有向图搜索算法可视化模拟器：从BFS到A*的完整实现

本文介绍一个Python实现的教学级有向图搜索算法可视化模拟器，支持BFS、DFS、UCS、DLS、IDDFS、贪心、A*七种经典算法，提供逐步可视化输出，适合AI入门学习。项目来自GitHub（nataliettv/AI-search-algorithms），为AI课程期末项目，无外部依赖，通过控制台输出展示算法执行过程，帮助学习者直观理解不同搜索策略的原理与差异。

• 原作者/维护者：nataliettv
• 来源平台：GitHub
• 项目名称：AI-search-algorithms
• 原始链接：https://github.com/nataliettv/AI-search-algorithms
• 发布时间：2026年5月27日
• 项目性质：人工智能课程期末项目 该项目专为AI入门学习设计，无需外部依赖库，通过详细注释和逐步输出帮助理解抽象算法。

项目实现七种搜索算法，覆盖盲目到启发式搜索：

1. BFS（队列，层次探索，步数最优）；2. DFS（递归回溯，内存占用小）；3. UCS（优先队列，成本最优）；4. DLS（DFS加深度限制）；5. IDDFS（结合BFS最优与DFS低内存）；6. 贪心（启发式指导，速度快但非最优）；7. A*（f(n)=g(n)+h(n)，可采纳启发式下最优）。 核心实现：用Python字典表示带权有向图，支持启发式函数定义，每个算法独立函数，结构清晰便于对比。

输入方式：

1. 交互式输入：控制台逐步输入节点、边、启发值；
2. 文件输入：支持文本文件加载图定义（含起点/目标、边、启发值），示例目录有预设图。 可视化输出：每步展示当前节点、已访问集合、路径、队列/栈状态等。例如A*输出显示f(n)=g(n)+h(n)计算过程，帮助理解启发式作用。 代码示例： 图结构：grafo = {'A': {'B':1, 'C':4}, ...} 启发式：heuristicas = {'A':6, 'B':4, ...}

算法对比：可直观比较完备性（BFS/UCS/IDDFS/A完备）、最优性（UCS/A最优）、效率（贪心快）、内存占用（DFS/IDDFS友好）。 启发式理解：调整启发值可观察A*性能变化（启发式准确则扩展节点少，为零退化为UCS）。 代码学习：各算法独立函数，结构相似易对比，注释详细（含西班牙语原文），适合入门者学习实现。

总结：该模拟器是优秀教学工具，将抽象理论转化为可运行代码与可视化输出，帮助学习者深入理解算法本质，适合AI学生、竞赛选手、自学开发者等。 扩展方向：添加图形界面（Pygame/Tkinter）、更多算法（双向搜索、RBFS）、自动测试、性能分析、实际应用（迷宫求解、路径规划）等。