启发式搜索-read.pptVIP

第五章 启发式搜索 启发式搜索 “启发” (heuristic) 是关于发现和发明规则及方法的研究。在状态空间搜索中,启发式被定义成一系列规则,它从状态空间中选择最有希望到达问题解的路径。 有信息的搜索策略——是一种在问题本身的定义之外还利用问题的特定知识的策略。 启发性信息 启发性信息的种类 有效地帮助确定扩展节点的信息； 有效的帮助决定哪些后继节点应被生成的信息； 能决定在扩展一个节点时哪些节点应从搜索树上删除的信息。 启发性信息的作用 启发信息的启发能力越强，扩展的无用结点越少。 启发式搜索 在两种情况下运用启发式策略: 一个问题由于在问题陈述和数据获取方面固有的模糊性可能使它没有一个确定的解。医疗诊断,视觉系统可运用启发式策策略选择最有可能解释。 一个问题(如国际象棋)可能有确定解,但是求解过程中的计算机代价令人难以接受。穷尽式搜索策略,在一个给定的时空内很可能得不到最终的解。启发式策略通过指导搜索向最有希望的方向前进降低了复杂性。消除组合爆炸,并得到令人能接受的解。然而,启发式策略也是极易出错的。 5.1 启发式搜索和估价函数 启发式策略及算法设计一直是人工智能的核心问题。 博弈和定理证明是两个最古老的应用，二者都需要启发式知识来剪枝以减少状态空间。 应用启发式减少搜索耗散。 启发式算法通常由两部分组成：方法和使用该方法搜索状态空间的算法。 5.2.2 最好优先搜索法 定义： Best-first Search (Ordered Search) 在AI图解搜索中，结点扩展的顺序是根据待扩展结点的评价函数值 f(x)来决定，即将评价函数值最佳的结点最先扩展，搜索方法是靠 f 值指导搜索顺序的。 5.2.2 最好优先搜索法 估计函数 (评价函数) f(x): 估计函数的任务就是估计OPEN表 中各结点的重要程度并给它们排定次序，估计函数 f(x) 可以是任意一种函数： 有的定义它是结点X处于最佳路径上的概率。 或者是结点X和目标结点之间的距离。 或者是X格句的得分等等。 一般来说，估计一个结点的价值，必须考虑两方面因素：已经付出的代价和将要付出的代价。我们把估计函数f(n)定义为从初始结点经过n结点到达目标结点的最小代价估计值。 5.2.2 最好优先搜索法 一般形式为：f(n) = g(n) + h(n) 其中：g(n)是从初始结点到n的实际代价；h(n)是从n到目标结点的估计代价。 h(n)体现了搜索的启发信息。因为实际代价g(n)可以根据已生成的搜索树计算出来，而估计代h(n)有赖于某种经验估计，它来源于我们对问题的解的某些特性的认识，这些特性可以帮助我们更快的找到问题的解。 如果h(n)=0，g(n)=d(n) 时，就是广度优先搜索法。一般讲在 f(n) 中，g(n)的比重越大，越倾向于广度优先搜索；h(n)的比重越大，越倾向于深度优先搜索。 有了f(n)，就可以对各个待扩展结点的价值进行估计，从OPEN表中选择出最有希望的结点扩展。 5.2.2 最好优先搜索法 搜索的过程： 有序搜索中的数据结构不同于广度优先搜索使用的队，也不同于深度优先搜索使用的栈，而是一个按结点的 f 值的大小为序排列的一个表，有时也称为“优先队”。进入优先队的结点不是简单地排在队末尾，而是根据其 f 值的大小插入队中合适的位置。每次从队中优先取出f 值最小的结点加以扩展。 例：一个结点有多条通道的搜索树的有序搜索过程： 5.2.2 最好优先搜索法 (c) (d) 最好优先搜索法 最好优先搜索法 从上图可知，当搜索开始时，树根结点进入优先队中，因为队中只有一个结点，故无序可排。接着扩展树根，它有三个可能的通道，通向F、B、H三个结点。显然，这三个结点的g值皆为1。图中的h值虽标为精确值，实际上应为估算值。算出三个结点的 f 值分别为3、4和5。将这三个结点按 f 的大小送入优先队中。下一个要扩展的结点是队中 f 值最小的结点，即结点F。它只有一个后继结点D,其结点值 f 等于3，由于结点F已被充分扩展，故变为闭结点，而将 f 值最小的结点D插入队首，接着再扩展D，如此继续，直到出现目标结点E时为止。 有序搜索方法的流程图 最好优先搜索法算法描述 PROCEDURE BEST-FIRST-SEARCH INITIALIZE: OPEN=[START]; CLOSED=[ ]; WHILE OPEN≠[ ] DO BEGIN REMOVE THE NEXT STATE FROM OPEN, CALL IT X; IF X IS A GOAL THEN RETURN THE SOLUTION PATH THAT LED TO X; PROCE