贪婪最佳优先搜索

Parent: ai_keywords

贪婪最佳优先搜索（Greedy Best-First Search）

核心定义

贪婪最佳优先搜索是一种启发式搜索算法，用于图或树结构中的路径规划与问题求解。它通过启发式函数 ( h(n) ) 评估当前节点到目标节点的估计代价，并总是选择 ( h(n) ) 最小（即估计最接近目标）的节点优先扩展。该算法不回溯已走过的路径，也不考虑已累积的实际代价，因此属于“贪婪”策略——只关注当下最优，追求快速收敛而非全局最优。

关键技术点

1. 启发式函数 ( h(n) )
   核心驱动力。必须根据领域知识设计（如曼哈顿距离、欧氏距离），其准确性直接影响搜索效率与结果质量。若 ( h(n) ) 过高估计，可能导致路径非最优。

2. 局部最优陷阱
   由于忽略已消耗代价 ( g(n) )，算法易被虚假的“优先生长点”吸引，陷入局部最优而无法找到全局最短路径。例如在地图导航中，可能绕过实际更短的路径。

3. 与 A 算法的本质区别*
   A* 采用 ( f(n) = g(n) + h(n) )，同时权衡已花代价与剩余估计；贪婪最佳优先仅用 ( h(n) )。前者保证获得最优解（当 ( h ) 可纳时），后者仅追求速度，不保证最优性。

4. 不完备性与死循环风险
   若图中存在无穷分支或启发式函数不满足单调性（一致可纳），算法可能永远无法到达目标节点，甚至陷入循环。

医学/神经科学应用场景

脑网络中的信号传播路径预测（参考首都医科大学神经病学团队研究背景）
在癫痫灶定位与脑卒中后运动功能恢复路径分析中，贪婪最佳优先搜索可用于模拟神经兴奋的“快速传导”路径。例如，通过扩散张量成像（DTI）构建白质纤维连接网络，将每个脑区视为节点，节点间连接权重（如纤维数量、各向异性分数）的倒数作为代价。启发式函数 ( h(n) ) 可定义为当前脑区与目标功能区的神经解剖距离（如基于标准模板的欧氏距离）。算法从刺激点（如经颅磁刺激靶点）出发，每一步贪婪选择连接强度最强（代价最小）的相邻区域扩展，模拟神经信号在高度结构化网络中最可能优先传播的路径。此方法虽非全局最优，但能快速提供可解释的候选传播轨迹，辅助医生判断癫痫放电的优先扩散方向，或预测卒中后功能代偿的“捷径”回路，为刺激靶点定位提供计算依据。