人工智能Part2-搜索-2.docx

人工智能原理第2章 搜索技术（下）第2章 搜索技术本章内容搜索与问题求解无信息搜索策略启发式搜索策略局部搜索算法博弈搜索约束满足问题参考书目附录 A*算法可采纳性的证明第2章 搜索技术局部搜索算法局部搜索与最优化爬山法搜索模拟退火搜索局部剪枝搜索遗传算法第2章 搜索技术局部搜索算法前面的搜索算法都是保留搜索路径的， 到达目标的路径就是问题的解—然而许 多问题中到达目标的路径是无关紧要的与系统地搜索状态空间(保留各种路径) 相对，不关心路径的搜索算法就是局部 搜索算法局部搜索从一个单独的当前状态出发，通常 只移动到相邻状态典型情况下搜索的路径不保留4第2章 搜索技术局部搜索算法的应用应用领域集成电路设计工厂场地布局车间作业调度(Job Shop Schedule)自动程序设计电信网络优化车辆寻径文件夹管理局部搜索也称为优化算法—wiki中表示为 local search (optimization)5第2章 搜索技术局部搜索与最优化问题局部搜索算法的优点：只使用很少的内存(通常是一个常数)经常能在不适合系统化算法的很大或无限的状态空间中找到合理的解最优化问题—根据一个目标函数找到最佳 状态 / 只有目标函数，而不考虑(没有) “目标测试”和“路径耗散”局部搜索算法适用于最优化问题6第2章 搜索技术状态空间地形图(1)目 标 函数全 局 最 大值山肩局 部 最 大值“平坦” 局部最大值状 态 空当 前 状间7态第2章 搜索技术状态空间地形图(2)在状态图中，既有“位置”(用状态表示) 又有“高度”(用耗散值或目标函数值表 示)如果高度对应于耗散值，则目标是找到全局 最小值，即图中最低点如果高度对应于目标函数，则目标是找到全 局最大值，即图中最高峰如果存在解，则完备的局部搜索算法能够找 到解而最优的局部搜索算法能够找到全局最大或最小值8第2章 搜索技术局部搜索算法本节简要介绍以下4种局部搜索算法 / 介绍其算法思想爬山法搜索模拟退火搜索局部剪枝搜索遗传算法从搜索的角度看遗传算法也是搜索假设空间 的一种方法(学习问题归结为搜索问题)—生 成后继假设的方式9第2章 搜索技术爬山法搜索爬山法(hill-climbing)—就是向值增加的方向持 续移动—登高过程 / 如果相邻状态中没有比它 更高的值，则算法结束于顶峰爬山法搜索算法思想：(1)令初始状态S0为当前状态(2)若当前状态已经达标，则算法运行结束，搜索成功(3)若存在一个动作可以作用于当前状态以产生一个 新状态，使新状态的估计值优于当前状态的估计值，则放弃当前状态，并令刚产生的新状态为当 前状态，转(2)(4)取当前状态为相对最优解，停止执行算法10第2章 搜索技术爬山法搜索的局限爬山法是一种局部贪婪搜索，不是最优解 算法(或是不完备的) / 其问题是：局部极大值—比其邻居状态都高的顶峰，但是 小于全局最大值(参照状态空间地形图)山脊—一系列的局部极大值高原—评价函数平坦的一块区域(或者山肩)11第2章 搜索技术爬山法搜索的变形爬山法的变形随机爬山法—随机选择下一步首选爬山法—随机选择直到有优于当前节点的 下一步，适用于后继结点多的情况随机重新开始爬山法—随机生成初始状态，进 行一系列爬山法搜索—这时算法是完备的概率 接近1对比爬山法(局部贪婪搜索)—可能找不到最优12第2章 搜索技术模拟退火搜索模拟退火的思想冶金中，先高温再逐渐冷却，为了更好结晶一个例子：在不平的表面上如何使一个乒乓球掉到最深 的裂缝中—如果只让其在表面滚动，则它只 会停留在局部极小点 / 如果晃动平面，可以使乒乓球弹出局部极小点 / 技巧是晃动且足 以使乒乓球弹出局部极小点，但又不能太大, 会导致把它从全局极小点中赶出13第5章 搜索技术模拟退火的解决思路(1)思路—开始使劲晃动(先高温加热)然后 慢慢降低摇晃的强度(再逐渐降温)[退火 过程]算法的核心—移动选择选择随机移动，如果评价值改善，则移动被 接受，否则以某个小于1的概率接受概率按照移动评价值变坏的梯度ΔE而呈指数级下降 / 同时也会随着作为控制的参 数—“温度”T的降低(数值减小)而降低接受概率=eΔE/T(注意此时ΔE 0)14第5章 搜索技术模拟退火的解决思路(2)温度T是时间的函数，按照模拟退火的思 想，数值应该逐渐减小(降温)因为接受概率=eΔE/T且ΔE 0，所以当温 度高时，接受概率较大(接近1) / 而T越 来越低时，ΔE/T变大，因而接受概率降低可以证明，如果T下降得足够慢，则算法 找到全局最优解的概率接近1算法15第5章 搜索技术模拟退火的解决思路(3)? 模拟退火算法16第2章 搜索技术局部剪枝搜索基本思想—与只从一个单独的起始状态 出发不同，局部剪枝搜索从k个随机生成 的状态开始，每步生成全部k个状态的所 有后继状态 / 如果其