人工智能第五章.pptxVIP

第5章 搜索求解策略;5.1 基本概念;例;例： MC问题;MC问题状态空间图;二、与/或树（图）表示法;一些关于与或图的术语;基本概念;梵塔问题;三阶梵塔问题的与/或树;三、搜索;5.2 状态空间的搜索策略 ;图搜索算法：;图搜索的一般过程;说明： 这个一般的图搜索过程，通过不断循环生成一个显式表示的图G（搜索图）和一个G的子集T（搜索树） 树T是由（6）中标记的指针决定的，除根节点s外，G中每个节点只有一个指针指向G中的一个父节点 OPEN表中的节点（未扩展节点）是搜索树的端节点，即尚未被选作为扩展的节点；CLOSED表中的节点（已扩展节点），可以是已被扩展而不能生成后继节点的那些端节点，也可以是树中的非端节点 （7）中对OPEN表上的节点进行排序是为了在（3）中能选出一个“最好”的节点优先扩展，不同的排序方法可构成形式多样的专门搜索算法 如果隐含图是一棵树，不会（6）中讨论的特殊节点，否则可能这些节点 ***上述算法的关键一步是（7），对OPEN表的排序，即决定节点的扩展顺序，典型的有两种节点扩展顺序，得到两种搜索算法（广度优先搜索、深度优先搜索）;二、宽度优先（广度优先）; 例子八数码难题（8-puzzle problem） ;;三、深度优先搜索;问题;四、有界深度优先搜索;五、代价树的广度优先搜索—分枝界限法;代价树的广度优先搜索;例;六、代价树的深度优先搜索---爬山法;七、启发式搜索;启发性信息类型;f(x)=g(x)+h(x);定义h（x）的原则： 节点x处在最佳路径上的摡率 节点x与目标节点集之间的距离度量或差异度量 根据格局或状态的特点来打分 一般来说, 评价一个结点的价值, 必须综合考虑两方面的因素: 已经付出的代价和将要付出的代价。 启发式算法通常由两部分组成: 启发方法 使用该方法搜索状态空间的算法。 启发式搜索基本思想： 以一般的图搜索算法为基础 定义启发函数h（x） 计算每个待扩展节点的启发函数值 每次扩展节点后以节点的启发函数值为依据对待扩展节点排序 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。;开始;例：八数码难题（8-puzzle problem）;5;;A算法;4、A*算法(Algorithm A*);A*算法---又称最佳图搜索算??，由著名人工智能学者Nilsson提出。;a)对有限图， A*算法一定会在有限步结束;算法初始化时, s在OPEN中, 由于A*没有结束, 在OPEN中存在最佳路径上的节点。设OPEN表中的第一个节点n是处在最佳路径序列中(至少有一个这样的节点, 因s一开始是在OPEN上), 显然n的先辈节点np,已在CLOSED中, 因此能找到s到np,的最佳路径, 而n也在最佳路径上, 因而s到n的最佳路径也能找到, 因此有： f(n) = g(n) + h(n) = g*(n) + h(n)≤ g*(n) + h*(n) = f*(n) 因为：最佳路径上的所有节点的f*值都应相等 所以f(n) ≤ f*(s)。[证毕] 第2步证明A*算法一定会终止 证明： （反证法） 假定A*不结束, 设： e -----图中各边的最小代价 d*(n)------- 从s到任一节点n的最短路径长度 (设每个弧的长度均为1); 所以 g*(n)≥ d*(n)e;（2） A*算法的最优性（信息性）;证明: 使数学归纳法, 对节点的深度应用归纳法。 对深度d(n)=0的节点(即初始节点s), 若s为目标节点, 则A1和A2都不扩展s, 否则A1和A2都扩展了s (2) 设深度d(n) ≤k时, 对所有路径的端节点, 定理结论都成立。 (3) 证明d(n)=k+1时, 所有路径的端节点,结论成立。（反证法） ??设A2搜索树上有一个节点n (d(n) = k + 1)被A2扩展了, 而对应于A1搜索树上的这个节点n, 没有被A1扩展。根据归纳法假设条件, A1扩展了n的父节点, n是在A1搜索树上, 因此A1结束时, n必定保留在其OPEN表上, n没有被A1选择扩展, 有 ???? f1(n) ≥f*(s), 即g1(n) + h1(n) ≥f*(s) ???? 所以 h1(n) ≥f*(s) - g1(n) (1) ???? 另一方面A2扩展了n, 有 ???? f2(n)≤f*(s), 即 g2(n) + h2(n)≤f*(s) ???? 所以 h2(n) ≤f*(s) - g2(n) (2) ???? 由于d = k时, A2扩展的节点, A1也一定扩展, 故有 ???? g