搜索算法(16解析.pdfVIP

6.034 测验1 1 搜索算法（16 点） 1.1 游戏 标准的α−β算法对游戏树执行深度优先搜索（在一个预定的深度上）。 1. 可以对α−β算法进行泛化，在游戏树上作广度优先搜索并仍能找到最优解吗？如果可 以解释如何做，否则为什么不可以。如果可以泛化，指出用广度优先搜索的优点或缺点。 不可以。α−β算法是最小-最大上的一个最优方法。最小-最大本质上需要在游戏树上 查找当前结点下面的结点（当前结点以下预定的深度），以便给那个结点分配值。广度 优先的最小-最大没有这种含义。仅仅考虑α−β而不考虑最小-最大只会使情况变得更 糟，因为α−β 的整个要点就在于使用其中的一棵早期（最左）子树的最小-最大值，来 决定 我们不需要再搜索其后的（最右）子树。 有些人提出，最小-最大本质上需要走遍所有的路径才能达到游戏树的叶子，而游戏的结 果是已知的。这种说法是不正确的。典型地，人们会选择并搜索到一定的深度，使用静 态估计在那个深度上为所考虑的点计算一个评分。 2. α−β算法能被泛化，在游戏树上作逐步深化（PD）的搜索并且仍可以到达最优解吗？ 解释如何作或为什么不可以。如果可以泛化，指出优缺点。 是的。逐步深化包括反复的深度优先搜索来增加深度。这可以用最小-最大和α−β来做， 同样需要选一个向前搜索的最大深度。PD 确实两费了一些工作量，但是我们可以看到， 额外的工作是你所做的工作的很小的一部分，特别是当分支因数很高的时候而在游戏 树中恰恰就是这种情况。优点就是，在定时情况下你可以保证你总可以有一个合理的移 动可用。 1.2 算法 1. 你面临着一个有非常庞大的分支因数的路径搜索问题，但是结果通常包括一个相对较短 的动作序列（实际的长度是未知的）。所有的动作有同样的代价。你会用什么搜索算法 来找到最优解？指出是在什么条件下，如果可能，给出遍历或扩展列表。 逐步深度(PD) ,不需要遍历或扩展列表，很可能是最佳选择。所有的代价都一样，因此 广度优先(BF)和逐步深度搜索(PD)都可以保证在此条件下找到最短路径，而不需要额外 的一致代价搜索。因为分支因数很高，空间就是一个问题，这就是我们为什么宁愿用 PD 而不是 BF。如果我们用有遍历列表的 PD，空间消耗将和 BF 一样。如果我们放弃了 空间的优点，那么为 PD 付出附加的运行时间的代价就没有意义了。 2. 你面临着一个具有非常庞大的分支因数的路径搜索问题，但是结果通常包括一个相对较 短的动作序列（实际的长度是未知的）。然而，这些动作代价具有很大的变动。你会用 什么搜索算法来找到最优解？指出是在什么条件下，如果可能，给出遍历或扩展列表。 既然代价是可变的，我们应该用一致代价搜索保证最优解。 代价是高度变化的事实是 好的，因为我们可以预期能够避免搜索具有高的代价的子树。注意，我们不一定有一个 有用启发，因此 A*或许不可用。如果搜索空间包括许多环，使用一个扩展列表将是有 意义的，因为环会导致多次重复遍历同一个状态。然而，既然我们知道结果是一个相对 短的路径，额外的空间是值得的。 2 约束（16 点） 考虑给棋盘配色的问题，水平或垂直的方块不允许有相同的颜色。我们知道仅用红(R)和黑 (B)两种颜色就够了。我们限定 3X3 板上的五方块，如下编号： 1|2|3 4|5| | | 让我们看一下这个问题的公式形式。令方块为变量，颜色为值，变量的域为{R, B}。 1. 如果我们在初始状态上运行完全约束传播，变量的结果域是什么？ 变量域没有改变： 1={R,B} 2={R,B} 3={R,B} 4={R,B} 5={R,B} 2. 如果变量 5 的初始域限定在{B}, 而其他几个变量的域如前。如果我们想在运行完全约束 传播，变量的结果域是什么？ 1={B} 2={R} 3={B} 4={R} 5={B} 3. 如果在初始状态（所有的变量域为{R, B}），给变量 1 分配值 R，并作前向检查，那么其 它变量的结果域是什么？ 前向检查定义为仅在终止于值已经设定的变量的那些边上的一遍约束传播。而且并不源 自于已经设定的变量。因此，在设定1=R 后，前向检查影响变量 2 和 4 的域，因为它 们和变量 1 相邻（并且没有被分配值） 1={R} 2={B}