高级人工智能-搜索讲解.pptVIP

搜索算法 所有的搜索算法都是相同的，除了对边缘的处理策略 从概念上说，所有的边缘是优先队列 (即附加优先级的节点集合) 对于DFS, BFS，可以通过使用栈或队列代替优先队列，从而减少log(n) 的开支 搜索算法 * 搜索和模型 搜索是在问题世界的模型上操作 实际上并不在真实世界上试验所有的规划 规划全部是在“模拟中” 你的搜索只能和你的模型一样好… 启发式搜索(Informed Search) 搜索的启发策略 启发策略: 估计一个状态到目标距离的函数 问题给予算法的额外信息，为特定搜索问题而设计 例: Manhattan distance, Euclidean distance for pathing 10 5 11.2 例子: 启发函数 h(x) 贪婪搜索(Greedy Search) 例子: 罗马尼亚旅行 h(x) 贪婪搜索 扩展离目标最近的节点… 贪婪搜索 策略: 扩展你认为最接近目标状态的节点 启发式: 对每个状态估计到最近目标的距离 只使用启发函数 f(n)=h(n) 来评价节点 通常情况: 最佳优先使你直接（或很快）到达目标 最坏情况: 类似DFS … b … b A* 搜索 A* 搜索 UCS Greedy A* 结合 UCS 和 Greedy Uniform-cost orders by path cost, or backward cost g(n) Greedy orders by goal proximity, or forward cost h(n) A* Search orders by the sum: f(n) = g(n) + h(n) S a d b G h=5 h=6 h=2 1 8 1 1 2 h=6 h=0 c h=7 3 e h=1 1 S a b c e d d G G g = 0 h=6 g = 1 h=5 g = 2 h=6 g = 3 h=7 g = 4 h=2 g = 6 h=0 g = 9 h=1 g = 10 h=2 g = 12 h=0 A* 结束条件? 当目标入列时，应该停止吗? 不: 只有目标出列时才停止！ S B A G 2 3 2 2 h = 1 h = 2 h = 0 h = 3 A* 最优性? 哪错了? 实际(差)目标耗散 (好)目标耗散的估计 需要估计要小于实际耗散! A G S 1 3 h = 6 h = 0 5 h = 7 可采纳启发 可采纳启发 启发函数 h 是 可采纳的，那么: 其中 是到最近目标的真实耗散 例: 想出可采纳的启发函数是A*算法实际使用中的重点 15 A* 树搜索的最优性 A* 树搜索的最优性 假定: A 最优目标节点 B 次优目标节点 h 可采纳的 结论: A在B之前离开边缘集合 … A* 树搜索的最优性 证明: 假设 B 在边缘集合上 A的某个祖先节点n也在边缘集合上 (maybe A!) 那么 n 将在B之前被扩展 f(n) = f(A) Definition of f-cost Admissibility of h … h = 0 at a goal A* 树搜索的最优性 证明: 假设 B 在边缘集合上 A的某个祖先节点n也在边缘集合上 (maybe A!) 那么 n 将在B之前被扩展 f(n) = f(A) f(A) f(B) B is suboptimal h = 0 at a goal … A* 树搜索的最优性 证明: 假设 B 在边缘集合上 A的某个祖先节点n也在边缘集合上 (maybe A!) 那么 n 将在B之前被扩展 f(n) is less or equal to f(A) f(A) is less than f(B) n expands before B A的所有祖先在B之前扩展 A在B之前扩展 A*是最优的 … A*算法特性 … b … b Uniform-Cost A* UCS vs A* 代价一致搜索在所有“方向”上等可能的扩展 A*搜索主要朝着目标扩展，而且 能够保证最优性 Start Goal Start Goal 比较 Greedy Uniform Cost A* A* 算法应用 Video games Pathing / routing problems Resource planning problems Robot motion planning Language analysis Machine translation Speech recognition … 设定启发函数 搜索问题是对原问题的建模 例子: 罗马