启发式搜寻方法.PPT

第四章 啟發式搜尋方法 4.1 最佳擾先搜尋法 4.2 啟發函數 4.3 記憶體限制尋法 4.4 疊代改進演算法 4.1 最佳優先搜尋法 有許多方式，可以將知識套用在以狀態與運算元形成問題的過程上。不過，一旦有了定義明確的問題之後，我們可以選擇的機會就會變得比較有限。一般搜尋（General-Search）策略的話，唯一可以套用知識的地方，就是在佇列函數(queuing function)之中，它的作用在決定要優先擴展的節點。通常制訂這項決策所需的知識是由評量函數（evaluation function）提供的，這個函數會回傳一個數字，代表擴展該節點的有用程度。當它們以最佳的節點優先擴展的方式排序時，所形成的就是最佳優先搜尋（Best-First Search）策略。它可以使用一般搜尋策略直接導入，如圖4.1所示。 4.1.1 貪婪搜尋法 最簡單的最佳優先搜尋策略之一是讓到達目標的成本估計值為最小，也就是由評量函數預估由各節點狀態到達目標狀態所需的成本，並永遠優先擴展最接近目標狀態的節點。計算預估成本的函數稱為”經驗函數”，通常用字母h表示︰ h(n)=由節點n的狀態到達目標狀態的最低路 徑成本估計值 當最佳優先搜尋策略套用經驗函數h做為選擇下個擴展節點的依據時，這種搜尋方法就稱為”貪婪搜尋法”。若已知一個經驗函數h，則貪婪搜尋法的程式可以用下列方式敘述︰ 一般而言，經驗函數h可以是任意形式的函數。我們要求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，通常我們會針對不同問題採用不同的經驗函數求解，因此應該先選擇一個已知的問題作為討論經驗函數的範例。探討尋找從Arad到Bucharest的路徑的問題，相關的地圖也再列於圖4.2。圖4.3列出使用貪婪搜尋法由Arad到Bucharest的路徑擴展過程。 hSLD(n)=從n到目標位置的直線距離 4.1.2 A*搜尋 貪婪搜尋法使到達目標的預估成本h(n)為最低，並藉以大幅度降低搜尋成本。遺憾地，貪婪搜尋法既非最佳解也缺乏完整性。另一方面，”固定成本搜尋法”能讓已經展開的路徑成本g(n)為最低，不僅有最佳解而且具有完整性，然而效率可能非常差。最好能結合這兩種方法以取得兩者的優點。 f(n) = g(n) + h(n) f(n) = 經過節點n的最經濟的解答的估 計成本。 h函數稱為可用的經驗法則。可用的經驗法則最明顯的例子是我們用在要前往Bucharest的直線距離hSLD。直線距離是可用的，因為任何兩個點之間的最短路徑是直線。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。 4.1.3 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，我們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。 4.1.4 A*的最佳性證明 令G為最佳目標狀態，具有路徑成本f*。令G2為次佳的目標狀態，也就是一個目標狀態，其路徑成本g(G2) f*。現在我們想像A*從佇列選擇了G2。因為G2是一個目標狀態，這樣將會終止搜尋並得到次佳的解答（圖4.6）。我們將證明這是不可能的。 考慮節點n其現在為到G的最佳路徑上的葉節點 f* ? f(n)。 再者，如果n沒有被為了展開G2而選擇，我們必須得到 f(n) ? f(G2)。 組合這兩個式子，我們得到 f* ? f(G2)。 但因為G2是目標狀態，我們得到h(G2)=0；因此我們已經從我們的假設證明了： f*? g(G2)。 這和G2是次佳的假設矛盾，因此這樣的情形一定是A*永遠不會選擇次佳的目標展開。因此，因為A*只會在解答被展開之後傳回這個解答，所以A*最佳的演算法。 4.1.5 A*的完備性證明 存在無限多的節點的可能是只有：(a)有一個節點具有無限大的分支因子，或者(b)有一條路徑具有有限的路徑成本，但是在它上面有無數個節點。 因此，正確的敘述是，在存在一個正常數δ使得每一個運算成本最少為δ這樣的條件之下，A*在局部性有限圖是完備的（具有有限分支因子的圖）。 4.1.6 A*的複雜度 A*搜尋法，在所有這一類的演算法之中是是完備的、最佳的同時也是效率最佳的不可否認的。對