第五讲经典人工智能技术—知识表示、推理与搜索详解.pptVIP

示例不用详细讲，只表示讲完概念后用示例来说明 被认为是机器证明的重大突破 在变化为子句时，丧失了因果关系的语义 包含了问题所有可能状态和转换关系的图 图中的边是能够导致状态变化的操作 图中从初始状态到目标状态的路径对应的操作序列就是问题的解 请问这个问题有几种不同的解法？4种，有4条从初始到目标的路径 要从常德到醴陵，怎么走？ 图在计算机中以一定的数据结构存储，比如邻接矩阵，邻接表等 状态空间图表示整个搜索的空间，是个逻辑概念，在搜索进行前是不存在的，即隐式的。 我们只知道某一状态下可以执行什么操作，到达什么状态。 走到益阳后为避免回到常德，需要记住哪些点已经走过 在益阳还有3条路可以选择，假设娄底到衡阳、湘乡的路不存在，就需要选择另外一条路，但不能退回益阳，因此还必须记住下一步可以考察的候选节点 再按类似的步骤一直到走到醴陵为止 到了醴陵后，如果忘记了是怎么走过来的，那么路径还是没找到，所以必须能从目标再回溯，获得找到的路径 刚刚的方法对应的就是深度优先搜索 所谓深度，就是沿着图中某一支一直走下去，直到找到目标，或者无法往下走再换到另一支 要做到这些，需要一些额外的数据结构来存储相关信息，对应的为open,closed,和指向父节点的指针 Nils Nilsson invented a heuristic based approach to increase the speed of Dijkstras algorithm. This algorithm was called A1. In 1967 Bertram Raphael made dramatic improvements upon this algorithm, but failed to show optimality. He called this algorithm A2. 1 2 3 8 4 5 6 7 1 2 3 8 4 1 2 3 8 4 5 6 7 4 1 2 3 8 5 6 7 1 2 3 8 4 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 6 7 8 9 10 11 12 13 1 2 3 8 4 5 6 7 5 6 7 5 6 7 1 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 2 3 4 5 宽度优先搜索树 1 2 3 8 4 5 6 7 27 1 3 4 5 6 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 23 24 25 26 2 7 8 22 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 14 15 16 17 18 19 20 21 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 4 1 2 3 8 5 6 7 深度优先搜索树(深度约束=4) 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 3 4 5 6 2 7 8 能否预先知道下一步应选择谁？ 启发式搜索 有信息搜索 搜索过程中利用与问题有关的经验信息（启发式信息） 引入估价函数来估计节点位于解路径上的“希望”，函数值越小“希望”越大 搜索过程中按照估价函数的大小对OPEN表排序 每次选择估价函数值最小的节点作为下一步考察的节点 估价函数 是启发式搜索中最重要的因素 启发式搜索和盲目搜索的不同就体现在对OPEN表按估价函数的大小排序 不同的估价函数所体现出来的搜索效率不同，甚至天差地远 不同的估价函数也决定了不同的启发式搜索算法 A算法 1964年，尼尔逊提出一种算法以提高最短路径搜索的效率，被称为A1算法 1967年，拉斐尔改进了A1算法，称为A2算法 尼尔逊 拉斐尔 A算法 特征： 估价函数 f (x) = g (x) + h (x) 从起始状态到当前状态x的代价 从当前状态x到目标状态的估计代价（启发函数） 虽提高了算法效率，但不能保证找到最优解 A*算法 1968年，彼得.哈特对A算法进行了很小的修改，并证明了当估价函数满足