人工智能读书报告-.docVIP

2013 年 秋 季学期研究生课程考核 （读书报告、研究报告） 考核科目 :人工智能 学生所在院（系） :计算机学院 学生所在学科 :计算机科学与技术 学 生 姓 名 : 学 号 : 学 生 类 别 :学术 考核结果 阅卷人 人工智能读书报告 ——基于动态加权的A*搜索算法研究 启发式搜索 启发式搜索就是在状态空间中对每一个搜索的位置进行评估，选择最好的位置，再从这个位置进行搜索直到目标。在启发式搜索中，对位置的估价是十分重要的。采用了不同的评估方法可以有不同的效果。最佳优先搜索的最广为人知的形式称为A*搜索.它把到达节点的耗散g(n)和从该节点到目标节点的消耗h(n)结合起来对节点进行评价：d(n)=g(n)+h(n)，因为以g(n)给出了从起始节点到节点n的路径耗散，而h(n)是从节点n到目标节点的最低耗散路径的估计耗散值，因此d(n)=经过节点n的最低耗散解的估计耗散.这样，如果我们想要找到最低耗散解，首先尝试找到g(n)+h(n)值最小的节点是合理的。由A*定义可以发现这个策略不只是合理的:倘若启发函数h(n)满足一定的条件，搜索既是完备的也是最优的。如果把A*搜索用于Tree-Search,它的最优性是能够直接分析的。在这种情况下，如果h(n)是一个可采纳启发式--也就是说，倘若h(n)从不会过高估计到达目标的耗散--A*算法是最优的。可采纳启发式天生是最优的，因为他们认为求解问题的耗散是低于实际耗散的。因为g(n)是到达节点n的确切耗散，我们得到一个直接的结论：d(n)永远不会高估经过节点n的解的实际耗散。常用的启发算法有：蚁群算法，遗传算法、模拟退火算法等。 Greedy search on d outperforms search on h 动态加权启发式搜索算法 应用启发式搜索中的加权技术, 其主要目的是调整搜索中深度优先与宽度优先的比值, 以提高搜索效率。通常有两种加权技术, 即常数加权与动态加权技术。由于在常数加权中, 同样的加权量毫无区别地施用在每一个节点上, 加权的作用取决于各单一节点。而在动态加权中, 则会动态地对不同层上的节点施以不同的加权量。故一般地, 采用动态加权技术的启发式搜索效率要比静态( 即常数) 加权好。 定义一. 一个搜索算法是ε可采纳的, 如果该算法总能找到一条求解路径, 其耗散值至少为。这里表示从初始节点s出发至目标节点的最佳路径的耗散值，ε∈(0,1) 。根据加权技术的基本思想, 启发式评价函数的动态加权应达到这样的效果: 在搜索树的浅层, 搜索应呈现深度优先搜索的特性; 而随着搜索树的层次越来越深, 应逐步呈现出宽度优先搜索的特性。据此, 我们可以定义动态加权的启发式评价函数为: 其中 表示节点n在搜索树中的深度, N 表示预期的目标节点在搜索树中的深度; 定义二. 若算法采用上述的启发式评价函数, 且≥,则称算法RAε为算法。 若模T满足,这里ε∈(0,1)，属于最佳路径上的且在OPEN表中属于最浅层的任意节点n，仍然有 ，最后经过推导可以得到： = ≥ ≥ ≥ ≥ 动态加权不能克服指数爆炸问题 Martelli已经证明了，在最坏情况下，算法A*的时间复杂度为 这里M是图的节点数。使用动态加权技术的本质在于提高搜索效率，但是动态加权技术很难消除指数爆炸现象。 定义三. 启发式评价函数hT’被称为引导了一个?(N)的标准化误差，若对于b元树上的所有节点，存在两个固定的正数β和γ和一个正交函数?(.)，使得 , γ1和 1 定理二.若 引出?(N)=N的标准化误差，则当0 1， a≤1时，启发式评价函数为 引出同样的 的标准化误差。这里 ，得含义如同极限、概率定义中常见的，它与不同。 证明过程：令 ； 因为?(y)=y，故有 根据定理成立条件可知，当时， ，令 =(β+1)a – 1，当 ， 时，存在 0，使得： ，当a1时，，令 ，当，时，存在 ，使得： 故定理是成立的。 定理二表明，至少存在一个区间，使得动态加权技术无法改变评价函数引出的 的标准差。Pearl已经证明了使用动态加权的算法A在类似这样的区间内，动态算法仍呈现最坏情况下的指数爆炸问题，类似，算法，若使用动态加权技术，也不能避免指数爆炸问题。 结论 启发式搜索算法在人工智能领域应用广泛，文章提到的动态加权启发式搜索算法在某些方面要比A*算法出色，通过动态调整搜索中深度优先与宽度优先的比值, 更能提高搜索的效率。但由分析可见，动态加权技术虽然在一定程度上提高了算法的搜索效率，但它也存在缺点，即不能从根本上解决指数爆炸问题。 参考文献 Pohl ,1973. The avoid