第二章基于搜索的问题求解之应用智能的搜索.ppt

§2.3 应用智能的搜索 启发式搜索 启发式搜索策略 有关具体问题领域的信息常常可以用来简化搜索。一个比较灵活(但代价也较大)的利用启发信息的方法是应用某些准则来重新排列每一步OPEN表中所有节点的顺序。然后，搜索就可能沿着某个被认为是最有希望的边缘区段向外扩展。应用这种排序过程，需要某些估算节点“希望”的量度，这种量度叫做估价函数(evalution function) 估价函数 为获得某些节点“希望”的启发信息，提供一个评定侯选扩展节点的方法，以便确定哪个节点最有可能在通向目标的最佳路径上 。 f(n)——表示节点n的估价函数值 建立估价函数的一般方法： 试图确定一个处在最佳路径上的节点的概率；提出任意节点与目标集之间的距离量度或差别量度；或者在棋盘式的博弈和难题中根据棋局的某些特点来决定棋局的得分数。这些特点被认为与向目标节点前进一步的希望程度有关。 应用节点“希望”程度（估价函数值）重排OPEN表。 登山法和最佳优先搜索 登山法的引入 瞎子在山上某点，想要爬到山顶，怎么办？从立足处用明杖向前一试，觉得高些，就向前一步，如果前面不高，向左一试，高就向左一步，不高再试后面，高就退一步，不高再试右面，高就向右走一步，四面都不高，就原地不动.总之，高了就走一步，就这样一步一步地走，就走上了山顶。 这个向各方向的测试“步”，就是“登山法”的估价函数f(n)。 登山法算法步骤： 设定初始节点n； 如果n是目标，则成功退出； 扩展n，得到其子节点集合； 从该集合中选取f(n)为最小的节点n’； 将n’设为n，返回第②步。 最佳优先搜索算法 是“登山法”的推广，但它是对OPEN表中所有节点的f(n)进行比较，按从小到大的顺序重排OPEN表。 其算法效率类似于纵向搜索算法，但使用了与问题特性相关的估价函数来确定下一步待扩展的节点，因此是一种启发式搜索方法。 迷宫问题如下，F是入口，B是出口，试采用最佳优先搜索算法进行求解。 解：估价函数f(n)采用每个节点与目标节点在坐标系上的曼哈顿距离来表示。例如，E点与目标节点B之间的距离是2+2=4，两个2分别是E与B在x轴及y轴上的距离。 注：每个节点小括号内的数值表示该节点到目标的曼哈顿距离，即该点的估价函数值。搜索得到的路径如粗线所示。 举例： 本题采用的估价函数是 f(n)=W(n) 其中：W(n)用来计算节点n的棋盘上错放的棋子个数。因此，初始节点棋局 的估价函数值f(n)值等于4。 对三个子节点分别计算它们的估价函数值，如下所示： 按估价函数值递减的顺序排列上述三个节点，取排在第一位的节点进行下一步的扩展。 再次对得到的三个子节点计算估价函数值，如下所示： 按估价函数值递减的顺序重新排列OPEN表中的所有节点，取排在第一位的节点进行下一步的扩展。 对新生成的两个子节点计算估价函数值，如下所示： 将上述两个新节点加入OPEN表，然后按估价函数值递减的顺序重新排列OPEN表，选取排在第一位的节点进行下一步扩展。 对新生成的两个子节点计算估价函数值，如下所示： 将上述两个新节点加入OPEN表，然后按估价函数值递减的顺序重新排列OPEN表，选取排在第一位的节点进行下一步扩展。 扩展得到的子节点如下： 其估价函数值f(n)=1。根据OPEN表重排的结果，它将排在最前面。因此下一步扩展将选择它进行。 A*算法 最佳优先算法有时无法得到最优解，因为它的估价函数f的选取时，忽略了从初始节点到目前节点的代价值。所以，可考虑每个节点n的估价函数f(n)分为两个分量：从起始节点到节点n的代价g(n)以及从节点n到达目标节点代价的估算值h(n)。 f(n)=g(n)+h(n) A算法的引入： f(n)——节点n的估价函数； g(n)——从初始节点S到n节点的实际代价； h(n)——从n到目标节点Sg最佳路径的估计代价。 这里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)代表了搜索的宽度优先趋势。但是当h(n)??g(n) 时，可以省略g(n),而提高效率。 g(n)的计算方法： g(n)就是在搜索树中从S到n这段路径的代价，这一代价可以由从n到S寻找指针时，把所遇到的各段弧线的代价加起来给出(这条路径就是到目前为止用搜索算法找到的从S到n的最小代价路径)。 h(n)的计算方法： h(n)依赖于有关问题的领域的启发信息。这种信息可能与八数码魔方问题中的函数W(n)所用的那种信息相似。把h(n)叫做启发函数。 A算法与A*算法的引入： 在图搜索的过程中，如果重排OPEN表是依据f(n)=g(n)+h