簡介
部分參考簡書文章【Beam Search原理及應用】 和 【Beam_search集束搜索】.
一種啟發式圖搜索算法，通常用在圖的解空間比較大的情況下，為了減少搜索所占用的空間和時間，在每一步深度擴展的時候，剪掉一些質量比較差的結點，保留下一些質量較高的結點。
這樣減少了空間消耗，並提高了時間效率，但缺點就是有可能存在潛在的最佳方案被丟棄，因此，Beam Search算法是不完全的，一般用於解空間較大的系統中。
步驟
Beam Search的一般步驟為：
1、初始化beam_size個序列，序列均為空，這些序列稱之為beam paths；
2、取下一個Frame的前N個候選值（N一般為beam size或者更大，Frame內部侯選值已按照概率倒序排列），與已存在的beam paths組合形成N * beam_size條路徑，稱之為prob_paths；
3、對prob_paths進行打分，取前beam_size個prob_path作為新的beam paths；
4、若解碼結束則完成算法，否則回到步驟2。
總結
經典的beam search算法以最大后驗概率作為優化目標函數，每一個time step只保留B個最優的狀態（B表示集束寬度），是一種典型的貪心算法。
beam search可以看做是做了約束優化的廣度優先搜索，首先使用廣度優先策略建立搜索樹，樹的每層，按照啟發代價對節點進行排序，然后僅留下預先確定的個數（Beam width，集束寬度）的節點，僅這些節點在下一層次繼續擴展，其他節點被剪切掉。
BS嘗試在廣度優先基礎上進行進行搜索空間的優化（類似於剪枝）達到減少內存消耗的目的。
其中，集束寬度B可以是預先定好的，也可以是變動的，可以先按照一個最小的集束寬度進行搜索，如果沒有找到合適的解，再擴大集束寬度再找一遍。
當集束寬度B=1時，該算法退化為傳統的貪心算法。
當集束寬度B無窮大，該算法就是廣度優先搜索。
應用
這個算法常常被用於解碼可選狀態數量多的情形，比如生成對話、生成圖片描述、機器翻譯等，每一步都有詞表大小的可選狀態集。
多適用於機器翻譯，語音識別，當系統的數據集比較大，計算資源受限，而且沒有唯一最優解時，該算法能夠較快的找到接近最正確的解。
在sequence2sequence模型中，beam search的方法只用在測試的情況，因為在訓練過程中，每一個decoder的輸出是有正確答案的，也就不需要beam search去加大輸出的准確率。