第三章 问题求解方法.pptVIP

* * * * * * * * * * * * * * * * * 3.8 约束满足方法(Constraint Satisfaction) pp.107, eg.3.15, 求解密码算术问题 (1) 问题 (2) 约束集 任意两个不同字母不能有相同的数值 按普通算术运算规则约束 (3) 问题的初始状态 (4) 目标问题的状态 3.9 问题(Questions) pp.109 3.1 3.2 3.6 3.7 3.19 3.21 3.22 3.10 小结(Summary) 状态搜索: 多种搜索算法的理解和掌握，尤其对常用的盲目搜索算法和启发式搜索算法学习。 主要的启发式学习算法： 局部搜索算法LS 模拟退火算法SA 遗传算法GA * * * No computers exhibit full AI. The greatest advances have occurred in the field of games playing. * * * * * * * * * * * * * * * pp.69,last paragraph,启发式策略也极易出错 pp.70,启发式策略及算法设计一直是人工智能的核心问题 * * * * * * * * * * 3.5 局部搜索算法(Local Searching) 特点 沿梯度最大变化反方向选择搜索路径 pp.90, procedure local_search … while … if f(xn) f(xb) then xb = xn, P = N(xn) //若趋势向好的方向发展，则重新选择邻域 3.5 局部搜索算法(Local Searching) pp.91, eg.3.13 局部搜索的问题： (1) 局部最优问题 ？初始点的选择对全局最优点的影响 多极值如何避免局部收敛 ？为什么不用定义域来表示该概率xi/∑(xi) 3.5 局部搜索算法(Local Searching) 局部搜索的问题： (2) 步长问题 对收敛速度的影响 对全局收敛的影响 可变步长与动量方法 3.6 模拟退火算法(Simulated Annealing Algorithm) 概念 是局部搜索算法的一种扩展 是对固体退火物理过程的模拟 pp.93-94 初始温度必须足够高 每个温度下，能量的转换充分 温度的下降必须足够缓慢 最终温度必须足够低 Simulated annealing (SA) (/wiki/Simulated_annealing) 3.6 模拟退火算法(Simulated Annealing Algorithm) 模拟退火算法 pp.94 表 3.2 组合优化问题与固体退火过程的类比 组合优化问题 固体退火过程 组合优化问题的解i(i∈D) 物理系统中的一个状态s(s∈S) 解的指标函数f(i) 状态的能量E(s) 解在邻域N中的交换X 粒子的热运动M 最优解fmin(i) 能量最低状态Emin(x) 控制参数 温度T 3.6 模拟退火算法(Simulated Annealing Algorithm) 类固体退火过程 (1)设置较大温度t (2)随机设定一个初始解值i及领域N(i) (局部搜索) (3)求解转移概率 (4)若新解j被接受，则以j替代i，否则i不变。 重复(3)~(4)，直到在控制参数t下达到平衡 下调t重复上述过程，直到退火t稳定 3.6 模拟退火算法(Simulated Annealing Algorithm) pp.95 Procedure Simulated-Annealing Begin Initiation: t0, x0 Loop1 until t is low enough Loop2 until banlance at t Computing f(x)|t end Loop2 decrease t end Loop1 end 3.6 模拟退火算法(Simulated Annealing Algorithm) 局部搜索与模拟退火算法间的差异 SA接受劣解 见转移函数Pt Pt是t的函数，当t较大时，接受劣解的概率大 这种差异设计有什么优点？ 3.6 模拟退火算法(Simulated Annealing Algorithm) 控制参数的确定 并不是任何一组参数都保证SA算法收敛于某一近似解； 经验表明，解质量与算法的运行时间成正比关系，因此结果取决于平衡选择；pp.96 控制参数包