🌈个人主页: 程序员不想敲代码啊
🏆CSDN优质创作者，CSDN实力新星，CSDN博客专家
👍点赞⭐评论⭐收藏
🤝希望本文对您有所裨益，如有不足之处，欢迎在评论区提出指正，让我们共同学习、交流进步！
🌟迭代加深搜索
🌟迭代加深搜索（Iterative Deepening Search，IDS）是一种混合了深度优先搜索和广度优先搜索的算法策略，它结合了两者的优点：拥有深度优先搜索的空间效率以及广度优先搜索的完全性（找到所有解）和最优性（找到最优解）。
🌟迭代加深搜索通过重复运行深度限制增加的深度优先搜索来实现，具体来说，IDS从深度限制为0开始，然后逐步增加这个限制，每一次都是从根节点开始进行深度优先搜索，当它在特定深度层次上没有找到解时，它就增加深度限制并重新开始搜索。
🌟迭代加深搜索的优势在于：
-
🌟空间复杂度低: IDS使用的内存相当于在最大深度层次上的深度优先搜索所需的内存，这通常比广度优先搜索所需的内存要少，尤其是在树的分支因子较大时更为明显。
-
🌟完全性和最优性: 如果树的分支因子是有限的，那么IDS是完全的，如果搜索树的边都有相同的非负成本，那么IDS也是最优的。
-
🌟动态权衡: 虽然深度优先搜索可能会在一个方向上走得太远而错过了较浅层次的解，但是因为IDS是以增加的深度层次来迭代的，因此它确保了在接触深层次节点之前会先探索所有较浅的节点。
🌟迭代加深搜索的不足在于：
-
🌟时间复杂度: IDS可能会重复访问节点多次，特别是接近根部的节点。
-
🌟非最小路径成本: 如果不同的树边有不同的成本，则IDS不保证找到最小路径成本的解。
-
🌟重复搜索: 每进行一次深度增加，就必须重新从根节点开始搜索，这意味着算法会重复访问之前已经搜索过的节点。
