AI02-搜索技术2.pptVIP

?-?过程（6） ?-?过程（7） ?-?过程（8） ?-?剪枝技术的一般规律: 任何“或”节点x的?值如果不能降低其父节点的?值,则对节点x以下的分枝可以停止搜索,并使x的倒推值为?.这种技术称为?剪枝 任何“与”节点x的?值如果不能升高其父节点的?值,则对节点x以下的分枝可以停止搜索,并使x的倒推值为?.这种技术称为?剪枝 要进行?-?剪枝,至少必须使某一部分的搜索树生长到最大深度.因为?和?值必须以某个端节点的静态估值为依据.因此采用?-?过程都要使用某种深度优先的搜索方法. ?-?过程（9） function ALPHA-BETA-SEARCH(state) returns an action inputs: state, current state in game v?MAX-VALUE(state, - ∞ , +∞) return the action in SUCCESSORS(state) with value v function MAX-VALUE(state,? , ?) returns a utility value if TERMINAL-TEST(state) then return UTILITY(state) v ? - ∞ for a,s in SUCCESSORS(state) do v ? MAX(v,MIN-VALUE(s, ? , ?)) if v ≥ ? then return v ? ? MAX(? ,v) return v ?-?过程（10） function MIN-VALUE(state, ? , ?) returns a utility value if TERMINAL-TEST(state) then return UTILITY(state) v ? + ∞ for a,s in SUCCESSORS(state) do v ? MIN(v,MAX-VALUE(s, ? , ?)) if v ≤ ? then return v ? ? MIN(? ,v) return v ?-?过程（9） 特性 剪枝并不影响最后的结果 好的招数序列可以改进剪枝的效率 如果可以找到最好的剪枝，则时间复杂度为： O(bm/2) 有效的分支系数为 ?-?搜索向前看的走步数是极大极小搜索的两倍 ?-?过程（10） 资源有限（1） 极大极小算法生成了整个博弈树搜索空间，?-?算法允许剪裁掉一部分 ?-?算法仍然要搜索至少一部分搜索空间直到终止状态，这也是不现实的。 SHANNON (1950): 截断搜索: 例如，深度限制 评价函数 估计有希望的棋局 。用启发式评价函数代替效用函数 资源有限（2） 截断搜索 将 if TERMINAL-TEST(state) then return UTILITY(state) 改为 if CUTOFF-TEST(state,depth) then return EVAL(state) 采用深度限制： 深度的选取参考游戏允许的时间 如果截断搜索，则需要对节点进行评估 资源有限（3） 启发式评估函数EVAL 思想: 从给定的地方对游戏的效用进行估计 加权线性函数 Eval(s) = w1 f1(s) + w2 f2(s) + … + wnfn(s) 资源有限（4） 假设时间为 100 secs, 扩展节点速度为 104 nodes/sec? 可以扩展106 节点? 358/2 ? ?-?可以达到的深度为8：很不错的国际象棋程序 向前看四步是非常有希望的玩家! 4步 ≈ 人类初学者 8步 ≈ 典型的PC, 人类高手 12步 ≈ Deep Blue, Kasparov 博弈程序的情况 西洋跳棋： 1952年，Samuel开发了西洋跳棋程序，是一个伟大的成果 Chinook中使用了?-?搜索，提前存储了4440亿个不多于8个棋子的残局数据库。1990年成为美国公开赛第2名。Tinsley是40多年世界冠军，只输过三盘，但是第4、5盘都是输给Chinook的。1994年，Chinook成为冠军 国际象棋: Deep Blue在1997年击败了Kasparov 。Deep Blue每秒可以搜索200 million个节点，使用非常复杂的评价函数，和未公开的方法，在某些情况下可以扩展搜索达到40层的深度。 Example: 4-Queens Problem 1 3 2 4 3 2 4 1 X1 { ,2,3,4} X3 {1, ,3, } X4 {1, ,3,4} X2 { , , ,