状态空间搜索策略的.pptVIP

三、搜索策略; 从问题表示到问题的解决，有一个求解的过程。常见的AI问题求解技术有两种，即“搜索”（Search）和“推理”（Reasoning）方法。 逻辑推理，是通过构造一个逻辑系统，由它可以从已有的断言（公理）推导出新的断言。并用逻辑形式语言描述的一组公理来表达问题域。用这种方法来解决问题就是通过推理来积聚越来越多的断言，直到获得问题的解答。 虽然问题求解可通过搜索方法，也可用逻辑推理，但二者的侧重点是不一样的。前者着重于寻求问题解答的过程，而后者强调前提（初始）问题空间（公理集合）与问题解答间连接的逻辑正确性。或者简单地讲，搜索着重于发现（Discovery），而推理强调证明（Proof）。 　　;搜索 在状态图中寻找目标或路径的基本方法 从初始节点，沿着与之相连的边，寻找目标节点的过程 搜索树 搜索过程中经过的节点和边，按照原图的连接关系，便形成一个树形的有向图;盲目搜索 无向导搜索/穷举式搜索 从初始节点，沿连接边逐一考察各个节点，或反向进行 启发式(heuristic)搜索 利用“启发性信息”引导的搜索 启发式信息是与问题有关的有利于尽快找到问题解的信息或知识 ;3.1 图搜索策略 ;图组成 节点 有向边 图分类 或图（直接图、状态图） 与或图 图搜索过程图 ;图（状态图）搜索策略 CLOSED 表：用来记录考察过的节点 对树形搜索，存储的是搜索树 对线式搜索，存储的是折线 OPEN表：记录待考察的节点 排序方式不同，对应的搜索算法不同;开始;3.2 盲目搜索 ;广度（宽度）优先搜索 (Breadth-first search, BFS) 优先在同一级节点中考察，只有当同一级节点考察完毕之后，才考察下一级节点 自顶向下一层一层逐渐生成的 ;宽度优先搜索算法;开始; 例子八数码难题（8-puzzle problem） ;;宽度优先搜索算法 宽度优先/横向搜索 优点 策略是完备的 如果有解，肯定找到解，且找到的解是最优解(最短路径) 缺点 效率低;节点深度： 根节点深度=0 其它节点深度=父节点深度+1 ;3.2.2 深度优先搜索;深度优先搜索（Depth-first search ，DFS） 在搜索树的每一层始终只扩展一个子结点，不断地向纵深前进 直到不能再前进（到达叶子结点或深度限制），才从当前节点返回上一级节点，沿另一方向又继续前进 从树根开始一枝一枝逐渐生成的 ;路径 节点序列为(n0, n1,…,nk) 对于i=1,…,k，若节点ni-1具有一个后继节点ni， 该序列称为从n0到nk的路径 ;深度优先搜索算法 纵向搜索 缺点 如果一个有解的问题树可能有无穷分支，如果误入无穷分支（即深度无限），则不可能找到目标节点 策略不是完备的 找到的解是不一定最优解最短路径);3.2.3 等代价搜索;开始;国际象棋对弈程序:深蓝;Video;问题的提出 穷举算法 可以解决状态空间很小的简单问题 大空间无法胜任：组合爆炸 组合爆炸 64阶梵塔： 节点：364=0.94*1030 理论最短路径：264-1=2*1019 博弈 一字棋：9！= 3.6*105 西洋棋：1078 国际象棋：10120（极限并行速度10-104秒/步，需1016年） 围棋：10761;启发性信息 按其用途划分, 启发性信息可分为以下三类： 用于扩展节点的选择, 即用于决定应先扩展哪一个节点, 以免盲目扩展。 用于生成节点的选择,即用于决定应生成哪些后续节点,以免盲目地生成过多无用节点。 用于删除节点的选择,即用于决定应删除哪些无用节点, 以免造成进一步的时空浪费。 ;3.3 启发式搜索;启发函数 启发函数是用来估计搜索树上节点x与目标节点Sg接近程度的一种函数, 通常记为h(x) 定义 一个节点到目标节点的某种距离或差异的度量 一个节点处于最佳路径上的概率 根据经验的主观打分;估价函数 为获得某些节点“希望”的启发信息，提供一个评定侯选扩展节点的方法，以便确定哪个节点最有可能在通向目标的最佳路径上 。 f(n)——表示节点n的估价函数值 应用节点“希望”程度（估价函数值）重排OPEN表;开始; 例子;;启发式搜索 利用问题拥有的启发信息来引导搜索，达到减少搜索范围，降低问题复杂度的目的 在保证找到最佳解的情况下，尽可能减少搜索范围，提高搜索效率 启发信息 强 降低搜索工作量，但可能导致找不到最优解 弱 产生式系统在找到一条路径之前将扩展过多的节点，一般导致工作量加大 极限情况下盲目搜索，但可能可以找到最优解 ;A*算法;3.3.3 A*算法;评价函数的计算 g（n） 根据已搜索的结果，按照从初始结点s到结点n的路径，计算其耗散值即可 g(n)对g*(n)作出估