2.2.3知识表示与问题求解(状态空间法)讲解.pptVIP

盲目搜索启发式搜索 状态空间图搜索 广度优先搜索 深度优先搜索 迭代加深搜索 A搜索 A*搜索 状态组合爆炸 2.2.3 状态空间法 * 隐式部分 (362866 states) 显式部分 (14 states) 5 7 1 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 （4） （6） （6） 2 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 （6） （5） （5） 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 （5） （7） 1 2 3 8 4 5 6 7 1 2 3 8 4 5 6 7 （6） （7） 1 2 3 8 4 5 6 7 （5） 8 1 3 2 4 5 6 7 1 2 3 8 4 5 6 7 （7） 1 2 3 8 4 6 （4） 7 5 Initial State Goal 8数码问题 ? 9! =362,880 states 15数码问题 ? 1.3 x 1012 states 24数码问题 ? 1025 states 100 millions states/sec 4 hours 0.036 sec 109 years 盲目搜索的困境-状态组合爆炸！ 2.2.3 状态空间法 启发性知识 就是与被求解问题自身特性相关的知识，包括被求解问题的解的特性、解的分布规律和在实际当中求解此类问题的经验、技巧等，对应于问题求解框架中的控制性知识。 启发式搜索的基本思想 启发函数 要实现启发式搜索，需要把启发性知识形式化，即用一定的函数表示出来，通过函数计算来评价每种选择的价值大小，用以指导搜索过程，这样的函数称为启发函数。 启发式搜索 2.2.3 状态空间法 启发式搜索的基本思想 用启发函数来导航，其搜索算法就要在状态图一般搜索算法基础上再增加启发函数值的计算与传播过程，并且由启发函数值来确定节点的扩展顺序。 启发式搜索 2.2.3 状态空间法 在很多实际问题中，已经付出的实际代价是必须考虑的，如TSP问题等。将两者同时考虑，用于指导搜索的算法称为A算法和A*算法。 启发函数是对当前结点到达目标结点未来可能要付出的代价的估计。 在全局择优和局部择优搜索算法中，都没有考虑从初始结点到当前结点已经付出的实际代价。 启发函数/代价函数/估价函数 启发式搜索 2.2.3 状态空间法 为了防止在单独利用启发函数的时候误入歧途，将启发函数h（x）与代价函数g（x）相结合，即初始节点S0到达节点x处已付出的代价与节点x 到达目标节点Sg的接近程度估计值总和。 估价函数 … … 初始节点 节点n 目标节点 g(n) h(n) f（x） ＝g（x）＋h（x） 启发式搜索 2.2.3 状态空间法 Algorithm A (A算法) Uniform-Cost search （等代价搜索）分支界限/瞎子爬山 Greedy Search （贪婪搜索） Algorithm A* (A星算法) f(n) = g(n) f(n) = h(n) f(n) = g(n) + h(n) f(n) = g(n) + h(n) , h(n) = h*(n) 估价函数及其相应算法 启发式搜索 2.2.3 状态空间法 开始 把S放入OPEN表 OPEN表为空表？ 把第一个节点(n)从OPEN表移至CLOSED表 n为目标节点吗？ 把n的后继节点放入OPEN表的末端，提供返回节点n的指针 修改指针方向 根据最佳优先重排OPEN表 失败 成功 是 是 否 否 (1) (3) (4) (5) (6) (7) (7)‘ (8) (9) OPEN CLOSED (1) (2) 启发式搜索 2.2.3 状态空间法 1.全局择优搜索 基本思想：在OPEN表中保留所有已生成而未考察的节点，并用启发函数h(x)对它们全部进行估价，从中选出最优节点进行扩展，而不管这个节点出现在搜索树的什么地方。 2.局部择优搜索 基本思想：局部择优搜索是在启发性知识导航下的深度优先搜索，在OPEN表中保留所有已生成而未考察的结点，对其中新生成的每个子结点x计算启发函数，从全部子结点中选出最优结点进行扩展，其选择下一个要考察结点的范围是刚刚生成的全部子结点， 启发式搜索的两类基本策略 启发式搜索 2.2.3 状态空间法 f（x） ＝g（x）＋h（x） g（x）：对某一确定的节点，是确定的值。 h（x）：不同的问题启发函数的定义不同，相同的 问题也可以定义出不同的启发函数。 估价函数定义探讨 启发式搜索 如何设计合理的启发函数？ 衡量启发式函数h（