状态空间搜索.pptVIP

启发式信息加速搜索盲目搜索的缺陷根据与问题相关的知识问题，引入启发式信息。定义：f(n)为经过结点n的且从起点到目标的最短路径函数。f(n)的值越小，表示路径越短策略：从初始结点S出发，选择f(n)最小的子结点引入f(n)的搜索过程引入f(n)的搜索过程f(n)＝？f(n)=g(n)+h(n)g(n)表示起始结点到n的最小代价路径的代价h(n)表示n到目标结点的最小代价路径的代价g=?h=?f(n)≈f*(n)八数码问题如何设计可采纳的启发式函数?根据问题特征设计h，例如八数码问题h1位置不一致的棋子数目h1(n)=1+1+0+1+1+0+0+0=4h2所有棋子到其目标位置的距离和h2(n)=1+2+0+1+1+0+0+0=5如何设计可采纳的启发式函数?组合启发式函数：如果已有h1,h2,······,hm等可采纳启发式函数，那么：h=max(h1,h2,······,hm)从经验中学习：已知某些特征x1与x2和h有关，但不知道具体的关系，那么可以定义 h=c1x1+c2x2通过学习调整c1与c2。ABSOLVER程序能自动生成启发式。魔方的第一个有用的启发式就是它找到的思考题（课后小作业）MIN有没有更好的走法，其第一步的最优搜索策略是什么呢？试画出对应搜索树！是不是先走就一定能获胜？α-β剪枝遗传算法应用实例待优化的函数算法设计编码长度为7bit的位序列0000000表示-6.41111111表示6.3y=b1,b2,…b72令x表示gene对应的数值 x=-6.4+y(6.3-(-6.4))/(27-1) x=0.1y–6.4种群规模30个体，N=30适应度计算使用待优化的函数的f(x)做适应度函数算法设计选择采用轮盘赌方式交叉单点交叉交叉概率0.6变异变异概率0.006复制复制概率0.394=1-0.6-0.006种群个体分布的变化种群适应度的变化遗传算法的基本原理给出问题的一组候选解，将这些解看作进化中的生物个体这些个体中适应度高的个体通过繁殖生成下一代个体，也就是新的一组候选解个体适应环境的过程就是候选解的质量不断提高的过程问题的解是在不断进化中得到的遗传算法的要素基本概念环境＝＝＝＝＝适应度函数个体＝＝＝＝＝问题的解种群＝＝＝＝＝个体组成的集合遗传操作生物的适应能力＝＝＝＝＝适应度计算生物体的竞争＝＝＝＝＝选择有性繁殖，基因的重组＝＝＝＝＝交叉无性繁殖，基因的突变＝＝＝＝＝变异生物世界VS遗传算法遗传算法的基本操作编码染色体在一定意义上包含了它所代表的问题的解。最常用的编码方式是二进制串每一个染色体用一个二进制串表示，这个二进制串的每一位表示解的某些特征。或者，整个二进制串表示一个数。例如 1110011整数编码、实数编码、字符串编码、树状编码选用什么方法编码主要取决于所要解决的问题本身。有的问题直接用整数或者实数来编码可能更好！遗传算法的基本操作复制直接将上一个的个体放入下一代种群，相当于染色体的自我复制个体新个体变异个体?110101011变异点新个体?110001011交叉－单点交叉个体1?1101|01011个体2?1001|00001 交叉点新个体1?1101|00001新个体2?1001|01011－两点交叉个体1?1101|010|11个体2?1001|000|01 交叉点交叉点新个体1?1101|000|11新个体2?1001|010|01应用遗传算法的步骤针对要解决的问题