方法总结

A* 算法计算步骤

1. 初始化：
   Open list = {start}
   g(start) = 0
   f(start) = g(start) + h(start)

2. 循环：
   a. 从 Open list 选取 f 值最小的节点 n
   b. 将 n 从 Open list 移到 Closed list
   c. 如果是目标节点，停止并回溯路径
   d. 对 n 的每个邻居 m：
      - tentative_g = g(n) + distance(n, m)
      - 若 m 在 Closed list 中，跳过
      - 若 m 不在 Open list 中或 tentative_g < g(m)：
        更新 g(m) = tentative_g
        更新 f(m) = g(m) + h(m)
        设置 parent(m) = n
        将 m 加入 Open list（若不在）

表格填写模板

Node	g(n)	h(n)	f(n)	Parent
S	0	5	5	-
A	2	3	5	S
B	4	4	8	A

关键公式

$f(n) = g(n) + h(n)$

---

Dijkstra 算法计算步骤

1. 初始化：
   dist[start] = 0
   dist[其他节点] = ∞
   visited = {}

2. 循环直到 visited 包含所有节点：
   a. 选取未访问节点中 dist 最小的节点 u
   b. 将 u 加入 visited
   c. 对 u 的每个邻居 v：
      如果 dist[u] + weight(u, v) < dist[v]：
        更新 dist[v] = dist[u] + weight(u, v)
        prev[v] = u

表格填写模板

Iteration	Current	A	B	C	D	E
0	-	0	∞	∞	∞	∞
1	A	-	4	2	∞	∞
2	C	-	3	-	5	∞
3	B	-	-	-	5	8

---

机器学习四分类识别方法

特征/线索词	类型
"labelled data", "known output", "classified", "training set with correct answers"	Supervised
"unlabelled data", "find patterns", "group", "cluster", "no target output"	Unsupervised
"agent", "environment", "reward", "punishment", "trial and error", "game"	Reinforcement
"multiple hidden layers", "deep neural network", "automatic feature extraction"	Deep Learning

---

ANN 结构速记

Input Layer (features)
    ↓
Hidden Layer(s) — weighted sum → activation function → output
    ↓
Output Layer (prediction)
    ↓
Error calculation → Back propagation → Weight update