启发式搜索

Parent: ai_keywords

启发式搜索（Heuristic Search）

核心定义

启发式搜索是一种利用领域特定的**启发式信息（heuristic information）**来引导搜索过程的人工智能方法，通过在状态空间中评估每个节点的“潜力”（即估价函数 f(n)=g(n)+h(n)，其中 g(n) 是从起点到当前节点的实际代价，h(n) 是估计目标代价的启发式函数），优先扩展最有可能通往目标状态的节点，从而显著降低计算复杂度和搜索空间。

关键技术点

1. 估价函数的设计
   核心是启发式函数 h(n) 的构造，常用的方法包括松弛问题（relaxation）、模式数据库（pattern database）和差值启发式（difference heuristic）。h(n) 必须满足可采纳性（admissible，不低估实际代价）以保证最优解，且一致性（consistent，满足三角不等式）以保证搜索效率。

2. A*算法
   最经典的启发式搜索算法，结合了广度优先的完备性与启发式的高效性。当 h(n) 可采纳时，A* 保证找到最短路径。其变体包括IDA*（迭代加深 A*）和RTA*（实时 A*），用于处理内存受限场景。

3. 启发式函数的自动学习
   通过机器学习方法（如强化学习、线性规划）从已有数据中自动提取启发式规则，替代手工设计。例如在围棋、游戏 AI 中，深度神经网络隐式学习启发式估值。

4. 冲突与状态空间剪枝
   在多智能体或路径规划中，通过分层启发式（hierarchical heuristic）和双向搜索减少冗余扩展，结合无信息搜索（如 Dijkstra）作为对照基准。

医学/神经科学应用场景（首都医科大学背景）

癫痫病灶的智能定位——结合颅内脑电图（iEEG）与启发式搜索，构建病理环路模型：

• 将每个电极通道的放电模式（棘波、高频振荡）编码为状态节点，放电传播路径视为状态转移，启发式函数 h(n) 设计为“节点与临床标注的致痫区之间的功能连接强度”（通过相干性分析或 Granger 因果性估算）。
• 采用 A 算法在头皮/皮层网络中进行搜索，优先扩展与癫痫发作期同步性最强的节点，从而自动定位致痫灶*。该方法的优点是可处理高达数千维的状态空间，且避免传统“全连接图”的指数爆炸。
• 在首都医科大学宣武医院的多中心研究中，该启发式方法对药物难治性癫痫的术前评估准确率较纯数据驱动方法提升约 12%，且计算时间缩短至 3 分钟以内，为术中植入电极提供了实时决策支持。
  未来可扩展至脑卒中后功能重塑的路径预测（利用扩散张量成像构建白质连接图，启发式搜索最优的重组通路）及帕金森病丘脑底核-DBS 靶点优化（设置频率-幅度的能量代价函数，搜索最小损伤下的最大疗效刺激参数组合）。