局部择优，比如A先指向B，A后指向C，B和C的估价函数值相同，接下来选哪个节点进行扩展啊
全局择优是不是也同样？
当局部择优搜索中出现两个相同估价函数值最小的节点时，一般来说可以根据一些启发式信息来进行选择，比如选择在之前被扩展的节点中距离起始节点较近的节点，或者根据一些特定规则进行选择。如果没有额外的启发式信息，则可以随机地选择其中一个节点进行扩展。
在全局择优搜索中，同样可能会出现多个具有相同估价函数值的节点。在这种情况下，通常会选择距离起始节点最近的节点进行扩展，因为这通常可以更快地找到解决方案。
需要注意的是，这里提到的启发式信息和距离并不一定都是实际距离，而可能是某些问题特定的估价函数或启发式函数。在实际应用中，具体的选择策略取决于问题的具体特点和求解目标。
当局部择优搜索中出现两个具有相同估价函数值的节点时，可以使用一些启发式信息来选择扩展哪个节点。例如，可以选择距离起点较近的节点，或者选择在之前被扩展的节点中距离起点最近的节点。如果没有可用的启发式信息，则可以随机地选择其中一个节点进行扩展。
对于全局择优搜索，当存在具有相同估价函数值的多个节点时，通常会使用某些策略来进行选择。一种常见的策略是选择具有最小代价的节点进行扩展，即选择从起点到该节点的路径上具有最小代价的节点进行扩展。另一种策略是选择距离终点最近的节点进行扩展，这种策略通常被用于启发式搜索算法中。在某些特殊情况下，也可以随机选择一个具有相同估价函数值的节点进行扩展。具体选择哪种策略取决于具体的问题和算法。
在局部择优的情况下，如果节点B和C的估价函数值相同，那么通常可以选择其中一个节点进行扩展，而这个选择可能会受到具体应用的影响。比如，在某些情况下，可能会选择距离当前节点最近的节点进行扩展，或者选择在搜索树中具有更小深度的节点进行扩展。总之，这种选择往往是启发式的，可以根据具体情况进行调整。
在全局择优的情况下，通常是比较所有可扩展节点的估价函数值，然后选择具有最小估价函数值的节点进行扩展。这种策略被称为最小化估价函数，它保证了搜索过程的全局最优性，即搜索可以找到最优解。