第四章有信息的搜索和探索.doc

第四章 有信息的搜索和探索 教学内容：本章我们将看到关于状态空间的信息是如何能够防止算法在黑暗中跌跌撞撞的。 教学重点：1．有信息搜索策略的定义。 2．如何让得到关于问题的特定信息。 3．局部搜索算法和最优化问题。 4．启发函数引导搜索的两种方式：遗传算法和局部搜索算法 教学难点：1．局部搜索和最优化问题 2．启发函数引导搜索的两种方式 4.1 回顾最佳优先搜索 概念：它要扩展的节点是基于评价函数f n 进行选择的，选择表现的最佳的节点进行扩展。 实现：按照函数f值的递增顺序排队保存边缘节点集的数据结构。 举例：罗马尼亚问题 特例：（1）贪婪最佳优先搜索 （2）A*搜索 4.2 贪婪最佳优先搜索 试图扩展离目标节点最近的节点，它用启发函数f n h n 来评价节点。其中h n 从节点n到目标节点的最低耗散路径的耗散估计值。 举例：罗马尼亚寻径问题，使用直线距离启发式 性能：时间复杂度O bm 空间复杂度O bm 它不是最优的 4.3 A*搜索 概念：避免扩展那些已经扩展过的路径。 评价函数：f n g n + h n h n ——从节点n到目标节点的最低耗散路径的耗散估计值 g n ——从起始节点到节点n的路径的耗散 f n ——经过节点n的最低耗散解的估计耗散 举例：寻找到达Bucharest的路径的直线距离 观察到：在从根节点开始扩展搜索路径的算法中，A*算法对于任何给定的启发函数都是效率最优的。 4.3.1 可采纳的启发式 定理：如果h n 是可采纳的，那么使用TREE-search的A*算法是最优的。 4.3.2 一致性的启发式 定理：如果h n 是一致的，那么沿任何路径的f n 是非递减的，用GRAPH-SEARCH的A*算法是最优的。 4.4 启发函数 举例：八数码游戏的启发函数 松弛问题：降低了行动限制的问题， 一个松弛问题的最优解的耗散是原问题的一个可采纳的启发式。 4.4 局部搜索算法 在许多问题中，到达目标的路径是无关的——从而提出局部搜索算法。 定义：从单独的一个当前状态出发，通常只移动到与之相邻的状态。 4.4.1 爬山法搜索 当前节点的数据结构只需记录当前状态和它的目标函数，爬山法不会前瞻与当前状态不直接相邻的那些状态的值，就像健忘的人在大雾里试图登顶珠穆朗玛峰一样。 举例：八皇后问题 4.4.2 模拟退火搜索 概念：不选择最佳的移动，而是选择随机的移动。允许一些恶劣状态的移动但逐步降低它们的移动频率，来避免局部最大值。 如果T减少的足够慢，模拟退火算法将找到全局最优解的概率逼近于1。 4.4.2 局部剪枝搜索 它由K个随机生成的状态开始，每一步都生成全部K个状态的所有后继状态，如果有一个是目标状态，算法就停止。否则，它从整个后继列表中选择K个最佳的后继，然后重复这个过程。 4.5 遗传算法 它是通过把两个父状态结合来生成后继的。 遗传算法： （1）它从K个随机生成的的状态开始（称之为种群） （2）每个状态用有限长的字符串表示——通常是0、1串 （3）评价函数即适应度函数给出评价值 （4）通过选择、杂交、变异产生后代 举例：八皇后问题 思考：为什么这个算法被称为“贪婪的”？