人工智能在制造业中的应用5问题求解之三.pptVIP

人工智能在制造业中的应用 Ph.D. 陈志翔 北京工业大学 机电学院 Outline Constraint Satisfaction Problems Backtracking search for CSPs Local search for CSPs Adversarial Search Optimal decisions α-β pruning Imperfect, real-time decisions 一、约束满足问题 约束满足问题Constraint satisfaction problems (CSPs) 标准搜索问题: 状态 是个“黑盒“ – 任意的数据结构表示，只能由后继函数、启发函数和目标测试等特定程序访问。 约束满足问题CSP: 状态 是由变量集合{Xi }和约束集合{Ci }定义的，每个变量Xi 的从可能的值域中Di取值 目标测试 是变量子集中指定允许取值的约束集。 形式化表示语言的例子 使用比标准搜索算法更有效的通用算法 例：地图着色 变量 WA, NT, Q, NSW, V, SA, T 值域 Di = {red,green,blue} 约束: 相邻的地区必须用不同的颜色 如： WA ≠ NT， 或 (WA,NT) 的允许组合 {(red,green),(red,blue),(green,red), (green,blue),(blue,red),(blue,green)} 例：地图着色 解是完全的和相容的赋值，如：WA = red, NT = green, Q = red, NSW = green, V = red, SA = blue, T = green 约束图 一元约束：只限制1个变量的取值。 二元约束： 每个约束与2个变量有关。 约束图：节点是变量，弧是约束。 CSP的类型 离散变量 有限值域： n 个变量，值域大小 d ? O(dn) 完全指定。 例：布尔CSP，包括布尔满足问题(NP-完全问题) 无限值域： 整数，字符串等； 如：作业规划，变量是每一工作的开始/结束的时间。日程安排。 需要约束语言，如：StartJob1 + 5 ≤ StartJob3 连续变量 如： Hubble空间望远镜上进行的实验日程安排。天文、优先权、电力约束。 线性规划问题的在多项式时间里的线性约束解。约束必须是构成凸多边形的一组线性不等式。 约束的种类 一元约束只限制一个变量的取值， 如：SA ≠ green 二元约束涉及2个变量， 如： SA ≠ WA 高阶约束涉及3个或更多的变量 ， 如： 密码算术游戏 例：密码算术游戏 变量： F T U W R O X1 X2 X3 值域：{0,1,2,3,4,5,6,7,8,9} 约束：Alldiff (F,T,U,W,R,O) O + O = R + 10 · X1 X1 + W + W = U + 10 · X2 X2 + T + T = O + 10 · X3 X3 = F, T ≠ 0, F ≠ 0 现实世界的约束满足问题 指派问题 如：哪位教师在哪个教室 时间表问题 如：在何时何处哪个班级上课？ 运输计划 工厂规划 注意：许多真实世界的问题包含实数变量 标准搜索的形式化 (增量式) 通过赋值定义状态 初始状态：空的赋值 { }，即所有的变量都未赋值。 后继函数：给任何未赋值的变量赋值，若与当前的赋值没有冲突 ? 如果没有合法的赋值则失败 目标测试：检验当前的赋值是否完全。 路径耗散：每一步的耗散都是常数。 如果有n 个变量时，解出现的深度是n ? 用深度优先搜索 如路径是不相关的，则可用完全状态形式化。 ? 用局部搜索 假定顶层的分支是nd，那么在目标所在的l层的分支是b = (n - l )d ，最终生成了n!·dn 叶子的搜索树。 CSP问题的回溯搜索 变量赋值是可交换的。如： [ WA = red，NT = green ] 等同于 [ NT = green，WA = red ] 在每个节点上只需要考虑给每个变量赋值。 ? b = d，叶节点减小到dn 每次只给一个变量赋值的深度优先搜索称为回溯搜索。 回溯搜索是CSP问题的最基本的无信息搜索算法。 可以求解 n ≈ 25 的n-皇后问题 回溯搜索 回溯搜索的例子 回溯搜索的例子 回溯搜索的例子 回溯搜索的例子 提高回溯的效率 通用方法提高大型问题的搜索速度 下一步该给哪个变量赋值? 给变量赋哪个值? 能否早些检测到不可避免的失败? 最受约束变量 最受约束变量： 选择合法取值最少的变量 也称为最小剩余值(minimum remaining values - MRV) 启发式 受约束度最大变量 受约束度最大变量