第9章启发式搜索试卷.ppt

启发式函数和搜索效率 在决定A*效率时，启发式函数的选择是全关重要的。用 保证了可接纳性，但生成了相同代价搜索，因而效率不高。 等于ｈ上较低约束的最高可能值，不但可以扩展较少的节点，还能维持可接纳性。 在选择 函数时，我们必须考虑计算 本身的计算量。常常是在精确 函数和其计算代价之间取折衷值。 经常，通过使用一些非低约束的函数 以可接纳性为代价来换取搜索效率。也就是说，一个可能不是最佳的路径比最佳路径更容易找到，一个非较低约束的 函数可能比一个较低约束的函数容易计算。在这些情况下，效率可能会成倍地增加——因为被扩展的节点会被减少(虽然以可接纳性为代价)并且计算量也被减少。 另一种可能性是修改评估函数中 和 的权值， 即用 ，w是一个正数。非常大的w值会过分强调启发式部分，而非常小的w会突出搜索的广度优先特性。 实验结果表明如果w值与搜索树上节点深度成反比，常会提高搜索效率。 在浅深度时，搜索主要依赖启发式部分，然而随着深度的增加，为了确保最终会发现一些到达目标的路径，搜索会逐渐以广度优先为主。 2 8 3 1 6 4 7 5 搜索效率的一个度量是有效分枝因子B，它描述了一个搜索过程朝着日标前进的激烈程度。假设搜索找到了一个长为d的路径，生成了N 个节点，那么B是有下列属性的树上的每个节点的后继个数： · 树中每个非树叶节点都有B个后继。 · 树中的树叶节点的深度均为d。 · 树中的节点总数是N。 因此， B和路径长度d以及生成的总节点数N之间有下列关系： B+B2+……+Bd＝N 归纳一下，有三个重要的因素影响算法A*的效率： · 被发现路径的代价(长度)； · 在发现路径中被扩展的节点数； · 计算 的计算量。 选择适当的启发式函数可以让我们平衡这些因素以最大化搜索效率。 到目前为止讨论的所有搜索方法，包括启发式搜索，其时间复杂度都是O(n)，n是产生的节点数(假定启发式函数能在常量时间内被计算出)。 特殊地，当有效分枝因子是B，弧代价都相等，并且从开始节点到目标的深度为d的情况下，广度优先搜索的复杂度为O(Bd)，对相同代价搜索( )和不相等的弧代价，复杂度是O( )，其中C是最优方案的代价， c是最小代价弧的代价。 对很多实际的问题，由于d或(C／c)太大，从而导致不能计算最优方案的搜索(甚至启发式搜索)。 由于agent对它们的计算资源有时间和空间约束，因此不可能在很多任务中找到最佳方案。相反，做出非最优但是可以接受的方案(称为可以满足的方案)或者局部方案倒是必需的。 人有了知识，就会具备各种分析能力， 明辨是非的能力。 所以我们要勤恳读书，广泛阅读， 古人说“书中自有黄金屋。 ”通过阅读科技书籍，我们能丰富知识， 培养逻辑思维能力； 通过阅读文学作品，我们能提高文学鉴赏水平， 培养文学情趣； 通过阅读报刊，我们能增长见识，扩大自己的知识面。 有许多书籍还能培养我们的道德情操， 给我们巨大的精神力量， 鼓舞我们前进。 * 第9章 启发式搜索 第二部分 状态空间搜索 使用评估函数 除了搜索过程不是从开始节点统一向外扩展外，下面描述的搜索过程有点像广度优先搜索，不同的是，它会优先顺着有启发性和具有特定信息的节点搜索下去，这些节点可能是到达目标的最好路径。我们称这个过程为最优(best-first)或启发式搜索。 其基本思想： 1)假定有一个启发式(评估)函数， 可以帮助确定下一个要扩展的最优节点。我们采用一个约定，即 的值小表示找到了好的节点（这个函数基于指定问题域的信息，它是状态描述的一个实数值函数）。 2)下一个要扩展的节点n是 值最小的节点(假定节点扩展产生一个节点的所有后继)。 3)当下一个要扩展的节点是目标节点时过程终止。 我们常常可以为最优搜索指定好的评估函数。例如在8数码问题中，可以用不在正确位置的数字个数作为状态描述好坏的一个度量： ＝位置不正确的数字个数(和目标相比) 在搜索过程中采用这个启发式函数将产生下图所示的图，每个节点的数值是该节点的值。 这个例子表明，在搜索过程中我们需要偏向有利于回溯到早期路径的搜索。因此我们加了一个“深度因子”给 ： 其中： 是对图中节点n的“深度”估计(即从开始节点到n的最短路径长度)， 是对节点n的启发或评估。 像前面一样， 如果 =不正确位置的数字个数(和目标相比)，