本文适合各个层次的人工智能编程爱好者阅读。分析得可能有误，看下面本人写的补充评论。
结合本人的理论学习、编程实践、网络搜索，简要总结我的推箱子算法如下：
1，先逐个推箱子，此时认为布局中只有一个箱子。得到一个搬运工位置和一个箱子位置的所有组合状态，当然是个网状数据结构。这个网状数据结构不会很大，普通个人电脑可以容纳。用广度搜索，记录每个节点的正向层数，也就是正向距离。对于不同的初始箱子及搬运工组合状态会有不同的距离数。
2，以单个箱子被推到终点（目标点）的数据状态为中心节点（会有很多，最多也就是箱子数*4个），进行逆向广度搜索，得到并记录各层节点到各个中心节点的距离，就是逆向层数。每个节点到不同中心节点的层数（距离）是不同的。这个距离就是推箱子算法的重要参考依据。这个数据量普通个人电脑应该可以承受。
3，以上都是由单个的箱子情况得到的数据，现在开始要把这些箱子数据组合在一起。
1) 由实际箱子组合起始状态向最终目标点组合状态出发，用广度搜索法，正向搜索，算法是：正向距离最小的方向。数据量应该减少很多。问题是把哪个箱子推到哪个目标点上？排列组合！都试试吧！推的过程中有可能重复，那就为减少数据量做贡献了。
2) 由终点状态向起始状态出发，用广度搜索法，正向搜索，算法是：逆向距离最小的方向。数据量应该减少很多。终点状态的箱子排列肯定一样，只是不知道哪个箱子原来在哪？问题多了一个，搬运工应该在哪？应该不难吧，逆推应该简单多了，从单个箱子的结果里一个一个选吧。又一个排列组合.....那就再都试试吧! 推的过程中这些排列组合也有可能重复，那就又为减少数据量做贡献了。
3) 这两个对向搜索步骤交替进行，直到这两个步骤产生的最外层状态数据集出现了交集，搜索过程完成，层数和就是最终步数。数据量应该减少很多。
4) 预估总步数就是初始状态的总距离的2倍，因为一个搬运工是要走返程的。综合考虑让路的步数和合并的步数，就差不多了。双向搜索到初始状态的总距离后开始分析最外圈的交集,保守点的话，提前到3/4。当然这个数越接近实际距离越好。这需要对游戏布局进行分析和经验总结。这个问题以后有空再详细研究吧。
4，总体分析：把相互交替影响的复杂过程拆解成各自独立的过程。根据数据本身逻辑取各自独立过程数据的交集，使剪枝增多，总数据量减少，这个策略可能适合推箱子这种问题的解决。
1) 从平面几何上来说，是两个圆相交问题，分析结果就是:两个小圆的面积<一个大圆的面积
公式：2πr2 < 4πr2。
2) 从立体几何上来说是：两个小球的体积<一个大球的体积 ，
公式：2* (4/3)πr^3 < 8* (4/3)πr^3）
3) 推箱子问题数据量的增长比这个快很多。所以效率增加也就多。
不过，真理还是要实践来检验的。第一版代码已经完成，是正向广度搜索的，在我的资源上，虽然也加了很多算法，效率果然还是不高，超过六个箱子的很慢了......。逆向搜索代码编写ing……
还是JAVA 的.....
但愿java的 Set 集合的搜索效率能够帮忙。否则.....
业余程序员没有“否则”......
那就先这样吧......!
那些C代码......不写详细说明书，今年可能看不明白了......
2013.02.17
外星人2012