查詢搜尋類演算法可以說是被提及最多的人工智慧方法，絕大多數AI問題都可以被看成一個搜尋查詢問題，也就是找到最好的方案，路徑，模型等。搜尋演算法因此也最常在一些AI演算法的核心部分看到，很多AI的書籍也都是從搜尋演算法開始的。

下面講的查詢演算法是樹搜尋演算法，或者說去建立一個搜尋樹，根節點表示開始搜尋的狀態，分支代表動作，結點代表狀態。因為對於一個狀態往往可以執行多種動作，而每個動作又可以進入一個新的狀態。另外搜尋樹跟之前的行為樹是大不一樣的，搜尋樹的各個分支是沒有先後順序的，行為樹則是事先安排好順序，屬於硬編碼範圍。樹搜尋演算法主要有以下幾種。

盲目搜尋（Uninformed Search）

所謂的盲目搜尋就是沒有目標資訊的最單純的搜尋，這在資料結構中也都學過，有深度優先搜尋，廣度優先搜尋，這都並不屬於AI的範疇。這種搜尋方法在遊戲中一般效率很低，但是在很多先進的演算法中，盲目搜尋也是組成演算法的一部分。盲目搜尋用於吃豆人這種遊戲都會太大也太複雜了，這裡也就不再細說了。

最優優先搜尋（Best-first Search）
在BFS中，結點的擴充套件則依據一些關於目標的先驗知識。通常，距離目標比較近的結點會優先展開。最知名的BFS演算法是A* 演算法。A* 演算法最常用於遊戲中的尋路（星際爭霸，魔獸爭霸，起源等遊戲都使用了A* 演算法），之前也有一篇將A* 演算法用於吃豆人尋路的。A* 演算法如何尋路這裡不說了，網上有很多帖子大家可以自行查閱。

這裡要說的是A* 演算法其實還可以用來搜尋遊戲狀態，也就是說，BFS可以用於擬定計劃而不只是尋路。不同之處在於這裡考慮的是全域性狀態的變化（而不是隻考慮其中一個單位的狀態改變）。有事運用A* 可以有驚人的效果，如2009年馬里奧智慧競賽上的冠軍就是使用的A* 演算法來使馬里奧到達最右方的終點。如下圖所示。

感興趣大家可以搜尋一下相關的論文，這裡先討論一下BFS如何用在吃豆人上。首先，我們要先有個表示全域性情況優劣的方法，然後使用A* 演算法判斷那種操作會使全域性的情況對pacman最有利（也就是最優），也就是每一步都考慮最優的情況。這種思想也有點類似貪心演算法，問題在於如何評價全域性優劣呢。最直接也最費時的方法，就是用吃豆人與魔鬼和豆子之間的距離來度量。除了對全域性狀態的表達，A* 還需要一個代價函式

來驅動搜尋。例如，一個代價函式往往是獎勵那些可以靠近豆子的移動，同時懲罰那些靠近魔鬼的移動。詳細一點說就是，如果向上可以靠近2個豆子，向左靠近1個豆子，向右靠近魔鬼，那麼可以給定f(up)=2, f(left)=1, f(down)=-1，這樣在查詢時，只用搜尋f(x)最大的分支就行。

A* 演算法的效果如何呢，等用程式碼實現之後再來討論吧。