南邮自动化人工智能3--确定性推理.ppt

* 3.2 盲目搜索 * * 讨论1：如果问题有解，用深度优先搜索算法，是否能够找到解？ 不一定. 解空间是否有限？ 讨论2：本算法的改进之处是open中节点按照深度优先排列，但是没有对深度加以控制，可能造成搜索代价太大 3.2.3 等代价搜索 * 定义 是宽度优先搜索的一种推广，不是沿着等长度路径断层进行扩展，而是沿着等代价路径断层进行扩展。 搜索树中每条连接弧线上的有关代价,表示时间、距离等花费。 算法 在等价搜索算法中，把从节点i到其后续节点j的连接弧线记为c(I,j),把从起始节点S到任一节点I的路径代价记为g(i)。在搜索树上，假设g(i)也是从起始节点S到节点的最少代价路径上的代价。 3.2 盲目搜索 思考：如何动态计算g(i)? * 开始 把S放入OPEN表 OPEN表为空表？ 把具有最小g(i)值的节点i从OPEN表移至CLOSED表 是否有后继节点 为目标节点？ 失败 成功 图3.8 等代价搜索算法框图 是 否 是 否 令g(s)=0 S是否目标节点？ 是 成功 否 3.2 盲目搜索 扩展i，计算其后继节点j的g(j)，并把后继节点放入OPEN表 课后例题讲解 1. 设有如图所示的一棵与/或树，请用与/或树的宽度优先搜索及与/或树的深度优先搜索求出解树。 * 解：（1）与/或树的宽度优先搜索 先扩展节点A，得到节点B和C； 再扩展节点B, 得节点t1、t2，因为t1、t2为可解节点，故节点B可解，从而可节点A可解。 所以求得解树为： * （2）与/或树的深度优先搜索 先扩展节点A, 得到节点B和C； 再扩展节点C, 得节点D和t5； t5为可解节点，再扩展节D，得节点t3、t4； t3、t4为可解节点，故节点D可解，因为节点D和t5可解故节点C可解，从而可节点A可解。 所以求得解树为： * 2.下图是5个城市的交通图，城市之间的连线旁边的数字是城市之间路程的费用。要求从A城出发，经过其它各城市一次且仅一次，最后回到A城，请找出一条最优线路。 等代价搜索 * 3.3 启发式搜索 启发式信息：用来加速搜索过程的问题领域信息，一般与有关问题具体领域背景有关，不一定具有通用性。 启发式搜索：利用启发式信息的搜索方法 特点：重排OPEN表，选择最有希望的节点加以扩展 种类：有序搜索、A*算法等 * 基本步骤：初始化，判断OPEN表是否为空，选择节点n，判断n是否目标节点，扩展节点n，重排OPEN表、调整指针，循环。 各自特点：重排OPEN表的依据不同。 盲目搜索可能带来组合爆炸。 思考： （1）图搜索方法的基本步骤？ （2）宽度优先、深度优先、等代价方法的特点？ （3）盲目搜索的缺点？ 有序搜索（Ordered Search） 总是选择“最有希望”的节点作为下一被扩展节点 估价函数（Evaluation Function） 为获得某些节点“希望”的启发信息，提供一个评定侯选扩展节点的方法，以便确定哪个节点最有可能在通向目标的最佳路径上 。 f(n)——表示节点n的估价函数值 应用节点“希望”程度（估价函数值）重排OPEN表；有序搜索也称为最佳优先搜索； 估价函数举例： （1）棋局的得分； （2）距离目标状态的距离量度； （3）TSP问题中的路径； 思考：f 函数的计算，重排序的方法？ * 3.3.1 启发式搜索策略和估价函数 3.3 启发式搜索 * 3.3.2 有序搜索（Ordered Search；Best－first Search） 实质：选择OPEN表上具有最小 f 值的节点作为下一个要扩展的节点。 3.3 启发式搜索 Nilsson（尼尔逊）方法：一个节点的“希望”越大，则其 f 值越小。被选择的节点是估价函数最小的节点。 思考：如果把宽度优先、深度优先、等代价搜索方法作为有序搜索的特例，那么它们的 f 函数如何计算？ 举例示范。 * 开始 把S放入OPEN表，计算估价函数 f (s) OPEN表为空表？ 选取OPEN表中f值最小的节点i放入CLOSED表 i为目标节点吗？ 扩展i，得后继节点j，计算f(j)，提供返回节点i的指针，利用f(j)对OPEN表重新排序，调整亲子关系及指针 失败 成功 图3.9 有序搜索算法框图 是 否 是 否 3.3 启发式搜索 算法 八数码难题 * （2）如下的八数码难题（8-puzzle problem） 1 2 3 8 4 5 6 7 （目标状态） 1 2 3 8 4 5 6 7 （初始状态） （3）八数码难题的有序搜索树见下图： 3.3 启发式搜索 （1）估价函数设置： f(n) = d(n) + W(n) d(n): 节点