启发式搜索策略（大学心理学 问题解决策略都有哪些请就其中的一种举例进行说明）

本文目录

• 大学心理学 问题解决策略都有哪些请就其中的一种举例进行说明
• 什么是启发性,启发性策略有 哪些
• 利用大学所学的心理学知识说一下 问题解决的策略有哪些
• 启发式搜索全局择优搜索和局部择优搜索的区别是什么
• 启发式搜索是什么
• 心理学启发式的问题解决策略有哪些
• 什么是启发式搜索并以八数码难题为例,说明其原理
• 算法式策略和启发式策略在哪一章
• 人工智能的启发方式搜索是
• 什么是启发式策略

大学心理学 问题解决策略都有哪些请就其中的一种举例进行说明

问题解决的策略主要有以下三种：

（1）尝试错误：就是通过简单地尝试不同的反应来发现正确的答案，当通常在没有足够的信息来发现切实可行的，系统的解决方法时，就采取这种方法，他可能不会有效，甚至不能解决问题，但在某些情况下只能这么做。

（2）算法策略：就是一个保证能解决问题的系统程序，对于任何一个有答案的问题来说，算法程序就是在问题空间中搜索所有可能的解决问题的方法，知道找到一种有效的方法解决问题。算法策略虽然保证能解决问题，但是效率低下。

（3）启发式策略： 启发式策略就是在问题空间中进行较少的搜索，来解决问题，这种策略省时省力，但不能保证完全解决问题，启发式策略具体来说分三种不同的方式：

1）手段目的分析：采用这种策略时，问题解决者首先对问题的当前状态和目标状态进行对比发现差距，然后选择一种能缩短两者差距的操作，但是选择这个操作就有可能产生新的差距，即出现一个子目标，在选择缩短这种差距的操作，如此循环下去，直到所有的差距都消失，问题就得以解决。比如说，我们在解决几何问题时候通常会用到手段目的分析的启发策略，先看题目中的问题，然后带着题目中的已知条件求知。

2）爬山法：把问题解决的过程比喻成爬山，问题的目标状态在山顶，人们不可能一下子爬到山顶，而是先确定较低处为我们的目标，爬山这个目标后，在确定较高处为我们的目标，如此多次循环，走中爬上山顶。也就是说，问题解决者首先对当前初始状态进行分析，然后逐步缩短问题的目标状态和初始状态的差距。

3）逆向搜索：从问题的目标状态出发，以扎到一条通往初始状态的通路。这对于解决几何证明你个问题十分有效。

补充：问题解决：使用信息达到目标的一种认知过程，而这种过程受到某种障碍的阻挠。

当人们开始解决一个问题时，起始状态和目标转台是不同的，否则就不叫问题了。人们在解决问题的时候会用到算子，算子很有多中，他是改变当前问题状态的一种操作。一个人关于可利用的算子的经验取决于它的教育和经验。纽厄尔和西蒙用问题空间的概念对问题解决进行描述，在他们看来。问题解决就是在问题空间中进行搜索，以找到一条从初始装到目标状态的通路。

参考书籍：张钦《普通心理学》

什么是启发性,启发性策略有 哪些

启发式策略包括如下一些具体的问题解决策略:1．搜索策略2）目的——手段分析（3）爬山法4）逆向推理法5）类似法（6）其它的一些方法

利用大学所学的心理学知识说一下 问题解决的策略有哪些

答：影响问题解决的心理因素：

（1）对问题的表征方式，问题的表征是我们在头脑中对于问题的描述和理解，对问题表征是否完整正确，这是大大地影响着问题解决。

（2）定势：是指重复先前的心理操作引起的对于活动的准备状态，即人们在已有的知识经验的影响下，以某种特定方式解决问题的倾向。在某些情况下，思维定式可以很快地解决问题，但有可能阻碍新问题的解决。

（3）功能固着：它是指人们把某种功能赋予某个物体的倾向，某些物体的功能在头脑中被过于强化，以至于人们看不到他的新功能，这对问题解决有很重要的影响。

（4）动机、情绪，在一定限度内，动机强度和解决问题的效率成正比，但是动机太强或太弱都会削弱问题解决的效果。中等强度的动机才能使人们的思维活动有较大的灵活性。消极情绪不利于问题的解决，乐观平静的情绪有利于问题的解决。

（5）问题解决的策略：1）尝试错误：就是通过简单地尝试不同的反应来发现正确的答案，当通常在没有足够的信息来发现切实可行的，系统的解决方法时，就采取这种方法

2）算法策略：就是一个保证能解决问题的系统程序，对于任何一个有答案的问题来说，算法程序就是在问题空间中搜索所有可能的解决问题的方法，知道找到一种有效的方法解决问题。算法策略虽然保证能解决问题，但是效率低下。

3）启发式策略：手段目的分析；爬山法；逆向搜索：从问题的目标状态出发，以扎到一条通往初始状态的通路。这对于解决几何证明你个问题十分有效

（6）专家新手的问题解决：专家通常掌握了大量的，高度组织化的专业知识，在它们擅长的领域通过处理各种各样的问题积累了丰富的经验。而新手往往关注的是问题的细节和表面信息。  要成为一个专家需要数年的时间的大量的练习。

参考书籍：彭聃龄《普通心理学》

启发式搜索全局择优搜索和局部择优搜索的区别是什么

根据问题的实际情况不断寻找可利用的知识，从而构造成一条代价较少的推理路线，使问题得到圆满解决的过程称为搜索。 寻找问题的解的一种可靠的方法是首先列出所有候选解，然后依次检查每一个解，即可以找到所需要的问题的答案。这是一种“万能”的方法，理论上，当候选解的数量可以穷尽并且通过检查所有或部分候选解能够得到所需解时，问题就能得到解决。 　 但是，在实际应用中，因为候选解的数量通常都非常大（比如指数级），并且计算机的速度和内存都有限制，因此对问题不加分析的穷尽算法通常只能解决规模很小的问题。 　　 在实际运用中常采用回溯和分枝定界法对问题进行求解。按照这两种方法对候选解进行系统检查通常会使问题的求解时间大大减少（无论对于最坏情形还是对于一般情形）。这二种方法由于都是按规定的路线进行，基本没有使用与问题有关的启发性信息，属于盲目搜索策略。在涉及人工职能的有些问题如博弈问题时，还会用到启发是搜索策略，如A*算法等。 　　　　 一、回溯法和分枝限界法 　　　　 问题的表示 　　　　 状态空间表示法是表示问题及其搜索过程的一种形式表示方法。可以用解空间树来表示问题的结构。 对于一棵树，树中的每一个结点确定所求问题的一个问题状态，由根结点到其它结点的所有路径确定了这个问题的状态空间。解状态是一些问题状态S，对于这些问题状态，由根到S的那条路径确定了这解空间的一个元组。答案状态则是由解状态到根的路径。 　　　 对于一种状态空间树，可以先系统地生成问题的状态，接着确定问题状态的解状态，最后确定那些解状态是答案状态从而将这些问题解出。 　　　　 从根结点开始解问题，如果已经生成一个结点而它的所有儿子结点还没有全部生成，则这个结点叫做活结点。当前正在生成其儿子的活结点叫E结点，不再进一步扩展或者其儿子结点已经全部生成的生成结点就是死结点。 　　 回溯算法使用深度优先方法搜索树结构，而分枝定界一般用宽度优先方法来搜索这些树。 　　 回溯方法的步骤如下： 　　　　 1) 定义一个解空间，它包含问题的解。 　　　　 2) 用适于搜索的方式组织该空间。 　　　　 3) 用深度优先法搜索该空间，利用限界函数避免移动到不可能产生解的子空间。 　　 回溯算法的特性是在搜索执行的同时产生解空间。在搜索期间的任何时刻，仅保留从开始节点到当前E -节点的路径。因此，回溯算法的空间需求为O（从开始节点起最长路径的长度）。 　　 分枝限界法的步骤和回溯的唯一区别是采用了宽度优先的方法来搜索树，因此分枝法消耗的空间比回溯法要多。 　　　　 这二种搜索策略从本质上来讲都是属于穷尽法的搜索，由于在搜索路径上的不同也造成这二种方法各自都有其优缺点、适用的求解问题也就不同。 　　　　 宽度优先占有优势的问题： 　　 九宫重排问题 　　 九宫重排问题是一个可以回溯法和分枝法都能解决的问题。但是，对于这个问题运用分枝法是有利的。 　　 九宫重排问题，在3*3的方格棋盘上放置标由数字1、2、3、4、5、6、7、8共8个棋子，初始状态为S 0 ，目标状态为Sg ，当找到一个解时结束搜索。 从根结点到叶子结点的路径即为解，算法为空格左移，空格上移，空格右移，空格下移。 S0Sg2 8 3 1 2 3 1 48 4 7 6 57 6 5　 用宽度优先搜索，如下图： 　　　　　　　　　　 f’(x) = g(x) + h(x) 2　 8　 3 1　　　　4 7　 6　 5 2　 8　 3 　　 1　 4 7　 6　 5 2　　　　3 1　 8　 4 7　 6　 5 3　 8　 2 1　 6　 4 7　　　5 3　 8　 2 1　 4 7　 6　 5 　　 8　 3 2　 1　 4 7　 6　 5 3　 8　 2 1　　　　4 7　 6　 5 8　　　　2 2　 1　 4 7　 6　 5 2　 3　 4 1　 8 7　 6　 5 1　 2　 3 　　 8　 4 7　 6　 5 2　 3 1　 8　 4 7　 6　 5 　　 2　 3 1　 8　 4 7　 6　 5 2　 8　 3 1　 6　 4 7　 5 2　 8　 3 1　 6　 4 　　 7　 5 3　 8　 2 1　　　　4 7　 6　 5 2　 8　 3 1　 6　 7　 5　 4 2　 8　 3 　　 6　 4 1　 7　 5 2　 8　 3 1　 4　 5 7　　　　6 2　　　　8 1　 4　 3 7　 6　 5 2　 8　 3 1　 4　 5 7　 6　　 2　　　　8 1　 4　 3 7　 6　 5 2　 8　 3 7　 1　 4 6　 5 2　 8　 3 7　　　　4 6　 1　 5 8　 1　 3 2　　　　4 7　 6　 5 8　 3　 2 2　 1　 4 7　 6　 5 1　 2　 3 8　　　　4 7　 6　 5 16 26 9 8 7 6 2 1 S0 4 3 5 Sg 图示解的路径是 S0-3-8-16-26(Sg) 宽度优先搜索的盲目性较大，当目标结点距离初始结点较远时将会产生许多无用结点，空间浪费较大，搜索效率低，但是只要问题有解，用宽度优先搜索总可以得到解，而且得到的路径最短的解。 　 用深度优先策略搜索，如下图： 2　 8　 3 1　　　　4 7　 6　 5 2　 8　 3 　　 1　 4 7　 6　 5 2　　　　3 1　 8　 4 7　 6　 5 3　 8　 2 1　 6　 4 7　　 　 5 3　 8　 2 1　 4 7　 6　 5 2　 8　 3 1　 6　 4 7　 5 2　 8　 3 1　 6　 4 　　 7　 5 2　 8　 3 1　 6　 7　 5　 4 1 S0 2 2　 8　 1　 6　 3 7　 5　 4 2　 　　 8 1　 6　 3 7　 5　 4 2　 8　 1　 6　 3 7　 5　 4 3 4 5 6 　　 在深度优先搜索中，搜索一旦进入某个分枝，就将沿着该分枝一直向下搜索，如果该节点恰好在此分支上，则可较快地得到解。但是，如果目标节电不在此分支上，而该分支又是一个无穷分支，则就不可能得到解。 显然该问题用宽度优先搜索的策略是较好的。 　　 经典的N皇后问题 　　 N皇后问题要求求出N个皇后在棋盘上的所有摆法，（该问题很多书籍上都有详细介绍，这儿图表省略），该问题是适合用回溯法来描述和解决的问题，通过深度优先搜索至多需要检索N!个元组，而如果用分枝法，因为要生成所有问题的解，则必须储存检索过程中的E结点，造成储存空间的极度膨胀，这类问题明显是用回溯法占优势的。 回溯法和分枝法是基本的搜索策略，大多数情况下如果找不到更好的解决方案，总是可以用这二种方法尝试。 但是它们有一个很大的缺陷就是都是在一个给定的状态空间中穷举。这在状态空间不大的情况下是很合适的算法，可是当状态空间十分大，且不预测的情况下就不可取了。它的效率实在太低，甚至不可完成。 　　　 　　　　 二、启发式搜索算法　　 通常在搜索中能直接运用回溯、分枝法的问题并不多，回溯和分枝的过程中，施加一定的条件，对搜索过程中出现的结点进行判断，可以提高效率。 启发式搜索就是在状态空间中的搜索对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标。这样可以省略大量无畏的搜索路径，提到了效率。在启发式搜索中，对位置的估价是关键。采用了不同的估价可以有不同的效果。 　　　 启发式搜索有很多的算法，如：局部择优搜索法、最好优先搜索法等等。A*也是。这些算法都使用了启发函数，但在具体的选取最佳搜索节点时的策略不同。 　　　 局部择优搜索法，就是在搜索的过程中选取“最佳节点”后舍弃其他的兄弟节点，父亲节点，而一直得搜索下去。这种搜索的结果很明显，由于舍弃了其他的节点，可能也把最好的节点都舍弃了，因为求解的最佳节点只是在该阶段的最佳并不一定是全局的最佳。 局部择优搜索法它是对深度优先搜索方法的一种改进。 全局择优搜索是 局部择优搜索的一种改进，试图克服局部择优搜索的的局限性。再搜索时，每次总是从全体的活结点中选取一个估价值最小的节点， 　　　　　 在搜索过程中，启发式搜索的关键是要确定下一个要考察的节点，用于估价节点重要性的函数称为估价函数 　　　　　　　　　　 f’(x) = g(x) + h(x) 　　 　 其中g(x)为从初始节点So到节点X已经实际付出的代价；h(x)是从节点X到节点Sg的最优路径的估计代价。h(x)称为启发函数。 　　　 九宫重排 　　　 当用全局择优搜索求解该问题时，可以设估价函数为　 f’(x) = d(x) + h(x) d(x)表示节点x的深度，h(x)表示节点x的棋局与目标节点棋局位置不相同的棋子数。 2　 8　 3 1　　　　4 7　 6　 5 2　 8　 3 　　 1　 4 7　 6　 5 2　　　　3 1　 8　 4 7　 6　 5 3　 8　 2 1　 6　 4 7　　　5 3　 8　 2 1　 4 7　 6　 5 　　 8　 3 2　 1　 4 7　 6　 5 3　 8　 2 1　　　　4 7　 6　 5 1　 2　 3 　　 8　 4 7　 6　 5 2　 3 1　 8　 4 7　 6　 5 　　 2　 3 1　 8　 4 7　 6　 5 1　 2　 3 8　　　　4 7　 6　 5 4 6 4 6 6 4 1 S0 4 4 5 Sg 1　 2　 3 7　 8　 4 　　 6　 5 5 5 S3 S2 S1 　　 图中节点旁标明的数字是该节点的估价函数值。 　 该问题的解路径为： So-S1-S2-S3-Sg 　　 以上论述一些树型问题基本的搜索的策略，当问题的状态空间是有向图时，节点的重复将导致大量冗余的搜索，甚至时搜索过程陷入无效的循环而无法找到解，这时就需要对估价函数进行限制，A*算法就是针对图的有序搜索的算法。 　 　　 问题的求解可以有很多方法，而如何建立数学模型，选择问题的求解方式是十分重要的，方法的好坏是面向一个具体的问题的，需要具体问题具体分析

启发式搜索是什么

启发式搜索就是在状态空间中的搜索对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标。这样可以省略大量无畏的搜索路径，提到了效率。在启发式搜索中，对位置的估价是十分重要的。采用了不同的估价可以有不同的效果。我们先看看估价是如何表示的。　　启发中的估价是用估价函数表示的，如：　　f(n) = g(n) + h(n) 　　其中f(n) 是节点n的估价函数，g(n)实在状态空间中从初始节点到n节点的实际代价，h(n)是从n到目标节点最佳路径的估计代价。在这里主要是h(n)体现了搜索的启发信息，因为g(n)是已知的。如果说详细点，g(n)代表了搜索的广度的优先趋势。但是当h(n) 》》 g(n)时，可以省略g(n)，而提高效率。　　启发算法有： 蚁群算法，遗传算法、模拟退火算法等 　　蚁群算法是一种来自大自然的随机搜索寻优方法，是生物界的群体启发式行为，现己陆续应用到组合优化、人工智能、通讯等多个领域。蚁群算法的正反馈性和协同性使其可用于分布式系统，隐含的并行性更使之具有极强的发展潜力。从数值仿真结果来看，它比目前风行一时的遗传算法、模拟退火算法等有更好的适应性。

心理学启发式的问题解决策略有哪些

代表性策略：某个个体和某个群体中的典型人物越相似，他属于这个群体的可能性就越大。易得性策略：容易想起的信息对我们的判断或决策过程影响更大。如：孕妇效应。小轿车和SUV哪个更安全？锚定调节策略：处理不确定事件时，使用已知的事物作为起始点进行判断的倾向性。如：量刑和议价。

什么是启发式搜索并以八数码难题为例,说明其原理

启发式搜索就是在状态空间中的搜索对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标。这样可以省略大量无谓的搜索路径，提高了效率。在启发式搜索中，对位置的估价是十分重要的。采用了不同的估价可以有不同的效果。我们先看看估价是如何表示的。　　启发中的估价是用估价函数表示的，如：　　最佳优先搜索的最广为人知的形式称为A*搜索(发音为“A星搜索”).它把到达节点的耗散g(n)　　和从该节点到目标节点的消耗h(n)结合起来对节点进行评价：f(n)=g(n)+h(n)　　因为以g(n)给出了从起始节点到节点n的路径耗散，而h(n)是从节点n到目标节点的最低耗散路径的估计耗散值，因此f(n)=经过节点n的最低耗散解的估计耗散.这样，如果我们想要找到最低耗散解，首先尝试找到g(n)+h(n)值最小的节点是合理的。可以发现这个策略不只是合理的:倘若启发函数h(n)满足一定的条件，A*搜索既是完备的也是最优的。　　如果把A*搜索用于Tree-Search,它的最优性是能够直接分折的。在这种情况下，如果h(n)是一个可采纳启发式--也就是说，倘若h(n)从不会过高估计到达目标的耗散--A*算法是最优的。可采纳启发式天生是最优的，因为他们认为求解问题的耗散是低于实际耗散的。因为g(n)是到达节点n的确切耗散，我们得到一个直接的结论：f(n)永远不会高估经过节点n的解的实际耗散.　　启发算法有：蚁群算法，遗传算法、模拟退火算法等　　蚁群算法是一种来自大自然的随机搜索寻优方法，是生物界的群体启发式行为，现己陆续应用到组合优化、人工智能、通讯等多个领域。蚁群算法的正反馈性和协同性使其可用于分布式系统，隐含的并行性更使之具有极强的发展潜力。从数值仿真结果来看，它比目前风行一时的遗传算法、模拟退火算法等有更好的适应性。

算法式策略和启发式策略在哪一章

属于第2章。

最常见的启发式的问题解决策略，著名心理学家阿莫斯·特韦尔斯基和丹尼尔·卡尼曼发现主要可以有两个来代表：一个是叫做代表性的启发式，另外一个叫做可用性的启发式。

代表性的启发式讲的是通常用一些特别鲜明的形象，来帮助我们做出思维和判断；另外一个启发式问题解决的方法，就是可用性的启发式，任何信息如果很快的进到我们的大脑里头，我们就会充分地使用这样的信息。

分类

现代启发式算法的各种具体实现方法是相对独立提出的,相互之间有一定的区别。从历史上看,现代启发式算法主要有:模拟退火算法(SA)、遗传算法(GA)、列表搜索算法(ST)、进化规划(EP)、进化策略(ES)、蚁群算法(ACA)、人工神经网络(ANN)。如果从决策变量编码方案的不同来考虑,可以有固定长度的编码(静态编码)和可变长度的编码(动态编码)两种方案。

人工智能的启发方式搜索是

什么是搜索？搜索是人工智能领域的一个重要问题。它类似于传统计算机程序中的查找，但远比查找复杂得多。传统程序一般解决的问题都是结构化的，结构良好的问题算法简单而容易实现。但人工智能所要解决的问题大部分是非结构化或结构不良的问题，对这样的问题很难找到成熟的求解算法，而只能是一步步地摸索前进。就像是甲、乙两个不同的网络，甲网络中的某一台计算机A要想找到乙网络中的数据。乙网络位于广域网中，A的目标就是要找到乙网络（实际上就是找到甲主路由器的IP），但是A不知道目标的具体位置，只能试探着去找。像这样摸索着前进，不断搜索前进方向的过程称为搜索。从理论上讲，只要乙不犯规 (不会关闭设备)，A终究是会找到乙的（当然这必须是在甲、乙本来是可以互通的基础上）。当然，A找到乙所需的时间是无法预测的。如果A以前就访问过乙网络上的某台主机，在找的过程中，可以得到路由器中更新的路由表的支持，很快会找对了方向，可能花费的时间就会少些。相反，也有可能A找遍了所有的地方，最后才找到乙(极端情况)。 搜索，通常可分为盲目搜索和启发式搜索。盲目搜索是按预定的控制策略进行，在搜索过程中获得的中间信息不用来改进控制策略 。这在复杂网络中的路由选择会经常用到。广域网中的动态路由协议，为了学习相邻路由器的路由，为了确定最短路径，总是主动地去搜索相邻的路由设备。由于路由选择总是按预先规定的方式进行，未能考虑到环形结构或不可到达情况，因此效率不高，具有盲目性，往往会因此占去不少的网络带宽。启发式搜索是在搜索过程中根据问题的特点，加入一些具有启发性的信息，如从上一级路由器中找到相应的路由表来确定下一步搜索的路线，加速问题的求解过程。显然，启发式搜索的效率比盲目搜索要高，但由于启发式搜索需要与网络本身特性有关的信息，而这对非常复杂的网络是比较困难的，因此盲目搜索在目前的应用中仍然占据着统治地位。而盲目搜索中最行之有效、应用最广泛的搜索策略就是：宽度优先搜索和深度优先搜索。这两种搜索方法在很多人工智能的资料中都有介绍，关于算法也给出了简单的设计思路。这里只对简单应用及体会做简单介绍。 宽度优先搜索，又称为广度优先搜索，是一种逐层次搜索的方法。在第n层的节点没有全部扩展并考察之前，不对第n+1层的节点进行扩展。设V1为起始节点，则搜索的顺序为：V1V2V3V4V5V6V7 Flash5中Action Script功能非常强大，其实它涉及到的最主要的问题就是动作怎么通过指定路径或一个大概的方式去完成动作的结果。利用此算法可以很好地解决这个问题。打红警，玩帝国时，指挥坦克或炮车去指定位置，计算机控制坦克通过此算法找到最短路径行进只需要将屏幕分成多个区间并编成号码，实际上从源地址到目标地址就是找到到达目标地址的一串区间号码。这样问题就可以程序化了。至于具体的设计流程和源程序这里就不多讲了。 Dijkstra单源最短路径算法和Prim最小生成树算法都采用了和宽度优先搜索类似的思想。 实际上网络上许多协议和应用程序都会用到类似的思想。例如，生成树协议中，为了确定生成树的树根。它要确定每一台交换机的树值并不断地更新结果。象使用网络下载某个软件时，它的每个线程都会去找目标地址，来确定到达的路径。 因为宽度优先搜索是针对非结构化或结构不良的问题，所以只要碰到类似的情况只是将具体条件转化一下，就可以应用此算法了。

什么是启发式策略

运用已有经验，在问题空间中只做少量搜索就能达到问题解决的一种方法。

最常见的启发式的问题解决策略，著名心理学家阿莫斯·特韦尔斯基和丹尼尔·卡尼曼发现主要可以有两个来代表：一个是叫做代表性的启发式，另外一个叫做可用性的启发式。

代表性的启发式讲的是通常用一些特别鲜明的形象，来帮助我们做出思维和判断；另外一个启发式问题解决的方法，就是可用性的启发式，任何信息如果很快的进到我们的大脑里头，我们就会充分地使用这样的信息。

扩展资料

局限性：

有些时候，基于代表性的判断会出错，主要由于以下几个原因：以这个原则为基础的决定或判断常常忽视了基本概率——在总人口中特定事件或模式出现的频率。比如，在实际生活中，生意人多于图书管理员——差不多是50倍。

这样，即使你的邻居凭她的特点看上去更像图书馆员而不是个生意人，她从事商业的概率事实上高于她做图书馆员的概率。以此或相关方式思考别人，代表性启发式可能导致错误的判断。

可利用性启发式：有时候，它会导致错误。与汽车事故所造成的死亡率相比，很多人对飞机失事所造成的死亡率表现出了更强烈的恐惧。事实上汽车事故的死亡概率更高。

这种差别可能源自于飞机失事给人们更深刻的印象，而且受到了更多的媒体注意。人们会更容易想起飞机失事，因此，对人们的判断和思想产生更强烈的影响。

参考资料来源：百度百科-启发式思维

参考资料来源：百度百科-启发式