湘潭大学 人工智能课件 确定性推理 part2.ppt

代价树的深度优先搜索 代价树的深度优先搜索算法流程： (1) 把初始节点S放入OPEN表中，置S的代价g(S)=0； (2) 如果OPEN表为空，则问题无解 ，失败退出； (3) 把OPEN表的第一个节点取出放入CLOSED表，并记该节点为n； (4) 考察节点n是否为目标节点。若是，则找到了问题的解，成功退出； (5) 若节点n不可扩展，则转第(2)步； (6) 扩展节点n，生成其子节点，将这些子节点按边代价由小到大放入Open表的首部，并为每一个子节点设置指向父节点的指针。然后转第(2)步。 状态空间的盲目搜索 状态空间的盲目搜索 上述几种搜索方法的本质是，以初始节点为根节点，按照既定的策略对状态空间图进行遍历，并希望能够尽早发现目标节点。 由于对状态空间图遍历的策略是既定的，因此这些方法统称为盲目搜索方法。 盲目搜索具有较大的盲目性，产生的无用节点较多，效率不高。 状态空间的搜索策略 状态空间的搜索策略 状态空间搜索的基本思想 图搜索的一般过程 状态空间的盲目搜索 广度优先搜索 深度优先搜索 代价树搜索 状态空间的启发式搜索 启发性信息和估价函数 A算法和A*算法 启发性信息和估价函数 启发式搜索：采用问题自身的特性信息，以指导搜索朝着最有希望的方向前进。 启发性信息的概念：启发性信息是指那种与具体问题求解过程有关的，并可指导搜索过程朝着最有希望方向前进的控制信息。启发信息的启发能力越强，扩展的无用结点越少。 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 启发性信息和估价函数 估价函数：用于评估节点重要性的函数称为估价函数。估价函数的一般形式为： f(x) = g(x)+h(x) g(x)表示从初始节点S0到节点x的代价； h(x)是从节点x到目标节点Sg的最优路径的代价的估计，它体现了问题的启发性信息。 h(x)称为启发函数。 启发性信息和估价函数 例子：八数码难题 设问题的初始状态S0和目标状态Sg如图所示 估价函数为： f(n)=d(n)+W(n) d(n)：表示节点n在搜索树中的深度 W(n)：表示节点n中“错放”的棋子个数 请计算初始状态S0的估价函数值f(S0) 1 2 3 8 4 7 6 5 2 8 3 1 4 7 6 5 S0 Sg 启发性信息和估价函数 计算初始状态S0的估价函数值f(S0) 解：取g(n)=d(n)，h(n)=W(n) 它说明是用从S0到n的路径上的单位代价表示实际代价 用结点n中“错放”的棋子个数作为启发信息。 一般来说，某节点中的“错放”的棋子个数越多，说明它离目标节点越远（代价的估计）。 对初始节点S0，d(S0)=0，W(S0)=3。因此， f(S0)=0+3=3 1 2 3 8 4 7 6 5 2 8 3 1 4 7 6 5 S0 Sg 状态空间的搜索策略 状态空间的搜索策略 状态空间搜索的基本思想 图搜索的一般过程 状态空间的盲目搜索 广度优先搜索 深度优先搜索 代价树搜索 状态空间的启发式搜索 启发性信息和估价函数 A算法和A*算法 A算法 A算法：在图搜索算法中，如果能在搜索的每一步都利用估价函数f(n)=g(n)+h(n)对OPEN表中的节点进行排序，则该搜索算法为A算法。 由于估价函数中带有问题自身的启发性信息，因此，A算法也被称为启发式搜索算法。 A算法的类型：可根据搜索过程中选择扩展节点的范围，将启发式搜索算法分为： 全局择优搜索算法： 从OPEN表的所有节点中选择一个估价函数值最小的一个进行扩展。 局部择优搜索算法：仅从刚生成的子节点中选择一个估价函数值最小的一个进行扩展。 A算法 全局择优搜索算法流程 (1)把初始节点S0放入OPEN表，计算f(S0)。 (2)如果OPEN表为空，则问题无解，退出。 (3)把OPEN表的第一个节点（记为节点n）取出放入CLOSED表。 (4)考察节点n是否为目标节点。若是，则求得了问题的解，退出。 (5)若节点n不可扩展，则转第2步。 (6)扩展节点n，用估价函数f(x)计算每个子节点的估价值，并为每一个子节点都配置指向父节点的指针。把这些子节点都送入OPEN表中，然后对OPEN表中的全部节点按估价值从小至大的顺序进行排序，然后转第2步。 A算法 全局择优搜索算法：八数码难题 设问题的初始状态S0和目标状态Sg如图所示 估价函数为： f(n)=d(n)+W(n) d(n)：表示节点n在搜索树中的深度 W(n)：表示节点n中“不在位”的数码个数 用全局择优搜索解决该问题 1 2 3 8 4 7 6 5 2 8 3 1 4 7 6 5