xiaoming
人工智能研究如何构建理性动作(Act Rationally)的代理(Agent)。 大多数时候，这些代理会在后台执行某种搜索算法，以完成其任务，比如AlphaGo进行的蒙特卡洛树搜索。
搜索问题包括：
状态空间：可设置的所有可能状态的集合；起始状态：搜索开始的状态；目标测试(Goal Test)：查看当前状态的函数，返回是否为目标状态。搜索问题的解是一系列动作(Action)，也称计划(Plan)，将开始状态转换为目标状态。通过搜索算法找到计划。
搜索算法可分为“盲搜”(Blind Search / Uninformed Search)和Informed Search两大类。盲搜是指算法在除了问题定义外，没有其他的额外信息，包括：深度优先，广度优先，等成本等搜索策略；与之相对的Informed Search则使用的与问题相关的知识，因此能更快的找到解，包括贪心搜索，A*和图搜索等策略。本文先讨论深度优先搜索(DFS)。
19世纪，法国数学家Charles Pierre Trémaux在研究迷宫时，提出了DFS的一个版本。
DFS作为一个基础算法，单独使用时功能有限，但在与确定节点间是否连通，连通的块数计算和发现桥等其他功能协同时，体现出很大价值。
DFS的时间复杂度为O(V+E)，V,E分别表示顶点与边的数量。
DFS可用递归的方式来实现。
# 定义图
graph = {
1 : [2,5,9],
2 : [3],
3 : [4],
4 : [],
5 : [6,8],
6 : [7],
7 : [],
8 : [],
9 : [10],
10 : []
}
visited = set()
# 递归函数
def dfs(visited, graph, node):
if node not in visited:
print (node)
visited.add(node)
for neighbour in graph[node]:
dfs(visited, graph, neighbour)
dfs(visited, graph, 1)