度优先遍历顺序为:A-B-C-D-E-F
#include#includeusingnamespacestd;struct_Node{intnum;_Node*lChild;_Node*rChild;};voidBFS(_Node*node);intmain(){_Node*nodes[6];//初始化节点for(inti=0;inum=i;nodes[i]->lChild=nodes[i]->rChild=NULL;}nodes[0]->lChild=nodes[1];nodes[0]->rChild=nodes[2];nodes[1]->lChild=nodes[3];nodes[1]->rChild=nodes[4];nodes[2]->rChild=nodes[5];//广度优先遍历BFS(nodes[0]);return0;}voidBFS(_Node*node){if(node==NULL)return;_Node*head;queueq;q.push(node);while(!q.empty()){//弹出表头节点head=q.front();q.pop();//访问当前节点printf("Search:%d ",head->num);//插入下一层的节点if(head->lChild!=NULL)q.push(head->lChild);if(head->rChild!=NULL)q.push(head->rChild);}}复杂度与效率在查找路径时，BFS能够快速找到最短路径，但是它的空间复杂度更高，而DFS也可以找到一条路径，但是不保证它就是最短路径。如果一定要查找最短路径，那么它就需要遍历所有节点。
Dijikstra算法设图G的邻接矩阵M，M(i.j)表示i到j的距离，用一个大整数来表示i和j不连通
用二维数组map来表示矩阵M，称map[0][0]为原点
#defineG10000intmap[5][5]={{0,G,3,G,1},{G,0,1,G,3},{3,1,0,2,G},{G,G,2,0,3},{1,3,G,3,0}};其中map[i][j]表示i到j的路程距离，G表示i和j不相邻。G可以使用一个大整数来表示，也可以使用-1来表示，但是这样就需要额外写一个判断语句
用d[i]数组来表示原点到i点的最短路程，并使用map[0]来初始化。此时原点到各点的最短路程就是它和相邻的点之间的距离
在每次循环中，先搜索d数组中最小的元素，并将其标记，下次搜索就会跳过这个元素。记搜到的最小值为min，下标为index，循环判断d[index]和map[index][k]的大小，如果存在d[index]+map[index][k]