人工智能重点
人工智能重点总结
人工智能重点总结第一章：开展简史〔此处为简答题〕1.人工智能的萌芽〔1956年以前〕1936年，图灵创立了自动机理论〔后人称为图灵机〕，提出一个理论计算机模型，为电子计算机设计奠定了根底，促进了人工智能，特别是思维机器的研究。
麦克洛克和皮茨于1943年提出“拟脑模型〞是世界上第一个神经网络模型〔MP模型〕，开创了从结构上研究人类大脑的途径。
1948年维纳发表?控制论—关于动物与机器中的控制与通信的科学?，不但开创了近代控制论，而且为人工智能的控制学派树立了里程碑。
1、古希腊伟大的哲学家思想家亚里士多德的主要奉献是为形式逻辑奠定了根底。
形式逻辑是一切推理活动的最根本的出发点。
在他的代表作?工具论?中，就给出了形式逻辑的一些根本规律，如矛盾律、排中律，并且实际上已经提到了同一律和充足理由律。
此外亚里士多得还研究了概念、判断问题，以及概念的分类和概念之间的关系判断问题的分类和它们之间的关系。
其最著名的创造就是提出人人熟知的三段论。
2、英国的哲学家、自然科学家 Bacon〔培根〕〔1561-1626〕，他的主要奉献是系统地给出了归纳法，成为和 Aristotle 的演绎法相辅相成的思维法那么。
Bacon 另一个功绩是强调了知识的作用。
Bacon 的著名警句是"知识就是力量"。
3、德国数学家、哲学家 Leibnitz〔莱布尼茨〕〔1646-1716〕，他提出了关于数理逻辑的思想，把形式逻辑符号化，从而能对人的思维进行运算和推理。
他曾经做出了能进行四那么运算的手摇计算机4、英国数学家、逻辑学家 Boole〔布尔〕〔1815-1864〕，他初步实现了布莱尼茨的思维符号化和数学化的思想，提出了一种崭新的代数系统--布尔代数。
5、美籍奥地利数理逻辑学家Godel〔哥德尔〕〔1906-1978〕，他证明了一阶谓词的完备性定理；任何包含初等数论的形式系统，如果它是无矛盾的，那么一定是不完备的。
此定理的意义在于，人的思维形式化和机械化的某种极限，在理论上证明了有些事是做不到的。
人工智能技术的发展方向和重点领域
人工智能技术的发展方向和重点领域近年来，人工智能（Artificial Intelligence，简称AI）技术以其强大的计算能力和智能化的决策能力，在各个领域中取得了突破性的进展和创新。
AI为我们提供了更高效、更便捷的解决方案，并正逐渐渗透到我们的日常生活中。
然而，随着人工智能技术的飞速发展，我们需要关注其未来的方向和在哪些领域发挥最大的作用。
本文将探讨人工智能技术的发展方向和重点领域。
一、人工智能技术的发展方向随着现代社会的发展和数字化时代的到来，人工智能技术正朝着更广阔的应用方向发展。
首先，强化学习（Reinforcement Learning）是人工智能技术的一个重要方向。
传统的人工智能系统需要通过人工编码来解决问题，而强化学习则通过让计算机与环境不断交互，从而学会自主地做决策和解决问题。
随着计算机计算能力的提升和大规模数据的支持，强化学习有望成为人工智能技术的一种主要方法。
其次，深度学习（Deep Learning）也是人工智能技术的重要方向。
深度学习模拟了人脑神经元之间的相互联系，通过多层次的神经网络来进行信息处理和模式识别。
深度学习在许多领域取得了巨大的突破，例如语音识别、图像处理和自然语言处理等。
随着计算能力的增强和更有效的网络结构的设计，深度学习有望进一步提高人工智能的性能和智能化水平。
最后，迁移学习（Transfer Learning）也是人工智能技术未来发展的重要方向之一。
迁移学习指的是将已学习的知识和经验应用到新的情境中，从而提高算法的性能和效率。
迁移学习可以使机器更快地适应新环境，提高智能决策的准确度和实用性。
随着迁移学习理论的不断发展和实践的丰富，迁移学习有望在人工智能技术的应用中发挥更大的作用。
二、人工智能技术的重点领域人工智能技术在众多领域中都有广泛的应用，但以下几个领域被认为是AI技术的重点发展方向。
首先，医疗健康领域是一个重要的应用方向。
人工智能技术可以通过分析大量的医疗数据和病历，提供精确的诊断和治疗方案，帮助医生提高工作效率和治疗效果。
自考人工智能原理重点复习大纲
自考人工智能原理重点复习大纲
一、概述
- 人工智能的基本概念和定义
- 人工智能的发展历史和应用领域
- 人工智能的基本原理和方法
二、知识表示与推理
- 逻辑表示和推理的基本概念和方法
- 谓词逻辑与一阶谓词逻辑
- 归结推理和演绎推理
- 产生式规则与专家系统
三、机器研究
- 机器研究的基本概念和分类
- 监督研究、无监督研究和半监督研究的基本原理
- 决策树、朴素贝叶斯和支持向量机的原理和应用
- 神经网络和深度研究的基本原理和应用
四、自然语言处理
- 自然语言理解和生成的基本概念和方法
- 词法分析、句法分析和语义分析的原理和技术
- 文本分类、信息抽取和机器翻译的基本原理和应用
五、计算机视觉
- 计算机视觉的基本概念和方法
- 图像特征提取和图像识别的原理和技术
- 目标检测、图像分割和人脸识别的基本原理和应用
六、智能系统与伦理
- 智能系统的发展现状和前景
- 人工智能在社会和经济中的应用
- 人工智能带来的伦理、法律和社会问题
七、人工智能的挑战和发展方向
- 当前人工智能面临的挑战和问题
- 未来人工智能的发展方向和趋势
- 人工智能与人类的关系和合作
以上为自考人工智能原理的重点复习大纲，希望能对你的学习有所帮助。
人工智能重点知识总结
人工智能重点知识总结
人工智能（Artificial Intelligence，简称AI）是一种模拟人类智
能的技术，包括机器研究、自然语言处理、计算机视觉等领域。
下
面是人工智能的重点知识总结：
1. 机器研究
机器研究是人工智能的重要分支，通过让计算机从数据中研究
和改进，来实现自主完成任务。
常见的机器研究算法包括决策树、
支持向量机、神经网络等。
机器研究在图像识别、语音识别、推荐
系统等领域有广泛应用。
2. 自然语言处理
自然语言处理是研究计算机与人类自然语言之间的交互的领域。
它包括文本分类、机器翻译、情感分析等任务。
自然语言处理的技
术可以帮助计算机理解和处理人类语言，从而实现智能的对话和交流。
3. 计算机视觉
计算机视觉是研究如何使计算机理解和解释图像和视频的领域。
它包括图像分类、目标检测、图像生成等任务。
计算机视觉的应用
非常广泛，包括人脸识别、车牌识别、图像搜索等。
4. 深度研究
深度研究是一种机器研究的方法，通过构建具有多个隐层的神
经网络，使计算机可以从大量数据中研究特征和模式。
深度研究在
人脸识别、语音识别等领域取得了重大突破，被广泛应用于各个行业。
5. 强化研究
强化研究是一种通过试错和反馈机制来训练智能体的研究方法。
智能体通过与环境交互，根据奖励信号来调整自己的行为。
强化研
究在游戏、机器人等领域有重要应用。
以上是人工智能的重点知识总结，希望对您有所帮助。
人工智能重点总结正式版pdf
人工智能重点总结(正式版).pdf 人工智能重点总结一、人工智能概述人工智能（ArtificialIntelligence，AI）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支，旨在生产出一种能以人类智能相似的方式做出反应的智能机器。
人工智能领域的研究包括机器人、语言识别、图像识别、自然语言处理、专家系统等。
二、人工智能发展历程人工智能的发展经历了多个阶段。
最初，人工智能的概念和理论开始萌芽，并在20世纪50年代达成了初步的共识。
从20世纪60年代开始，人工智能进入了第一个繁荣期，但这个阶段的人工智能技术还比较初级。
在20世纪70年代，人工智能遭遇了瓶颈期，因为当时的计算机技术和算法无法满足人工智能的发展需求。
直到20世纪80年代，随着计算机技术的进步和神经网络的提出，人工智能再次迎来了发展高峰。
进入21世纪，随着大数据和云计算技术的发展，人工智能得到了更广泛的应用和发展。
三、人工智能的技术和应用人工智能的技术包括机器学习、深度学习、自然语言处理、计算机视觉等。
机器学习是一种通过让机器从数据中学习规律和模式，从而完成特定任务的方法。
深度学习是机器学习的一种，通过构建深度神经网络来实现。
自然语言处理是一种将自然语言转化为计算机语言的方法，使得计算机能够理解和处理自然语言。
计算机视觉是一种通过图像和视频等视觉信息进行识别和分析的技术。
人工智能的应用非常广泛，包括机器人、智能家居、自动驾驶、医疗保健、金融等。
人工智能在机器人领域的应用可以实现自主行动和智能交互。
在智能家居领域，人工智能可以提高家居设备的智能化程度，提高生活质量和节约能源。
在自动驾驶领域，人工智能可以实现车辆的自主驾驶和安全驾驶。
在医疗保健领域，人工智能可以帮助医生进行疾病诊断和治疗计划的制定。
在金融领域，人工智能可以进行风险评估和投资策略的制定等。
四、人工智能的未来发展随着技术的不断进步和发展，人工智能的未来发展前景非常广阔。
《人工智能基础》考试重点
《人工智能基础》考试重点《人工智能基础》考试重点人工智能的考试重点参考书目：《人工智能基础》第二版，高等教育出版社人工智能定义：（P2,3）（学科）是智能科学中涉及研究、设计和应用智能机器和智能系统的一个分支，而智能科学是一门与计算机科学并行的学科。
（能力）是智能机器所执行的通常与人类有关的职能行为，这些智能行为涉及学习、感知、思考、理解、识别、判断、推理、证明、通信、设计、规划、行动和问题求解等活动。
人工智能的主要学派和研究的主要方法：（P7，P9）1、符号主义：主要研究方法是功能模拟方法，通过分析人类认知系统所具备的功能和机能，然后用计算机模拟这些功能，实现人工智能。
2、连接主义：主要研究方法是结构模拟方法，主要是神经网络及神经网络间的连接机制与学习算法。
认为功能、结构和智能行为是密切相关的，不同的结构表现出不同的功能和行为。
3、行为主义：主要研究方法是采用行为模拟方法，认为功能、结构和智能行为是不可分的，不同行为表现出的功能和不同控制结构。
模式识别定义：(P19)是指计算机代替人类或帮助人类感知模式，是对人类感知外界功能的模拟，研究的是计算机模式识别系统，也就是使一个计算机系统具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力。
知识表示定义：(P28)是研究用机器表示知识的可行性、有效性的一般方法，是一种数据结构和控制结构的统一体，既考虑知识的存储有考虑知识的使用。
知识表示可看成是一组描述事物的约定，以便把人类知识表示成机器能处理的数据结构。
状态空间法定义：（P29）基于解答空间的问题表示和求解方法就是状态空间法。
状态空间法的要素：（P29)1、状态：表示问题解法中每一步问题状况的数据结构。
2、算符：把问题从一种状态变换为另一种状态的手段。
3、状态空间方法：基于解答空间的问题表示和求解方法，它是以状态与算符为基础来表示和问题求解的。
置换：（P46）一个表达式的置换就是在该表达式中用置换项置换变量。
人工智能的发展趋势及其未来发展的重点
人工智能的发展趋势及其未来发展的重点人工智能（Artificial Intelligence）是当今最热门的科技领域之一，它的发展正快速地改变着我们的生活方式和工作模式。
这种技术的应用已经深入到了人们的各个生活领域，同时也为未来的发展描绘了广阔的前景。
那么，人工智能会如何发展，未来又将有哪些方向和领域的突破呢？一、人工智能的发展趋势1. 注意力机制的加入近几年，注意力机制已经成为人工智能学术界的热门研究之一。
它可以通过对输入数据的重要性加权来提高算法的性能，从而在诸如自然语言处理、图像分析以及语音识别等任务中得到更好的应用。
因此，注意力机制的加入将是人工智能技术的一个重要趋势。
2. 深度学习技术的发展深度学习作为人工智能的重要组成部分，对于现在的人工智能技术发展不可或缺。
深度学习是一种以人工神经网络为基础的算法，能够模拟人类大脑神经元的特性，从而实现更加精准的数据分类和预测。
其发展将是对未来人工智能应用的一个主要方向。
3. 人机交互技术的创新随着人工智能在各行各业中逐渐普及，人机交互技术的发展也逐渐成为人们关注的焦点。
未来人机交互需要更加自然、智能的方式，如语音、手势、面部表情等，使人与计算机之间的沟通更加紧密，从而更好地满足人们的需求。
二、人工智能未来发展的重点1. 自动化人工智能的一个最大潜力就是自动化。
机器学习和自然语言处理的技术发展可以使得机器能够自动化地处理许多与人相关的任务，从而提高效率和减少成本。
因此，在未来，自动化将是人工智能的一个主要发展方向。
2. 创新应用随着技术的不断进步和应用的不断扩展，人工智能的创新应用将变得越来越重要。
如基于人工智能技术的医学诊断、保险风险评估、智能交通、新能源管理等，这些应用将在未来得到进一步拓展，并为人们提供更加智能、高效、准确的服务。
3. 保障安全随着人工智能技术的快速发展，人们对于其安全性的担忧也日益增加。
为了保障人工智能技术的安全稳定，政府、企业等应该加强对于人工智能技术的监管和管理，防止其被恶意利用。
《人工智能》复习重点
《人工智能》复习重点填空题：数据挖掘（KDD）：概念：也可以称为数据库中的知识发现，是从大量数据中提取出可信，新颖，有效，并能被人理解的的模式的高级处理过程数据挖掘的主要方法：分类，聚类，相关规则，回归，其他1.人工智能的表现形式：具有感知能力，具有记忆与思维能力，具有学习能力，具有行为能力2.人工智能涉及学科领域：人工智能是在计算机科学，控制论，信息论，神经心理学，哲学，语言学等学科研究的基础上发展起来的综合性很强的交叉学科3. 机器行为：计算机的表达能力，即说，写，画等能力4.人工智能的研究目标：用机器实现人类的部分智能（或者建立一个能模拟人类智能行为的系统）5. 机器感知能力包括：机器视觉，机器听觉6. 数据挖掘逻辑思维的特点包括⑴数据的特征✓大容量✓含噪音（不完全、不正确）✓异质数据（多种数据类型混合的数据源，来自互联网的数据是典型的例子）⑵系统的特征✓知识发现系统需要一个前处理过程✓知识发现系统是一个自动/半自动过程✓知识发现系统要有很好的性能⑶知识（模式）的特征✓知识发现系统能够发现什么知识？✓现行的知识发现系统只能发现特定模式的知识7.图形识别：图形识别主要是研究各种图形(如文字、符号、图形、图像和照片等)的分类。
8. 机器视觉应用范围：获取图形，图像信息9. 自动程序设计包括：程序综合，程序正确性验证10.K-means算法⑴该算法的最大优势在于简洁和快速。
算法的关键在于初始中心的选择和距离公式。
最常用是欧式距离：⑵算法步骤：①适当选择c个类的初始中心；②在第k次迭代中，对任意一个样本，求其到c个中心的距离，将该样本归到距离最短的中心所在的类；③利用均值等方法更新该类的中心值；④对于所有的c个聚类中心，如果利用（2）（3）的迭代法更新后，值保持不变，则迭代结束，否则继续迭代。
⑶Kmeans方法的局限性Kmeans在数据有着不同特征时存在问题：①各类数据点数目差距太大②不同密度③非球型分布④其他元素（存在离群点，…… ）11. 系统聚类法（谱系聚类法）谱系聚类法是根据植物分类学的思想对研究对象进行分类的方法.在植物分类学中，分类的单位是门、纲、目、科、属、种，其中种是分类的基本单位.分类单位越小，它所包含的植物就越少，植物间的共同特征就越多，利用这种分类思想，谱系聚类法首先视各样品自成一类。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
人工智能重点绪论●人工智能的定义起源和发展其他概念稍微了解1.什么是人工智能？试从能力和学科两方面加以说明。
答：学科：人工智能（学科）是计算机科学中涉及研究、设计和应用智能机器的一个分支。
其近期的主要目标在于研究用机器来模仿和执行人脑的某些智力功能，并开发相关理论和技术。
能力：人工智能（能力）是智能机器所执行的通常与人类智能有关的智能行为，如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动。
知识表示方法2.人工智能的主要研究和应用领域有哪些？答：自然语言处理、自动定理证明、智能数据检索系统、机器学习、模式识别、视觉系统、问题求解、人工智能方法和程序语言以及自动程序设计等。
3、简述人工智能的发展状况人工智能的现状和发展呈现如下特点：多种途径齐头并进，多种方法写作互补；新思想、新技术不断涌现，新领域、新方向不断开括;理论研究更加深入，应用研究更加广泛;研究队伍日益壮大，社会影响越来越大;以上特点展现了人工智能学科的繁荣景象和光明前景。
它表明，虽然在通向其最终目标的道路上，还有不少困难、问题和挑战，但前进和发展毕竟是大势所趋。
4.简述知识发现过程和知识发现的方法。
答：过程：①数据选择；②数据预处理；③数据变换；④数据挖掘；⑤知识评价方法：①统计方法；②机器学习方法；③神经计算方法；④可视化方法● 2.1状态空间法（重点）看例题状态空间法的三要素：状态、算符、状态空间方法（是一个表示该问题全部可能状态及其关系的图，它包含三种说明的集合，即三元状态（S，F，G）。
S：所有可能的问题初始状态集合；F：操作符集合；G：目标状态集合。
）状态图示法：状态空间的图示形式称为状态空间图各种问题都可用状态空间加以表示，并用状态空间搜索法来求解。
下面简单介绍一种产生式系统描述的搜索算法产生式系统由三部分:一个总数据库、一套规则、一个控制策略（程序）● 2.2问题规约法（重点）另外一种基于状态空间的问题描述与求解方法；实质：从目标出发逆向推理，建立子问题以及子问题的子问题，直到最后把初始问题归约为一个本原问题集合。
组成部分：初始问题描述、问题变换为子问题的操作符、一套本原问题描述与或图；与或图的搜索：目的在于表明起始节点是有解的问题规约法举例：汉诺塔问题2.3谓词逻辑法（了解）命题逻辑与谓词逻辑是最先用于人工智能的两种逻辑.命题逻辑具有较大的局限性;命题逻辑只能进行命题间关系的推理，无法解决与命题结构和成分有关的推理问题，不适合表示比较复杂的问题,命题这种表示方法无法把它所描述的客观事物的结构及逻辑特征反映出来，也不能把不同事物间的共同特征表述出来谓词逻辑语言的基本符号：谓词符号、变量符号、函数符号、常量符号、括号和逗号合式公式（WFF）：通常把合式公式叫做谓词公式,(1) 原子谓词公式是合式公式(2) 若A为合式公式，则¬ A也是一个合式公式(3) 若A,B是合式公式，则A∨B，A∧B，A→B，A↔B也都是合式公式(4) 若A是合式公式，x为A中的自由变元，则(x)A和(x)A都是合式公式(5) 只有按上述规则(1)至(4)求得的那些公式，才是合式公式合式公式的性质语义网络谓词逻辑与语义网络等效其他知识表示方法：框架表示法、剧本表示法、过程表示法框架表示法的优点：结构性：深层性：继承性：自然性不足：缺乏框架的形式理论：缺乏过程性知识表示：清晰性难以保证：剧本表示法：概念依赖理论的基本思想。
剧本是框架的一种特殊形式，构成：开场条件：角色：道具：场景：结果：其中最重要的是运用剧本可以预测没有明显提及的事件的发生；剧本表示法与框架表示法相比，比较呆板，知识表达的范围也很窄，剧本表示法对于表达预先构思好的特定知识，如理解故事情节等，是非常有效的。
目前剧本表示法主要在自然语言理解方面获得了一些应用。
过程表示法：过程性知识表示是将有关某一问题领域的知识，连同如何使用这些知识的方法，均隐式地表示为一个求解问题的过程。
过程式不像陈述式那样具有固定的形式，如何描述知识完全取决于具体的问题。
优点：表示效率高：控制系统容易实现：不足：不易修改及添加新知识，而且当对某一过程进行修改时，又可能影响到其它过程，对系统的维护带来不便。
对比：状态空间法：是一种基于解答空间的问题表示和求解方法，它是以状态和操作符为基础的。
在利用状态空间图表示时，我们从某个初始状态开始，每次加一个操作符，递增地建立起操作符的试验序列，直到达到目标状态为止。
由于状态空间法需要扩展过多的节点，容易出现"组合爆炸"，因而只适用于表示比较简单的问题。
问题归约法：从目标(要解决的问题)出发，逆向推理，通过一系列变换把初始问题变换为子问题集合和子-子问题集合，直至最后归约为一个平凡的本原问题集合。
这些本原问题的解可以直接得到从而解决了初始问题，用与或图来有效地说明问题归约法的求解途径。
谓词逻辑法：采用谓词合式公式和一阶谓词演算把要解决的问题变为一个有待证明的问题，然后采用消解定理和消解反演来证明一个新语句是从已知的正确语句导出的，从而证明这个新语句也是正确的。
语义网络：是知识的一种图解表示，它由节点和弧线或链线组成。
节点用于表示实体、概念和情况等，弧线用于表示节点间的关系。
框架：是一种结构化表示方法。
框架通常由指定事物各个方面的槽组成，每个槽拥有若干个侧面，而每个侧面又可拥有若干个值。
大多数实用系统必须同时使用许多框架，并可把它们联成一个框架系统。
剧本表示法：是框架的一种特殊形式，它使用一组槽来描述事件的发生序列。
剧本表示特别适用于描述顺序性动作或事件，但使用不如框架灵活，因此应用范围也不如框架那么广泛。
过程表示法：是一种知识的过程式表示，它将某一有关问题领域知识同这些使用方法一起，隐式地表示为一个问题求解过程。
过程表示用程序来描述问题，具有很高的问题求解效率。
由于知识隐含在程序中难以操作，所以适用范围较窄。
第一章搜索推理技术推理方法及其分类：1.按推理的逻辑基础分：演绎（核心是三段论），归纳，类比归纳推理（基础是相似原理）演绎推理是在已知领域内的一般性知识的前提下，通过演绎求解一个具体问题或者证明一个结论的正确性。
它所得出的结论实际上早已蕴含在一般性知识的前提中，演绎推理只不过是将已有事实揭露出来，因此它不能增殖新知识。
归纳推理所推出的结论是没有包含在前提内容中的。
这种由个别事物或现象推出一般性知识的过程，是增殖新知识的过程。
2.按推理过程所用知识的确定性分：确定性推理、不确定性推理3.按推理过程推出的结论是否单调增加分：单调推理、非单调推理4.按推理过程是否利用问题的启发性知识分：启发式推理、非启发式推理推理的控制策略可分为：搜索策略（构造一条代价较小的推理路线。
主要解决推理线路、推理效果、推理效率等问题。
）、推理策略（包括推理方向控制策略、求解策略、限制策略、冲突消解策略等）搜索策略：按是否使用启发式信息可分为：盲目搜索、启发式搜索按问题的表示方式可分为：状态空间搜索、与或树搜索推理方向控制策略：正向推理、逆向推理、混合推理、双向推理正向推理的优点：比较直观，允许用户主动提供有用的事实信息，适合于诊断、设计、预测、监控等领域的问题求解。
正向推理的缺点：推理无明确目标，求解问题是可能会执行许多与解无关的操作，导致推理效率较低。
逆向推理的主要优点：不必寻找和使用那些与假设目标无关的信息和知识，推理过程的目标明确，有利于向用户提供解释，在诊断性专家系统中较为有效。
逆向推理的主要缺点：当用户对解的情况认识不请时，由系统自主选择假设目标的盲目性比较大，若选择不好，可能需要多次提出假设，会影响系统效率。
混合推理：先正向后逆向、先逆向后正向、双向混合：推理策略：求解策略：限制策略：冲突消解策略：● 3.2盲目搜索（重点）状态空间的广度优先搜索优点是只要问题有解，用广度优先搜索总可以得到解，而且得到的是路径最短的解；缺点：广度优先搜索盲目性较大，当目标节点距初始节点较远时将会产生许多无用节点，搜索效率低。
注意：在对任一节点进行扩展的时候，如果所得的某个子节点（状态）前面已经出现过，则立即将其放弃，不再重复画出（不送入OPEN表）状态空间的深度优先搜索：如果目标节点不在此分支上，而该分支又是一个无穷分支，则就不可能得到解。
所以深度优先搜索是不完备的，即使问题有解，它也不一定能求得解状态空间的有界深度优先搜索：为了防止搜索过程沿着无益的路径扩展下去，往往给出一个节点扩展的最大深度，即深度界限。
但要恰当地给出dm的值是比较困难的。
即使能求出解，它也不一定是最优解。
代价树搜索：考虑边的代价的搜索方法，代价树搜索的目的是为了找到一条代价最小的解路径。
代价树搜索方法包括：代价树的广度优先搜索和代价树的深度优先搜索在代价树中，若用g(x)表示从初始节点S到节点x的代价，用c(x1,x2)表示从父节点x1到子节点x2的代价，则有：g(x2)=g(x1)+c(x1,x2)代价树的广度优先搜索基本思想：每次从OPEN表中选择节点往CLOSED表传送时，总是选择其中代价最小的节点。
如果问题有解，代价树的广度优先搜索一定可以求得解，并且求出的是最优解。
该算法应用的条件：该算法是针对代价树的算法。
为了采用该算法对图进行搜索，必须先将图转换为代价树。
代价树的深度优先搜索基本思想：从刚扩展出的子节点中选择一个代价最小的节点送入CLOSED表进行考察，上述几种搜索方法的本质是，以初始节点为根节点，按照既定的策略对状态空间图进行遍历，由于对状态空间图遍历的策略是既定的，因此这些方法统称为盲目搜索方法，盲目搜索具有较大的盲目性，产生的无用节点较多，效率不高。
● 3.3启发式搜索（基本了解即可）启发信息的启发能力越强，扩展的无用结点越少。
估价函数：用于评估节点重要性的函数称为估价函数。
估价函数的一般形式为：f(x) = g(x)+h(x) g(x)表示从初始节点S0到节点x的代价；h(x)是从节点x到目标节点Sg的最优路径的代价的估计，它体现了问题的启发性信息。
h(x)称为启发函数。
A算法：在图搜索算法中，如果能在搜索的每一步都利用估价函数f(n)=g(n)+h(n)对OPEN表中的节点进行排序，则该搜索算法为A算法。
包括：全局择优搜索算法（从OPEN 表的所有节点中选择一个估价函数值最小的一个进行扩展）和局部择优搜索算法（仅从刚生成的子节点中选择一个估价函数值最小的一个进行扩展）A*算法：A*算法是对A算法的估价函数f(n)=g(n)+h(n)加上某些限制后得到的一种启发式搜索算法。
假设f*(n)是从初始节点出发经过节点n达到目标节点的最小代价，估价函数f(n)是对f*(n)的估计值。
且f*(n)=g*(n)+h*(n) g*(n)是从初始节点S0到节点n的最小代价。