我正在尝试理解模式数据库以设计启发式算法。我正在阅读Richard E. Korf的书《Heuristic Search》。其中一段话说:
“魔方的明显启发式是曼哈顿距离的三维版本。对于每个小立方体,计算正确定位和定向所需的最小移动次数,并将这些值总和在所有小立方体上。不幸的是,为了是可接受的,必须将此值除以8,因为每个扭转会移动8个小立方体。更好的启发式是将角落小立方体的曼哈顿距离之和的最大值除以4,边缘小立方体的曼哈顿距离之和的最大值也除以4。边缘小立方体的曼哈顿距离的期望值为22/4=5.5,而角落小立方体的相应值为12.333/4,约等于3.08,部分原因是有12个边缘小立方体,但只有8个角落小立方体。”
我的问题是,为什么将角落小立方体的曼哈顿距离之和的最大值除以4和边缘小立方体的曼哈顿距离之和的最大值除以4作为启发式比将曼哈顿距离之和除以8更好?
此外,他们如何获得期望值5.5和3.08?
“魔方的明显启发式是曼哈顿距离的三维版本。对于每个小立方体,计算正确定位和定向所需的最小移动次数,并将这些值总和在所有小立方体上。不幸的是,为了是可接受的,必须将此值除以8,因为每个扭转会移动8个小立方体。更好的启发式是将角落小立方体的曼哈顿距离之和的最大值除以4,边缘小立方体的曼哈顿距离之和的最大值也除以4。边缘小立方体的曼哈顿距离的期望值为22/4=5.5,而角落小立方体的相应值为12.333/4,约等于3.08,部分原因是有12个边缘小立方体,但只有8个角落小立方体。”
我的问题是,为什么将角落小立方体的曼哈顿距离之和的最大值除以4和边缘小立方体的曼哈顿距离之和的最大值除以4作为启发式比将曼哈顿距离之和除以8更好?
此外,他们如何获得期望值5.5和3.08?