第五章 10.13-search strategyCF.pptVIP

为了应用代价树的广度优先搜索方法求解此问题，需先将交通图转换为代价树。 转换的方法是：从起始节点 A 开始，把与它直接相邻的节点作为它的子节点。对其它节点也做相同的处理。但若一个节点已作为某节点的直系先辈节点时，就不能再作为这个节点的子节点。 另外，目的节点不再扩展了。 g(x)表示从初始节点S0到节点x的代价；c(x1,x2)表示从父结点x1到子节点x2的代价。 代价树深度优先搜索的过程： (1) 把初始节点 S0 放入 OPEN 表中。 (2) 如果 OPEN 表为空，则问题无解，退出。 (3) 把 OPEN 表的第一个节点 ( 记为节点 n) 取出放入 CLOSED 表。 (4) 考察节点 n 是否为目标节点。若是，则求得了问题的解，退出。 (5) 若节点n不可扩展，则转第 (2) 步。 (6) 扩展节点n，将OPEN 表中所有节点按边代价从小到大的顺序排列，并为各子节点配置指向父节点的指针，然后转第 (2) 步。 四、代价树广度优先搜索 g(x)表示从初始节点S0到节点x的代价；c(x1,x2)表示从父结点x1到子节点x2的代价。 代价树深度优先搜索的过程： (1) 把初始节点 S0 放入 OPEN 表中。 (2) 如果 OPEN 表为空，则问题无解，退出。 (3) 把 OPEN 表的第一个节点 ( 记为节点 n) 取出放入 CLOSED 表。 (4) 考察节点 n 是否为目标节点。若是，则求得了问题的解，退出。 (5) 若节点n不可扩展，则转第 (2) 步。 (6) 扩展节点n，将其子节点按边代价从小到大的顺序放到 OPEN 表的首部，并为各子节点配置指向父节点的指针，然后转第 (2) 步。 五、代价树深度优先搜索 五、代价树深度优先搜索 在代价树的广度优先搜索中，每次都是从 OPEN表的全体节点中选择一个代价最小的节点送入 CLOSED 表进行考察； 代价树的深度优先搜索是从刚扩展出的子节点中选一个代价最小的节点送入 CLOSED 表进行考察。 一般情况下这两种方法得到的结果不一定相同。另外，由于代价树的深度优先搜索有可能进入无穷分支路径，因此它是不完备的。前面讨论的搜索方法都是非启发式搜索，它们或者是按事先规定的路线进行搜索，或者是按已经付出的代价决定下一步要搜索的节点。它们的一个共同特点是都没有利用问题本身的特性信息，在决定要被扩展的节点时，都没有考虑该节点在解的路径上的可能性有多大，它是否有利于问题求解以及求出的解是否为最优解等。因此这些搜索方法都具有较大的盲目性，产生的无用节点较多，搜索空间较大，效率不高。 3.2.3状态空间的启发式搜索启发式搜索要用到问题自身的某些特性信息，以指导搜索朝着最有希望的方向前进。由于这种搜索针对性较强，因而原则上只需要搜索问题的部分状态空间，效率较高。 启发性信息：可用于指导搜索过程，且与具体问题求解有关的控制性信息 陈述性启发信息：一般被用于更准确、更精练地描述状态，使问题的状态空间缩小，如待求问题的特定状况等属于此类信息。 过程性启发信息：一般被用于构造操作算子，使操作算子少而精，如一些规律性知识属于此类信息。 控制性启发信息：它是关于表示控制策略方面的知识，包括协调整个问题求解过程中所使用的各种处理方法、搜索策略、控制结构等有关的知识。 估价函数 用于估价节点重要性或“有希望”程度的函数称为估价函数。其一般形式为： f(x)=g(x)+h(x) g(x) 为从初始节点 S0 到节点 x 已经实际付出的代价； h(x) 是从节点 x 到目标节点 S 的最优路径的估计代价，它体现了问题的启发性信息，其形式要根据问题的特性确定。它可以是节点 x 到目标节点的距离或差异，可以是x格局的得分，也可以是节点 x 处于最优路径上的概率等等。h (x) 称为启发函数。 3.2.3状态空间的启发式搜索 估价函数 f(z) 表示从初始节点经过节点 Z 到达目标节点的最优路径的代价估计值，它的作用是估价 OPEN 表中各节点的重要程度，决定它们在 OPEN 表中的次序。 g(z) 指出了搜索的横向趋势，它有利于搜索的完备性，但影响搜索的效率。如果我们只关心到达目标节点的路径，并且希望有较高的搜索效率，则 g(z) 可以忽略，但此时会影响搜索的完备性。 因此，在确定 f(z) 时，要权衡各种利弊得失，使 g(z) 与 h (z) 各占适当的比重。 5.2.3状态空间的启发式搜索 举例：对 8 数码问题，如何进行启发式搜索？ 评估函数可以表示为：f(z) =d(z)+ ω(z)d(z)表示节点 Z 在搜索树中的深度，ω(z)表示节点 Z 不在目标状态中相应位置的数码个数，ω(z)就包含了问题的启发式信息。一般来说，某节点ω(z) 越大，即“不在目标位”的数码个数越多，说明它离目