人工智能讲课课件.ppt

预习 阅读5.4、5.5。 * * 人 工 智 能 徐长明 第五章 主 要 内 容 阅读教材5.1、 5.2、5.3、5.4、5.5。 爬山法和动态规划法 最佳优先搜索算法 可纳性、单调性以及信息性 博弈树搜索 计算复杂度 最佳优先搜索 g 搜索就是寻找问题的解的过程，即，寻找从初始状态s到目标状态g的路径。 假设单步的路径耗散值非负，即，cost (x, y) ≥ 0。 x y s 一般的图搜索 一般的图搜索算法描述 一般的启发式搜索算法 搜索算法的不同，归根结底在于，对OPEN表节点扩展顺序的策略不同。 OPEN表节点扩展策略一般受制于一下因素： 称为评价函数的f(n) 。其中，n可以是任意节点。一般地，f(n) 有实际意义，如表示代价或耗散时，值越小越好。 选择下一个节点时考虑OPEN表哪些节点。 一般地，评价函数定义为 f(n) = g(n) + h(n) 搜索算法或许已发现多条从初始节点s到节点n 的路径，它们的最小代价为g(n) 。 虽然从节点n到任一目标节点g的所有路径的最小代价尚不知道，但是可由领域知识对其作出估计，通过启发函数h(n)实现。 于是，f(n)表示从初始节点s经由节点n到达目标节点g的最优路径的代价估计值。 启发式搜索是OPEN表是优先队列的搜索。 启发式搜索算法举例 八数码 f(n) = g(n) + h(n)的选取 g(n) = “x所在的搜索深度”； h(n) = “x与sg相比，错位数字的数目”。 错位数h(n) = 5。显然， 5 ≤ “实际需要的最少步数”，满足h(n) ≤ h*(n)。 * 1 2 3 8 4 7 6 5 目标状态sg 当前状态x 贪婪搜索 启发式搜索也称最佳优先搜索。 贪婪搜索或贪婪最佳优先搜索： f(n) = h(n) 若n是目标节点，则h(n)=0。 启发函数h(n)基于领域知识，前瞻（或猜测）从当前节点抵达任意目标节点的最小代价。 h(n)越小，代表n越有希望好。 可纳性、单调性、信息度 A*搜索 若一个启发式搜索：对任意节点n，h(n) ? h*(n)，且对所有目标节点g有h(g)=0，则称之为A*搜索。 可纳性。启发函数对任意节点n满足满足h(n) ? h*(n)，则称该算法是可纳的，称h是可纳的启发函数。 根据A*定义，所有A*搜索都是可纳的。 可纳性 请证明：A*算法是最优的。 证：若问题有解，令最优解G的耗散为C* 。 假设一个非最优解G‘出现在边缘上。G‘是解，故h(G’)=0，f(G‘)=g(G’)+h(G‘)=g(G’) C* 。 对于任意一个处于最优解路径上的结点n，而f(n)不会高估经过n的最优解的路径耗散，总有f(n)≤f(G)=C*。 f(n) ≤C*f(G’)综上，故G’将不会得到扩展，算法最终将得到最优解。 单调性 单调性（一致性）。h(n)满足以下条件就是一致的：对于每个结点n，通过任何行动a生成的n的每个后继结点n‘，满足下列三角不等式：h(n) ≤ cost(n, a, n‘) + h(n‘)。该三角形是由n，n‘和离n最近的目标构成。 试证明： 如果h(n)是一致的，那么，它一定也是可纳的。 如果h(n)是一致的，那么，沿着任何路径的f(n)值是非递减的。 具有单调性的启发函数的A* 信息度 信息度。何时一个启发策略要比另一个启发策略好？ 在两个A*启发策略的h1和h2中，如对搜索空间中的任一状态n都有h1(n) ? h2(n) ? h*(n) ，就称策略h2比h1具有更多的信息度（或h2比h1更占优） 须注意的是：更多的信息性需要更多的计算时间，从而有可能抵消减少搜索空间所带来的益处！ h1(n) = “x与sg相比， 错位数字的曼哈顿距离之和”； h2(n) = “x与sg相比，错位数字的数目”。 h1 (n) = 6 ；h2 (n) = 5。 * 1 2 3 8 4 7 6 5 目标状态sg 当前状态x 思 考 题 寻找从城市A到城市G的最短路径 * 寻找从城市A到城市G的最短路径 * A*搜索搜索最短路径的过程 * g(A)=0 h(A)=300 f(A)=300 270+210 =480 A B C D A 245+150 =395 265+165 =430 (a) 初始状态 (b) 扩展A之后 考虑将A*搜索用于树搜索。即，下述过程没有考虑状态重复的问题。(a)～(e)描述了搜索的几个阶段。 * f(B)=480 A B C D 395+210 =605 (c) 扩展C之后 f(D)=430 B A E 490+300 =790 370+80 =450 * f(B)=480 A B C D (d) 扩展D之后 f(D)=430 B A E A G f(B)=605 f(A)=790 f(E)=45