人工智能一般搜索原理.pptVIP

A算法 A算法是一种有序搜索的启发式搜索算法。它采用估算节点n的两个代价： 从起始点s到n的最小代价路径的代价 从n到某个目标节点的最小代价路径的代价 估价函数的形式： f(n) = g(n) + h(n) 其中：g(n)：是对g*(n)的估价值 h(n)：是对h*(n)的估价值,称为启发函数 第三章 一般搜索原理 3.2启发式搜索 * * 第五十八页，共九十五页。 A算法估价函数的说明 g*(n)：从s到n的最佳路径的代价 h*(n)：从n到某个目标节点的最佳路径的代价 f*(n)=g*(n)+h*(n)：从s经过n到某个目标节点的最佳路径的代价 g(n)、h(n)、f(n)分别是g*(n)、h*(n)、f*(n)的估计值 表明，估价函数f(n)是对从起始点s经过n到某个目标节点的最佳路径的代价的估计值 第三章 一般搜索原理 3.2启发式搜索 * * 第五十九页，共九十五页。 A算法流程 1, OPEN:=(s), f(s):=g(s)+h(s); 2, LOOP: IF OPEN=( ) THEN EXIT(FAIL); 3, n:=FIRST(OPEN); 4, IF GOAL(n) THEN EXIT(SUCCESS); 5, REMOVE(n, OPEN), ADD(n, CLOSED); 6, EXPAND(n) →{mi}, 计算f(n, mi):=g(n, mi)+h(mi); 第三章 一般搜索原理 3.2启发式搜索 * * 第六十页，共九十五页。 A算法流程（续） ADD(mj, OPEN), 标记mj到n的指针； IF f(n, mk)f(mk) THEN f(mk):=f(n, mk), 标记mk到n的指针； IF f(n, ml)f(ml,) THEN f(ml):=f(n, ml), 标记ml到n的指针, ADD(ml, OPEN); 7, OPEN中的节点按f值从小到大排序； 8, GO LOOP； 第三章 一般搜索原理 3.2启发式搜索 * * 第六十一页，共九十五页。 最佳图搜索算法A*（A*算法） 在A算法中，如果对于任意点n满足条件： h(n)≤h*(n) 则A算法称为A*算法。 第三章 一般搜索原理 3.2启发式搜索 * * 第六十二页，共九十五页。 A*算法估价函数举例 在问题求解过程中，不可能明确知道h*(n) ，可根据经验估计下界范围条件 例如，8数码问题 如取h(n) = “不在位”的牌数，可估计出至少要移动h(n) 步，才能达到目标，因此，有h(n) ≤ h*(n) 如取h (n) = 每个牌与目标位置的距离和，同样可估计出至少要移动h(n) 步，才能达到目标，因此，有h(n) ≤ h*(n) 第三章 一般搜索原理 3.2启发式搜索 2 8 3 1 6 4 7 5 1 2 3 8 4 7 6 5 * * 第六十三页，共九十五页。 博弈中的启发式搜索 博弈空间的极小极大搜索: 假定对手具有相同的关于状态空间的知识,且用该知识以一致方式比赛. 博弈中的对手分别称为MIN和MAX 一种余一棋变体： 博弈双方要交替地将一堆牌分成数量不同的两堆牌,最先无法分堆的棋手为失败 第三章 一般搜索原理 3.2启发式搜索 * * 第六十四页，共九十五页。 穷举式的极小极大搜索 博弈过程可以用一个树来表示 标记叶节点若MIN获胜标0, MAX获胜标1, 标记MIN节点为其子节点值中的最大值 标记MAX节点为其子节点值中的最小值 这样向上传播,直至根节点 第三章 一般搜索原理 3.2启发式搜索 * * 第六十五页，共九十五页。 第三章 一般搜索原理 3.2启发式搜索 一种余一棋变体树 4-3 4-2-1 5-1-1 7 5-2 2-2-1-1-1 3-2-1-1 6-1 4-1-1-1 2-2-2-1 3-1-1-1-1 2-1-1-1-1-1 3-2-2 0 0 1 1 0 1 1 1 1 1 1 0 0 3-3-1 0 MIN MAX MIN MAX MIN MAX * * 第六十六页，共九十五页。 固定层深的极小极大搜索 这种策略称为n-层预判 用于状态空间不可能全部展开的情形，比如国际象棋的状态数大约是10120 n的值由可用的时间和空间资源而定 由于叶节点不是博弈的最终状态,不能用胜利或