人工智能与专家系统要点.pptVIP

* 首先，扩展最深的节点的结果使得搜索沿着状态空间某条单一的路径从起始节点向下进行下去；只有当搜索到达一个没有后裔的状态时，它才考虑另一条替代的路径。替代路径与前面已经试过的路径不同之处仅仅在于改变最后n步，而且保持n尽可能小。 * 深度界限 对于许多问题，其状态空间搜索树的深度可能为无限深，或者可能至少要比某个可接受的解答序列的已知深度上限还要深。为了避免考虑太长的路径（防止搜索过程沿着无益的路径扩展下去），往往给出一个节点扩展的最大深度——深度界限。任何节点如果达到了深度界限，那么都将把它们作为没有后继节点处理。值得说明的是，即使 应用了深度界限的 规定，所求得的解答路径并不一定就是最短的路径。 * 含有深度界限的深度优先搜索算法 （1） 把起始节点Ｓ放到未扩展节点OPEN表中。如果此节点为一目标节点，则得到一个解。 （2） 如果OPEN为一空表，则失败退出。 （3） 把第一个节点（节点n）从OPEN表移到CLOSED表。 （4） 如果节点n的深度等于最大深度，则转向（2）。 （5） 扩展节点n ，产生其全部后裔，并把它们放入OPEN表的前头。如果没有后裔，则转向（2）。 （6） 如果后继节点中有任一个为目标节点，则求得一个解，成功退出；否则，转向（2）。 * 有界深度优先搜索算法图 * 按深度优先搜索生成的八数码难题搜索树，深度界限为5。 * 把要求解的问题的具体领域的知识加进搜索算法中，控制搜索过程，以提高算法效率的搜索方法，称为启发式搜索。 注：1）这里搜索的对象(常称状态)往往是边搜索边生成，因此在考虑这种搜索的复杂性时，必须将搜索对象的生成和评估的代价计算在内。 5.4 启发式搜索 * 注：2)根据启发性信息(特定领域的知识信息)，在生成搜索树时可考虑种种可能的选择： a)下一步展开哪个节点？ b)是部分展开还是全部展开？ c)使用哪个规则(算子)？ d)怎样决定舍弃还是保留新生成的节点？ e)怎样决定舍弃还是保留一棵子树？ f)怎样决定停止或继续搜索？ g)如何定义启发函数(估值函数)？ h)如何决定搜索方向？ 启发式搜索 * 5.4 启发式搜索 启发性信息 　　按其用途划分, 启发性信息可分为以下三类：  (1) 用于扩展节点的选择, 即用于决定应先扩展哪一个节点, 以免盲目扩展。  (2) 用于生成节点的选择,即用于决定应生成哪些后续节点,以免盲目地生成过多无用节点。  (3) 用于删除节点的选择,即用于决定应删除哪些无用节点, 以免造成进一步的时空浪费。 * 启发信息与估价函数 启发信息按运用的方式可分为： （1）陈述性启发信息 （2）过程性启发信息 （3）控制性启发信息 * 估价函数 　一个比较灵活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。用来估算节点希望程度的量度，叫做估价函数（evaluation function）。 * a)对于每个在搜索过程中遇到的新状态，计算一个估计值，根据估计值的大小，确定下一步将从哪一个状态开始继续前进。 b)一般以估计值小者作为较优的状态，以此实现最佳优先搜索。 c)计算状态估计值的函数是确定的，但每个状态的估计值的大小与初始状态到该路径有关。 有序搜索算法的基本思想 * 1) 用多个估计值函数来“层层设卡” 2) 对估计值函数的形式加以限制，以保证它一定能找到解，甚至一定能找到最优解。 有序搜索算法改进 最短路径问题的求解 例、假设A、B、C、D、E各个城市之间旅费如下图红色数字所示。某人想从城市A出发游览各城市一遍，而所用旅费最少，试编程输出结果。 [问题分析] 解这类问题时，若采用穷举法把所有可能的情况全部列出，再找出其中旅费最少的那条路径；或者采用递归（深搜）找出所有路径，再找出旅费最少的那条。这两种方法都是费时非常多的解法，如果城市数目多的话则更加突出。　　实际上我们知道，递归（深搜）之类的算法一般用于求所有解问题（例如求从A出发每个城市都要走一遍一共有哪几种走法？），所以这些算法对于求最短路径这类最优解问题显然是不合适的。 首先，对于这类图，应该先建立一个邻接矩阵，存放任意两点间的数据（如距离、费用、时间等），以便在程序中方便调用，以下介绍几种常见的、更好的求最短路径问题的算法。 最短路径问题的求解 一、宽度优先搜索　　宽搜也并不是解决这类问题的优秀算法，这里简单介绍一下算法思路，为后面的优秀算法做个铺垫。具体如下：　　1、从A点开始依次展开得到AB、AC、AD、AE四个新结点（第二层结