我正在阅读有关 IDA* 的信息，发现此链接解释了 IDA* 并为其提供了动画。
这是解决方案的图片。
我知道截止条件是什么（它取决于 F），如果节点的 (f) 的值小于或等于截止值，则搜索类似于 DFS，并且像 IDF 一样它是迭代的
我的问题是：
在动画中，当阈值为 7 并且扩展目标的父节点 (14) 后，他们表示已找到解决方案，因此，如果我们在扩展 <= 截止值的节点后找到目标，可以我们认为它是解决方案而不对其进行任何条件测试？（它是 F <= 阈值）：例如，如果有另一个级别有一个目标，并且可以找到值为 13（小于 14），如下图所示：
当阈值为 7 时，11 不会被扩展，所以我们永远不会得到 (13)
那么，正确的解决方案是什么？
根据人工智能： IDA* 第 4 版的现代方法，截止日期是-成本（); 在每次迭代中，截止值最小- 任何超过上一次迭代截止值的节点的成本。
换句话说，每次迭代都详尽地搜索一个-contour，在该轮廓之外找到一个节点，并使用该节点的-成本作为下一个轮廓。
并且我们必须在选择该节点进行扩展时测试该节点是否为目标节点，否则该算法不再是最优的（证明类似于A *中的证明）。
我认为该站点提供的动画具有误导性，因为在同一站点最后编写的代码中，我们有：
function Search(node, g, threshold) //recursive function
{
f = g + heuristic(node);
if(f > threshold) //greater f encountered
return f;
if(node == Goal) //Goal node found
return FOUND;
integer min = MAX_INT; //min = Minimum integer
foreach(tempnode in nextnodes(node))
{
//recursive call with next node as current node for depth search
integer temp=search(tempnode, g + cost(node, tempnode), threshold);
if(temp == FOUND) //if goal found
return FOUND;
if(temp < min) //find the minimum of all 'f' greater than threshold encountered
min = temp;
}
return min; //return the minimum 'f' encountered greater than threshold
}
而在前面的代码中，我们仅在选择扩展时才测试该节点是否为目标节点。