我在阅读 A* 搜索算法的变体时遇到了动态加权。据我了解，权重应用于搜索方程，随着搜索接近目标节点而减小。我是专门看这篇文章的：http://theory.stanford.edu/~amitp/GameProgramming/Variations.html
谁能告诉我这样做的好处是什么？为什么你不在乎一开始就扩展了哪些节点？是否有助于不一定具有良好启发式的搜索？
谢谢
【问题讨论】：
动态加权会牺牲解决方案的最优性来加快搜索速度。权重越大，搜索越贪心。
来自 Wikipedia A-star 文章： A-star 的可接纳性标准保证了最优解路径，但这也意味着 A* 必须检查 所有 同等有价值的路径以找到最优路径。我们可以通过放宽可接受性标准来加速搜索，但会牺牲最优性以获得近似解。通常我们希望限制这种松弛，以便我们可以保证解路径不差于 (1 + ε) 乘以最优解路径。这种新的保证称为 ε-admissible。
在讨论动态加权之前，让我们将 A-star 与最简单的 ε-可容许松弛进行比较：静态加权 A-star。
在静态加权 A 星中，f(n) = g(n) + w·h(n)，对于某些 ε>0，w=(1+ε)。为了说明对最优性和搜索速度的影响，请比较以下每个插图中扩展的节点数。空心圆圈代表开放集中的节点；实心圆圈在闭集中。
A-star（左）与 ε=4 的加权 A-star（右）
如您所见，加权 A-star 扩展的节点少得多，完成速度提高了大约 3 倍。但是，由于我们使用 ε=4，加权 A-star 理论上可以返回一个解，即 (1+ε)=(1+4)=5 倍于最优路径。
动态加权是一种使启发式权重成为搜索状态函数的技术，即 f(n) = g(n) + w(n)·h(n)，其中 w(n) = (1 + ε - (ε*d(n))/N)，d(n)是当前搜索的深度，N是搜索深度的上限。
通过这种方式，动态权重 A-Star 最初的行为非常类似于 Greedy Best First 搜索，但随着搜索深度（即图中的跳数）的增加，该算法采用更保守的方法，表现更像是传统的 A-star 算法。
使用动态加权时，您假设在开始时 搜索，更重要的是快速到达（任何地方）；在......的最后 搜索，更重要的是达到目标。
他是对的，但我想说的是，对于动态加权，您假设在搜索开始时，遵循您的启发式更为重要；在搜索结束时，考虑路径的长度也变得同样重要。
【讨论】：