任何一致的启发式也是可采纳的。但是，启发式何时是可采纳的但不一致（单调的）呢？
请提供一个这种情况的例子。
回答：
正如Russel和Norvig在《人工智能：现代方法》（最常用的AI教科书）中指出的那样，提出一个可采纳但不一致的启发式是具有挑战性的。
显然，你可以在图中的节点上选择值，使它们代表的启发式是可采纳的但不一致的。Felner等人的这篇论文很好地展示了这两种可能的方式，但内容有点密集，所以我来总结一下：
- 这个启发式在
c1处不一致，因为它给出的到达目标的成本下限（即较少的信息量）低于其父节点。通过父节点到达目标的成本估计至少为10（因为到达p的路径成本为5，且p处的启发式估计也为5）。然而，通过c1到达目标的成本估计仅为8（父节点的成本（5），加上从父节点到c1的路径成本（1），再加上c1处的启发式估计（2））。 - 由于这个图是无向的，这个启发式在
c2处也不一致，因为从c2到p的路径存在与上述相同的问题。
Felner等人还提供了一些可采纳但不一致的启发式的具体例子。考虑8拼图问题：
在这个拼图中，有8个编号为1-8的滑动瓷砖和一个空格。瓷砖开始时是无序的（如左图所示）。目标是通过将瓷砖滑动到空格中，使拼图达到右图所示的状态。这个问题的经典启发式（每个瓷砖到其应在位置的曼哈顿距离）是可采纳且一致的。
然而，你可以提出一个不同的启发式。也许你只想查看1、2和3到它们在目标状态中应在位置的曼哈顿距离（即相隔的方格数）。虽然这个启发式比所有瓷砖的曼哈顿距离提供的信息少，但它仍然是可采纳且一致的。
但假设你选择了另一组方块，比如5、6和7。然后假设你在每个节点计算启发式的方式是随机选择其中一组（1、2和3）或（5、6和7），并计算它们到目标位置的曼哈顿距离。这个启发式仍然是可采纳的——它只能低估或匹配到达目标状态所需的移动次数。然而，它不再是一致的——各节点的启发式估计之间没有明确的关系。
