A_搜索

Parent: ai_keywords

【核心定义】

A搜索是一种基于图论的启发式搜索算法，由 Hart、Nilsson 和 Raphael 于 1968 年提出。它通过评估函数 f(n) = g(n) + h(n) 来平衡已探索路径的实际代价（g(n)）与到目标的预估代价（h(n)），在保证 可采纳性（h(n) ≤ 真实代价）时能返回最短路径。作为人工智能的基石算法，A广泛用于路径规划、游戏 AI、机器人导航等场景。

【关键技术点】

  1. 启发式函数（Heuristic）
    核心在于设计可采纳且一致的 h(n)，如欧几里得距离、曼哈顿距离等。h(n)过小会导致搜索节点膨胀，过大则损失最优性。

  2. 开放集与封闭集
    开放集（open set）存放待评估节点，通常用优先队列实现；封闭集（closed set）记录已扩展节点，避免重复运算。

  3. 代价一致性（Consistency）
    若满足 h(n) ≤ c(n, m) + h(m)（三角不等式），则 A* 可保证首次遇到目标时即为最优解，且无需重排封闭集。

  4. 终止条件与回溯
    当前节点为目标时算法终止，通过父指针逆向重建路径。若开放集为空仍未找到目标，则无可行路径。

【医学/神经科学应用场景】

脑卒中后运动功能康复的神经通路优化
首都医科大学神经病学团队在脑网络图谱分析中，使用 A* 搜索规划经颅磁刺激（TMS）的靶点序列。将大脑皮质运动区（M1）、辅助运动区（SMA）及小脑核团建模为图节点，权重为白质纤维束的传导延迟或病灶损伤成本。A* 的 h(n) 采用基于弥散张量成像（DTI）的纤维长度估计，快速筛选出刺激运动区的最优路径。该方案可个性化避开梗死区，减少 “短路风险” 并提升康复效率，已在小样本临床试验中验证其可行性与安全性。
这种跨学科融合将经典算法转化为神经调控的决策工具，为精准神经康复提供了新范式。