3节-S搜索-人工智能研究生教学-09.pptVIP

第 3 章 搜索 3.1 显式存储. 3.1.1 状态空间表示法 问题的状态空间图例子 2 状态空间问题求解. 3.1 .2 与/或树表达. 2 问题归约的与／或树表示 可解节点与不可解节点。 梵塔问题（表达） 梵塔问题的状态空间表示 三阶梵塔问题与或树表示 三阶梵塔问题的分解过程与／或树. 3.2 隐式存储 3.3 搜索 搜索效率 3.3.1 搜索策略(树/网状结构图 ) 3.3.2 隐式图的搜索过程 3.3.3 状态空间图搜索 修道士和野人问题-2 修道士和野人问题-3 修道士和野人问题-4 梵塔问题的状态空间分析-2 3.3.3.2 高阶梵塔隐式 3.3.3.3 代价树的推进搜索（C-TSP问题） 5个城市交通问题代价树（广度优先）例子 3.4 启发式搜索 3.4.2 启发式搜索原理 3.4.1.2 启发信息及其作用 3.4.2 盲人爬山法（局部择优搜索） 3.4.2 盲人爬山法---九宫问题举例 盲人爬山法举例-1 盲人爬山法举例-2 3.5 A 算法 3.5.2 A 算法- 瞎子爬山法估价函数 例子 3.5.3 A*算法 A*九宫问题举例 例子 3.6 与／或树搜索 3.6.1 与／或树的盲目搜索 3.6.1.1 与／或树的广度优先搜索 3.6.2 与／或树启发搜索 3.6.2.1 希望解树 3.6.3 与／或树的启发搜索步骤 例子 例子 3.7 博弈树的启发式搜索 3.7 博弈树的启发式搜索2 * * (解) 利用瞎子爬山法搜索策略，关键是找到一个好的目标函数。 这里把目标函数定义为 w(n)=0 其中w(n)代表节点n的格局与目标节点的格局相比，将牌位置不符的数n 总和，其中，每个将牌位置相符时，取值为0，不符取值为l；中格是空 格时(即没将牌占据)取0，不为空格取l。搜索目的设法使w(n)减少， 直到w(n)=0，就能达到目标节点的格局。 由图可见，W(SO)=3，W(SO2)= W(SO1)＝4，W(SO3)=5，W(SO4＝5； 在进行第2步节点及路径选择时，遇到了一个小“平台”为W(SO2)= W(SO1)＝4；若选择W(SO2)= W(SO1)＝4，再进行瞎子爬山法搜索，于是，顺利完用了后 面的搜索，恰好在第4步寻找到SG，使得W(S31)=W(S4)=W(SG)=0。 利用瞎子爬山法搜索策略，得到搜索过程的一个搜索树示。 * 2 8 3 1 4 7 6 5 2 3 1 8 4 7 6 5 2 3 1 8 4 7 6 5 1 2 3 8 4 7 6 5 2 8 3 1 4 7 6 5 2 8 3 1 4 7 6 5 2 3 1 8 4 7 6 5 2 8 3 1 6 4 7 5 1 2 3 7 8 4 6 5 1 2 3 8 4 7 6 5 w=3 w=4 w=4 w=5 w=5 w=3 w=6 w=2 w=3 w=0=SG 1 2 3 8 4 7 6 5 SG * 3.5.1 估价函数 f(n) 用来估计节点重要性的函数称为估价函数。 f(n)=g(n)+ h(n) =（实际代价+启发函数） 估价函数f(n)被定义为从初始节点S0出发，约束经过节点n到达目标节点 Sg的所有路径中最小路径代价的估计值。大小好由问题本身性质定。 g(n)是从初始节点S0到节点n的实际代价； 对g(n)的值，可以按指向父节点的指针，从节点n反向跟踪到初始节点S0， 得到一条从初始节点S0到节点n的最小代价路径，然后把这条路径上所有有 向边的代价相加，就得到g(n)的值。 h(n)是从节点n到目标节点Sg的最优路径的估计代价。 对h(n)的值，则需要根据问题自身的特性来确定，它体现的是问题自身 的启发性信息，因此也称h(n)也称启发函数。 h(n)=0 盲目搜索 * A算法 在图搜索算法中，如果能在搜索的每一步都利用估价函数 f(n)=g(n)+ h(n)) 对Open表中的节点进行排序 1．全局择优搜索 在全局择优搜索中，每当需要扩展节点时，总是从表的所有节点中选择 一个估价函数值最小的节点进行扩展。 总是从Open表的所有节点中选择一个估价函数值最小的节点进行扩展。 2．局部择优搜索 在局部择优搜索中，每当需要扩展节点时，总是从刚生成的子节点中选 择一个估价函数值最小的节点进行扩展。 * 2 8 3 1 4 7 6 5 2 3 1 8 4 7 6 5 2 3