3章-搜索-人工智能研究生课程.ppt

第 3 章 搜索（目录） 3.1 显式存储. 3.1.1 状态空间表示法 问题的状态空间图例子 2 状态空间问题求解. 3.1 .2 与/或树表达. 2 问题归约的与／或树表示 可解节点与不可解节点。 梵塔问题（表达） 梵塔问题的状态空间表示 三阶梵塔问题与或树表示 三阶梵塔问题的分解过程与／或树. 3.2 隐式存储 3.3 搜索 3.3.1 搜索策略(树/网状结构图 ) 3.3.2 隐式图的搜索过程 3.3.3 状态空间图搜索典型例（编程基础） 修道士和野人问题-2 修道士和野人问题-3 修道士和野人问题-4 梵塔问题的状态空间分析 3.3.3.2 高阶梵塔隐式 3.3.3.3 代价树的推进搜索（C-TSP问题） 5个城市交通问题代价树（广度优先）例子 3.4 启发式搜索 3.4.2 启发式搜索原理 3.4.2 盲人爬山法（局部择优搜索） 3.4.2 盲人爬山法---九宫问题举例 盲人爬山法举例-1 盲人爬山法举例-2 3.5 A 算法 3.5.2 全局/局部择优搜索 九宫问题估价函数 例子 3.5.3 A*算法 A*九宫问题举例 例子 3.6 与／或树搜索 3.6.1.1 与／或树的广度优先搜索 3.6.2 与／或树启发搜索 3.6.2.1 希望解树 3.6.3 与／或树的启发搜索步骤 与／或树的启发搜索结果例子 例子 例子 3.7 博弈树的启发式搜索 3.7 博弈树的启发式搜索2 搜索效率 两种极端效率 题目 以后延伸到A*算法 183//王 h(n)=0 盲目搜索； * 3.5.1 估价函数 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 f(n) 用来估计节点重要性的函数称为估价函数。 f(n)=g(n)+ h(n) =（实际代价+启发函数） 估价函数f(n)被定义为从初始节点S0出发，约束经过节点n到达目标节点 Sg的所有路径中最小路径代价的估计值。大小好坏由问题本身性质定。 g(n)是从初始节点S0到节点n的实际代价； 对g(n)的值，可以按指向父节点的指针，从节点n反向跟踪到初始节点S0， 得到一条从初始节点S0到节点n的最小代价路径，然后把这条路径上所有有 向边的代价相加，就得到g(n)的值。 h(n)是从节点n到目标节点Sg的最优路径的估计代价。 对h(n)的值，则需要根据问题自身的特性来确定，它体现的是问题自身 的启发性信息，因此也称h(n)也称启发函数。 h(n)=0 盲目搜索 f(n)=g(n)+ h(n) * 1．全局择优搜索 在全局择优搜索中，每当需要扩展节点时，总是从表的所有节点中选择 一个估价函数值最小的节点进行扩展。 总是从Open表的所有节点中选择一个估价函数值最小的节点进行扩展。 2．局部择优搜索 在局部择优搜索中，每当需要扩展节点时，总是从刚生成的子节点中选 择一个估价函数值最小的节点进行扩展。 * 2 8 3 1 4 7 6 5 2 3 1 8 4 7 6 5 2 3 1 8 4 7 6 5 1 2 3 8 4 7 6 5 2 8 3 1 4 7 6 5 2 8 3 1 4 7 6 5 2 3 1 8 4 7 6 5 2 8 3 1 6 4 7 5 1 2 3 7 8 4 6 5 1 2 3 8 4 7 6 5 w=3 w=3 w=0=SG 1 2 3 8 4 7 6 5 SG f(S0)= 0+ 4 f(S1)=1+ 3 f(S2)=2+ 2 f(S3)=3+ 1 * A*算法 f*(n)=g*(n)+ h*(n) f(n)的估计f*(n)，g(n)的估计g*(n) ； h(n)的估计h*(n) 1． A*算法的可纳性 对任意一个状态空间图，当从初始节点到目标节点有路径存在时，如果搜索算法能在有限步内找到一条从初始节点到目标节点的最佳路径。 2． A*算法的最优性 A算法的搜索效率很大程度上取决于估价函数h(n)。在满足h(n)≤h*(n)的前提下，h(n)的值越大越好。h(n)的值越大，说明它携带的启发性信息越多,A*算法搜索时扩展的节点就越少，搜索效率就越高。 3 需要对h(n)的单调限制。。。。 每扩展一个节点n时，都需要检查子节点和父节点的指针；如果能够保证，每当扩展一个节点时就已经找到了通往这个节点的最佳路径，就没有必要再去检查其后继节点是否已在Closed表中，原因