圖中的算法多的要命，大多數都是搜索算法吧，因爲其應用實在太廣了。就比如說機器人眼中的世界其實就是一張graph，graph的大小的有限的（這跟分配給它的memory有關），機器人就根據現有的graph信息邊計算邊決策，然後邊走邊獲取新graph信息，再重新計算再決策再走……這是一個迭代過程，直到到達目的地爲止，汽車導航儀也是類似的。我覺得這過程有點像你用一個英雄去打敵方老窩，在地圖還不是完全可見的情況下，你得親自控制着他，看好路，根據情況選擇對應的戰鬥策略。……哈哈扯遠了，這個其實算Informed Search了，也就是帶有決策的啓發式搜索了（我們將在下一篇中介紹）。我們先來介紹簡單的Uninformed Search。
什麼叫Search？Search就是在所有Search space（狀態空間——往往能用樹或圖來表示出）中找到你想要的那個狀態。
Uninformed Search，顧名思義就是消息不靈通的search，被矇蔽的search，也可以叫做Blind Search（盲目搜索）或者Brute-force Search（也就是傳說中的暴力解法）。
我們先來看兩個搜索的例子。
如圖，我們從A處進入這個空間，我們想要到達J處。當然我們人眼是肯定一眼就看穿路線了，但讓機器應該怎麼做？
計算機勢必得先把這張地圖信息存起來，格式只能是計算機能實現的數據結構。
在這棵樹（也可以叫圖）上，我們把每一個節點視作一個搜索狀態，每一條邊視作一次搜索動作，只有能從初始節點到達目標節點就算搜索成功了。經典的算法莫過於深度優先搜索和廣度優先搜索了（我們將待會兒介紹）。
我們再來看一個例子。
有一種兩人遊戲叫Nim Game，規則是：在一根柱子上放N個大小相同的環，兩個人輪流從上面取環下來，規定每人每次最多隻能取連續的m個環，不能不取，誰取到最後一個環就算輸。
假定現在N=6, m=3，兩人遊戲過程如圖。想想看先取者和後取者誰的勝率較高？進一步再想想看先取者和後取者有沒有最有把握勝的策略。
我們將這個問題中所有的狀態空間用一棵樹來表示出。
所有的節點中的數字表示剩下的環的個數，剩下1則表示接下來取的那個人肯定輸了，圖中的邊則表示取下的環的個數。
可見，總共有13種不同的遊戲過程，先取者贏的概率爲7/13，後取者贏的概率爲6/13。更進一步，如果要制定最有把握勝的策略的話，這件事只要交給計算機去做好了。先把所有狀態空間都存起來，每當對手取完後，就找到取完那個狀態的節點，然後遍歷那個節點的子樹以計算出勝率最大的下一步操作。
這裏已經略微涉及到人機博弈的概念了（這個我還沒有研究過），我想基礎的東西肯定是大同小異的，只是複雜度提高了。大名鼎鼎的“深藍”挑戰國際象棋冠軍，它裏面存有了200萬張不同的棋局，配有200多個獨立的計算器（應該也是ALU吧），不管對手怎麼動，它都能在它的庫存中找到對應的最佳解法。
下面我們開始介紹真正的Uninformed Search方法吧。
1. Depth-First Search（DFS）深度優先
經典算法啊，想必大家都懂的，這裏我只想提一下它的非遞歸實現方法。
還是要使用一個Stack
（1）把根節點入棧
（2）Pop一下，訪問該節點，然後把它的右子女和左子女（不爲NULL）依次Push進去
（3）重複（2），直到找到目標節點或棧爲空（沒有找到）。
爲了避免環的出現而使算法陷入死循環，可以引入一個visited數組。
顯然，DFS算法雖然一定能找到出現在圖中的節點，但效率很低。若要找F，DFS就相當於把整個圖都遍歷了一遍。
2. Depth-Limited Search（DLS）
DLS其實是DFS的變體，它限制住了訪問的深度，在DFS算法的第（2）步中，若該節點當前深度大於限制深度，那就不再把它的子女Push進去了。
爲了實現此算法，又多開闢了一個深度Stack，它與節點Stack同步進行操作，Push節點的時候也把當前的深度Push進去，Pop同理。
顯然，DLS未必能找到目標節點。
3. Iterative Deepening Search（IDS）
IDS其實又是DLS的變體了，它通過depth的增量（初始值和增量大小可視情況而定），迭代進行DLS算法，直到找到目標節點。
顯然當目標節點很深的情況下，IDS算法的效率肯定不如直接DFS的。但當深度很大，而且標節點處於中間位置或較淺位置時，或者深度未知的情況下，就能體現出IDS算法的價值了。
4. Breadth-First Search（BFS）廣度優先
也是經典啊，通過隊列實現，不多說了。只說下，BFS也可以像DFS一樣引入一個visited數組，不是爲了避免死循環，而是可以避免有環的情況下重複訪問相同的節點，以加速搜索。
5. Uniform-Cost Search（UCS）
這個算法適用與帶權圖中，爲了找出最短路徑。
如圖，找出從A到E的最短路徑。
我們需要一個優先隊列（也就是堆）來實現，裏面存放節點和當前到達該節點總共的Cost，按Cost來把堆調整爲最小堆。
（1）初始節點插入空堆
（2）出堆，訪問該節點，把它所有的子女（不爲NULL）依次入堆（Cost=當前節點的Cost + 與子女邊的權）
（3）重複（2），直到出堆的節點即爲目標節點，或堆爲空了（沒有找到）。
注意，因爲是堆，所以每次入堆出堆操作堆內都會進行調整。
這裏我們再來討論一種backtracking技術，因爲問題是通過此算法，我們只能找到最短路徑的長度是多少，而不知道這條路徑經過了哪些節點。其實最簡單的方法就是隻要讓每個節點記住它的parent就可以了。
我們需要的數據結構如下
struct Node
{
int node_id;
int current_total_cost; // current_total_cost = 父節點current_total_cost + 邊上的權
Node* parent;
}
每次取當前節點的子女時，將parent指針指向當前節點就OK了。只要將賦值好的Node插入堆中就行了。
當算法結束時，取出的最後一個節點爲目標節點，然後通過它的parent指針以及parent的parent指針（迭代）一路可以找到初始節點（初始節點的parent當然爲NULL），然後按正向輸入節點id就OK了。
6. Bidirectional Search 雙向搜索
顧名思義，就是從兩端同時搜索。但它有個前提條件，必須知道目標節點在哪（有指針指向它）。
它的基本思想是兩端都採用BFS搜索，直到兩條路徑碰頭。但現實中，若都採用BFS搜索，往往是不會碰頭的，即使碰頭的話，效率也非常低。
現實中的圖往往復雜到這樣
所以一般兩端都採用一種Informed Search叫A* Search（我們將在下篇中介紹）
Summary
|
Algorithm |
Time Complexity |
Space Complexity |
Derivative |
|
DFS |
O(bm) |
O(bm) |
|
|
DLS |
O(bl) |
O(bl) |
DFS |
|
IDS |
O(bd) |
O(bd) |
DLS |
|
BFS |
O(bd) |
O(bd) |
|
|
UCS |
O(bd) |
O(bd) |
BFS |
|
BIDI（Bidirectional） |
O(bd/2) |
O(bd/2) |
BFS（兩端採用BFS） |
b, branching factor
d, tree depth of the solution
m, tree depth
l, search depth limit
綜上這些算法，除了UCS（通過優先隊列來選擇當前Cost最小的節點優先訪問）帶有一點策略性，（BIDI當兩端採用A* Search時也具有策略性），其他算法都是不具備決策能力的盲目式搜索，當數據量很大時，顯然是低效的。