第三节知识处理.ppt

第三章 问题求解 问题推理：在知识表达的基础上，进行机器思维，求解问题。是知识利用的基础。 推理技术：问题求解（从初始状态到目标状态）的方法和途径。 与知识表达技术密切相关。 图搜索方法：基于图的知识表达。从图中相当于初始状态的出发到相当于目标状态的终止节点的路线搜索过程。 广度优先搜索，深度优先搜索…. 逻辑论证法：基于谓词逻辑或其他形式逻辑方法的知识表达。 不确定性推理 非单调推理 推理方法： 是否完备： 推理算法：推理过程完备，能找到解。 推理步骤：推理过程不完备，不一定能求解问题的解。 是否加入启发性知识： 启发推理：在推理过程中，运用与问题有关的启发性知识，即解决问题的策略、技巧、窍门，对解的特性及规律的估计等实践经验和知识，加快推理过程，提高搜索效率； 非启发推理：在问题求解的推理过程中，不运用启发性知识，只按一般的逻辑法则或控制性知识，进行通用性的推理。 3.1 一般搜索原理 一 一般性图搜索策略 1 图搜索：在图中寻求从初始状态到目标状态的路径。 2 盲目搜索：无信息搜索，非启发性搜索。 3 搜索策略： （1）相关数据结构及概念： OPEN表：用于存放刚生成的节点； CLOSED表：用于存放将要扩展或已扩展的节点； 扩展：用定义的算子或算符对节点进行操作，生成子节点； 指针：用以记录子节点被扩展的路径，反向指向父节点； 搜索图：通过搜索所得的图； 搜索树：由搜索图中所有节点及反向指针所构成的集合。 （2）一般性图搜索策略 宽度优先搜索 搜索按层进行，在对下一层节点进行搜索之前，必须搜索完本层的所有节点。 有界深度优先搜索: 深度优先搜索不完备,可能陷入无限分支中,引入搜索深度界限。 3.2 启发式搜索 一 思想 找到一种有效的方法处理节点（排列待扩展节点），利用问题本身的特性进行扩展，提高搜索效率。 有信息搜索。 有序搜索：选择最有希望的节点作为待扩展节点。 通过定义某一衡量标准决定希望程度。 估价函数 估算节点希望的量度。 一般形式为：f (x) = g (x) + h (x) f 为估价函数，f (x)表示节点x的估价函数值。 g (x)表示从初始节点到x已实际付出的代价； h(x)是从节点x到目标节点的估计代价，利用问题本身的信息进行估价。 宽度优先：深度小者优先； 深度优先：深度深者优先； 代价优先：代价小者优先。 局部择优搜索（深度）：对新扩展的节点按代价大小重排； 全局择优搜索（广度）：对OPEN表中所有节点按代价大小重排。 A*算法 A*算法：选择一个特定的估价函数f(n)，定义为通过节点n的一条最小代价路径的代价的一个估计。 先定义： f *(n) = g *(n) + h *(n),其中： g *(n) 为从初始节点到节点n的一条最优路径的代价； h *(n)为从n到目标节点最小代价路径的代价。 定义估价函数： f (n) = g (n) + h (n) 其中g是对g*的估计，h是对h*的估计。 g(n)可以是实际值，而h(n)则依赖有关问题的领域的启发信息，h叫启发函数。 A*算法定义： （1）估价函数依据f (x) = g (x) + h (x)进行； （2）h(x)=h*(x), h(x)为h*(x)的下界； （3）利用h*(x)的下界h(x)为启发函数的A算法，为A*算法。 A*算法的一些特性： （1） A*算法能在有限步内终止，并能找到最优解； （2）在满足h(x)=h*(x)的前提下，h(x)的值越大越好。 f 1(x) = g 1(x) + h 1(x) f 2(x) = g 2(x) + h 2(x) A1* ， A2*分别是以f 1(x) ，f 2(x) 为估价函数的A*算法，且对所有的非目标节点有h 1(x) h 2(x)，则A2*扩展的节点集是A1*扩展的节点集的子集。 3.3 与或树搜索策略 一 与或树的一般搜索策略 1 可解标识过程：由可解的子节点确定其父、祖节点可解否。（依据可解节点定义） 2 不可解标识过程：由不可解的子节点确定其父、祖节点不可解否。 3 解树：由初始节点和标识初始节点可解的子节点构成。 4 一般搜索过程： 二 与或树的广度优先搜索 扩展节点n，将其子节点放入OPEN表的尾部，并为每个子节点配置指向节点n的指针。 三 与或树的深度优先搜索 扩展节点n，将其子节点放入OPEN表的首部，并为每个子节点配置指向节点n的指针。 有界深度优先搜索：节点n的深度=深度界