人工智能第2章问题求解与搜索技术-astar解读.ppt

* 《人工智能》 * 2.4 启发式搜索策略 盲目搜索的不足：效率低，耗费过多的计算空间与时间。 分析前面介绍的宽度优先、深度优先搜索，或代价搜索搜索算法,其主要的差别是OPEN表中待扩展节点的顺序问题。人们就试图找到一种方法用于排列待扩展节点的顺序，即选择最有希望的节点加以扩展，那么，搜索效率将会大为提高。 启发信息：进行搜索时可以利用某些有关具体问题领域的信息，把此种信息叫做启发信息。 利用启发信息的搜索方法称为启发式搜索方法。 * 《人工智能》 * 2.4 启发式搜索策略（2） * 《人工智能》 * 2.4 启发式搜索策略（3） 估价函数 用于估价节点重要性的函数称为估价函数。其一般形式为： f(x) = g(x)+h(x) 其中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Sg的最优路径的代价的估计，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。例如它可以是节点x到目标节点的距离，或者节点x处于最优路径上的概率等等。h(x)称为启发函数。 g(x) 有利于搜索的完备性，但影响搜索的效率。 * 《人工智能》 * 2.4 启发式搜索策略（4） 估价函数示例 设有如下结构的移动牌游戏： B B B W W W E 该游戏规则： 1、当一个牌移入相邻的空位置时，费用为一个单位。 2、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，请设计估价函数中的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。 * 《人工智能》 * 2.4.1 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是局部择优搜索的特例。 该算法不完备。 * 《人工智能》 * 2.4.2 全局择优搜索 基本思想：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。 该算法不完备。 * 《人工智能》 * 全局择优搜索举例 设估价函数为： f(x)=d(x)+h(x)， 其中，d(x)表示节点x的深度，h(x)表示节点x的格局与目标节点格局不相同的牌数。 * 《人工智能》 * 2.4.3 A*算法 如果一般搜索过程满足如下限制，则它就称为A*算法： 1、把OPEN表中的节点按估价函数 f(x)=g(x)+h(x) 的值从小至大进行排序（一般搜索过程的第8步）。 2、g(x)为算法目前已经找到的从初始节点到达节点x的最小代价。g(x)是对g*(x)的估计，g(x)0。 3、h(x)是h*(x)的下界，即对所有的x均有： h(x)≤h*(x) 其中，g*(x)是从初始节点S0到节点x的最小代价；h*(x)是从节点x到目标节点的最小代价，若有多个目标节点，则为其中最小的一个。 * 《人工智能》 * 在A*算法中，g(x)实际上就是从初始节点S0到节点x的路径代价，恒有g(x)≥g*(x)。而且在算法执行过程中随着更多搜索信息的获得，g(x)的值呈下降的趋势。 例如： H(x)的确定依赖于具体问题领域的启发性信息，其中h(x)≤h*(x)的限制十分重要，它保证A*算法能找到最优解。 * 《人工智能》 * A*算法的性质 可纳性：对于可解状态空间图(即从初始节点到目标节点有路径存在)来说，如果一个搜索算法能