人工智能导论知识点总结三

人工智能导论知识点总结三

Uninformed Search&Informed Search

1.本章所含词汇归纳整理

Words	翻译	Words	翻译
Uninformed search	盲目搜索	Heuristics	启发式
Greedy search	贪心搜索	reflex	反射
Rational	有理的	State Space Graphs	状态空间图
Search Tree	搜索树	8 Puzzle II	八竖码问题

2.常见的搜索方法

 3.搜索问题三要素：

（1）A state space【一个状态空间】

（2）A successor function【一个后继函数】

（3）A start state【一个开始状态】 and a goal state【一个目标测试】

4.状态空间图

（1）概念：对于一个数学表达式的搜索问题

（2）结构：node【节点】,arch【弧线】,goal test【目标测试】

（3）状态空间与搜索树的关系: 搜索树的每一个节点是搜索空间中的整个路径

（4）注意事项：一个状态空间中一个状态只出现一次！！！

5.搜索树和普通树的搜索方法比较：

搜索树	普通树
（1）扩大潜在的树节点 （2）保留边缘的一部分在考虑之中 （3）尽可能扩展树的节点	（1）Fringe【边缘】 （2）Expansion （3）Exploration strategy【勘探策略】

6.【考点/主观题】深度优先，广度优先，统一代价搜索路径搜索

深度/广度优先解题技巧

深度优先如果能一眼看出结果则后续步骤省略【一般情况可直接从图中看出深度优先】 若不能看出结果则需将状态空间图转换为搜索树，然后根据深/广度优先算法思想操作

深度优先搜索：S -> d -> e -> r -> f -> G

广度优先搜索（转化为搜索树更为直观）： 转换方法：一个节点一个节点向下 广度优先：S -> e -> r ->f ->G

广度优先更优于深度优先的情况：解决方式是最佳的，有循环在图中时

 

一致代价搜索解题技巧

（1）将状态空间图转换为搜索树【要是到终点的路径较少可以直接计算省略这一步骤】 （2）计算从起点到终点每一条路径的代价，通过计算得出结果

S -> d -> e -> r -> f -> G

3+2+2+1+2 = 10

S -> e -> r -> f -> G

9+2+1+2=14

 

7.heuristic【启发式】

（1）概念：启发式是一种estimates【估计】起点到终点距离的函数，在特定的搜索问题下被使用

（2）分类：Manhattan distance【曼哈顿距离】，Euclidean【欧几里得】 distance

（3）当  （到目标真实的代价）时，启发式函数h是admissible (optimistic) 【可容性的】

8.Greedy Search【贪心搜索】

（1）策略：扩展最接近目标结点的结点

（2）正常情况：最好的情况下直接到达目标节点

（3）最坏的情况：类似于糟糕的深度优先搜索

9.【考点\主观题】A*搜索

（1）计算公式：f(n) = g(n) + h(n)

（2）g(n):路径代价或 backward cost【落后成本】

（3）h(n):goal proximity【目标距离】或forward cost 【前瞻性成本】

注意事项：A*搜索仅仅在dequeue【出列】a goal才会停止，除此之外估计的值应小于真实的代价！！！

（4）性质：admissible【可容性】 / consistent【一致性】

（5）A*搜索的应用：视频游戏，路径问题，资源计划问题，机器motion【计划】问题，语言识别，机器翻译，Speech recognition【语音识别】