人工智慧ap物理学.pptVIP

* 第四章 啟發式搜尋方法 求解過程運用與問題相關知識 第4章 有資訊的搜尋和探索 4.1　有資訊的(啟發式的)搜尋策略 4.2　啟發函數 4.3　局部搜尋演算法和最佳化問題 4.4　小　結 * * 本章所學內容 4.1 啟發式搜尋方法 最佳優先搜尋法 Best-first search 貪婪搜尋法 Greedy best-first search A*搜尋法 A* search 記憶體限制搜尋法 4.2 啟發函數 Heuristics 4.3 局部搜尋演算法和最佳化問題 登山搜尋演算法 Hill-climbing search 模擬退火搜尋法 Simulated annealing search 基因遺傳演算法 Genetic algorithms * 4.1 最佳優先搜尋法(Best-first search) 一般搜尋方法在求解過程運用知識的地方：展開搜尋樹時，決定搜尋樹要優先展開的節點。 運用的知識：評估函數(evaluation function)評估搜尋樹要優先展開的節點的有用程度。 評估函數：包括Heuristic function經驗函數or經驗法則、路徑成本函數。 策略：第一是儘可能展開靠近目標的節點，另一項則是儘可能展開位於求解路徑上最小成本的節點。 * 最佳優先搜尋演算法(使用一般搜尋搜尋演算法) Function BEST-FIRST-SEARCH (problem, EVAL-FN) returns a solution sequence inputs: problem, a problem Eval-Fn, an evaluation function Queuing-Fn ? a function that orders nodes by EVAL-FN return GENERAL-SEARCH (problem, Queuing-Fn) * 4.1.1貪婪搜尋法 (Greedy Search) 貪婪搜尋法：使到達目標的成本估計值最小化，運用最佳優先搜尋法+ Heuristic function經驗函數or啟發函數h (n)。 h (n)=由節點n的狀態到達目標狀態的最小路徑成本估計值。 h (n)=0, 如果 n 是搜尋目標。 經驗函數具有問題相依(problem-specific) 的特性。 例子：搜尋羅馬尼亞地圖中從Arad到Bucharest的路徑問題， hSED (n) =從n到目標位置的直線距離，如圖4.1所示。圖4.2列出 使用貪婪搜尋法由Arad到Bucharest的路徑擴展過程。 解答找到評估標準不具完備性,也非最佳性。 最壞狀況下時間複雜度為O(bm),m表示探索空間的最大深度。空間複雜度為O(bd)，因貪婪搜尋法必須將所有節點存在記憶體。 * * 4.1.2 A*搜尋法 (A* Search) 均勻成本搜尋法：若解答存在，保證找到，評估標準具完備性,最佳性。貪婪搜尋法：使到達目標的預估成本 h(n) 值最小， 藉以降低搜尋成本。 A*搜尋法：最小化總路徑成本搜尋法。結合均勻成本搜尋法與貪婪搜尋法兩種方法的優點。圖4.4 顯示用 hSLD 做為啟發函數的A*搜尋法解決前往Bucharest問題的前面幾個步驟。 評估函數f(n) = g(n) + h(n), h(n)：由節點n到達目標的最小路徑成本估計值， g(n)：啟始節點到節點n的路徑成本， f(n)：經過節點n的最經濟的解答的估計成本， 可用的經驗法則是前往Bucharest的直線距離 hSLD。 解答評估標準具完備性,最佳性。 * A*搜尋法的行為 做這個觀察的目的是建構一個A*正確執行的圖像。如果f 從根節點開始的任何路徑都不會減小，觀念上可以描繪出狀態空間的輪廓。圖4.5 顯示一個範例。在標示為400的輪廓內部，所有的節點的f 值都小於或等於 400，以此類推。 定義f *為最佳解路徑的成本，則： ?? (1) A*展開所有具有f (n) f *的節點。 ?? (2) A*可能正確的展開某些在「目標輪廓」上的節點，對於 f (n) = f *，在找到目標狀態之前。 A*對於任何給定的啟發函數是效率最佳的。 A*解答可證明具完備性,最佳性。 缺點：空間複雜度O(bd)。因為須將產生的節點都存在記憶體。 * 4.1.3 記憶體限制搜尋法 記憶體限制搜尋法： 包含IDA* (疊代加深A*)演算法， 及 SMA* (簡化記憶體限制A*)演算法。 疊代加深A* (IDA*)搜尋法： 疊代加深是節省記憶體需求最有用的技巧 O(bd)， 每次疊