人工智能之搜索培训讲义.ppt

启发式搜索的一个例子 启发信息：将棋子走到棋盘上×有最多的赢线的点 衡量一个搜索策略性能的准则 完备性 只要问题有解，在搜索策略的控制下就一定能找到这个（些）解 尽量避免无用搜索 增强搜索的目的性，尽量避免产生及考察那些无用的节点 控制开销小 要求搜索策略实现简单，选择及调度可用知识的开销尽可能小 问题 什么是搜索？有哪两大类不同的搜索方法？两者的区别是什么？ 广度优先搜索和深度优先搜索有和区别？在何种情况下广度优先搜索优于深度优先搜索？在何种情况下深度优先搜索优于广度优先搜索？ 试谈机器博弈的基本思想。 * 图中，共有7个终止节点，对应7个本原问题，它们是通过“分解”得到的，把这些本原问题的解按从左至右排列，就得到了初始问题的解。 * 1.TERM取真即找到目标, 则过程返回空表NIL。 2.DEADEND取真, 即该状态不合法, 则过程返回FAIL, 必须回溯。 3. APPRULES计算DATA的可应用规则集, 依某种原则(任意排列或按启发式准则)排列后赋给RULES。 4. IF NULL (RULES), RETURN FAIL; NULL取真, 即规则用完未找到目标, 过程返回FAIL, 必须回溯。5.取头条可应用规则。 6.删去头条规则, 减少可应用规则表的长度。7.调用规则R作用于当前状态, 生成新状态。8.对新状态递归调用本过程。9.当PATH=FAIL时, 递归调用失败, 则转移调用另一规则进行测试。10.过程返回解路径规则表(或局部解路径子表)。 一字棋游戏极小极大分析法 设有九个空格，由MAX，MIN二人对弈，轮到谁走棋谁就往空格上放一只自己的棋子，谁先使自己的棋子构成“三子成一线”(同一行或列或对角线全是某人的棋子)，谁就取得了胜利。 用叉号表示MAX，用圆圈代表MIN。 一字棋游戏极小极大分析法 为了不致于生成太大的博弈树，假设每次仅扩展两层。估价函数定义如下 设棋局为P，估价函数为e(P) (1) 若P对任何一方来说都不是获胜的位置，则e(P)=e(那些仍为MAX空着的完全的行、列或对角线的总数)-e(那些仍为MIN空着的完全的行、列或对角线的总数) (2) 若P是MAX必胜的棋局，则e(P)＝+∞。 (3) 若P是B必胜的棋局，则e(P)＝-∞。 一字棋游戏极小极大分析法 集中典型棋局得分值h(n)计算： (a) h(n)=4-2=2 (b) 是和局，h(n)=0 (c) ×方获胜，h(n)=+∞ (d) ○方获胜，h(n)=- ∞ 一字棋游戏极小极大分析法第一回合 扩展深度为2 一字棋极大极小法的第一阶段 一字棋极大极小法的第二阶段 一字棋极大极小法的第三阶段 Alpha-Beta剪枝技术 极大极小搜索要求先生成与／或树，然后再计算各节点的估值，需要生成规定深度内的所有节点，因此搜索效率较低。 基本思想或算法是，边生成博弈树边计算评估各节点的倒推值，并且根据评估出的倒推值范围，及时停止扩展那些已无必要再扩展的子节点，即相当于剪去了博弈树上的一些分枝，从而节约了机器开销，提高了搜索效率。 Alpha-Beta剪枝技术 (1) 对于一个与节点MIN，若能估计出其倒推值的上确界β，并且这个β值不大于 MIN的父节点(一定是或节点)的估计倒推值的下确界α，即α≥β，则就不必再扩展该 MIN节点的其余子节点了(因为这些节点的估值对MIN父节点的倒推值已无任何影响 了)。这一过程称为α剪枝。 (2) 对于一个或节点MAX，若能估计出其倒推值的下确界α，并且这个α值不小于 MAX的父节点(一定是与节点)的估计倒推值的上确界β，即α≥β，则就不必再扩展该MAX节点的其余子节点了(因为这些节点的估值对MAX父节点的倒推值已无任何影响 了)。这一过程称为β剪枝。 Alpha-Beta剪枝 Alpha剪枝 Beta剪枝 Alpha-Beta剪枝搜索过程 搜索算法 最佳优先算法 SSS*和DUAL*算法 B*和PB*算法 Alpha-Beta搜索 和极大极小搜索结合 在奇数层进行Alpha剪枝，偶数层Beta剪枝。 和负极大值搜索结合 在每一层都进行Beta剪枝。 （4）最后 评估局面优劣，配合搜索技术做出智能的选择——估值技术 棋子价值评估 SideValue=Sum(piecenumber*piecevalue) 棋子灵活性 Mobility=Sum(movenumber*movevalue) 棋盘控制 棋子关系的评估（威胁、保护、形、定势。并且要考虑到谁走棋） 估值的几种形式 终点估值 思路清晰，容易设计，模块独立性高， 同搜索算法耦合程度低 速度慢 棋子价值表 T[pieceType][boardWidth][boardHeight]