3.用搜索方法进行问题求解.pptVIP

S D A E B C F t 八城市地图示意图 4 3 5 2 5 4 4 4 3 深度优先算法 1. 总是扩展搜索树的当前扩展分支(边缘)中最深的节点 2. 搜索直接伸展到搜索树的最深层，直到那里的节点没有后继节点 3. 那些没有后继节点的节点扩展完毕就从边缘中去掉 4. 然后搜索算法回退下一个还有未扩展后继节点的上层节点继续扩展 深度优先搜索过程 深度优先搜索算法分析 1.对内存的需求很少 2.有可能错误地选择一条分支而且沿着一条很长的路径（甚至是无限）走下去。 非最优 非完备 在最坏情况下，dfs所生成的节点数是O(bm) 深度有限搜索 深度优先搜索的无边界问题可以通过提供一个预先设定的深度限制l来解决 深度有限搜索 深度优先搜索的无边界问题可以通过提供一个预先设定的深度限制l来解决 深度=l的节点当作无后继节点看待 虽然解决了无限路径问题，但如果ld则找不到解 如果选择ld则深度优先搜索也不是最优的 时间复杂度O(bl) 空间复杂度O(bl) 深度优先搜索可看作是一种特例即l=∞ 有时深度有限搜索基于问题本身的知识，如状态空间的直径即问题求解的最大步数 但对于大多数问题，不到问题解决时是无法知道求解步数的限制 迭代深入深度优先搜索 如果每次改变限制深度，多次调用深度有限搜索算法，就得到了迭代深入深度优先搜索算法 其深度限制依次为0/1/2…这样，当搜索到达最浅的目标节点深度时就可以发现目标节点 这种搜索结合了宽度优先和深度优先两种算法的优点 分支因子有限时是完备的 / 路径耗散是节点深度的非递增函数时是最优的 空间需求为O(bd) / 时间复杂性为O(bd) 讨论 迭代深入搜索中因为多次重复搜索，因此部分状态被多次生成，看起来很浪费 但是因为在分支因子比较平衡的搜索树中，多数节点都在最底层(即叶子节点)，所以上层节点的多次生成影响不是很大 / 与广度优先搜索相比，效率还是更高 一般来讲，当搜索空间很大而解的深度未知时，迭代深入搜索是一个首选的无信息搜索方法 * 无信息搜索策略比较 评价标准 宽度优先 深度优先 深度有限 迭代深入 是否完备 时间 空间 是否最优 是 A 否 否 是 A O(bd+1) O(bm) O(bl) O(bd) O(bd+1) O(bm) O(bl) O(bd) 是 C 否 否 是 C 关于A/B/C/D的解释： A—如果b有限则是完备的 B—单步耗散≥e则是完备的 C—如果单步耗散都是相同的则是最优的 D—两个方向上都使用广度优先搜索 * NP－ * NP－ * 在黑板上画图。Resulting nodes become candidates for expansion. 第三章、用搜索法对问题求解 1.问题求解Agent 2.问题实例 3.对解的搜索 4.无信息的搜索策略 5.避免重复状态 1.问题求解Agent Agent在罗马尼亚城市Arad度假，假设它有张第二天飞离Bucharest的机票，而且机票是不能退的。 目标：前往Bucharest 任务：找出能够使它达到目标状态的动作序列 Q：决策所要考虑的行动和状态的种类？ A：在开车从一个主要城镇到另一个城镇的层次上考虑行动。 Agent设计的三步骤：形式化、搜索、执行。 简化的罗马尼亚地图 问题求解Agent的环境特性 可观察的 离散的 静态的 完成问题形式化和求解的时候不再考虑环境可能的变化 确定性的 问题的解是行动的单一序列 在问题求解过程中感知信息不起作用 一个简单的问题求解Agent 注意：我们假定总能找到解；Agent在执行行动序列时忽略感知。 问题的形式化定义 初始状态，例如In(Arad) 对问题可采纳的可能行动的描述，后继函数SUCCESSOR-FN(x)=set of all pairsaction, successor 例如, In(Arad) 的一个后继状态是 Go(Sibiu), In(Sibiu). 状态空间图、路径 目标测试：具体vs.抽象 路径耗散函数：为每条路径分配一个数值化的耗散值。 以上四个要素作为问题求解算法的输入 问题的解 解是从初始状态到目标状态的路径 解的质量由路径耗散函数度量 最优解是路径耗散函数值最小的解 问题实例：真空吸尘器 状态：Agent位置及灰尘位置。2*4=8个状态 初始态：任一状态都可作为初始态。 后继函数：Agent左右移动 目