人工智能第三章2014.pptVIP

* * 算法A的启发能力 影响算法A启发能力的三个重要因素： （1）算法A所找到的解路径的费用。 （2）算法A在寻找这条解路径的过程中所需要 扩展的节点数。 （3）计算启发函数所需要的计算量。 * * h(n) ≤ h*(n) 保证了A*的可采纳性，可采纳性可能意味着算法需要扩展更多的节点，使总的费用提高。 Note1:若能保证高效（增强算法的启发能力）， 则牺牲可采纳性是可取的。 例：八码难题 (a) h(n)=W(n)：不在位数码的个数 问题：每个数码离开目标的距离不一致， 说明不了复位困难程度。 算法A的启发能力 * * (b) h(n)=P(n)：每个数码离“家”距离的和。 问题：不能说明离“家”近，但离空格远的数码复 位的难易。 1 2 4 8 7 6 5 3 1 2 3 8 7 6 5 4 初始状态 目标状态 * * 2 8 3 1 6 7 5 4 1 2 3 8 7 6 5 4 初始状态 目标状态 下面给出该八数码问题取不同启发函数，应用A*算法求得最佳解时所扩展和生成的节点数。 * * * * (c) h(n)=P(n)+3S(n) P(n)：每个数码离“家”距离的和。 S(n)：记分函数： * * 对于中心方格，若有数码，记1分，否则记0分。 对非中心的外围上的数码，沿顺时针方向依次检查每个数码：若此数码与其后面的数码与目标中顺序不同（若此数码后面的数码不是它在目标状态的后继），则记2分，否则记0分。 P(n)=1＋l＋ 2＋l＋1＋3＋0＋2= 11 S(n)=2＋2＋2＋2＋2＋2＋2＋l=15 所以:h(n)= P(n)＋ 3S(n)=11＋3×15=56 1 2 3 8 4 7 6 5 2 1 6 4 8 7 5 3 八数码难题的初始状态与目标状态 * * * * 该例子给了一个不满足A*条件的h函数。从图上可以看出，启发效果非常的好，对于需要18步才能完成的8数码问题，几乎没有扩展什么多余的节点，就找到了解路径。 这里所用的方法一是组合两个不同的启发函数；二是采取加权的方法（这里对S(n)加权为3），来加大S(n)的作用。 这样得到的启发函数由于不满足A*条件，因此不能保证找到问题的最佳解，但往往可以提高搜索效率，加快找到解的速度。由于这样的启发函数还是反映了被评估节点到目标节点路径耗散值的多少，算法虽然不能一定找到最优解，但一般来说，找到的也是一个可以被接受的满意解。很多情况下，满意解就足够了，最优解并没有什么特殊的意义，二者可能相差很少，但却使得问题简单了很多。值得指出的是，该例子所得到的解，刚好是一个最优解。 * * Note2:可控制g和h在搜索中所起的作用： 有时，把估价函数写成：f=g+wh(w 为正数)的形式 w很小时，强调宽度优先 w很大时，强调启发分量 经验表明，让w的值与搜索树中节点的深度成相反方向 变化时，搜索效率往往会有所提高．在深度较小时，搜 索主要依靠启发部分，随着深度的增加，宽度优先部分 的作用逐渐增大，以保证最终能找到一条解路径．一般w 与深度成反比。 算法A的启发能力 * * 正向搜索：从初始节点到目标的搜索 反向搜索：从目标节点到初始节点的搜索 双向搜索：正向和反向搜索的结合 搜索需要产生的节点数 宽度优先搜索，使用双向搜索要优越许多 对于启发式搜索,评价单向搜索和双向搜索的优劣 很复杂,双向搜索使用不当可能是单向搜索量的二倍. 3.9 有关算法 * * 分阶段搜索：为了完成搜索过程，可对搜索图进行修剪，释放出一部分存储空间。 把OPEN表具有最小f值的一些节点打上标记，记住这些节点和通向这些点的最佳路径，删去搜索图其余部分。 然后恢复节点和路径，重新开始搜索。 分阶段搜索并不能保证找到一条解路径。 3.9 有关算法 * * 搜索方法的启发能力主要依赖于给定问题的具体因素。 判断启发能力的强弱主要是凭经验而不是凭计算。 某些实现上的度量是可计算的。这些度量不能完全决定一个算法的启发能力，在比较各种搜索算法的优劣时是很有用的。 3.10 启发能力的度量 * * 渗透度是对一个搜索算法的搜索性能的度量，表 示搜索集中指向某个目标的程度，而不是在无关 的方向上徘徊。 定义为： P = L / T 其中，L是算法发现的解路径的长度， T是算法在寻找这条解路径期