人工智能第四章XXXX.ppt

思考：对于一个优秀的博弈者来说，应考虑的不只是对方一步的走法，而是若干步的走法。而且这一过程一般来说是动态进行的，也就是说，在考虑若干步走法以后，下了一步棋，而在对方走棋之后，还要再次考虑若干步走法，决定下一步的走法，而不是一劳永逸，搜索一次就决定了所有的走法。 二、极小极大过程 极小极大过程模拟的就是人的一种思维过程。是考虑双方对弈若干步之后，从可能的走步中选一步相对好棋的着法来走，即在有限的搜索深度范围内进行求解。 下面的讨论规定：顶节点深度d＝0，MAX代表程序方，MIN代表对手方，且MAX先走。 静态估值函数e(p)：建立在该棋的各种知识和特征上。对在一定深度处的节点所代表的局面 进行评价优劣的估计值． 静态估值函数因游戏而异． 如果对自己（MAX）有利，则取正值，越大，表示对我方越有利。等于正无穷大时，表示我方必胜。 如果对自己不利，则取负值．越小，表示对我方越不利。等于负无穷大时，表示对方必胜。 极小极大过程基本思想： 当轮到我方走棋时，首先按照一定的搜索深度生成出给定深度以内的所有状态，计算所有叶节点的静态估值函数值。然后逆向计算：对于我方要走的节点（MAX节点）取其子节点中的最大值为该节点的值（因为我方总是选择对我方有利的棋）；对于对方要走的节点（MIN节点）取其子节点中的最小值为该节点的值（对方总是选择对我方不利的棋）。一直到计算出根节点的值为止。获得根节点取值的那一分枝，即为所选择的最佳走步。 极小极大原则 MAX节点在其MIN子节点的倒推值中选max； MIN节点在其MAX子节点的倒推值中选min 倒推值 在极小极大过程中，第i层节点根据第i+1层节点的值使用极小极大原则而获得的值。 极小极大过程 1.按宽度优先生成0至L层所有节点。 2.使用静态估值函数计算第L层节点的函数值。 3.按极小极大原则计算各层节点的倒推值，直到求出初始节点的倒推值为止。实现该倒推值的走步就是相对好的走步。 2 AO*算法应用举例 设某个问题的状态空间如图所示。　　h (n0)＝0，h(n1)＝2，h(n2)＝4，h(n3)＝4，h(n4)＝1， h(n5)＝1，h(n6)＝2，h(n7)＝h(n8)＝0（目标节点）。 假设k-连接符的费用值为k。 图4.3(a) 一次循环后 图4.3(b) 两次循环后 图4.3(c) 三次循环后 0 图4.3(d) 四次循环后 从n0开始，沿指向连接符的指针找到的解图即为搜索的结果。n0给出的修正费用值q(n0)＝5就是解图的费用值。 图4.3(e) 搜索得到的解图 Note （1）在第6步扩展节点n时，若不存在后继节点（即陷入死胡同），则可在第11步中对m（即n）赋一个高的q值，这个高的q值会依次传递到s，使得含有节点n的子图具有高的q（s），从而排除了被当作候选局部解图的可能性。 (2)如果一个与／或 图存在解图，如果对于图中所有的节点n都有h（n）≤h*（n），并且启发函数h满足单调限制，则AO*算法必然终止于找出最佳解图。 练习1’： 假定我们有一个产生式系统，基于如下重写规则： R1：n0→n1, n2 R5：n2→n6, n7 R2：n0→n2, n3 R6：n3→n5, n6 R3：n1→n2 R7：n4→n2 R4：n1→n4 R8：n5→n7 （1）用与/或图表示此产生式系统。 （2）若h(n0)=0, h(n1)=2, h(n2)=4,h(n3)=4, h(n4)=3,h(n5)=1,h(n6)=0,h(n7)=0, 为启发函数，k-连接符的费用为k，求n0到{ n6, n7}的最佳解图。（要求：使用AO*算法，画出各次循环图，标明各点费用q(n)，画出最后的最佳解图，并指明最佳解图的费用） 练习2’： 一个产生式系统使用下面一组重写规则，这些重写规则把左面的数字转换成右边的数字串。 6→3,3 4→3,1 6→4,2 3→2,1 4→2,2 2→1,1 使用这些规则把6转换成由1组成的数字串。假设k-连接符的费用是k，用数字1标记的节点的h函数值是0，用数字n(n≠1)标记的节点的h函数值是n。请用AO*算法描述解题过程（要求：画出各次循环图，标明各点费用q(n)，画出最后的最佳解图，并指明最佳解图的费用）。 4.4 博弈树搜索博弈