☆ 保存 评估标准（完备性、最优性、时间、空间）——用于比较搜索算法的四大指标
02/18/2026
**评估标准（Evaluation Criteria）**用于比较搜索（search）算法“是否能解出来、解得是否最好、解得有多快、要占多少内存”。在经典 AI/CS 语境中，最常用的四项指标是：完备性（Completeness）、最优性（Optimality）、时间复杂度（Time Complexity）、空间复杂度（Space Complexity）。
**直观理解：**把朋友们放进同一个迷宫里比赛：能不能保证最终找到出口（完备性）、是否找到最短/代价最低的路线（最优性）、解题速度有多快（时间）、需要记多少岔路与线索（空间/内存）。
选择搜索方法时，不仅看“能否找到答案”，还要同时考虑最优性、时间与内存开销。
方法（工作机理与核心关注点）
-
完备性（Completeness / 完备性）
- 关注点是：只要解存在，算法是否保证“最终能找到解”。
- 如果搜索可能陷入无限循环、或在某些情形下漏掉可行解，就不能称为完备。
- 在工程上，当你最怕出现“明明有答案却找不到”的情况时，完备性就尤其关键。
- 例如在可能无限加深的结构里，若缺少终止条件或访问去重（visited 管理），完备性很容易被破坏。
-
最优性（Optimality / 最优性）
- 不止要“找到一个解”，还要看是否能保证找到最好的解，例如代价最小或路径最短。
- 具备最优性意味着：不是“能到就行”，而是能系统性地保证“最省/最短”的答案。
-
时间复杂度（Time Complexity）
- 从搜索视角，时间往往体现为：为找到解需要扩展（expand）多少个节点。
- 很多搜索算法的耗时，本质上就是“尝试了多少条可能路径/分支”。
- 即便最终都能找到同一个目标，有的方法可能要扩展上千节点，有的方法只需几十次扩展。
- 当问题规模变大（状态空间膨胀）时，时间复杂度的差异会被放大得非常明显。
-
空间复杂度（Space Complexity）
- 衡量搜索过程中需要在内存里保存多少节点（或候选路径）。
- 常见权衡是：记得越多越不容易“迷路”，但内存可能先扛不住。
- 尤其是最佳优先（Best-first）一类方法，会积累大量候选节点，空间压力往往更大。
- 反过来，如果强行省内存，可能会反复走回头路，导致时间开销上升。
-
权衡与选型（Trade-off & Selection）
- 现实中很难同时把四项指标都做到“最强”。
- 例如你非常强调最优性，往往要付出更多时间或更大内存作为代价。
- 如果目标是“尽快给出一个可用解”，那么牺牲部分最优性也可能是合理选择。
- 因此真正的关键，是结合问题特性（规模、时限、内存上限、代价定义）来确定指标优先级。
-
\[ \text{Time} \approx O(b^d) \]
\[ b=\text{branching factor（分支因子）},\ d=\text{solution depth（解深度）} \]
意义与局限
评估标准的价值在于：它让我们不再凭“感觉”挑搜索算法，而是用完备性、最优性、时间、空间这套共同语言进行可解释的比较与决策。不过也要注意，真实表现还会受到输入结构、实现细节、启发式（heuristic）质量等因素显著影响，因此仅靠这四项指标并不能对所有场景一锤定音。
建议先读 (0/0)
暂无推荐的前置阅读。
接下来推荐阅读 (5/20)
+5
- 相对人类水平的性能：以人类为基准的AI能力分级
- Scoring Function — AI 模型如何把判断标准变成可比较的 Score
- Lost-in-the-Middle — 为什么 Long Context LLM 仍会忽略上下文中间的信息
- Micro vs Macro Averaging — 不均衡数据下评估结果为何不同
- Subset Accuracy — Multi-label 评估中判断完全匹配的原理
- Hamming Loss — Multi-label 评估中如何衡量部分预测错误
- One-sided vs Two-sided Test——为什么拒绝域会影响最终统计结论
- Feature Ablation — 如何直接验证哪些 Feature 真正重要？
- Occlusion Test — 为什么遮挡输入能够暴露模型隐藏的依赖关系？
- Gini Impurity — Decision Tree 为什么用它划分数据？从计算到直觉理解
- Weighted Average（加权平均）——简单平均忽略的权重逻辑
- Length Normalization（长度归一化）— 为什么长序列在生成评分中更容易吃亏
- Verifier Model — 让 LLM 输出更可信的验证机制
- Temperature Scaling — 为什么模型的 softmax 概率会过度自信
- One-sample vs Two-sample KS Test — CDF 最大差异原理与分布比较方法
- Weighted Voting — 当简单平均不再可靠，为什么需要权重？理解 Soft Voting 与 Hard Voting
- Target Leakage（目标泄漏）— 为什么训练分数很高，上线后却表现失真
- Motion Coherence —— 视频运动保持自然连续的关键机制
- Multicollinearity（多重共线性）——线性冗余为何会让回归系数失去稳定性
- Weighted Loss（加权损失）——让模型更加关注重要错误的学习方法
同一主题文章 (0/0)
该单元暂时没有其他文章。
相关概念 (0/0)
暂时没有相关概念文章。
📍 这个概念在 AI 学习地图中的位置
查看这个概念在整个 AI Universe 中的位置。
📍 AI Universe 中的当前位置
☰
重置 显示已完成 · 需要登录 加载中…
🌌 AI Universe
‹
›
⭐ 概念
请选择一个节点。