第9章启发式搜索案例.ppt

* * 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)， ＝搜索图中节点n的深度， 可以得到下图 ： 两个重要的问题： 第一，我们如何为最优搜索决定评估函数？ 第二，最优搜索的特性是什么？它能找到到达目标节点的好路径吗？ 我们把上面两个问题放到以后讨论，这里主要讨论最优搜索的形式表示。 一个通用的图搜索算法 GRAPHSEARCH 1)生成一个仅包含开始节点N0的搜索树Tr。把N0放在一个称为OPEN的有序列表中。 2)生成一个初始值为空的列表CLOSED。 3)如果OPEN为空，则失败并退出。 4)选出OPEN中的第一个节点，并将它从OPEN中移出，放入CLOSED中，称该节点为n。 5)如果n是目标节点，顺着Tr中的弧从n回溯到n0找到一条路径，获得解决方案，则成功退出(弧在第6步产生)。 6)扩展节点n，生成n的后继节点集M（放入OPEN）。通过在Tr中建立从n到M中每个成员的弧生成n的后继。 7)按照任意的模式或启发式方式对列表OPEN重新排序。 8)返回步骤3。 这个算法可用来执行最优搜索、广度优先搜索或深度优先搜索。 在广度优先搜索中，新节点只要放在OPEN的尾部即可(先进先出， FIFO)，节点不用重排。 在深度优先搜索中，新节点放在OPEN的开始(后进先出， LIFO)。 在最优(也叫启发式)搜索中，按照节点的启发式方式来重排OPEN。 算法A* 用最优搜索算法详细说明GRAPHSEARCH。最优搜索算法根据函数 的增加值，(在第7步)重排OPEN中的节点。把GRAPHSEACH的这种算法称为算法A*。 设h(n)＝节点n和目标节点(遍及所有可能的目标节点以及从n到它们的所有可能路径)之间的最小代价路径的实际代价。 设g(n)＝从开始节点n0到节点n的一个最小代价路径的代价。 那么f(n)=g(n)+h(n)就是从n0到目标节点并且经过节点n的最小代价路径的代价。注意f(n0)＝h(n0)是从n0到目标节点的一个(不受限的)最小代价路径的代价。 对每个节点n，设 (启发因子)是h(n)的某个估计， (深度因子)是由A*发现的到节点n的最小代价路径的 代价。在算法A*中，我们用 。 注意，如果算法A*中的 恒等于0，就成为相同代价搜索。 如果要搜索的隐式图不是一棵树（有超过一个动作序列能从开始状态到达相同的环境状态）会怎样呢? 引深问题： 把GRAPHSEARCH中的第6步改为： 6)扩展节点n，生成后继集合М（放入OPEN）。 n的双亲不能在М中。通过在Tr中建立从n到М中每个成员的弧生成n的后继。 考虑到更长的循环，把第6步改为: 6)扩展节点n，生成后继集合М（放入OPEN）。 n的祖先不能在М中。通过在Tr中建立从n到М中每个成员的弧生成n的后继。 算法A*：