轉自：https://blog.csdn.net/urecvbnkuhbh_54245df/article/details/5856756

黑色和紅色是正文...其他顏色我的個人理解

IDA*演算法是A*演算法和迭代加深演算法的結合。//實際上並沒有感覺出來...境界不夠...感覺IDA*就是利用啟發函式給出剪枝條件

迭代加深演算法是在dfs搜尋演算法的基礎上逐步加深搜尋的深度，它避免了廣度優先搜尋佔用搜尋空間太大的缺點，也減少了深度優先搜尋的盲目性。//實際上由於不需要儲存結點，不需要判重複，也不需要根據 H值對結點排序，確實佔用空間小，但是個人感覺還是在盲目的深搜...毫無方向性可言...只不過給出了上界，超出就會剪枝....

而在A*演算法中，我們通過使用合理的估價函式，然後在獲得的子節點中選擇fCost最小的節點進行擴充套件，以此完成搜尋最優解的目的。但是A*演算法中，需要維護關閉列表和開放列表，需要對擴展出來的節點進行檢測，忽略已經進入到關閉列表中的節點（也就是所謂的“已經檢測過的節點”），另外也要檢測是否與待擴充套件的節點重複，如果重複進行相應的更新操作。所以A*演算法主要的代價花在了狀態檢測和選擇代價最小節點的排序上，這個過程中佔用的記憶體是比較大的，一般為了提高效率都是使用hash進行重複狀態檢測。

綜合了A*演算法的人工智慧性和回溯法對空間的消耗較少的優點，在一些規模很大的搜尋問題中會起意想不到的效果。它的具體名稱是 Iterative Deepening A*, 1985年由Korf提出。該演算法的最初目的是為了利用深度搜索的優勢解決廣度A*的空間問題，其代價是會產生重複搜尋。歸納一下，IDA*的基本思路是：首先將初始狀態結點的H值設為閾值maxH，然後進行深度優先搜尋，搜尋過程中忽略所有H值大於maxH的結點；如果沒有找到解，則加大閾值maxH，再重複上述搜尋，直到找到一個解。在保證H值的計算滿足A*演算法的要求下，可以證明找到的這個解一定是最優解。在程式實現上，IDA* 要比 A* 方便，因為不需要儲存結點，不需要判重複，也不需要根據 H值對結點排序，佔用空間小。 

在一般的問題中是這樣使用IDA*演算法的，當前局面的估價函式值+當前的搜尋深度 > 預定義的最大搜索深度時，就進行剪枝。這個估計函式的選取沒有統一的標準，找到合適的該函式並不容易，但是可以大致按照這個原則：在一定範圍內加大各個狀態啟發函式值的差別。

最近看八數碼問題有點小感觸.....

思路基礎：

BFS+hash 

雙向BFS+hash+逆序數對判斷

A* + 逆序數對判斷+曼哈頓距離

IDA*+逆序數對判斷+曼哈頓距離

雖然思想上A*更加漂亮，每一次的探索具有強烈的目的性，但是空間上可能是無法接受的，空間開銷巨大

還是要吐槽IDA* 演算法的思想.....（馬克也許是我對於此演算法的理解不夠過於深刻）雖然空間開銷小，但是思想很爛....完全就是一個剪枝的思想.....因為不能保證在maxH閥值內一定找到最優解（通常下能找到），也就是說剪枝可能會剪掉原來正確的情況.....一旦maxH擴大，其深搜的重複性是災難的.....之前探索的所有過程都要重新~重新進行....並且在其規模上擴大.....要死的節奏