Inversi

Seleksi

Mutasi

Fitness Function

Crossover

Memiliki kompleksitas

ruang yang sama dengan DFS dan kelengkapan seperti BFS.

Sangat efisien untuk

ruang pencarian yang sangat besar dan dalam

Selalu menemukan

solusi dengan biaya terendah

Tidak memerlukan

memori sama sekali

Lebih cepat secara

waktu daripada BFS dan DFS.

Kedalaman node yang

paling dalam

Biaya path dari akar

ke node tersebut, g(n), yang terkecil

Nilai heuristik h(n)

yang terkecil

Kedalaman node yang

paling dangkal.

Nilai f(n) = g(n) +

h(n) yang terkecil

Pencarian Melebar

Pertama (Breadth-First Search)

Pencarian Terbaik

Pertama (Best-First Search)

Pencarian A*

Pencarian Simulated

Annealing

Pencarian Mendalam

Pertama (Depth-First Search)

A* akan menjadi

pencarian greedy terbaik.

A

 akan optimal dan efisien, serta nilai f(n) tidak

pernah menurun.

f(n) akan selalu

menurun sepanjang jalur manapun

A* tidak akan pernah

memasukkan node yang telah dikunjungi ke dalam frontier.

A* tidak memerlukan

pencarian ulang dan akan lebih efisien.

Episodik

Diskrit

Deterministik

Statis

Dinamis

h1(n) ≤ h2(n) untuk

semua node n.

h2(n) adalah nilai

sebenarnya, sedangkan h1(n) adalah perkiraan.

h2(n) ≤ h1(n) untuk

semua node n.

h2(n) selalu lebih

besar dari nol.

h2(n) dihitung lebih

cepat daripada h1(n).

Deterministik

Stochastic

Sekuensial

Episodik

Dinamis

Kemungkinan terjebak

pada optimum lokal.

Ketidaklengkapan

dalam menemukan solusi

Waktu komputasi yang

sangat lama

Ketidakmampuan dalam

menangani ruang state yang besar.

Kompleksitas ruang

yang sangat besar.