人工智能作业一.docx

人工智能作业一 - - - - - -精品可编辑word学习资料 gV8N3R5O4L9 — — hM7D7D10W3P9 — — lK10A2V10F8I4 作业一 对于以下活动，分别给出任务环境的 PEAS描述，并依据 2.3.2 节列出的性质进行分析 : 在互联网购买 AI 旧书 Performance Measure Environment Actuators Sensors |精. |品. |可. |编. |辑. |学. |习. |资. |料. * 购买的旧书性价比 高，搜寻快速（货比三家），付款的安全性，好的交互功能（与卖家或其他买家沟通） 对着墙壁练网球 互联网，卖家，其 他买家 购书平台（终端） ， 运算机 AI 旧书价位比对 系统 *| Performance * *| Measure * | Environment Actuators Sensors * | |欢. |迎. |下. |载. 动作精确度，反应 快速， 动作连贯性， 力 度 控 制 的 精 确度，对球落点掌握 的精确度 训练场地，其他训 练者，场地治理人员 机械臂，球拍 压力传感器， 视觉 传感器（判定球落点） 在一次拍卖中对一个物体投标 Performance Measure Environment Actuators Sensors 对物体价值评估的 精确性， 反应快速， 制定投标价格的合 理性 被投标物体，其他 竞投者，拍卖现场 运算器（统计、计 算），机械臂（用于投标） 听觉传感器 （感知 其 他 竞 投 着 报价），语音传感器 （自己报价） 先建立一个完整的搜寻树，起点是 S,终点是 G,如下图 ,节点旁的数字表示到达目标状态的距离，然后用以下方法表示如何进行搜寻； 图一 第一，我们画出图一对应的完整的搜寻树 (按节点字母从小到大次序依次画出 )： |精. |品. |可. |编. |辑. |学. |习. |资. |料. * | * | * | * | |欢. |迎. |下. |载.  (a).深度优先 : 我们知道深度优先搜寻是无信息搜寻， 依据编程的习惯， 下图中深度优先搜寻的次序是依据节点的 A-G 的排序进行的 广度优先 : 我们知道一般的广度优先搜寻也是无信息搜寻，依据编程的习惯，下图中广度优先搜寻的次序同样是是依据节点的 A-G 的排序进行的 |精. |品. |可. |编. |辑. |学. |习. |资. |料. * | * | * | * | |欢. |迎. |下. |载.  爬山法 : 对于爬山法我们需要明白的是， 它是简洁的循环过程， 不断向最优方向移动； 该算法不需要保护搜寻树， 当前的节点的数据结构只需要记录当前状态和目标函数值； 此外， 爬山法不会考虑与当前状态不相邻的状态；从 S 动身，与 S 邻近正确的状态为 B，依次往下， 一旦找到目标状态就算法终止，这也就是为什么爬山法简洁陷入局部最优； 正确优先 : 正确优先算法的结点是基于评判函数 f(n)去扩展的， 评估价值最低的结点第一挑选进行扩展； 正确优先算法和一样代价搜寻算法实现类似， 不同的是正确优先是依据 f 值而不是依据 g 值对优先级队列排队； 图二是一棵部分绽开的搜寻树，其中树的边记录了对应的单步代价，叶子节点标注了到达目标结点的启示式函数的代价值，假定当前状态位于结点 A； |精. |品. |可. |编. |辑. |学. |习. |资. |料. * | * | * | * | |欢. |迎. |下. |载.  图二 用以下的搜寻方法来运算 下一步 需要绽开的叶子节点； 留意必需要有完整的运算过程，同时必需对扩展该叶子节点之前的节点次序进行记录： 贪婪正确优先搜寻： 第一， 贪婪正确优先算法是试图扩展离目标最近的节点， 它只用到启示信息，也就是 f(n)=h(n) ；如图， h(B)是未知的，但是依据三角不等式， 我们可以知道 7<=h(B)<=13；因此，先扩展 C 结点； 一样代价搜寻 一样性代价搜寻扩展的是 路径消耗最小 的结点；所以一样代价搜寻接下 来扩展结点的次序为 BDEFGHC A* 树搜寻 A* 搜寻对结点的评估结合了 g(n)，即到达此结点已经花费的代价 ， 和 h(n)，从该结点到目标结点所花的代价 :f(n)=g(n)+h(n) ；由于都是从 A 结 点开头扩展， 所以对于下一步可扩展的结点的 f(D)=18 ，f(C)=21, 10<=f(B)<=16；因此，当先扩展 B 结点，否就先扩展 D 结点； 争论以上三种算法的完备性和最优性； 贪婪正确优先搜寻试图扩展离目标最近的结点，理由是这样可以很快找到解；贪婪正确优先搜寻于深度优先搜寻类似，即使是有限状态空间，他也是不完备的， 简洁陷入