人工智能课件-搜索问题-2.pptVIP

第一部分 问题求解 用搜索法对问题求解 问题求解算法描述： 问题实例 ：玩具世界与现实世界问题 搜索求解性能的度量 *无信息的搜索策略 *有信息的搜索和探索 *对抗搜索（与或图搜索） 高级搜索 第二部分 知识表示与推理 谓词逻辑与归结原理 命题逻辑 谓词逻辑 *归结原理 Herbrand定理 知识表示 知识概述 *产生式表示 语义网络表示 框架表示 其他表示方法 第三部分 人工智能高级专题 基于模型的诊断 配置问题 智能规划 调度 标准的形式化如下： 状态；描述了指定8个棋子中的每一个以及空位在棋盘的9个方格上的分布。 初始状态：任何状态都可以指定为初始状态。注意要到达任何一个给定的目标，可能的初始状态中恰好只有一半可以作为初始状态。 后继函数：用来产生通过四个行动（把空位向Left，right,Up或Down)能够达到的合法状态。 目标测试：用来检测状态是否是目标状态。 路径耗散：设每一步的耗散值是1因此整个路径的耗散值是路径中的步数。 这里的抽象化只保留了游戏规则相关的描述，而忽略所有物理操作的细节。 无信息搜索 无信息搜索算法是经典计算机科学(Horowitz和Sahni,1978)和运筹学（Dreyfus,1969)的一个中心话题，1988年Gallo和Pallottino给出了相关问题的综述文章。 搜索问题 回溯策略 图搜索策略 无信息图搜索：广度优先、代价一致搜索、深度优先、深度有限搜索、迭代深入深度优先搜索、双向搜索、无信息搜索策略的比较、避免重复状态。 人类的思维过程，可以看作是一个搜索的过程。从小学到现在，你也许遇到过很多种智力游戏问题，比如说传教士和野人问题：有3个传教士和3个野人来到河边准备过河，河岸有一条船，每次至多可供2人乘坐。问传教士为安全起见，应如何规划摆渡方案，使得任何时候，在船上与河的两岸野人数目总是不超过传教士数目（但允许在河的某一侧只有野人而没有传教士）？如果要做这个智力游戏，在每一次渡河之后，都会有几种渡河方案供你选择，究竟哪种方案才有利于在满足题目所规定的约束条件下顺利过河呢？这就是搜索问题。 经过反复努力和试探，你终于找到了一种解决方法。在你高兴之余，你可能马上会想到，这个办法所用的步骤是否最少？也就是说，它是最优的吗？如果不是，如何才能找到最优的办法？你是学过计算机程序设计的学生，你考虑过在计算机上又如何实现这样的搜索？这些问题就是我们要学习的内容。 一般而言，很多问题求解过程可以转化为状态空间的搜索问题。比如，前面讲过的传教士与野人问题，当用在河左岸的传教士人数、野人人数和船的情况表示问题时，该问题的初始状态可以用三元组表示为（3，3，1），结束状态可以表示为（0，0，0），而中间状态可以表示为（2，2，0）、（3，2，1）、（3，0，0）…等，每个三元组对应了三维空间上的一个点。而问题的解，则是一个合法状态的序列，其中序列的第一个状态是问题的初始状态，而最后一个状态则是问题的结束状态，介于它们之间的是中间状态。除了第一个状态外，该序列中任何状态都可以通过一条规则由与它相邻的前一个状态转换得到。下页的图给出了一个搜索问题的示意图。含义是如何在一个比较大的问题空间中，只通过搜索比较小的范围，就找到问题的解。寻找这样的序列过程称为搜索。 搜索方法 从搜索方式上来讲，搜索可以划分为两大类，即盲目搜索和启发式搜索。　　所谓盲目搜索，就是未利用问题的知识，采用固定的方式生成状态的方法。显然这种方法的搜索效率是低下的，但方法具有通用性。当一时难以找到求解问题的有效知识时，是一种不得不采用的方法。　　所谓启发式搜索，与盲目搜索正好相反，它利用问题的知识，缩小问题的搜索范围，选择那些最有可能在（最优）解路径上的状态优先搜索，以尽快地找到问题的（最优）解。由于利用了问题的有关知识，一般来说，搜索效率会有所提高。但如何找到对求解问题有帮助的知识，以及如何利用这些知识，是问题的关键所在。 到目前为止，在人工智能领域中已提出许多具体的搜索方法，概括起来有：（1）求任一解路的搜索策略　　回溯法（Backtracking）　　爬山法（Hill Climbing）　　宽度优先法（Breadth-first）　　深度优先法（Depth-first）　　限定范围搜索法（Beam Search） 好的优先法（Best-first）（2）求最佳解路的搜索策略　　大英博物馆法（British Museum）　　分枝界限法（Branch and Bound）　　动态规划