搜索与求解-人工智能导论.pptVIP

* 深度优先搜索就是在搜索树的每一层始终先只扩展一个子节点,不断地向纵深前进, 直到不能再前进(到达叶子节点或受到深度限制)时, 才从当前节点返回到上一级节点, 沿另一方向又继续前进。 * 广度优先搜索就是始终先在同一级节点中考查, 只有当同一级节点考查完之后, 才考查下一级节点。 * 广度优先搜索就是始终先在同一级节点中考查, 只有当同一级节点考查完之后, 才考查下一级节点。 * * 节点旁边的数字代表节点的扩展顺序． * 深度优先搜索就是在搜索树的每一层始终先只扩展一个子节点,不断地向纵深前进, 直到不能再前进(到达叶子节点或受到深度限制)时, 才从当前节点返回到上一级节点, 沿另一方向（兄弟节点）又继续前进。 * 深度优先搜索就是在搜索树的每一层始终先只扩展一个子节点,不断地向纵深前进, 直到不能再前进(到达叶子节点或受到深度限制)时, 才从当前节点返回到上一级节点, 沿另一方向又继续前进。 * * 深度优先搜索就是在搜索树的每一层始终先只扩展一个子节点,不断地向纵深前进, 直到不能再前进(到达叶子节点或受到深度限制)时, 才从当前节点返回到上一级节点, 沿另一方向又继续前进。 * * 搜索的启发信息主要由h(x)来体现，所以把h(x)称为启发函数。 启发函数依赖于某种经验估计，它来源于人们对于问题的解的认识，即对问题解的一些特性的了解，这些特性可以帮助人们很快地找到问题的解。 g(x)体现了搜索的宽度优先趋势，有利于搜索算法的完备性，但影响算法的搜索效率； h(x)体现了搜索的深度优先趋势，有利于提高算法的搜索效率，但影响算法的完备性，即有可能找不到问题的解。 在构造启发函数时，要考虑到两个方面因素的影响： （1）搜索的工作量；（2）搜索的代价。我们感兴趣的是使问题求解的路径代价与为求此路径所花费的搜索代价的综合指标为最小。 * * 类似于深度优先搜索算法。区别在于选择下一个节点时所用的标准不一样。 局部择优搜索算法：以估价函数为标准； 深度优先搜索算法：以后继节点的深度为标准，后生成的节点先考察。 如果把层深函数d(x)当做估价函数f(x)，则可以把深度优先搜索算法看做是局部择优搜索的一个特例。 * * 类似于宽度优先搜索算法。区别在于选择下一个节点时所用的标准不一样。 局部择优搜索算法：以估价函数为标准； 深度优先搜索算法：以后继节点的深度为标准，后生成的节点先考察。 如果把层深函数d(x)当做估价函数f(x)，则可以把宽度优先搜索算法看做是全局择优搜索的一个特例。 * * 启发函数是用来估计搜索树上节点x与目标节点Sg接近程度的一种函数, 通常记为h(x)。 g(x) 有利于搜索的横向发展(因为g(x) 越小,则说明节点x越靠近初始节点So), 因而可提高搜索的完备性, 但影响搜索效率； h(x)则有利于搜索的纵向发展(因为h(x)越小,则说明节点x越接近目标节点Sg),因而可提高搜索的效率, 但影响完备性。 所以,f(x)恰好是二者的一个折中。 * 全局最佳优先搜索----A算法 * F*(x)表示从节点S0到节点x的一条最佳路径的实际代价加上从节点x到目标节点的最佳路径的代价之和。 G*(x)是从节点S0到节点x的最小代价路径的实际代价； H*(x)是从节点x到目标节点的最小代价路径上的代价； g(x)是g*(x)的估计，可以通过由节点x到节点s0回溯时，把所遇到的各段弧线的代价加起来得到，比较容易求得；并且恒有g(x) ≥g*(x)。 * 宽度优先搜索方法 * * 深度优先搜索方法 * 本原问题：指那种不能（或不需要）再进行分解或变换，且可以直接解答的子问题。 * 端节点：没有子节点的节点。（如P2） 终止节点：本原问题所对应的节点。（如P11,….P32） * 端节点：没有子节点的节点。（如P2） 终止节点：本原问题所对应的节点。（如P11） * 【希望树定义】 初始节点S0在希望树T中； 如果节点x在希望树T中，则一定有： （1）如果x是具有子节点y1,y2,…,yk的”或”节点，则具有 min{c(x,yi)+g(yi)} (i=1,2,…,n) 值的那个子节点yi也应在T中； （2）如果x是”与”节点，则x的全部子节点都在希望树T中。 * 与/或树的启发式搜索算法（AO*算法） 与/或树的启发式搜索算法也称为AO*算法。 与/或树的启发式搜索需要不断地选择、修正希望树 * AO*算法 利用h(x)探索求解。分为两个过程： 图生成过程，即扩展节点 从最优的局部图中选择一个节点扩展 计算耗散值的过程 对当前的局部图重新计算代价值 * 【AO*算法举例】 已知其中： h(n1)=2 h(n2)=4 h(n3)=4 h(n4)=1 h(n5)=1