图搜索算法

从起始状态，经过一系列的转移（或者说操作），达到最终状态。

图搜索解决思路\模型：

1. 记住前一步。当你走到新的一步的时候，要记得你是从哪走过来的，要不然等你走到了B点，却又不知道怎么走回去，便是白走了。
2. 判断当前一步。判断当前步是否为最终状态，如果是，就别再走了，沿路返回吧。
3. 走好下一步。当你有很多下一步的选择的时候，你需要去选择哪个作为你的下一步（这便是几个算法最大的不同），由于走错可以重来，倒也只是时间代价的问题。

不断重复以上三步，直到找到终点，或者你再也找不到可选的下一步了

1. 将当前一步的指针指向前一步，从而记录前一步的走法。
2. 将当前一步与最终点B进行对比，若相同，则通过每一步所留下的前一步的指针找回到初始位置便是一条路。
3. 把所有接下来可选的下一步列出来，作为下一步的参考方向。根据不同的算法，有不同的做法。

那么问题已经很清晰了，所有的算法基本上都只对第三步起作用，前两步是完全相同的，那么最基本的三种算法都做了哪些工作呢。

      广度优先算法（BFS）：

      我们直接根据上文考虑第三步，广度优先算法顾名思义便是我从某点可能去的某个方向之后，返回前一个方向继续试没走过的方向，直到前一步能去的所有方向都试完之后才从另一个方向试，并且去过的我就不再傻傻的再去了。

      深度优先算法（DFS）：

      考虑第三步，深度优先算法顾名思义便是我从某点可能去的方向挑一个去，并且下一步不返回原点，继续在走过的基础上再走下去，并且去过的我就不再傻傻的再去了。

      A*算法，又名启发式算法。

     考虑第三步，首先去过的地方我是不会再去了，然后可选的下一步地方我都列出来，通过某种科学的评估方式，判定哪个下一步比较靠谱，就走哪一步。

上面三种方法描述不够严谨，但是却很简明的体现出了这三种方法的特点，深度和广度优先算法都被称作盲目搜索，因为在选择下一步的时候只是通过自己的某种“习惯”作搜索而已，A*搜索通过了某种科学的评估方式，所以显得就比较“智能”了。