人工智能产生式系统搜索策略.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 迷宫走法规定为向东、南、西、北前进一步，由此可得规则集简化形式如下： R1：if （x，y） then （x+1，y） （东） R2：if （x，y） then （x，y-1） （南） R3：if （x，y） then （x-1，y） （西） R4：if （x，y） then （x，y+1） （北） 图3-24为这个简单问题的状态空间图。（主要考虑有分岔的情况） 为求得最佳的路径，可使用A*算法，假定搜索一步取单位耗散，则可定义 h（n）=|XG-xn|+|YG-yn|， 其中（XG，YG）为目标点坐标，（xn ，yn）为当前节点n的坐标，显然有h（n）≤h*（n）。取g（n）=d（n），有f（n）=d（n）+h（n）。 再设搜索过程在OPEN表中f（n）相等时，以深度优先排序，则搜索图如图3-25所示。最短路径为（（1，1），（2，3），（2，4），（3，4），（3，3），（4，3），（4，4））。 图3-25、迷宫问题启发式搜索图 3.5.6 评价函数的启发能力 一般来讲，启发函数的启发能力越强，搜索效率越高。有时，如果选用不满足A*算法的h函数，虽然会牺牲找到最佳解的可能，但可使启发能力得到改善。以八数码问题为例。 初始状态 目标状态 如果我们给启发函数增加一个分量S(n)，反映状态n时的将牌排列次序，使启发能力得到加强，但将使其不满足A*算法。 S(n)的估分值采用如下方法计算： 1）对于非中心格中的数码，如果其后（顺时针）紧跟的数码和目标的状态相比顺序正确，则令Si(n)=0，否则令Si(n)=2。 2）若中心格无将牌，则令Si(n)=0，否则令Si(n)=1。 3）S(n)为全部Si(n)之和，即S(n)= ΣSi(n)。 我们定义函数h3(n)= p(n)+ 3S(n)，则f(n)= g(n)+ h3 (n)= g(n)+ p(n)+ 3S(n). f(n)值小的节点，确能反映该节点越有希望处于到达目标节点的最佳路径上。 使用新定义的f(n)函数搜索过程如图3-26所示，图中圆圈中的数字是f函数值，不带圈的数字表示扩展顺序。 总结如下： 1)?? h (n)=0，则f (n)= g (n)，等同于分支界限法。当g (n)= d (n), 等同于宽度优先。保证可采纳性，但搜索效率很低。 2)? 当f(n)= g(n)+ w*h (n)，w足够大，相当于g(n)=0，变成爬山法，搜索效率高，有可能牺牲可采纳性。 3) 满足A*算法，保持可采纳性，扩展节点少。但需尽可能多的准确可靠的启发性知识，而且计算这样的启发函数需较大的工作量。 影响算法搜索性能的主要因素： 1）路径的耗散值 2）扩展的节点数目 3）计算h所需的工作量 * * 人的成长!(上大学) * * * * * 考大学? * * 上学 * * * * * * 问一下! * * * * * * * * * * * Procedure depth_first_search Begin Open:=[start]; closed:=[]；d：= 深度限制值 *初始化 While Open ≠ [] do Begin 从Open表中删除第一个状态,称之为n; 将 n放入closed表中; if n=目的状态 then return(success); else if n的深度d then continue; *回溯 else 生成n的所有子状态; 从n的子状态中删除已在Open或closed表中出现的状态; *避免循环搜索; 将n的其余子状态,按生成的次序加入到Open表的前端. End; End. 深度优先搜索过程： 例、订票问题：一名顾客希望订一张美国航空公司从纽约到洛杉矶的飞机票，如果没有从纽约到洛杉矶的直达航班(航班表如下所示)，但他坚持要乘座美国航空公司的航班，问如何为其订票？ 纽约→芝加哥 1000英里； 芝加哥→丹佛 1000英里； 纽约→多伦多 800英里；