汽车智能制造技术课件：盲目搜索.pptxVIP

第二章人工智能

05盲目搜索CARS

盲目搜索盲目搜索一般图搜索算法中，提高搜索效率的关键在于优化OPEN表中节点的排序方式。若每次排在表首的节点都在最终搜索到的解答路径上，则算法不会扩展任何多余的节点就可快速结束搜索。一种简单的排序策略就是按预先确定的顺序或随机地排序新加入到OPEN表中的节点，常用的方式是深度优先和广度优先。

盲目搜索广度优先搜索基本思想：从初始节点S0开始逐层向下扩展，在第n层节点还没有全部搜索完之前，不进入第n+1层节点的搜索。Open表中的节点总是按进入的先后排序，先进入的节点排在前面，后进入的节点排在后面。广度优先过程如下：(1)把初始节点S0放入Open表中；(2)如果Open表为空，则问题无解，失败并退出；(3)把Open表的第一个节点取出放入Closed表，并按顺序为该节点编号为n；(4)考察节点n是否为目标节点。若是，则得到问题的解，成功并退出；(5)若节点n不可扩展，则转第(2)步；(6)扩展节点n，将其子节点放入Open表的尾部，并为每一个子节点设置指向父节点的指针，然后转第(2)步。

盲目搜索

盲目搜索广度优先搜索优点目标节点如果存在，用宽度优先搜索算法总可以找到该目标节点，而且是最小（即最短路径）的节点。广度优先搜索的缺点：广度优先搜索是一种盲目搜索，时间和空间复杂度都比较高，当目标节点距离初始节点较远时会产生许多无用的节点，搜索效率低。广度优先搜索中，时间需求是一个很大的问题，特别是当搜索的深度比较大时，尤为严重，但是空间需求是比执行时间更严重的问题。

盲目搜索深度优先搜索基本思想深度优先搜索是一种一直向下的搜索策略。它是从初始节点S。开始，按生成规则生成下一级各子节点，按“最晚生成的子节点优先扩展”的原则，逐级纵向深入搜索，直到出现目标节点。扩展当前节点后生成的子节点总是置于OPEN表的前端，即OPEN表作为栈，后进先出，使搜索优先向纵深方向发展。由于一个有解的问题常常含有无穷分枝，深度优先搜索过程如果误入无穷分枝，就不可能找到目标节点，所以它是不完备的。与广度优先搜索不同，深度优先搜索找到的解也不一定是最佳的。

盲目搜索深度优先搜索的流程（1)把初始节点S。放入OPEN表。（2)如果OPEN表为空，则问题无解，失败并退出。(3)把OPEN表中的第一个节点取出放入CLOSE表中，并按顺序冠以维号n。（4)考察节点n是否为目标节点。若是，则求得了问题的解，成功并退出。（5)若节点n不可扩展，则转第（2）步。（6）扩展节点n，将其余节点放到OPEN表的首部，并为其配置指向父节点的指针，然后转第（2)步。如果问题有解，且问题树没有无穷分枝，则必在OPEN表中出现S.，过程必将在第（4）步停止搜索成功，所以深度优先搜索法仅对有限状态空间类问题来说具有算法性，但无可采纳性。一般说来它仅是一个过程，需要进一步改进。

盲目搜索深度优先搜索的优缺点深度优先搜索的优点是比宽度优先搜索算法需要较少的空间。该算法只需要保存搜器树的一部分，它由当前正在搜索的路径和该路径上还没有完全展开的节点标志所组成。因此，深度优先搜索的存储器要求是深度约束的线性函数。但是其主要问题是可能搜索到了错误的路径上。很多问题可能具有很深甚至是无限的搜索树，如果不幸选择了一个错误的路径，则深度优先搜索会一直搜索下去，而不会回到正确的路径上。这样一来对于这些问题，深度优先搜索要么陷人无限的循环而不能给出一个答案，要么最后找到一个答案，但路径很长而且不是最优的答案。这就是说，深度优先搜索既不是完备的，也不是最优的。

盲目搜索问题归约法基本思想:当一问题较复杂时，可通过分解或变换，将其转化为一系列较简单的子问题，然后通过对这些子问题的求解来实现对原问题的求解。分解:如果一个问题P可以归约为一组子问题P1,P2,…,Pn，并且只有当所有子问题Pi都有解时原问题P才有解，任何一个子问题Pi无解都会导致原问题P无解，则称此种归约为问题的分解。即分解所得到的子问题的“与”与原问题P等价。等价变换如果一个问题P可以归约为一组子问题P1,P2,…,Pn，并且子问题Pi中只要有一个有解则原问题P就有解，只有当所有子问题Pi都无解时原问题P才无解，称此种归约为问题的等价变换，简称变换。即变换所得到的子问题的“或”与原问题P等价。

盲目搜索问题归约法(1)与树分解(2)或树等价变换(3)与/或树(4)端节点与终止节点在与/或树中，没有子节点的节点称为端节点；本原问题所对应的节点称为终止节点。可见，终止节点一定是端节点，但端节点却不一定是终止节点。

盲目搜索问题归约法(5)可解节点与不可解节点在与/或树中，满足以下三个条件之一的节点为可解节点：①任何终止节点都是可解节点。②对“或”节点，当其子节点中