有信息搜索策略，使用关于目标位置的特定领域线索，线索以启发式函数的形式出现，记为h(n)，即从节点n的状态到目标状态的最小代价路径的代价估计计值。
*贪心最佳优先搜索
首先扩展h(n)值最小的节点，每次迭代中，它都会做出在当前看来是最优的，但不一定是代价最优，这也会导致贪心法在全局意义上可能产生比谨慎的算法更糟糕的结果。
*A星搜索
是否代价最优取决于启发式函数的某些性质。一个可容许的启发式函数永远不会高估到达某个目标的代价。
*搜索等值线
在状态空间中绘制等值线，扩展路径时，代价是单调的，路径代价始终随着路径的延伸而不断增加，因此动作代价始终为正。
*满意搜索
接受次优但“足够好”的解，称之为满意解。
采用一种称为加权A星搜索的方法，对启发式函数的值进行更重的加权。
*内存受限搜索
内存被分为frontier状态和reached状态，有些算法保留其中一个从而节省一些空间。另一种可能是，当被证明不再需要某些状态时就将它们从reached中删除。
引用计数，到达某一状态的次数并且再也没有路径可以到达改状态时将其从表中删除。
束搜索对边界的大小进行了限制，最简单的方法是只保存具有最优f的k个节点，放弃其他已扩展的节点。
迭代加深A星搜索是既拥有A星的优点又不要求在内存中保留所有已达状态。
