第六讲状态空间搜索策略上详解.pptVIP

代价树示例 (例6.7) 6.2.6 代价树的深度优先搜索 搜索过程： 把初始节点S0放入OPEN表，令g(S0)=0。 如果OPEN表为空，则问题无解，退出。 把OPEN表的第一个节点（记为节点n）取出放入CLOSE表。 考察节点n是否为目标节点。若是，则求得了问题的解，退出。 若节点n不可扩展，则转第2步。 扩展节点n，将其子节点按代价从小到大的顺序放到OPEN表中的首部，并为每一个子节点都配置指向父节点的指针，然后转第2步。 代价树的深度有限搜索是不完备的。 总 结 1、上述各种搜索方法的本质是，以初始节点为根节点，按照既定的策略对状态空间图进行遍历，并希望能够尽早发现目标节点。 2、由于对状态空间图遍历的策略是既定的，因此这些方法统称为盲目搜索方法。 有信息搜索 搜索过程中利用与问题有关的经验信息（启发式信息） 引入估价函数来估计节点位于解路径上的“希望”，函数值越小“希望”越大 搜索过程中按照估价函数的大小对OPEN表排序 每次选择估价函数值最小的节点作为下一步考察的节点 6.2.7 启发式搜索 A算法 在图搜索算法中，如果能在搜索的每一步都利用估价函数f(n)=g(n)+h(n)对Open表中的节点进行排序，则该搜索算法为A算法。由于估价函数中带有问题自身的启发性信息，因此，A算法又称为启发式搜索算法。 对启发式搜索算法，又可根据搜索过程中选择扩展节点的范围，将其分为全局择优搜索算法和局部择优搜索算法。 A算法 估价函数 f (x) = g (x) + h (x) 从起始状态到当前状态x的代价 从当前状态x到目标状态的估计代价（启发函数） g(x) 有利于搜索的完备性，但影响搜索的效率。h(x)有利于提高搜索的效率，但影响搜索的完备性。 设有如下结构的移动将牌游戏： 该游戏规则： 当一个牌移入相邻的空位置时，费用为一个单位。 一个牌至多可跳过两个牌进入空位置，其费用等于跳过的牌数加1。 要求：把所有的B都移至W的右边，请设计启发函数h(x)。 解：根据要求可知，W左边的B越少越接近目标，因此可用W左边B的个数作为h(x),即 h(x)=3×(每个W左边B的个数的总和) 这里乘以系数3是为了扩大h(x)在f(x)中的比重。 启发函数示例 B B B W W W E 局部择优搜索 基本思想： 当一个节点被扩展以后，按f(x)对每一个子节点计算估价值，并选择最小者作为下一个要考察的节点。 搜索过程： 把初始节点S0放入OPEN表，计算f(S0)。 如果OPEN表为空，则问题无解，退出。 把OPEN表的第一个节点（记为节点n）取出放入CLOSE表。 考察节点n是否为目标节点。若是，则求得了问题的解，退出。 若节点n不可扩展，则转第2步。 扩展节点n，用估价函数f(x)计算每个子节点的估价值，并按估价值从小到大的顺序放到OPEN表中的首部，并为每一个子节点都配置指向父节点的指针，然后转第2步。 深度优先搜索、代价树的深度优先搜索均为局部择优搜索的特例。 全局择优搜索 基本思想： 每当要选择下一个节点进行考察时，全局择优搜索每次总是从OPEN表的全体节点中选择一个估价值最小的节点。 搜索过程： 把初始节点S0放入OPEN表，计算f(S0)。 如果OPEN表为空，则问题无解，退出。 把OPEN表的第一个节点（记为节点n）取出放入CLOSE表。 考察节点n是否为目标节点。若是，则求得了问题的解，退出。 若节点n不可扩展，则转第2步。 扩展节点n，用估价函数f(x)计算每个子节点的估价值，并为每一个子节点都配置指向父节点的指针。把这些子节点都送入OPEN表中，然后对OPEN表中的全部节点按估价值从小至大的顺序进行排序，然后转第2步。 广度优先搜索、代价树的广度优先搜索是全局择优搜索的特例。 1968年，彼得.哈特对A算法进行了很小的修改，并证明了当估价函数满足一定的限制条件时，算法一定可以找到最优解 估价函数满足一定限制条件的算法称为A*算法 f (x) = g (x) + h (x) A*算法的限制条件 大于0 不大于x到目标的实际代价 彼得.哈特 6.2.8 A*算法 利用A*算法求解八数码问题 估价函数的定义 f (x) = g (x) + h (x) g (x)：从初始状态到x需要进行的移动操作的次数 h (x)： =x状态下错放的棋子数 满足限制条件 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 8 1 3 2 4 5 6 7 h(x)=1 h(x)=2 h(x)=4 4 5 6 3 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1+3 1+5 1+5 1 2 3 8 4 5 6 7 1 2 3 8