人工智能原理第2章搜索技术下.pptVIP

第2章搜索技术弧相容(1)*在地图染色约束的前向检验图中：第三行SA={blue}/NSW={red,blue}，则SA的取值有一个NSW=red与之相容/反过来NSW=blue，则SA为空值，即不相容—通过删除NSW值域中的blue可使其相容同样，弧相容检测也能更早地发现矛盾—如第二行SA/NT值域均为{blue}，如必须删去SA=blue，则发现不相容保持弧相容(MAC)算法思想—反复检测某个变量值域中的不相容弧，进行值删除，直到不再有矛盾第2章搜索技术弧相容(2)*弧相容算法思想：用队列记录需要检验不相容的弧每条弧[Xi,Xj]依次从队列中删除并被检验，如果任何一个Xi值域中的值需要删除，则每个指向Xi的弧[Xk,Xi]都必须重新插入队列进行检验—因为指向这个变量的弧可能产生新的不相容(因为原来可能就是因为这个值产生了它们之间的相容)时间复杂度—二元CSP约束至多有O(n2)条弧/每条弧至多插入队列d次(d个取值)，检验一条弧为O(d2)/算法最坏情况下为O(n2d2)1234第2章搜索技术特殊约束*实际问题中出现的特殊约束，其效率要比通用的约束高很多变量取值各不相同—AllDiff，如果约束涉及m个变量，所有变量共有n个取值，如果mn则此约束不能被满足相应算法—删除约束中只有单值值域的变量，将其取值从其余变量值域中删去；对单值变量重复此过程；如果得到空值域或剩下的变量数大于取值数，则产生矛盾其他约束—资源约束/边界约束第2章搜索技术2.5.5关于失败变量的启发式*1在回溯算法中，当发现不满足约束即搜索失败时，则回到上一个变量并尝试下一个取值—称为历时回溯/在很多情况下这样做是效率很低的—因为问题并不决定于上一个(甚至几个)变量的取值2所以，回溯应该倒退到导致失败的变量集合中的一个变量—该集合称为冲突集3变量X的冲突集是通过约束与X相连接的先前已赋值变量的集合第2章搜索技术*冲突集对于地图染色问题，设有不完全赋值{Q=red,NSW=green,V=blue,T=red}/此时，SA赋值将发现不满足任何约束—SA的冲突集={Q,NSW,V}对于前向检验算法，可以很容易得到冲突集基于X赋值的前向检验从变量Y的值域中删除一个值时，说明X和Y存在冲突，则显然X是Y的冲突集中的一个变量当到达Y时，可知回溯到哪个变量第2章搜索技术后向跳转*01回溯检验导致失败的变量的赋值—后向跳转：回溯到冲突集中时间最近(最后赋值)的变量02每个被后向跳转剪枝的分支在前向检验算法中也被剪枝—简单的后向跳转在前向检验(弧相容性检验)搜索中是多余的03因为都是做取值相容的检测，只要在弧相容检验时增加一个变量集合记录即可第2章搜索技术冲突指导的后向跳转*变量的冲突集更一般的情况—前面的变量集合中全部变量(不是其中一个变量)使得当前变量与之冲突令Xj是当前变量，conf(Xj)是其冲突集，如果Xj每个可能取值都失败了，则后向跳转到conf(Xj)中最近的一个变量Xi冲突指导的后向跳转处理令conf(Xi)=conf(Xi)?conf(Xj)-{Xi}从Xi向前是无解的/从Xi回到某个以前的变量赋值(参考p116例子)2.6博弈搜索

2.6.1极大极小决策

2.6.2?-?剪枝第2章搜索技术第2章搜索技术博弈搜索问题与方法*从智能体角度看，博弈是多智能体之间的竞争和对抗/在竞争的环境中，每个智能体的目的是冲突的，由此引出对抗搜索问题—称为博弈本节探讨两个问题—如何搜索到取胜的路径/如何提高搜索效率相应的方法—最优策略(极大极小决策)/?-?剪枝第2章搜索技术博弈游戏的描述*两个游戏者的博弈可以定义为一类搜索问题，其中包括：初始状态—棋盘局面和哪个游戏者出招后继函数—返回(招数,状态)对的一个列表，其中每对表示一个合法招数和相应的结果状态终止测试—判断游戏是否结束效用函数—或称目标函数，对终止状态给出一个数值如输赢和平局(以-1/+1/0表示)双方的初始状态和合法招数定义了游戏的博弈树—此为博弈搜索井字棋的博弈树*第2章搜索技术………………XXXXXXXXXXOOXXOXOXXOXXOXXOXXOOXOOXXXXOOXXOXOOX…MAX(X)MIN(O)MAX(X)MIN(O)TERMINAL效用-10+1第2章搜索技术2.6.1极大极小决策*博弈搜索中，最优解是导致取胜的终止状态的一系列招数在井字