人工智能6.pptVIP

人工智能　━━　一种现代方法 云南大学 施心陵讲授 第六章 对抗搜索 博弈 博弈树 分钱币问题 中国象棋 一盘棋平均走50步，总状态数约为10160 假设每秒搜索104个节点，约需10145年 结论：不能搜索整个状态空间 最优策略—极小极大值过程 自己一方扩展的节点是或的关系。对方扩展的节点是与的关系。 在树中“或”节点和“与”节点交替逐层出现。 所有能使自己获胜的终局都是本原问题，相应的节点是可解节点；所有使对方获胜的终局都是不可解节点。 最优策略—极小极大值分析法 完备的(若树是有限的) 最优的(对手也是最优化的) 时间复杂度：树的最大深度m，每个节点招数有b个，则 O(bm) α-β剪枝技术 α-β剪枝技术 α-β剪枝技术 α-β剪枝算法 剪枝不影响最终结果 剪枝条件：后辈节点??祖先节点 搜索仅用于决策一步 剪枝效率和后续排列顺序有很大关系 若先检查最好的后续则时间复杂度O(bm/2) α-β剪枝技术的其他应用 故障诊断 风险投资 不完整的实时决策 井字棋 井字棋 包含几率因素的游戏 极大节点：取后续的最大期望值 极小节点：取后续的最小期望值 几率节点：取后续的期望值平均 极小极大值：O(bm) 期望极小极大值：O(bmnm)，n为掷骰子结果的数目 同时，随着深度加深，到达某给定节点的概率减少，因此向前预测的作用减少。 课程设计： 编写应用α-β剪枝技术的五子棋机器行棋程序 编写应用期望极小极大值法的西洋双陆棋机器行棋程序 端节点的效用值若可知，则可回推父节点的评价值，一层极大、一层极大…，获得决策 从不利中找有利，假设对方不走错 博弈中的优化决策：极小极大值方法 α-β剪枝技术减少搜索空间 非偶然：对方不会失误 初始状态：空棋盘 后续函数：出招, 状态 终止测试：三子成一线或棋盘满 效用函数：max胜为+1，Min胜为-1，平局为0， 只能均分一堆的时候就输了 问题简单，可以遍历所有状态，根据结果来做决策 Max中调用Min，Min中调用Max，直到端节点，获得效用值，回推（递归实现） 不是生成所有节点，而是边生成边评价，类似于回溯的过程。蓝色节点可不生成，C的后续剪枝不会影响b的评价值，n的后续剪枝不会影响d的评价值 继续搜索另一分支 注意：1. 是极大节点和极小节点、极小节点和极大节点的比较，同类不比较 2. 和祖先节点比较，不一定是父节点，可以是辈分更高的节点，例如若h的评价=-4，由于i的祖先根节点的为0，i的为-3，也可发生剪枝 Max和min函数中加入剪枝操作，仍基于极小极大方法 例如前图n的子节点中若e排最后就不会发生剪枝 输入正常，输出不正常，检测A,B,C的输出判断故障，应先检测哪里？ 己方出招是检测的位置，对方是故障 若依据最坏情况下检测次数，则从A或C输出先测最坏情况都要测3次，而从B输出先测最坏情况要2次。 和一般博弈的不同：A容易检测或A容易出故障，加入概率的考虑，改进算法 风险投资己方出招是投资，对方是市场回报 时间有限，还没有到达终止状态无法获得效用函数值。 0871-5031301 * * / 16 jhzhang@ynu.edu.cn 信 息 学 院 人工智能—— 一种现代方法 人工智能—— 一种现代方法 信 息 学 院 6.1 博弈 6.2 博弈中的优化决策 6.3 α-β剪枝技术 6.4 不完整的实时决策 6.5 包含几率因素的游戏 6.6 博弈程序的当前发展水平 博弈：如下棋、打牌、战争等一类智能活动。 双人 一人一步 双方信息完备：对垒双方任何一方都了解当前的格局及过去的历史。 零和：A胜B败，B胜A败，平局。 非偶然：任何一方在采取行动前都要根据当前实际情况，进行得失分析，选取对自己最为有利而对方最为不利的对策，不存在“碰运气”的偶然因素。 初始状态：初始格局（是初始节点） 后续函数：(出招, 状态) 终止测试：判断游戏是否结束 目标函数（效用函数）：对终止状态给出一个数值 （7） （6,1） （5,2） （4,3） （5,1,1） （4,2,1） （3,2,2） （3,1,3） （4,1,1,1） （3,2,1,1） （2,2,2,1） （3,1,1,1,1） （2,2,1,1,1） （2,1,1,1,1,1） 对方先走，我方必胜 1 0 1 0 3 1 6 0 -3 3 -3 -3 -2 1 -3 6 -3 0 5 -3 3 3 -3 0 2 2 -3 0 -2 3 5 4 1 -3 0 6 8 9 -3 对各种可能的后果进行比较，考虑实施后对方可能的所有行动。并计算得分。 为计算得分，要定义一个估价函数，用来估算当