您所做的任何事情都从搜索开始！ 人工智能可以解决这些日常问题。 让我们了解BFS，DFS等…

> Photo by Jack Sloop on Unsplash

纵观历史，人类一直在寻找东西。 搜索使我们成为今天的我们。 在远古时代，i H $觅食者常常寻找生活必需品。 他们创建了一些工具来简化搜索过程。 人脑也在这个过程中进化。 现在，它可以创建该地区的思维导图，而觅食者可以将区V [ 4域映射到他们自己的头脑中，并可以更有效地进行搜索。 即使在现代，我们基本上也使用以前使用的相同策略。 但是现在，我们有了更先进的工具，我们的思想也有了更多发展。 我们使用地r S ; O d m * 6图来寻找方法，例如Google Maps之类的工具就是我们如何发展自己以更高效地进行搜索- E M g m l v的最佳示例。

我们在搜索中取u f { X d b a (得的最重大进步是由于技术的变化。 在计算机科学中，9 z H N d n P E我们将此术语称为算法。 随着大脑能力的增强，我们创建了更复杂，更高效的算法。 我们开发了这些解决方案来解决更复杂的问题。 算法可以使我们的生活更简单，并使N 8 q j X我们更高效。 从u U + V k N日常任务到创建世界一流的人工智能，搜索算法都是所有人类工~ n x作的基础。 在此博客中，我们将看到两种最基本的搜索算法，它们将为我们对更复杂算法的理解奠定基础。

不要 V y r b V让这种解释变得平淡无奇。 我们将以真实生活（LoL）为例来了解搜索本身的发展。 好的（？）

因此g X I A F X p A，显然我有一个女友丽莎（至少在我的想象中）J l * G : .。 她对所有w p G g Y使用的东西都很聪明，而且非常挑剔。 前几天，她在某处丢了口红。 这是她最喜欢的阴影。 就像我说的她非常挑剔一样，她不会适应其他阴影或任何其他品牌。 但是问题在于口红非常k A i _稀有，而且吓坏了。 现在，她计划购买新的。 我们附近的商店非常宽敞； 如H D 0 Y H果他们没有的话，他们会引导她去其他商店。 她可以通过几种方法开始搜索，让我们一一理解它们。

广度优先搜索（BFS）

> fig 1. Step 1 in BFS

丽莎是一个有组织的女孩。 另外，知道她家附近的一些美容店。 她在纸上列出了他们的名字。 假设有一些商店A，商店B和商店z K m J ^ S ` zC。她将在列表中输入商店的名称，并从上至下从A商店开始依次访问A。！，A商店 没有那种阴影，但他们建议她在其他商店购买。 她将这些名字列为Shop D和ShopE。她将紧随其后。 下一站，商店B。他们又没有了，但他们建议她去其他商店。 她也列出了它们，分别在F商店和G商店。接着，在C商店。现在她去了C商店。他们也没有，但是他们不能向她推荐任何商店。 最后，Lisa的清单如下所示。

> fig 2. Step 2 in BFS

下一步，她将参8 n {观商店A所有者建议的商店D。 如果他% J v L们没有，他们也会建议她去其他商店。 她将这些商店添加到列表中，并继续按顺序逐( + W 6 m个访问商店，直到找到那该死的口红。 她成功了。 她在商店G的m k U W * Y `老板建议的一家商店中找到了它。 那就是J店。让我们画一张她去过的所有这些商店的地Z K T s V图。 两个商店之间的连接表示N z ! w L E 该特定商店是另一商店建议的。 用i _ = 2正式术语来说，我们将此地图称为\"图形\"，在这种情况下，称为\"树\"。

> fig 3. BFS M[ / 3 ^ F zAP (The digits on the lines represents the sZ j |equence inw . t ~ 6 which she visited those shops.)

这不是一件容易的事，但她得到了她最喜欢的口红。 您可以观z } 4 Q y ( C w r察到，Lisa按顺e V X w V q } C #序依次去了同一位店主建议的商店。 我们将这种方法称为广度优先搜索（BFS）算法，因为我们首先搜索先前已知的所有可用选项，并添加新选项以供日后使用。 但是这种方法的问题在于它会产生冗余。 观察商店K的情况，可以同时从商店F和商店G到达商店。而且她两次拜访商店的时间（请考虑自己是哑巴）。 BFS具有此规则以访问方式访问所有节点。 是否已经访问过它们都没关系。

深度优先搜索（DFS）

在我们以前的方法中，丽莎不得不走近10家商店才能获h : j s ? j r得口红。 让我们看看是否可以使Lisa的搜索更加高效。 让我们尝试另一种方法。这次，Lisa将以不同于以往的方式列出建议的商店。 这次，当她从某个商店获得建议时，会将其添加到列表的顶部。 最初的清单将有3家商店，与BFS相同。 参观商店A后，她y ~ A Y X U r的清` / ^ l单如下所示。

> fig 4. step 1 in DFS

她将标记已经去过的商店。 她将遵循相同的自上而下的方法。 因此，她的下一站将是D商店。她将在顶部r 2 ( 1 =添加D商店和E商店。 商店D的老板告诉她去我的商店。她去了那里，但找不到唇膏，而我的老板的商店没有告诉她任何其他商店。 丽莎参观了E店上方的所有商店。现在她的清单看起来像这样。

> fig 5e t ) *. Step 2 in DFS

回到商店A的建议的过程正式称为回溯。 商店E的所有者会告诉她去商店J（在列表顶部添加）和宾果游戏！ 她找到了她最喜欢的口红。

让我们再次放置该图。

> fig 6. DFS MAP (The digits on the lines represents the sequence in which she visited those shops.)

丽莎走进了搜索树的深处，而不是去同一层的商店。 我们称这种方法为深度优先搜索算法。 从图中可以看出，Lisa只需要拜访5家商店，比我们的Bn ~ i KFS方法要少得多。 因此，可以说我们的DFS方法比BFS更好。 另外，如果她本来要通过商店F访问商店K，那么她就不会通过商店G访问它。因为她已经标记了它。 因此，通过这种方法，她在那里不会多次访问同一家商店。

Stack和Queue

让我们9 $ 2 F o A关注丽莎的清单。 仅通过更改输入新条目的方式，她就大大改善了搜索范围。 我们将此列表称为数据结构。 数据结构是一种将数据存储在计算机内存中某处的方法。 就丽莎而言，她将其存储在纸上。 但是，对于BFS和DFS，H Z $ _这种数据存储方式是不同的。

在BFS中，她在列表的末尾添加了新元素，并以自上而下的方式遵循了列表。 在之前的列表（即先进先出（FIFO））之后，将访问在她的列表中新添加的商店。 我们称这种数据结构为队列。 它的工作原理与我们在机场进行的排队相同。 第一位客户首先获得服务。 在队列中K k S o - r 6 &，从后面添加了新元素，而从前) =面删除了旧元素，这正是Lisa在BFS中所做的。

在DFS中，Lisa在列表顶部添加了新元素。 她没有更改自上而下的顺序。 在这种方法中，较新的元素要先访问较旧的元素，即后进先出（LIFO）。 我们将此数据结构称为堆栈。 在堆栈中，从l q ? D o b . }一端开始添加元素，然后从同; : / v ? E u一端删除元素，就丽莎而言，这是她列表的顶部，在那里她添加了新商店并顺序访问了这些商店。

结论

由于两个原因，DFS比BFS是更好的算法。

它不会在数据结构中创建冗余，因此不会访问已经访问过的同一节K $ # f @点。

它在计算上比BFS更轻松，更高效。

虽然，这两种算法都存在一些问题。 如果我们有一个包含数千个Z W h节点（商店）的较= X K } X # f大地图，则这些算法无法高效地找到目标节点。 看一下DFS映射，如果我们将车间L作为目标节点，则DFS的性能不会比BFS好得多。 尽管BFS存在搜索所有节点的问题，但DFS可能会浪费时间在错误的方向上进6 . ? % M行搜索。

为了解决这些问题，我们有更好的算法，例如AI系统中实际使用的启发式算法。 但这是另一天的博客。

(本文翻译自Arshad Kazi的文章《Search AlgP l { 2 & C f , iorithms In Artificial Intelligence》，参考：https://towarl ? b = ~ g Z T 2dsdatascience.com/search-algorithms-in-artificial-intelligQ 3 h k - * 7ence-5332fc560c7g 2 94)