如何用Python实现八数码问题
八数码问题
1. 题目介绍
八数码问题描述为:在 3×3 组成的九宫格棋盘上,摆有 8 张牌,每张牌都刻有 1-8 中的某一个数码。棋盘中留有一个空格,允许其周围的某张牌向空格移动,这样通过移动牌就可以不断改变棋盘布局。这种游戏求解的问题是:给定一种初始的棋盘布局或结构(初始状态)和一个目标的布局(称目标状态),问如何移动牌,实现从初始状态到目标状态的转变。
例如如下的棋盘要求将初始状态移动到目标状态:
传统的解题方法包含深度优先搜索和广度优先搜索。但这会带来一个问题,即搜索是盲目的,没有根据当前棋盘的布局来动态地调整下一步搜索的策略。为此我们定义了启发式搜索算法(A* 算法),它会提取出当前棋盘的一些特征,来最优地选择下一次要搜索的方向。
对于八数码问题,其启发式方法为当前棋盘与目标棋盘的差异度,而差异度又可以通过两种方法来进行计算。
记当前棋盘为 source,目标棋盘为 target。第一种计算方法为:如果 source[i][j] != target[i][j],则差异度 += 1;第二种计算方法为:如果 source[i][j] == target[m][n],则差异度 += (abs(m - i) + abs(n - j))。
例如,对于上面的初始状态和目标状态,使用第一种计算方法,其差异度矩阵为(1 表示该位置两状态矩阵的元素不同,0 表示相同):
最终可以计算出两个矩阵的差异度为 4。
使用第二种计算方法,其差异度矩阵为(值表示 source[i][j] 的元素移动到目标位置所需的最短步数):
最终可以计算出两个矩阵的差异度为 5。
不管使用哪种办法,都能得出一个差异度,暂且记为 g。并且,解题的办法要么采用 DFS,要么采用 BFS,两种办法的搜索时间都会随着深度的增加而增加,我们的目标是尽量减少搜索的时间,也就是要想办法减少搜索深度。为了解决这个问题,记当前的搜索深度为 d,那么 d 越小越好。同时,我们又希望 g 越小越好,所以我们整体的目标就可以转化为 d + g 越小越好,这综合了 d 和 g 各自有的优势,是一个良好的 tradeoff。
因此,我们的整体目标也就转化成了:在 DFS 或 BFS 的函数中,对每一个状态都计算 f = d + g,选取 f 最小的那个结点,让它作为下次迭代的首选结点。
2. 代码演示
下面使用三种方式来评估启发式算法的性能,第一种是不使用启发式算法,第二种是使用前文提到的策略 1,第三种是使用前文提到的策略 2。
2.1 不使用启发式算法
在代码中,将变量 use_A_star 设定为 False 即指定不使用启发式算法,运行结果为:
运行 50 次求得所耗平均时间为:0.022931413650512697 s
2.2 使用启发式策略 1
在代码中,将变量 use_A_star 设定为 True,strategy 设定为 1,即指定使用启发式算法 1,运行结果为:
运行 50 次求得所耗平均时间为:0.0021903276443481444 s
2.3 使用启发式策略 2
在代码中,将变量 use_A_star 设定为 True,strategy 设定为 2,即指定使用启发式算法 2,运行结果为:
运行 50 次求得所耗平均时间为:0.002417140007019043 s
3. 结论分析
从三种方法的运行结果可以得出下列结论:使用启发式算法可以大幅度节省程序运行时间(是纯 BFS 的 1/10),启发式算法 1 比启发式算法 2 效率更高,这可能是因为算法 1 在计算矩阵差异度时只需要遍历一遍矩阵,而算法 2 需要遍历两遍矩阵。
4. 源码
import numpy as np import time class Node(object): def __init__(self, source, target, strategy, cost=0, depth=0): self.directions = ['left', 'up', 'right', 'down'] self.source = source self.target = target self.cost = cost self.depth = depth self.strategy = strategy # 打印原始矩阵 def print_source(self): for i in range(3): [print(self.source[i][j], end=' ') for j in range(3)] print() print() # 计算不在位的棋子个数 def num_misposition(self): # 比较source和target,不同的地方标记为1,相同的地方标记为0 flag = np.where(self.source == self.target, 0, 1) # 返回source与target之间不相同的数的个数 return np.sum(np.reshape(flag, (flag.size,))) # 计算耗散值 def get_cost(self): if self.strategy == 1: return self.depth + self.num_misposition() elif self.strategy == 2: flag = np.where(self.source == self.target, 0, 1) sum_cost = 0 for i in range(3): for j in range(3): if flag[i][j]: for m in range(3): for n in range(3): if self.target[m][n] == self.source[i][j]: dif_row, dif_col = abs(m - i), abs(n - j) sum_cost += (dif_row + dif_col) return sum_cost # 将棋子0分别往四个方向移动 def move(self): # 记录棋子0所在的行号和列号 row, col = np.where(self.source == 0) row, col = row[0], col[0] moved_nodes = [] for direction in self.directions: if direction == 'left' and col > 0: source_copy = self.source.copy() source_copy[row, col], source_copy[row, col - 1] = source_copy[row, col - 1], source_copy[row, col] moved_nodes.append( Node(source_copy, target=self.target, cost=self.get_cost(), depth=self.depth + 1, strategy=self.strategy)) elif direction == 'up' and row > 0: source_copy = self.source.copy() source_copy[row, col], source_copy[row - 1, col] = source_copy[row - 1, col], source_copy[row, col] moved_nodes.append( Node(source_copy, target=self.target, cost=self.get_cost(), depth=self.depth + 1, strategy=self.strategy)) elif direction == 'right' and col < len(self.source) - 1: source_copy = self.source.copy() source_copy[row, col], source_copy[row, col + 1] = source_copy[row, col + 1], source_copy[row, col] moved_nodes.append( Node(source_copy, target=self.target, cost=self.get_cost(), depth=self.depth + 1, strategy=self.strategy)) elif direction == 'down' and row < len(self.source) - 1: source_copy = self.source.copy() source_copy[row, col], source_copy[row + 1, col] = source_copy[row + 1, col], source_copy[row, col] moved_nodes.append( Node(source_copy, target=self.target, cost=self.get_cost(), depth=self.depth + 1, strategy=self.strategy)) return moved_nodes class EightPuzzle(object): def __init__(self, init_node, use_A_star, strategy): self.use_A_star = use_A_star self.queue = [] self.closed_nodes = [] self.count = 0 self.init_node = init_node self.time_start = 0 self.time_end = 0 self.strategy = strategy # 判断传入的结点是否在self.closed_nodes中 def is_in_closed_nodes(self, node): for closed_node in self.closed_nodes: # 比较closed_node和node,不同的地方标记为1,相同的地方标记为0 flag = np.where(closed_node.source == node.source, 0, 1) if np.sum(np.reshape(flag, (flag.size,))) == 0: return True return False # 获取最小耗散值的那个结点 def get_min_cost_index(self): min_cost = self.queue[0].cost index = 0 for i in range(len(self.queue)): if self.queue[i].cost < min_cost: index = i min_cost = self.queue[i].cost return index # bfs求解问题 def bfs(self): self.time_start = time.time() self.queue.append(self.init_node) min_cost = self.init_node.cost while self.queue: if self.use_A_star: current_node_index = self.get_min_cost_index() current_node = self.queue.pop(current_node_index) else: current_node = self.queue.pop(0) self.closed_nodes.append(current_node) # 不在位棋子个数为0,到达终点 if current_node.num_misposition() == 0: self.time_end = time.time() return True, self.time_end - self.time_start, current_node moved_nodes = current_node.move() for next_node in moved_nodes: if self.is_in_closed_nodes(next_node): continue self.queue.append(next_node) self.count += 1 self.time_end = time.time() return False, self.time_end - self.time_start, None def main(): source = np.array([[2, 8, 3], [1, 6, 4], [7, 0, 5]]) target = np.array([[1, 2, 3], [8, 0, 4], [7, 6, 5]]) print('The source matrix is:\n', source) print('The target matrix is:\n', target) use_A_star = True strategy = 2 init_node = Node(source, target, strategy, cost=0) solution = EightPuzzle(init_node, use_A_star, strategy) has_solved, time_used, result_node = solution.bfs() if has_solved: print('\nThis problem has been solved, using', time_used, 's.') print('The result matrix is:') result_node.print_source() return time_used if __name__ == '__main__': main()
总结
到此这篇关于如何用Python实现八数码问题的文章就介绍到这了,更多相关Python八数码问题内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!
相关文章
Python使用progressbar模块实现的显示进度条功能
这篇文章主要介绍了Python使用progressbar模块实现的显示进度条功能,简单介绍了progressbar模块的安装,并结合实例形式分析了Python使用progressbar模块显示进度条的相关操作技巧,需要的朋友可以参考下2018-05-05
最新评论