人工智能 第三章 搜索策略.pptVIP

* 对节点C进行扩展，扩展两层后得到的与/或树如右图所示。由于节点N和P是可解节点，故调用可解标记过程，得节点M、C、A也为可解节点，进而可标记S0为可解节点，这就的到了代价最小的解树。 按和代价法，该最优解的代价为9。 S0 9 A 8 D 11 B C E F 3 3 7 2 3 2 2 2 7 6 G J H I K L 0 0 2 2 2 6 M N P 0 0 5 2 2 9 扩展节点C后得到的与/或树 3.4.2 与/或树的启发式搜索过程 或结点 或结点 与结点 与结点 * 　　搜索是人工智能中的一个基本问题，并与推理密切相关，搜索策略的优劣，将直接影响到智能系统的性能与推理效率。 3.1 搜索概述 3.2 搜索的盲目策略 3.3 状态空间的启发式搜索 3.4 与/或树的启发式搜索 3.5 博弈树的启发式搜索 3.5.1 概述 3.5.2 极/大极小过程 3.5.3 α-β剪枝 第3章 搜索策略 * 3.5.1 概述 博弈的概念 博弈是一类具有智能行为的竞争活动，如下棋、战争等。 博弈的类型 双人完备信息博弈：两位选手（例如MAX和MIN ）对垒，轮流走步，每一方不仅知道对方已经走过的棋步，而且还能估计出对方未来的走步。 机遇性博弈：存在不可预测性的博弈，例如掷币等。 博弈树 若把双人完备信息博弈过程用图表示出来，就得到一棵与/或树，这种与/或树被称为博弈树。在博弈树中，那些下一步该MAX走步的节点称为MAX节点，下一步该MIN走步的节点称为MIN?节点。 博弈树的特点 (1) 博弈的初始状态是初始节点； (2) 博弈树中的“或”节点和“与”节点是逐层交替出现的； (3) 整个博弈过程始终站在某一方的立场上，例如MAX方。所有能使自己一方获胜的终局都是本原问题，相应的节点是可解节点；所有使对方获胜的终局都是不可解节点。 * 3.5.2 极大极小过程 对简单的博弈问题，可生成整个博弈树，找到必胜的策略。 对于复杂的博弈问题，不可能生成整个搜索树，如国际象棋，大约有10120个节点。 一种可行的方法是用当前正在考察的节点生成一棵部分博弈树，并利用估价函数f(n)对叶节点进行静态估值。 对叶节点的估值方法是：那些对MAX有利的节点，其估价函数取正值；那些对MIN有利的节点，其估价函数取负值；那些使双方均等的节点，其估价函数取接近于0的值。 为非叶节点的值，必须从叶节点开始向上倒退。其倒退方法是： 对于MAX节点，由于MAX 方总是选择估值最大的走步，因此，MAX节点的倒退值应该取其后继节点估值的最大值。 对于MIN节点，由于MIN方总是选择使估值最小的走步，因此MIN节点的倒推值应取其后继节点估值的最小值。 这样一步一步的计算倒推值，直至求出初始节点的倒推值为止。这一过程称为极大极小过程。 * 例3.12一子棋游戏 设有一个三行三列的棋盘，如下图所示，两个棋手轮流走步，每个棋手走步时往空格上摆一个自己的棋子，谁先使自己的棋子成三子一线为赢。设MAX方的棋子用×标记，MIN方的棋子用○标记，并规定MAX方先走步。 一子棋棋盘 棋局1 解：估价函数e(+P)：P上有可能使×成三子为一线的数目； e(-P)： P上有可能使○成三子为一线的数目； 当MAX 必胜 e(P)为正无穷大； MIN 必胜 e(P)为负无穷大。 e(P)=e(+P)-e(-P) 3.5.2 极大极小过程 * 棋局即估价函数 具有对称性的棋盘可认为是同一棋盘。如下图所示： 其e(P)=e(+P)-e(-P)=5-4=1 3.5.2 极大极小过程 ×为MAX方的棋子 ○为MIN方的棋子 * S0 1 S1 S2 S3 -1 6-5=1 5-5=0 6-5=1 5-5=0 4-5=-1 5-4=1 6-4=2 5-6=-1 5-5=0 5-6=-1 6-6=0 4-6=-2 一子棋的极大极小搜索 S4 S5 -2 1 一子棋的极大极小搜索 设MAX方先走步： MAX节点 MIN节点 * 剪枝的概念 极大极小过程是先生成与/或树，然后再计算各节点的估值，这种生成节点和计算估值相分离的方式，需生成规定深度内的所有节点，搜索效率较低。 如果能边生成节点边对节点估值，并剪去一些