人工智能中的搜索问题
合集下载
人工智能之与或图搜索问题
规定MAX先手
52
静态估计函数e(P)定义为： ① 若格局 P 对任何一方都不能获胜，则 e(P) =（所有空格上都放上 MAX的棋子后，MAX 的三个棋子所组成的行、列及对角线的总数） -
（所有空格上都放上 MIN 的棋子后， MIN 的三个
棋子所组成的行、列及对角线的总数）
53
② 若 P 是MAX获胜，则 e(P)=+∞
第二章 与或图搜索问题
初始节点s
a c b
目标 目标
1
2.1 基本概念
与或图是一个超图，节点间通过连接符连 接。 K-连接符：
…...
K个
2
耗散值的计算
k(n, N) = Cn+k(n1, N)+…+k(ni, N) 其中：N为终节点集 Cn为连接符的耗散值
n
n1
…...
n2 i个
ni
3
• 解图：
2
O X X
1
O X O X
0
O O X
O
O
O
1
O O
0
O O X X
2
O
0
O
1
O
1
O O X
O X
1
X
X
X
X O X
X
O X
X O
X
X
O
2
2
3
1
O O
2
X
X
2
O O
X X
1
1
O X
X
0
X
O X
0
58
X
O X
O
1
X
人工智能中的搜索问题(PPT 36张)
• • • • • 广度优先搜索（BFS，Breadth-first search） 代价一致搜索（UCS，Uniform-cost search） 深度优先搜索（DFS，Depth-first search） 深度有限搜索（Depth-limited search） 迭代深入搜索（Iterative deepening search）
几个典型的搜索问题
起始状态 目标状态
8-Puzzle问题
华容道是不是一个搜索问题？
状态空间的离散性： 8个格子的排列方式是离散的
环境的静态性： 九宫格的大小和形状在格子移动 过程中不会改变
路径的耗散函数的确定性： 相邻两个状态之间所需步骤为1
合法行动与后继的确定性： 只有空格四周的格子是可以 移动的
搜索问题：从起始状态到目标状态的移动方法 最优化搜索问题：从起始状态到目标状态步骤最少的移动方法
几个典型的搜索问题
八皇后问题
起始状态：空的棋盘 目标状态：棋盘上摆了八个皇后，并 且任意两个皇后都不能互相攻击。目 标状态不确定，但是当前状态是否为 目标状态是可以检测的。
状态空间的离散性： 0-8个皇后在棋盘上的摆放方式
无信息的搜索策略
迭代深入搜索
• 用来寻找最合适的深度限制的通用策略，经常和深度优先 搜索结合使用 • 不断增大深度限制，直到找到目标节点 • 结合了深度有限搜索的优点，又保证了完备性，还能保证 得到最优解
无信息的搜索策略
迭代深入搜索
无信息的搜索策略
策略之间的比较
为了避免含有相同状态的节点被重复扩展，可以用一个数据结构来记录所有被访 问过的节点。如果当前待扩展节点与某个已访问过的节点对应的状态相同的话， 则当前节点将不会被扩展。 这时树搜索（Tree Search）策略将成为图（Graph Search）策略
几个典型的搜索问题
起始状态 目标状态
8-Puzzle问题
华容道是不是一个搜索问题？
状态空间的离散性： 8个格子的排列方式是离散的
环境的静态性： 九宫格的大小和形状在格子移动 过程中不会改变
路径的耗散函数的确定性： 相邻两个状态之间所需步骤为1
合法行动与后继的确定性： 只有空格四周的格子是可以 移动的
搜索问题：从起始状态到目标状态的移动方法 最优化搜索问题：从起始状态到目标状态步骤最少的移动方法
几个典型的搜索问题
八皇后问题
起始状态：空的棋盘 目标状态：棋盘上摆了八个皇后，并 且任意两个皇后都不能互相攻击。目 标状态不确定，但是当前状态是否为 目标状态是可以检测的。
状态空间的离散性： 0-8个皇后在棋盘上的摆放方式
无信息的搜索策略
迭代深入搜索
• 用来寻找最合适的深度限制的通用策略，经常和深度优先 搜索结合使用 • 不断增大深度限制，直到找到目标节点 • 结合了深度有限搜索的优点，又保证了完备性，还能保证 得到最优解
无信息的搜索策略
迭代深入搜索
无信息的搜索策略
策略之间的比较
为了避免含有相同状态的节点被重复扩展，可以用一个数据结构来记录所有被访 问过的节点。如果当前待扩展节点与某个已访问过的节点对应的状态相同的话， 则当前节点将不会被扩展。 这时树搜索（Tree Search）策略将成为图（Graph Search）策略
第二章 人工智能搜索
搜索法中的问题表示
• 对问题进行形式化描述，便于计算机处理。 • 描叙方法对搜索效率有很大的影响。 • 一般用状态空间来表示待求解的问题。
状态空间法（1）
• 找到一个数，该数大于等于13548并且能够被
• • •
13547整除。 问题的论域为【13548，＋∞】，为了计算机处 理，可以选择一个足够大的数。 因此，问题的状态空间可以定义为【13548， 1E20】。所有的状态空间构成一个连续自然数序 列。 用状态空间表示法描叙问题时，要定义状态空间， 表示问题的全部可能状态和相互关系。
能找到 • 搜索的效率，避免生成或扩展无用的点。 • 控制开销。即控制策略的开销要尽可能小。
• 几个目标之间有冲突，在以上几个目标中
寻求平衡。
1.1 回溯策略
• 例：皇后问题
Q Q Q Q
()
Q ()
((1,1))
Q () Q
((1,1))
((1,1) (2,3))
Q ()
((1,1))
((1,1) (2,3))
搜索图与搜索树的比较
• 如果采用广度优先搜索算法，优点为实现
简单，但是有可能需要重复处理多次。 • 如果采用深度优先搜索算法，有可能陷入 死循环。需要采用一定的策略避免。 • 图搜索需要额外的计算去检查下一个节点 是否已经生成过。（可以使用广度或深度 优先来遍历图产生生成树）
搜索算法的衡量标准
• 搜索算法的完备性，即只要有解，就一定
– 盲目搜索 – 启发式搜索
• 关键问题：
如何利用知识，尽可能有效地找到问题 的解（最佳解）。
搜索问题（续2）
• 讨论的问题：
– 有哪些常用的搜索算法。 – 问题有解时能否找到解。 – 找到的解是最佳的吗？ – 什么情况下可以找到最佳解？ – 求解的效率如何。
人工智能-搜索问题。
8-Puzzle: 后继函数
827
34
后继函数是有关8数码问题的知识， 但它不是告诉我们应该选择哪一个结果，
5 1 6 也不是告诉我们应该应用棋局的哪一种
状态的知识。
82
827
827
347
346
3
4
516
51
516
搜索是对可能的选择的探索
4
人工智能原理2009年春季 广西大学 计算机学院 Dr.Ou
Arc cost（弧的耗散）
10
人工智能原理2009年春季 广西大学 计算机学院 Dr.Ou
State Graph 状态图
每一个状态被描述 为一个不同的节点
每一段弧（或边） 连接节点s和节点s’ ， 若
s’ SUCCESSORS(s)
状态图可以包含多 个连通图
11
人工智能原理2009年春季 广西大学 计算机学院 Dr.Ou
Search tree
26
人工智能原理2009年春季 广西大学 计算机学院 Dr.Ou
状态空间的搜索
Searching the State Space
Search tree
27
人工智能原理2009年春季 广西大学 计算机学院 Dr.Ou
状态空间的搜索
Searching the State Space
31
人工智能原理2009年春季 广西大学 计算机学院 Dr.Ou
后继函数
Successor Function
后继函数隐含表示了每一种状态下可行 的所有动作
32
人工智能原理2009年春季 广西大学 计算机学院 Dr.Ou
后继函数
20
人工智能原理2009年春季 广西大学 计算机学院 Dr.Ou
第二章人工智能搜索问题
65 S6
8 3 283
214 714
765 6 5
S13
S14
83 214 765
S21
813 24 765
S22
23 184 765
S7
23 184 765
S8
28 143 765
S9
283 145 76
S10
123 84
765 S15
234 18 765
S16
28 143 765
S17
283 145 76
缺点：
不完备，也不最优
1
2
6
12
4
7
13
9 58
10 1····1
回溯搜索策略
回溯策略属于深度优先 搜索的一种变形
与深度优先搜索的区别：
扩展一个节点时，每次
只产生一个后继节点，
而不是全部后继
3
回溯策略只保存单一的 解路径，占用内存空间 很少，只需要一张表即 可完成搜索
1
2
6
12
4
7
13
9 58
它并不考虑结果的可能位置，彻底地搜索整张 图，直到找到结果为止。
宽度优先搜索
广度优先搜索算法：
步1 把初始节点S0放入OPEN 步2 若OPEN表为空, 则搜索失败,退出。 步3 取OPEN表中前面第一个节点N放在CLOSED表中, 并冠以
顺序编号n 步4 若目标节点Sg= N,则搜索成功, 结束。 步5 若N不可扩展, 则转步2 步6 扩展N, 将其所有子节点配上指向N的指针依次放入OPEN
人工智能
第二章 搜索问题
本章的内容与目标
搜索与搜索问题 搜索问题的求解步骤 无信息（盲目）搜索 有信息（启发式）搜索
8 3 283
214 714
765 6 5
S13
S14
83 214 765
S21
813 24 765
S22
23 184 765
S7
23 184 765
S8
28 143 765
S9
283 145 76
S10
123 84
765 S15
234 18 765
S16
28 143 765
S17
283 145 76
缺点：
不完备，也不最优
1
2
6
12
4
7
13
9 58
10 1····1
回溯搜索策略
回溯策略属于深度优先 搜索的一种变形
与深度优先搜索的区别：
扩展一个节点时，每次
只产生一个后继节点，
而不是全部后继
3
回溯策略只保存单一的 解路径，占用内存空间 很少，只需要一张表即 可完成搜索
1
2
6
12
4
7
13
9 58
它并不考虑结果的可能位置，彻底地搜索整张 图，直到找到结果为止。
宽度优先搜索
广度优先搜索算法：
步1 把初始节点S0放入OPEN 步2 若OPEN表为空, 则搜索失败,退出。 步3 取OPEN表中前面第一个节点N放在CLOSED表中, 并冠以
顺序编号n 步4 若目标节点Sg= N,则搜索成功, 结束。 步5 若N不可扩展, 则转步2 步6 扩展N, 将其所有子节点配上指向N的指针依次放入OPEN
人工智能
第二章 搜索问题
本章的内容与目标
搜索与搜索问题 搜索问题的求解步骤 无信息（盲目）搜索 有信息（启发式）搜索
人工智能技术对互联网搜索的影响
人工智能技术对互联网搜索的影响随着人工智能技术的不断发展和应用，互联网搜索也在逐渐发生变革。
人工智能技术的引入，使得互联网搜索更加智能化、个性化和高效化。
本文将探讨人工智能技术对互联网搜索的影响，并分析其带来的优势和挑战。
一、智能化搜索传统的互联网搜索主要依靠关键词匹配来进行检索，结果的准确性和相关性有限。
而人工智能技术的应用，使得搜索引擎能够理解用户的搜索意图，提供更加智能化的搜索结果。
通过自然语言处理、机器学习和深度学习等技术，搜索引擎可以分析用户的搜索历史、地理位置、兴趣爱好等信息，为用户提供更加个性化的搜索结果。
例如，当用户搜索“北京天气”时，传统搜索引擎可能只会返回一些天气预报网站的链接。
而基于人工智能技术的搜索引擎可以根据用户的地理位置和搜索历史，提供实时的天气信息，并结合用户的兴趣爱好，推荐相关的旅游景点或户外活动。
二、个性化推荐人工智能技术的应用还使得互联网搜索具备了个性化推荐的能力。
通过分析用户的搜索行为和兴趣爱好，搜索引擎可以向用户推荐相关的内容，提高搜索结果的准确性和用户体验。
例如，当用户搜索“健康饮食”时，传统搜索引擎可能只会返回一些通用的健康饮食建议。
而基于人工智能技术的搜索引擎可以根据用户的年龄、性别、体质等个人信息，推荐适合用户的健康饮食方案，并提供相关的食谱和营养知识。
三、语义理解人工智能技术的应用还使得搜索引擎能够更好地理解用户的搜索意图。
传统的关键词匹配搜索往往只能根据关键词的字面意义进行匹配，容易产生歧义和误解。
而基于人工智能技术的搜索引擎可以通过语义理解技术，分析搜索关键词的上下文和语境，提供更加准确的搜索结果。
例如，当用户搜索“苹果手机”时，传统搜索引擎可能会返回关于苹果公司和苹果水果的信息。
而基于人工智能技术的搜索引擎可以通过语义理解，判断用户的搜索意图是想了解苹果手机的相关信息，从而提供与苹果手机相关的搜索结果。
四、挑战与展望尽管人工智能技术对互联网搜索带来了许多优势，但也面临一些挑战。
人工智能导论-第3章 搜索求解1 - 启发式搜索
个标号为A的结点所对应状态相同，但是这三个
节点在搜索树中却是不同结点，因为它们分别代
表了从初始状态出发到达城市 A 的三条不同路径。
这三个结点表示的路径分别为：A → B → A、
A → D → A和A → E → A。因此需要注意的是，在
搜索树中，同一个标号一定表示相同的状态，其
含义为智能体当前所在的城市，但是一个标号可
达每个状态（城市）的最短路径。在处理通向相同状态的不同路径时，算法会更新当前的
前驱状态。
图3.7 修改后图搜索A*算法扩展A→E→G结点，红色实线表示
当前搜索树中的边，虚线表示不在搜索树中的边
搜索算法：A*算法性能分析
图搜索A*算法满足最优性（方法二）：
要求启发函数满足一致性
引理3.1：启发函数满足一致性条件时，给定一个从搜索树中得到的结点序列，每个结
ถ
=
+
评价函数 起始结点到结点代价
(当前最小代价)
B
5
5
3
D
4
I
C
A
5
7
6
4
E
4
H
G
J
3
3
3
F
7
K
5
6
L
()
ถ
结点到目标结点代价
(后续估计最小代价)
状态
A
h(n)
13 10 6 12 7 8 5 3 6 3 0 6
B C D
E F G H I J K L
A*算法
搜索算法：A*算法
搜索算法：启发函数与评价函数
贪婪最佳优先搜索
所求解问题之外、与所求解
问题相关的特定信息或知识。
节点在搜索树中却是不同结点，因为它们分别代
表了从初始状态出发到达城市 A 的三条不同路径。
这三个结点表示的路径分别为：A → B → A、
A → D → A和A → E → A。因此需要注意的是，在
搜索树中，同一个标号一定表示相同的状态，其
含义为智能体当前所在的城市，但是一个标号可
达每个状态（城市）的最短路径。在处理通向相同状态的不同路径时，算法会更新当前的
前驱状态。
图3.7 修改后图搜索A*算法扩展A→E→G结点，红色实线表示
当前搜索树中的边，虚线表示不在搜索树中的边
搜索算法：A*算法性能分析
图搜索A*算法满足最优性（方法二）：
要求启发函数满足一致性
引理3.1：启发函数满足一致性条件时，给定一个从搜索树中得到的结点序列，每个结
ถ
=
+
评价函数 起始结点到结点代价
(当前最小代价)
B
5
5
3
D
4
I
C
A
5
7
6
4
E
4
H
G
J
3
3
3
F
7
K
5
6
L
()
ถ
结点到目标结点代价
(后续估计最小代价)
状态
A
h(n)
13 10 6 12 7 8 5 3 6 3 0 6
B C D
E F G H I J K L
A*算法
搜索算法：A*算法
搜索算法：启发函数与评价函数
贪婪最佳优先搜索
所求解问题之外、与所求解
问题相关的特定信息或知识。
人工智能在智能检索系统中的方法和挑战
人工智能在智能检索系统中的方法和挑战随着信息时代的不断发展，人们对于获取和管理信息的需求也日益增长。
在这个信息爆炸的时代，智能检索系统扮演着重要的角色，帮助人们快速准确地找到他们需要的信息。
人工智能作为一种引领技术，被广泛应用于智能检索系统中，以提高检索效率和准确性。
本文将探讨。
智能检索系统是一种基于技术的系统，通过分析用户的需求和检索对象的特征，从海量数据中准确地检索出用户所需的信息。
人工智能作为其关键技术之一，为智能检索系统提供了强大的支持。
在智能检索系统中，人工智能可以通过自然语言处理、机器学习、数据挖掘等技术手段，对用户的检索需求进行理解和分析，从而实现个性化的信息检索。
通过不断学习和优化算法，智能检索系统可以逐渐提高检索结果的准确性和相关性，实现更好的用户体验。
在智能检索系统中，人工智能的方法多种多样。
首先，自然语言处理技术可以帮助系统理解用户的检索需求。
用户在输入关键词时，系统可以通过自然语言处理技术，分析关键词的含义和语境，从而更准确地理解用户的意图。
其次，机器学习技术可以帮助系统不断优化检索算法。
系统可以通过分析用户的行为和偏好，学习用户的检索习惯，从而提供更符合用户需求的检索结果。
另外，数据挖掘技术也可以帮助系统挖掘数据之间的潜在联系，提高检索结果的相关性。
然而，人工智能在智能检索系统中也面临着一些挑战。
首先，数据的质量和量可能会影响系统的检索效果。
如果系统所依赖的数据质量较差或者数据量有限，可能会导致检索结果的不准确性。
其次，对于一些复杂或模糊的检索需求，系统可能无法准确理解用户的意图，导致检索结果的不理想。
另外，算法的选择和优化也是一个挑战。
不同的算法可能适用于不同类型的检索需求，系统需要根据具体情况选择合适的算法，并不断优化算法以提高检索效果。
为了克服这些挑战，可以采取一些策略。
首先，可以通过不断完善数据质量和增加数据量，提高系统的检索效果。
其次，可以引入更加先进的自然语言处理和机器学习技术，提高系统对用户需求的理解能力。
- 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)。
普通搜索问题：求出一条从初始状态到目标状态之间的行动序列 全局搜索问题：求出所有从初始状态到目标状态之间的行动序列 最优化搜索问题：求出从初始状态到目标状态之间耗散最少的行动序列
搜索问题的求解
搜索策略的分类
• 无信息的搜索策略：无法知道当前状态离目标状 态的“远近”或者不利用类似的先验信息来进行 搜索的策略
搜索树实例
搜索问题的求解
节点与状态的区别
• 节点（Node）是一种数据结构，每个节点的信 息包括当前状态、父节点、子节点、深度和路径 耗散 • 状态（State）只是一种系统可能存在的形式 • 不同节点包含的状态可能是相同的
搜索问题的求解
搜索策略的性能
• 完备性：当问题有解时，这个算法是否保证能找 到一个解？ • 最优性：这个搜索策略是否能找到最优解？ • 时间复杂度：找一个解需要花费多长时间？ • 空间复杂度：在执行搜索过程中需要多少内存？
Searching Problems in AI
人工智能中的搜索问题
什么是搜索问题
搜索问题：已知智能体的初始状态和目标状态，求 解一个行动序列使得智能体能从初始状态转移到目 标状态。如果所求序列可以使得总耗散最低，则问 题称为最优搜索问题。 智能体的初始状态是确定的 智能体当前状态是否为目标状态是可以检测的 智能体的状态空间是离散的 智能体在每个状态可以采取的合法行动和相应后继状态是 确定的 • 环境是静态的 • 路径的耗散函数是已知的 • • • •
贪婪最佳优先搜索
启发式搜索策略
评价函数f(n)=h(n)
贪婪最佳优先搜索
启发式搜索策略
贪婪最佳优先搜索
• 与深度优先搜索一样，它更倾向于沿着一条路径 搜索下去直到目标 • 因为在扩展节点时没有考虑累计路径耗散，因此 它也不能保证得到最优解 • 如果状态空间是无限的，它也可能是不完备的
启发式搜索策略
几个典型的搜索问题
路径规划问题
起始状态：Arad 目标状态：Bucharest 状态空间的离散性： 城市是离散的 合法行动与后继的确定性： 与某一城市相邻的城市才能 成为合法后继 环境的静态性： 城市的相对位置不会改变 路径的耗散函数的确定性： 城市之间的距离是已知的 搜索问题：从Arad到Bucharest的路径 最优化搜索问题：从Arad到Bucharest的最短路径
启发式搜索策略
最佳搜索策略
• 最佳优先搜索的通用思想：用一个评价函数f(n) 来对节点进行评价。在扩展节点的过程中，从候 选节点中选择f(n)最小的节点来进行扩展。 • 对于BFS，f(n)表示节点深度；对于UCS，f(n)表 示节点的累计路径耗散；对于DFS，f(n)表示节点 深度的负值 • 很多时候f(n)不能真正度量节点的好坏，因此可 以考虑引进启发式信息来估计节点离目标状态的 距离
A*搜索
启发式搜索策略
A*搜索
启发式搜索策略
A*搜索
启发式搜索策略
A*搜索
启发式搜索策略
A*搜索
启发式搜索策略
A*搜索
• 如果h(n)是可采纳的（admissible），即h(n)从 不过高估计节点n到目标节点的最低耗散，则基 于A*搜索策略的树搜索方法（不检查重复节点） 是最优的 • 如果h(n)是一致的（consistent），则基于A*搜 索策略的图搜索方法（检查重复节点）是最优的
• • • • • 广度优先搜索（BFS，Breadth-first search） 代价一致搜索（UCS，Uniform-cost search） 深度优先搜索（DFS，Depth-first search） 深度有限搜索（Depth-limited search） 迭代深入搜索（Iterative deepening search）
状态空间的离散性： 0-8个皇后在棋盘上的摆放方式 合法行动与后继的确定性： 满足棋盘上所有皇后不能互 相攻击的后继才是合法的 搜索问题：求出（所有）合法的目标状态
搜索问题的组成
• 初始状态：智能体所处的初始状态 • 后继函数：输入给定状态，可以输出合法行动和 相应的后继状态 • 目标测试：用来确定给定的状态是否为目标状态 • 路径耗散函数：在两个给定状态之间进行转移所 需的“代价”
无信息的搜索策略
迭代深入搜索
• 用来寻找最合适的深度限制的通用策略，经常和深度优先 搜索结合使用 • 不断增大深度限制，直到找到目标节点 • 结合了深度有限搜索的优点，又保证了完备性，还能保证 得到最优解
无信息的搜索策略
迭代深入搜索
无信息的搜索策略
策略之间的比较
为了避免含有相同状态的节点被重复扩展，可以用一个数据结构来记录所有被访 问过的节点。如果当前待扩展节点与某个已访问过的节点对应的状态相同的话， 则当前节点将不会被扩展。 这时树搜索（Tree Search）策略将成为图（Graph Search）策略
• 有信息的（启发式）搜索策略：利用启发式信息 来进行搜索的策略
• 贪婪最佳优先搜索（Greedy best first search） • A*搜索（A* search）
不同搜索策略的区别仅在于扩展节点的顺序
无信息的搜索策略
广度优先搜索
• 先被访问的节点先进行扩展 • 每次扩展深度最浅的节点 • 可以用一个先进先出的数据结构来保存待扩展节 点序列
启发式函数： h(n)=从节点n到目标节点的最低耗散路径的耗散估计值
启发式搜索策略
评价函数f(n)=h(n)
贪婪最佳优先搜索
在这个路径规划问题中，h(n)取为当前城市离目标Bucharest的直线距离
启发式搜索策略
评价函数f(n)=h(n)
贪婪最佳优先搜索
启发式搜索策略
评价函数f(n)=h(n)
A*搜索
• 为了弥补贪婪最佳优先搜索无法找到最优解的缺 点，考虑在评价函数里加入累计路径耗散，由此 形成A*搜索算法
评价函数f(n)=g(n)+h(n)
g(n)：从起始节点到节点n的路径耗散 h(n)：从节点n到目标节点的最低耗散路径的 耗散估计值 f(n)：经过节点n到目标节点的总耗散估计值
启发式搜索策略
E C
I
E C
E C
无信息的搜索策略
深度有限搜索
• 深度优先搜索它可能错误地选择一条分支并且沿 着一条很长的（甚至是无限的）路径一直走下去 • 对于无边界的搜索问题，可以通过对深度优先搜 索提供一个预先设定的深度限制m来防止深度优 先搜索进入死循环 • 如果目标深度d>深度限制m，深度有限搜索可能 无法得到解，因此完备性也无法保证
搜索问题：从起始状态到目标状态的移动方法 最优化搜索问题：从起始状态到目标状态步骤最少的移动方法
几个典型的搜索问题
八皇后问题
起始状态：空的棋盘 目标状态：棋盘上摆了八个皇后，并 且任意两个皇后都不能互相攻击。目 标状态不确定，但是当前状态是否为 目标状态是可以检测的。 环境的静态性： 棋盘的格局和大小不会改变 路径的耗散函数的确定性： 相邻两个状态之间所需步骤为1
Thanks
普通搜索问题：求出一条从初始状态到目标状态之间的行动序列 全局搜索问题：求出所有从初始状态到目标状态之间的行动序列 最优化搜索问题：求出从初始状态到目标状态之间耗散最少的行动序列
搜索问题的求解
搜索树
所有搜索过程都可以用搜索树算法来进行表示
搜索问题的求解
搜索树实例
搜索问题的求解
搜索树实例
搜索问题的求解
• 后被访问的节点先进行扩展 • 每次扩展深度最深的节点 • “一条路走到黑”，对于无边界搜索问题无法保 证完备性 • 可以用一个后进先出的数据结构来保存待扩展节 点序列
无信息的搜索策略
深度优先搜索
D E
C
B
H I
E C
D
D E C
H I
E C
无信息的搜索策略
深度优先搜索
I
E C
H
E C
I
H I
E D
C
B
G F
E D
C
G F E
D
E D C
G F E D
无信息的搜索策略
代价一致搜索
• 累积路径耗散最小的节点先被扩展 • 倘若每一步的耗散都为正，则保证可以得到最优 解 • 若单步耗散相等，该算法和广度优先搜索一样
？ 为累积路径耗 散最小的节点
E D
C
B
？ ？
？
E D C
无信息的搜索策略
深度优先搜索
几个典型的搜索问题
起始状态 目标状态8-Puzzle问题来自华容道是不是一个搜索问题？
状态空间的离散性： 8个格子的排列方式是离散的 合法行动与后继的确定性： 只有空格四周的格子是可以 移动的
环境的静态性： 九宫格的大小和形状在格子移动 过程中不会改变 路径的耗散函数的确定性： 相邻两个状态之间所需步骤为1