人工智能与或图搜索23.pptVIP

2.1 与或图(AND/OR Graph)的搜索 为严格描述AND/OR图，我们先推广弧的概念。在有向图中的弧是从一个父亲节点指向它的儿子节点的。 在AND/OR图中使用的弧叫做超弧，一个超弧可以把一个父亲节点和k个儿子节点同时连接起来，这样的弧也叫做k连弧，在AND/OR图中，k连弧用弧线连接起来。当k=1?时，k连弧退化成通常的有向图中的弧。 与或图 设从节点n到目标节点集合N的费用用c(n, N)表示， 则c(n, N)定义如下： 如果n是N中的一个节点， 则c(n, N)=0， 如果n有一条从n出发的k连弧ai, 这个k连弧连接的儿子节点是{n1, n2, ..., nk}, 则解图G’由节点n, k连弧ai, 和由n1, n2, ..., nk出发的解图构成。这时，解图G’的费用定义为 c(n, N)= c(ai)+ c(n, n1)+…+ c(n, nk), 其中c(ai)是k连弧ai的费用. 否则， G没有从n出发到N的解图。设其费用为无穷大∞.。 例如，如果假定k连弧的费用是k, 则图3.4 所示的 AND/OR图的两个解图中，左图的费用是8， 右图的费用是7。 2.2 与或图的启发式搜索 AND/OR图的启发搜索过程AO* 1. 建立一个只由根节点s构成的搜索图G, 设从s 出发的解图的费用为q(s)=h(s), 如果s是目标节点， 用SOLVED标记s. 2. until s 被标上SOLVED, do: 3. begin 4. 通过跟踪从s出发的有标记的超弧计算候选解图G’(这些标记在后 面的步骤11中给出) 5. 在G’中选一个不是目标节点的叶节点n, 6. 扩展节点n, 产生节点n的所有儿子{n1, n2, ..., nk}, 并把这些儿子连到图G上,对于每一个不曾在G中出现的儿子nj, 设q(nj)=h(nj), 如果这些儿子节点中的某些节点是目标节点,则把这些节点标记为SOLVED. 2.3 博弈树的搜索 穷尽的极大极小过程。  两个游戏者分别为MAX 和MIN, MAX想取得高的分数， 而MIN想取得低的分数，把整个棋的状态以及所有可能的移动都用一个有与或图表示出来， 对于某一游戏者求出他的解图，就是为游戏者制定的赢的策略。 Nim 游戏，桌子上有 7 枚硬币， 由MAX 和MIN两个人分别把一堆硬币分成不相等的两堆，谁不能继续做下去，谁就算输， 为MAX制定一个赢的策略。 知识表示， 二元组《s, p》,其中s为一集合， 表示桌面上各堆的硬币数， p表示对当前状态应该移动的游戏者。例如 （2，3，2， MAX）表示现在桌面上有 3 堆硬币， 分别为2， 3， 2个， 此时应抡到MAX移动。 固定深度的极大极小过程。  实际的游戏的状态空间是非常大的， 例如国际象棋有 10120个状态， 要想把所有状态都列出来， 实际上是做不到的， 改进的处理方法是在当前状态下把游戏扩展到某一固定的深度， 对这个深度的树的叶节点进行状态估值，然后分别逐层地以取极大和取极小的方式上传， 最终给出对游戏者移动的最佳建议 例； 九宫游戏 估值函数： MAX所能占据的行， 列和对角线数 - MAX所能占据的行， 列和对角线数 Alpha-beta 过程 在固定深度的极大极小过程中， 对于一个给定的节点， 需要先扩展到给定的深度， 然后对叶节点进行估值，在一层一层地向上返回值， 决定最佳移动。 为提高效率， 我们可以按深度优先方式， 从左边开始， 先对最左分支扩展到给定深度， 定出极大和极小的取值界限，即alpha值和beta值， 然后一边扩展一边估值， 并把估值同alpha值和beta值相比较，这样就可以省掉许多节点的估值， 当然这些节点也不必产生了， 因此提高了算法的效率， 这就是Alpha-beta 过程。 Alpha-beta剪枝的原则 1。 在任一个MIN节点， 如果发现了其beta值小于或者等于它的一个MAX祖先节点的alpha值，则可以剪枝 2。 在任一个MAX 节点下， 如果发现了其alpha值大于或者等于它的一个MIN祖先节点的bata值，则可以剪枝 * 人工智能 吉林大学珠海学院计算机科学与技术系 k连弧 一般的弧 n7 n6 n3 n0 n1 n4 n2 n5 n8 与或图 n5 n1 n3 n6 n7 n8 n5 n0 n7 n8 n4 n0 三个解图 n5 n7 n8 n4 n0 在定义中假定AND/OR图不含回路，即是说， 图中不存在一个节点的后裔也是这个节点的祖先的情形。 不含回路保证了节点间具有部分序关系， 从而保证了下面定义的合理性。 设N是AND/OR图G的目