人工智能实验算法分析文档.docVIP

人工智能各算法实验分析及指导 撰写时间：2012年6月15日 实验一? A*算法实验 一、实验目的： 熟悉和掌握启发式搜索的定义、估价函数和算法过程，并利用A*算法求解N数码难题，理解求解流程和搜索顺序。 二、实验原理： A*算法是一种有序搜索算法，其特点在于对估价函数的定义上。对于一般的有序搜索，总是选择f值最小的节点作为扩展节点。因此，f是根据需要找到一条最小代价路径的观点来估算节点的，所以，可考虑每个节点n的估价函数值为两个分量：从起始节点到节点n的代价以及从节点n到达目标节点的代价。 三、实验环境： ?? Windows 操作系统，C语言 或 Prolog语言。 四、实验内容： 1．?? 分别以8数码和15数码为例实际求解A*算法。 2．??? 画出A*算法求解框图。 3．??? 分析估价函数对搜索算法的影响。 4．分析A*算法的特点。 六、实验报告要求： 1???????? A*算法流程图和算法框图。 2???????? 试分析估价函数的值对搜索算法速度的影响。 根据A*算法分析启发式搜索的特点。 提交程序清单。 知识点归纳 搜索策略的知识点主要可以分为六块内容来进行讲解： 搜索的基本概念 状态空间的盲目搜索 状态空间的启发式搜索 与/或树的盲目搜索 与/或树的启发式搜索 博弈树的启发式搜索 α-β剪枝技术 很多问题都可以用到人工智能中的搜索策略来进行问题求解，比如迷宫问题、博弈问题、8皇后问题、旅行商问题、排课问题、背包问题等等。 对于本实验所要求解的8数码问题，需要掌握的知识点主要有几下这些： 一般图搜索算法流程 广度优先和深度优先搜索 代价树搜索 启发信息和评估函数 A算法 A*算法 算法流程 初始化Open表和Closed表。 把图搜索初始化节点放入Open表中。 Open若非空，取出表头的节点x。 若x就是目标节点，返回搜索成功。 将该节点x从Open表中删除并放入Closed表中。 根据图信息产生x的孩子节点y1、y2、……yn。 标记x为yi的父节点。 若yi从未在Open表和Closed表中出现过，根据评估函数计算yi的评估值并放入Open表中。 若yi在Open表中出现过且当前yi的评估值较小，更新Open表中该节点的评估值并重置该节点的父节点为x。 若yi在Closed表中出现过且当前yi的评估值较小，更新Closed表中该节点的评估值并重置该节点的父节点未x，同时将其从Closed表中删除并重新移入Open表。 若x还有子节点yi+1，重复循环8、9、10三个步骤。 若x没有子节点了，将Open表中已有的节点根据相应的搜索策略进行排序，然后回到步骤3。 若Open表已空，也没有搜索成功，则返回搜索失败，不存在该路径。 算法伪代码 A*算法搜索过程中设置两个表：Open和Closed。Open表保存了所有已生成而未考察的节点，Closed表中记录已访问过的节点。算法中有一步是根据估价函数重排Open表。这样循环中的每一步只考虑Open表中状态最好的节点。 算法分析 对于步骤1，Open表和Closed表只是数据结构上的一种形式，至于在写代码时到底是使用栈式存储结构还是队列式存储结构没有严格要求，需要根据具体问题具体分析用哪一种数据结构，最好是能够选择算法效率更高的。 对于步骤2，一般而言，这里的初始节点代表的是一个状态，也就是说，需要根据实际问题来设计一种能表示任何一种确定状态的类，而该节点显然就是该类的一个实例或对象，将该节点放入Open表中，需要Open表能够设计的足够空间用来存放许许多多这样的实例，因为在状态空间搜索的过程中，状态经常是以几何数量级增长的。 对于步骤3，在写代码的过程中，取出表头的节点x可以有很多种方式实现，未必一定要从该数据结构的头部进行取节点的操作，因为如何从Open表中取节点是关系到算法搜索效率的关键，显然，我们都希望从Open表中众多的节点中选取到最有希望通向目标节点的过渡节点来，当然直接选出目标节点是最好的（虽然几乎是做不到的）。 对选出的状态节点进行是否是目标节点的判断，显然需要一个高效的判断方式，针对不同问题状态空间中的每一状态，也许会有截然不同的状态比较方式，对于8数码问题，可以通过逐个比较每一位置的数码来进行是否是目标状态的判断，但效率显然不高，后面会介绍一种更加高效的方式，它是设计一种哈希函数，使得根据这种函数能计算出一个哈希码来唯一确定整个状态空间中任何一个状态，这样就能做到比较一个问题状态空间中任何两种状态只需判断这两个哈希数码是否相等即可。 这步的意义在于，凡是Open表中的节点都是未被扩展过的节点（也就是没生过孩子的节点），而Closed表中的