☆ 保存 贪心搜索——反复选择“眼前看起来最优”的搜索策略
02/16/2026
贪心搜索（Greedy Search）是一种只依据“到目标还剩多少”的估计代价来做决定的搜索方法：每一步都选择当下看起来最接近目标的那个选项，并不断重复。
**通俗理解：**先别管整条路线最终是不是最优，先盯着“现在离目标最近的方向”走。它不太做长远规划，而是用非常直接的规则快速拍板。
每个节点都带有“到目标的估计代价” h(n)。贪心搜索在每一步都会选择 h(n) 最小的节点继续搜索。
📚 本文收录于以下知识中心
AI搜索算法——状态空间搜索、DFS、BFS、启发式与A*完整指南A*算法——启发式最短路径完整指南（含可采纳性与一致性）启发式函数——A*如何找到最优路径完整指南
方法（工作原理与关键特征）
-
评价依据：只看 h(n)
- 贪心搜索只使用启发式函数 h(n)：表示“从节点 n 到目标还要付出多少代价”的估计。
- 它不考虑从起点走到当前节点的实际代价 g(n)。
- 因此判断标准非常单一：看起来离目标更近，就优先扩展谁。
-
\[ f(n)=h(n) \]
\[ n^*=\arg\min_{n} h(n) \]
贪心搜索将评价函数设为 f(n)=h(n)，并选择启发式值最小的节点继续扩展。
-
搜索方式：每一步都“就近”
- 从当前可扩展的候选节点中，选择h(n) 最小的那个。
- 它关注的是“此刻看起来最划算”，而不是“整体路径是否最优”。
- 重复这个过程，通常能很快靠近目标区域。
-
直觉例子：只盯着直线距离走
- 在地图上找路时，你每一步都选择“朝目标直线距离更近的方向”前进。
- 即便绕远路反而更快，你也可能因为“当下看起来更远”而拒绝那条路。
- 所以它可能很快接近目标，但走出来的路径未必高效，甚至可能兜圈子。
-
与其他搜索的关系
- 贪心搜索可视为**最佳优先搜索（Best-first Search）**的一种特例。
- 当最佳优先搜索把评价函数**完全设为 h(n)**时，就得到贪心搜索。
- A 搜索*则在此基础上加入实际代价 g(n)，用 f(n)=g(n)+h(n) 来降低“目光短浅”的风险。
意义与局限
贪心搜索的优势在于规则简单、计算开销小，往往能让搜索快速朝目标方向推进，适合在巨大的搜索空间里先拿到一个“还不错”的结果。但它完全忽略 g(n)，很容易被局部最优的“看起来更近”所误导，导致路径不够好，甚至走出明显的弯路；因此它不保证最优解，也不一定保证找到解（取决于问题结构与实现细节）。
建议先读 (3/3)
- 爬山算法（Hill Climbing）—— 只看邻域、向更优解移动的局部搜索
- A*算法——同时考虑实际代价与启发式估计的最优路径搜索
- 启发式函数（Heuristic Function）—— 把直觉判断量化成数字的搜索准则
接下来推荐阅读 (5/17)
+5
- 确定性搜索（Deterministic Search）——在相同输入下总以同一顺序扩展状态并找到解的搜索方法
- 随机搜索（Stochastic Search）——引入随机性拓宽解空间，在更大范围内寻找高质量解的搜索范式
- 可采纳启发式（Admissible Heuristic）——不丢失最优路径的“安全估计”
- Overlapping Subproblems — 子问题重复出现的计算结构
- Random Restart（随机重启）——通过多次探索避免局部最优的搜索策略
- α–β剪枝（Alpha-Beta Pruning）——通过裁剪无效分支来优化极小化极大搜索
- 迭代改进算法（Iterative Improvement Algorithms）—— 通过逐步微调解来不断找到更优解的搜索方法
- 遗传算法（Genetic Algorithm）—— 模仿自然选择，让解在迭代中“进化”的搜索方法
- 模拟退火（Simulated Annealing）—— 暂时容忍“更差选择”，寻找最优解的随机局部搜索
- Prim Algorithm — 为什么从最近的节点开始扩展就能得到 MST？一次看懂
- Cut Property — 为什么 MST 中的 Greedy 选择是安全的？
- Kruskal Algorithm — 为什么从最小权重边开始选择仍能保证得到 MST？
- 最小生成树 — 以最小总成本连接加权图的树结构
- Search Landscape——解空间结构如何影响搜索难度
- Pruning（剪枝）——减少 Brute Force 搜索的原理与局限
- 蒙特卡洛树搜索（MCTS）——用反复模拟不断改进选择的搜索算法
- Tree Traversal — 为什么 DFS 与 BFS 会产生不同的遍历顺序？
同一主题文章 (0/0)
该单元暂时没有其他文章。
相关概念 (4/4)
- 状态空间搜索——一种通过沿着状态变化到达目标解的问题求解方式
- 暴力搜索 — 为什么穷举搜索能保证答案，却会让计算成本爆炸
- 局部搜索与优化问题 — 通过改进当前状态逐步逼近最优解
- 曼哈顿距离 vs 欧几里得距离——会随移动约束而变化的距离计算标准
📍 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。