第五章人工智能搜索策略介绍
浅谈人工智能中的启发式搜索策略
浅谈人工智能中的启发式搜索策略
一、启发式策略
启发式策略是指在解决复杂问题时，根据人的经验和技巧来寻求最优解的方法。
它是人工智能领域中的一种和规划技术，可以解决形式化的各种问题。
启发式策略广泛应用于机器学习、图形图计算、机器人控制和计算机图形学等多种领域。
启发式策略包括：A*算法、B*树算法、启发式和动态规划等。
A*算法是一种非常有效的启发式方法，它采用了一个启发函数来估计待访问节点的最优价值，从而可以根据最小价值节点而进行，的效果比较好。
B*树算法是一种静态的启发式方法，该算法在每一步都可以通过比较不同节点价值来确定最优路径，从而更有效地出最优路径。
启发式和动态规划都是一种在状态空间中采取其中一种方法或策略以获得最优解的技术，两者最大的不同点在于，启发式依赖于当前状态，动态规划则更倾向于最终目标。
二、应用
启发式策略广泛应用于人工智能领域，它可以用来解决各种形式化问题，如游戏、自然语言处理问题等。
人工智能的搜索算法
人工智能的搜索算法
人工智能的算法是用于在给定的空间或状态的范围内最优解的一类算法。
它是一种让计算机在给定问题和环境中如何找到最优解的一种算法，
旨在以最少的计算代价实现最佳性能。
它是基于空间和状态的解决问题的
有效方法。
这类算法常用于解决机器人导航、机器学习和认知映射等问题。
算法一般执行以下六个步骤：
（1）确定问题
首先，必须明确要解决的问题，然后确定解决问题所需要的空间和状态。
（2）定义状态
在定义状态时，需要根据这个问题来定义的状态，比如，如果需要解
决机器人路径规划的问题，状态可以包括机器人的位置，机器人是否连接
到特定位置并将状态定义为可和不可的两种类型。
（3）定义空间
空间一般定义为在状态中可能出现的可能的状态，以及从一个状态到
另一个状态的可能变化，以及从一个状态到另一个状态的可能转换路径。
（4）设计算法
如何以最有效的方式在空间和状态中最佳解是设计算法的关键，根据
具体实际可以采用广度优先，深度优先。
人工智能之搜索策略介绍课件
实现搜索策略的优化
2
步骤：初始化种群、计算适应 度、选择、交叉、变异、迭代
3
优点：全局搜索能力强，能够 找到最优解
4
缺点：计算复杂度高，收敛速 度慢，容易陷入局部最优解
搜索策略的优化
优化目标
01 提高搜索效率：减少搜索 时间，提高搜索结果的准 确性
01
02
03
信息检索：搜索引擎、 路径规划：地图导航、 问题求解：数学问题、
学术论文检索等
物流配送等
逻辑问题等
04
05
06
游戏AI：棋类游戏、 电子游戏等
机器人控制：自主导 航、路径规划等
优化问题：生产调度、 资源分配等
搜索策略的实现
启发式搜索
概念：根据问题特点，选择 合适的搜索策略，提高搜索
效率
01
03
02
剪枝策略：提前 终止无效或低效 的搜索路径，提 高搜索效率
04
自适应搜索：根 据搜索过程中的 反馈信息，动态 调整搜索策略， 提高搜索效果
优化效果评估
准确率：衡量搜索 结果的准确性
召回率：衡量搜索 结果中相关结果的
比例
速度：衡量搜索算 法的执行效率
稳定性：衡量搜索 算法在不同数据集
上的表现一致性
演讲人
人工智能之搜索策略介 绍课件
目录
01. 搜索策略概述 02. 搜索策略的实现 03. 搜索策略的优化 04. 搜索策略的应用案例
搜索策略概述
搜索策略的定义
搜索策略是指在解
1 决一个问题时，如 何找到最优解或近 似最优解的方法。
搜索策略可以分
2 为两类：无信息 搜索和有信息搜 索。
浅谈人工智能中的启发式搜索策略
在自然语言处理中的应用
文本分类
在自然语言处理中，文本分类是一个重要的任务。启发式搜索策略可以帮助 算法对文本进行分词，提取特征，并选择最能代表文本类别的特征，从而提 高文本分类的准确性。
信息检索
在信息检索中，用户输入查询关键词后，系统需要从大量的文档中检索出与 查询相关的信息。启发式搜索策略可以帮助系统根据关键词语义信息，快速 定位到相关文档，并返回最相关的结果，提高用户体验。
在机器学习中的应用
特征选择
机器学习算法通常需要对输入数据进行特征选择，以降低维 度并提高算法性能。启发式搜索策略可以帮助算法选择更有 效的特征，从而提高分类和回归的准确性。
模型优化
机器学习算法中的模型优化是关键，启发式搜索策略可以通 过试错的方式来寻找最优的超参数配置，提高模型的性能和 泛化能力。
利用多智能体的协同作用，提高搜索效率。多个智能体可以分工合作，共同解决问题。
启发式搜索策略的未来发展趋势
01
可解释性
研究如何提高启发式搜索策略的可解释性，以便开发人员能够更好地
理解搜索算法的内部工作原理。
02
多任务学习
将多个任务集成到一个统一的框架中，使搜索策略能够适应不同任务
的要求。
03
强化学习
研究展望
1
未来将继续深入研究该启发式搜索策略的性能 和适用范围，希望能够进一步拓展其应用领域 。
2
将探索将该启发式搜索策略与其他人工智能技 术相结合，以进一步提高其性能和鲁棒性。
3
将致力于推广该启发式搜索策略在实际应用领 域的应用，希望能够为解决实际问题提供更多 帮实际问题中的应用案例
分析
在路径规划中的应用案例
总结词
高效、实用
人工智能搜索策略
通过强化学习技术，让搜索引擎在与用户互动中不断优化自身的搜 索策略，提升用户体验。
知识图谱驱动的搜索策略
借助知识图谱技术，理解实体之间的关系，为用户提供更精准的搜 索结果和推荐。
多智能体协同搜索技术探讨
多智能体系统架构
设计高效的多智能体系统架构，实现智能体之间的协同和信息共 享，提高搜索效率。
IDA*算法优化技巧
迭代加深
01
通过限制搜索深度，逐步增加深度限制，以实现迭代加深搜索，
提高搜索效率。
启发式函数优化
02
针对具体问题领域，设计更为有效的启发式函数，以提供更准
确的搜索指导。
剪枝策略
03
在搜索过程中，根据问题特性采用剪枝策略，如可行性剪枝、
最优性剪枝等，以减少无效搜索。
性能评估与对比分析
目的
搜索策略的主要目的是在给定的问题 空间内，通过智能地选择和探索可能 的解决方案，以最高效的方式找到问 题的最优解或近似最优解。
常见搜索策略类型
盲目搜索
包括深度优先搜索、广度优先搜 索等，这类策略在搜索过程中不 依赖任何问题特定的信息，而是 按照某种固定的模式进行搜索。
启发式搜索
如A*搜索、模拟退火算法等，这 类策略在搜索过程中会利用一些 与问题相关的启发式信息来指导 搜索方向，从而加速搜索过程并
04 遗传算法在搜索中应用
遗传算法基本原理介绍
遗传算法是一种模拟生物进化过 程的优化算法，通过模拟自然选 择和遗传学原理来搜索问题的最
优解。
遗传算法从一组随机生成的初始 解开始，通过不断迭代进化，逐
步逼近问题的最优解。
遗传算法采用适应度函数来评价 每个解的优劣，并根据适应度大 小进行选择、交叉和变异等操作，
人工智能的搜索算法
人工智能的搜索算法
人工智能的算法指的是通过利用人工智能技术，在大规模的数据空间中寻找最优解的算法。
它是一种模拟人类思考的方法，适用于解决复杂的问题，具有自适应性和稳定性。
人工智能算法为了解决最优化问题，将最优化问题分解为子问题，然后应用有限的计算芯片和算法，通过结合数学建模、静态优化和机器学习，来寻找解决最优化问题的最优解或者最优路径。
常见的人工智能算法有深度优先（DFS）、广度优先（BFS）、贪婪、启发式、遗传算法等。
深度优先是一种基于图形的人工智能算法，它寻找最佳路径解决迷宫问题。
广度优先是一种最短路径的人工智能算法，它通过从相邻节点的路径上，使用广度优先算法进行，以获得最佳路径。
贪婪是一种向前的最优算法，它只考虑当前步骤局部最优解，而不考虑整个过程中的最优解。
启发式是一种基于领域特定知识的最优算法，它利用运行时计算进行，在的过程中，每一步都被有目的地确定，以寻找最优解。
浅谈人工智能中的启发式搜索策略
人工智能已经广泛应用于医疗、金融 、交通、军事等领域，为人类带来了 巨大的便利和效益。
人工智能发展历程
自20世纪50年代以来，人工智能已经 经历了漫长的发展历程，从最初的专 家系统到现在的人工神经网络、深度 学习等技术。
启发式搜索策略定义
启发式搜索策略定义
启发式搜索策略是一种基于启发式知 识的搜索策略，通过利用问题的启发 式信息来指导搜索方向，从而加速搜 索过程。
启发式搜索策略特点
启发式搜索策略具有高效性、灵活性 、自适应性等特点，能够根据问题的 不同特点选择合适的搜索策略，提高 搜索效率。
本文目的与结构
本文目的
本文旨在探讨人工智能中的启发式搜索策略及其应用，分析其优缺点，并提出改进方法。
本文结构
本文将分为引言、正文和结论三个部分。引言部分介绍人工智能和启发式搜索策略的基本概念；正文 部分详细介绍启发式搜索策略的原理、方法及应用；结论部分总结全文，并提出未来研究方向。
03
启发式搜索策略在人工智能中 的应用
机器学习中的启发式搜索策略
基于规则的搜索
利用已知规则进行搜索，减少搜 索空间，提高搜索效率。
基于模型的搜索
利用机器学习模型预测搜索方向 ，指导搜索过程，加速收敛速度 。
自然语言处理中的启发式搜索策略
基于语言模型的搜索
利用语言模型预测下一个词或句子的 可能性，指导搜索过程，提高文本生 成和理解的准确性。
知识推理
利用表达出来的知识进行推理，以指导搜索过程 。
3
知识更新
随着搜索的进行，不断更新知识库，以适应新的 情况。
基于搜索树的启发式搜索
搜索树构建
根据问题的特点，构建合适的搜索树。
启发式信息添加
人工智能搜索策略
目 标 状 态
1
2 6 7
3 8 9
4 10 11
5 12 13
14
15
16
17Βιβλιοθήκη 181920
21
22
23 24
25
26 解路径：S0->3->8->16->26
缺点：盲目性大，当目标节点距离初始节点
较远时将会产生许多无用节点；搜索效率低。 优点：是完备的。
二、 深度优先搜索
深度优先搜索 在深度优先搜索中，我们首先扩展最新产生的 (即最深的)节点。深度相等的节点可以任意排列。 对于许多问题，其状态空间搜索树的深度可能 为无限深，或者可能至少要比某个可接受的解答序 列的已知深度上限还要深。为了避免考虑太长的路 径(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——深度界限。任何 节点如果达到了深度界限，那么都将把它们作为没 有后继节点处理。
一. 广度优先搜索
广度优先搜索过程:
1) 把起始节点放到OPEN表中(如果该起始节点为一目标节点， 则求得一个解答)； 2) 如果OPEN是个空表，则没有解，失败退出；否则继续； 3) 把第一个节点(节点n)从OPEN表移出，并把它放入CLOSED 扩展节点表中； 4) 扩展节点n。如果没有后继节点，则转向上述第 2) 步； 5) 把n的所有后继节点放到OPEN表的末端，并提供从这些后继 节点回到n的指针； 6) 如果n的任一个后继节点是个目标节点，则找到一个解答， 成功退出；否则转向第2)步。
S0 S1 S2 S3
S4
S5 S8 S9
S6 S10
S7
S9扩展之后生成的子节点 有S1,S6,S12,S13。但是， S1是S9的祖先节点，所以 S9的子集M={S6,S12,S13} 其中， S13满足第1种情况； S12满第2种情况；
人工智能搜索
人工智能搜索在当今数字化的时代，人工智能搜索已经成为我们获取信息的重要手段。
它不仅改变了我们查找资料的方式，还对各个领域产生了深远的影响。
过去，我们在搜索引擎中输入关键词，然后得到一堆可能相关的网页链接，需要自己逐一筛选和判断。
这往往耗费大量的时间和精力，而且不一定能找到最准确、最有用的信息。
但随着人工智能技术的发展，搜索变得更加智能和高效。
人工智能搜索的核心在于它能够理解我们的意图。
它不再仅仅是根据关键词的匹配来呈现结果，而是通过对我们输入的问题或需求进行分析和理解，从而提供更贴合我们需求的答案。
这得益于自然语言处理技术的进步，使得计算机能够像人类一样理解和处理语言。
比如说，当我们输入“如何做一道美味的红烧肉”，传统的搜索可能会给出一堆包含“红烧肉”这个词的网页，但人工智能搜索能够识别出我们的真正意图是想要了解制作红烧肉的方法，于是会优先展示详细的菜谱、烹饪技巧以及相关的视频教程。
人工智能搜索还能根据我们的搜索历史和偏好，提供个性化的结果。
如果我们经常搜索与健康养生相关的内容，那么当我们再次进行搜索时，它会更倾向于为我们推荐与健康养生有关的信息。
这种个性化的服务大大提高了搜索的效率和满意度，让我们能够更快地找到对自己有价值的内容。
另外，人工智能搜索在知识图谱的构建上也取得了显著的成就。
知识图谱是一个庞大的语义网络，它将各种信息和知识关联起来。
当我们进行搜索时，人工智能可以利用知识图谱来提供更全面、更深入的信息。
例如，搜索一个历史人物，除了基本的生平介绍，还能获取到与之相关的历史事件、同时代的人物以及对后世的影响等。
然而，人工智能搜索也并非完美无缺。
有时候，由于对问题的理解偏差或者数据的不完整性，它可能会给出不准确或不全面的结果。
而且，过度依赖人工智能搜索也可能会削弱我们自主思考和筛选信息的能力。
在信息安全方面，人工智能搜索也面临着挑战。
由于需要收集和分析大量的用户数据来实现个性化服务，如何保障用户的隐私和数据安全成为了一个重要的问题。
人工智能的搜索算法
人工智能的搜索算法
一、引言
随着计算机科学的发展，人工智能的研究也在不断推进。
其中，算法
在人工智能中扮演着重要的角色。
算法是人工智能的一种重要技术，用于
计算机在复杂的环境中最优解或最快解。
算法的优势是可以求出最优状态，为解决复杂问题提供有效的途径。
二、算法
1.深度优先：深度优先（DFS）是一种通常采用“深搜”策略，逐步
深入每个分支，以找到问题可能的解决方案的算法。
它的目的是让计算机
通过深度遍历树，来尽可能地完全出所有的解决方案。
2.广度优先：广度优先（BFS）算法可以让计算机以层次的方式，来
探索空间，找到一个最优解。
它的遍历路线是先从根节点出发，一层层的
向外探索，再深入到每一个节点，从而找到最优解。
3.A*算法：A*算法是一种启发式算法，用于计算机解决问题，它的基
本思想是从一个起点开始，不断地以非常精确的方式逼近目标状态，也就
是走向目标地点。
它与广度优先的不同之处在于，它会考虑每个节点的成本，从而以非常高效的方式找到最短路径。
人工智能教程习题及答案第5章习题参考解答
第五章搜索策略习题参考解答5.1 练习题5.1 什么是搜索？有哪两大类不同的搜索方法？两者的区别是什么？5.2 用状态空间法表示问题时，什么是问题的解？求解过程的本质是什么？什么是最优解？最优解唯一吗？5.3 请写出状态空间图的一般搜索过程。
在搜索过程中OPEN表和CLOSE表的作用分别是什么？有何区别？5.4 什么是盲目搜索？主要有几种盲目搜索策略？5.5 宽度优先搜索与深度优先搜索有何不同？在何种情况下，宽度优先搜索优于深度优先搜索？在何种情况下，深度优先搜索优于宽度优先搜索？5.6 用深度优先搜索和宽度优先搜索分别求图5.10所示的迷宫出路。
图5.10 习题5.6的图5.7 修道士和野人问题。
设有3个修道士和3个野人来到河边，打算用一条船从河的左岸渡到河的右岸去。
但该船每次只能装载两个人，在任何岸边野人的数目都不得超过修道士的人数，否则修道士就会被野人吃掉。
假设野人服从任何一种过河安排，请使用状态空间搜索法，规划一使全部6人安全过河的方案。
（提示：应用状态空间表示和搜索方法时，可用(N m,N c)来表示状态描述，其中N m和N c分别为传教士和野人的人数。
初始状态为(3,3)，而可能的中间状态为(0,1),(0,2),(0,3), (1,1),(2,1),(2,2),(3,0),(3,1),(3,2)等。
）5.8 用状态空间搜索法求解农夫、狐狸、鸡、小米问题。
农夫、狐狸、鸡、小米都在一条河的左岸，现在要把它们全部送到右岸去。
农夫有一条船，过河时，除农夫外，船上至多能载狐狸、鸡和小米中的一样。
狐狸要吃鸡，鸡要吃小米，除非农夫在那里。
试规划出一个确保全部安全的过河计划。
（提示：a.用四元组(农夫，狐狸，鸡，米)表示状态，其中每个元素都可为0或1，0表示在左岸，1表示在右岸；b.把每次过河的一种安排作为一个算符，每次过河都必须有农夫，因为只有他可以划船。
）5.9 设有三个大小不等的圆盘A 、B 、C 套在一根轴上，每个圆盘上都标有数字1、2、3、4，并且每个圆盘都可以独立地绕轴做逆时针转动，每次转动90°，初始状态S 0和目标状态S g 如图5.11所示，用宽度优先搜索法和深度优先搜索法求从S 0到S g 的路径。
第五章人工智能搜索策略资料
11 13 75 13 2
9 15 4 12 86 10 14
11 9 13 75 13 2
15 4 12 86 10 14
11 9 13 75 13 2
4 15 12
86 10 14
5.1.3 与/或树表示法 回顾
对于一个复杂问题，直接求解往往比较困 难。此时可通过下述方法进行简化：
采用某种策略，在知识库中寻找可利用的知 识，从而构造一条代价较小的推理路线，使 问题得到解决的过程称为搜索。
5.1.1 什么是搜索
搜索分为盲目搜索和启发式搜索。
盲目搜索是按照预定的控制策略进行搜索，在
搜索过程中获得的中间信息不用来改进控制策 略。
启发式搜索是在搜索中加入了与问题有关的启发性
信息，用以指导搜索朝着最有希望的方向前进，加速 问题的求解过程并找到最优解。
适用于其状态空间图是树状结构的一类问题。
启发式搜索
使用与问题有关的启发性信息，并以这些启发性 信息指导搜索过程，可以高效地求解结构复杂的 问题。
5.2.1 状态空间的一般搜索过程
一个复杂问题的状态空间一般都是十分庞大的。如 64阶梵塔问题共有3的64次方个不同的状态。 把问题的所有状态空间都进行存储有时候是不可能的。 把问题的所有状态空间都进行存储也是不必要的。因 为与解题有关的状态空间往往只是整个状态空间的一 部分，只要能生产并存储这部分状态空间就可以求出 问题的解。
5.2.1 状态空间的一般搜索过程
OPEN表和CLOSE表
OPEN表用于存放刚生成的节点。对于不同的搜索策略，节点在 OPEN表中的排列顺序是不同的。
CLOSE表用于存放将要扩展的节点。对一个节点的扩展是指：用所 有可适用的算符对该节点进行操作，生成一组子节点
人工智能搜索算法
人工智能搜索算法1. 介绍人工智能（Artificial Intelligence，AI）搜索算法是指通过计算机程序对问题空间进行搜索，以找到最优解或接近最优解的方法。
在许多领域，如信息检索，机器学习，自然语言处理等，人工智能搜索算法都发挥着重要的作用。
本文将介绍人工智能搜索算法的基本原理和常见的搜索算法。
2. 搜索问题搜索问题是指在一个给定的问题空间中寻找目标解的问题。
问题空间由问题的状态和操作构成。
状态是问题解的表示形式，操作则是从一个状态到另一个状态的转换。
搜索问题的目标是找到一系列操作，使得从初始状态到目标状态的转换。
3. 盲目搜索算法3.1 深度优先搜索算法深度优先搜索算法（Depth-First Search，DFS）是一种经典的搜索算法，它通过栈的方式实现。
算法从起始状态开始，依次选择一个操作，然后转移到下一个状态，直到找到目标解或者无法转移到下一个状态为止。
def dfs(problem, state):if problem.goal_test(state):return statefor action in problem.actions(state):child = problem.result(state, action)result = dfs(problem, child)if result is not None:return resultreturn None3.2 广度优先搜索算法广度优先搜索算法（Breadth-First Search，BFS）是另一种常见的搜索算法，它通过队列的方式实现。
算法从起始状态开始，逐层地扩展状态空间，直到找到目标解。
def bfs(problem, state):queue = [state]while len(queue) !=0:state = queue.pop(0)if problem.goal_test(state):return statefor action in problem.actions(state):child = problem.result(state, action)queue.append(child)return None4. 启发式搜索算法4.1 A*算法A算法是一种常用的启发式搜索算法，它通过估计从当前状态到目标状态的代价来选择下一步操作。
人工智能教程习题及答案第5章习题参考解答
第五章搜索策略习题参考解答5.1 练习题5.1 什么是搜索？有哪两大类不同的搜索方法？两者的区别是什么？5.2 用状态空间法表示问题时，什么是问题的解？求解过程的本质是什么？什么是最优解？最优解唯一吗？5.3 请写出状态空间图的一般搜索过程。
在搜索过程中OPEN表和CLOSE表的作用分别是什么？有何区别？5.4 什么是盲目搜索？主要有几种盲目搜索策略？5.5 宽度优先搜索与深度优先搜索有何不同？在何种情况下，宽度优先搜索优于深度优先搜索？在何种情况下，深度优先搜索优于宽度优先搜索？5.6 用深度优先搜索和宽度优先搜索分别求图5.10所示的迷宫出路。
图5.10 习题5.6的图5.7 修道士和野人问题。
设有3个修道士和3个野人来到河边，打算用一条船从河的左岸渡到河的右岸去。
但该船每次只能装载两个人，在任何岸边野人的数目都不得超过修道士的人数，否则修道士就会被野人吃掉。
假设野人服从任何一种过河安排，请使用状态空间搜索法，规划一使全部6人安全过河的方案。
（提示：应用状态空间表示和搜索方法时，可用(N m,N c)来表示状态描述，其中N m和N c分别为传教士和野人的人数。
初始状态为(3,3)，而可能的中间状态为(0,1),(0,2),(0,3), (1,1),(2,1),(2,2),(3,0),(3,1),(3,2)等。
）5.8 用状态空间搜索法求解农夫、狐狸、鸡、小米问题。
农夫、狐狸、鸡、小米都在一条河的左岸，现在要把它们全部送到右岸去。
农夫有一条船，过河时，除农夫外，船上至多能载狐狸、鸡和小米中的一样。
狐狸要吃鸡，鸡要吃小米，除非农夫在那里。
试规划出一个确保全部安全的过河计划。
（提示：a.用四元组(农夫，狐狸，鸡，米)表示状态，其中每个元素都可为0或1，0表示在左岸，1表示在右岸；b.把每次过河的一种安排作为一个算符，每次过河都必须有农夫，因为只有他可以划船。
）5.9 设有三个大小不等的圆盘A 、B 、C 套在一根轴上，每个圆盘上都标有数字1、2、3、4，并且每个圆盘都可以独立地绕轴做逆时针转动，每次转动90°，初始状态S 0和目标状态S g 如图5.11所示，用宽度优先搜索法和深度优先搜索法求从S 0到S g 的路径。
人工智能导论-第5章 搜索求解策略
4
第5章 搜索求解策略
5.1 搜索的概念 5.2 状态空间的搜索策略 5.3 盲目的图搜索策略 5.4 启发式图搜索策略
5
节点, 深度相等的节点按生成次序的盲目搜索。
特点：扩展最深的节点的结果使得搜索沿着状态空间某条
单一的路径从起始节点向下进行下去；仅当搜索到达一个没 有后裔的状态时，才考虑另一条替代的路径。
2023/12/14
Char 5. pp.34
5.3.3 深度优先搜索策略
算法：
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—— 深度界限； 与宽度优先搜索算法最根 本的不同：将扩展的后继节 点放在OPEN表的前端。 深度优先搜索算法的OPEN 表后进先出。
O ：操作算子的集合。
S 0：包含问题的初始状态是 S 的非空子集。
G ：若干具体状态或满足某些性质的路径信息描述。
15
5.2.1 状态空间表示法
求解路径：从 S 0 结点到 G 结点的路径。
状态空间解：一个有限的操作算子序列。
S0 O1 S1 O2 S 2 O3 Ok G O1,, Ok ：状态空间的一个解。
Q [q1, q2 ,, qn ]T
操作：表示引起状态变化的过程型知识的一组关 系或函数：
F { f1, f 2 ,, f m}
14
5.2.1 状态空间表示法
状态空间：利用状态变量和操作符号，表示系统或 问题的有关知识的符号体系，状态空间是一个四元 组：
(S , O, S0 , G)
人工智能之搜索策略介绍课件
游戏AI：启发式搜 索策略在游戏中用
3 于寻找最优策略， 如国际象棋、围棋 等棋类游戏的AI算 法。
任务调度：启发式 搜索策略在任务调
2 度中用于优化任务 分配，如最小化任 务完成时间和资源 消耗。
机器人控制：启发 式搜索策略在机器
4 人控制中用于规划 机器人运动路径， 如自主导航和避障。
务调度、资源分配等。
启发式搜索策略的分类
局部搜索策略：只考虑当前状态
01
附近的解空间 全局搜索策略：考虑整个解空间
02
的所有状态 启发式搜索策略：根据问题特点， 03 选择合适的搜索策略 自适应搜索策略：根据搜索过程
04
中的信息，动态调整搜索策略
启发式搜索策略的应用实例
路径规划：启发式 搜索策略在路径规
强化学习搜索 策略：将强化 学习和搜索策 略相结合，以 实现更优的决 策和行动
强化学习搜索策略的分类
01 基于模型的搜索策略：使
用模型来预测状态和动作 的价值，如Q-learning 和Deep Q-Networks。
02 基于策略的搜索策略：直
接优化策略，如Policy Gradients和ActorCritic方法。
游戏AI：游戏策略、游戏 角色行为等
机器人控制：机器人路径 规划、机器人行为控制等
启发式搜索策略的定义
1
启发式搜索策略是一种基于 启发式信息的搜索策略。
2
它通过使用启发式信息来指 导搜索过程，以减少搜索空
间，提高搜索效率。
3
启发式信息可以是问题领域 的知识、经验或启发式函数。
4
启发式搜索策略广泛应用于 各种问题，如路径规划、任
人工智能搜索策略
2024/2/7
31
与或图搜索
2 解图 解图代价 能解节点和不能解节点的定义
1解图——与或图记为G任一节点记为n到终节点集合的 解图记为G‘是G的子图
1若n是终节点;则G‘就由单一节点n构成； 2若n有一K连接指向子节点n1;n2;…nk;且每个子
节点都有到终节点集合的解图;则G‘由该k连接和所 有这些相应于子节点的解图构成; 3否则不存在n到终节点集合的解图
与或图中存在或关系;会有多个候选的局部解图；
2024/2/7
32
与或图搜索
2 解图 解图代价 能解节点和不能解节点的定义
2解图代价 ——以Cn指示节点n到终节点集合解图的代 价;并令K连接的代价就为K; 则
1若n是终节点;则Cn = 0；
2若n有一K连接指向子节点n1;n2;…nk;且这些子
节点每个都有到终节点集合的解图;则
5
Cn = K + Cn1 + Cn2 + … + Cnk
梵塔问题
子问题间有交互作用; 问题分解注意正确的顺序
1;1;13;3;3
1
1;1;12;2;1
2
7
1;1;13;1;1 4
2;2;31;2;3
9
3
3;2;12;2;1
8 1;3;33;3;3
2024/2/7
23
3;1;13;2;1
1;2;31;3;3
与或图搜索
• 爬山法对于单一极值问题登单一山峰十分有效而又简便;对于具有多极值的问
题无能为力——会错登上次高峰而失败：不能到达最高峰
2024/2/7
2
回溯策略和爬山法
2回溯策略
- 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)。
状态用以描述问题在求解过程中不同时刻的状态，一般 用向量表示
算符
使问题从一个状态转变为另一个状态的操作称为算符。
状态空间
由所有可能出现的状态及一切可用算符所构成的集合称为 问题的状态空间。
状态空间示例：十五数码难题
11
1 7 13
回顾
9
3 5 2
4
15
12
8 10
6 14
11 1 7 13
9
广度优先算法中需要注意的问题
1、对于任意一个可扩展的节点，总是按照固定的 操作符的顺序对其进行扩展（如前面重排九宫例 子中的空格左移、上移、右移、下移）。 2、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）。
因此，广度优先搜索的本质是：以初始节点为根节 点，在状态空间图中按照广度优先的原则，生成 一棵搜索树。
11 1 7 13
9 3 5 2
4
15 12
8 10
6 14
5.1.3 与/或树表示法
回顾
对于一个复杂问题，直接求解往往比较困 难。此时可通过下述方法进行简化： （1）分解 （2）等价变换
5.1.3 与/或树表示法
（1）分解
把一个复杂问题分解为若干个较为简
回顾
P
单的子问题，每个子问题又可继续分 解。重复此过程，直到不需要再分解 或者不能再分解为止。如此形成“与” 树。
对于那些先前已在G中出现并且已经扩展了的M成员， 确定是否需要修改其后继节点指向父节点的指针； （在CLOSE表中）
③
7. 按某种搜索策略对OPEN表中的节点进行排序；
8. 转第2步。
对一般搜索过程的一些说明
一个节点经一个算符操作后一般只生成一个子节
点。但适用于一个节点的算符可能有多个，此时
就会生成一组子节点。这些子节点中可能有些是
通过搜索得到的图称为搜索图，搜索图是状态
空间图的一个子集。由搜索图中的所有节点及
反向指针所构成的集合是一棵树，称为搜索树。
根据搜索树可给出问题的解。
5.2.2 广度（宽度）优先搜索
基本思想： 从初始节点S0开始，逐层地对节点进行扩展并 考察它是否为目标节点。在第n层的节点没有全 部扩展并考察之前，不对第n＋1层的节点进行 扩展。 OPEN表中节点总是按进入的先后顺序排列， 先进入的节点排在前面，后进入的排在后面。
操作符：空格左移、上移、右移、下移
...
深度优先搜索的特点
在深度优先搜索中，搜索一旦进入某个分支，就将沿着该 分支一直向下搜索。如果目标节点恰好在此分支上，则可 较快地得到解。但是，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。 用深度优先求得的解，不一定是路径最短的解。
2 8 3 1 4 7 6 5 11 12 2 8 3 1 4 5 7 6 1 19 2 8 3 1 4 5 7 6
5
2 8 3 1 6 4 7 5 13 2 8 3 1 6 4 7 5 21 2 8 3 1 6 7 5 4
6 8 3 2 1 4 7 6 5 14 8 3 2 1 4 7 6 5 22 8 3 2 1 4 7 6 5 8 1 3 2 4 7 6 5
重排九宫的广度优先搜索
操作符：空格左移、上移、右移、下移
S0 2 8 3 1 4 7 6 5 4 1
2
2 8 3 1 4 7 6 5 7 2 8 3 7 1 4 6 5 15 2 8 3 7 1 4 6 5 23 24 2 8 3 7 4 6 1 5 25 2 8 3 7 1 4 6 5
3
2 3 1 8 4 7 6 5 9 2 3 1 8 4 7 6 5 17 18 2 3 4 1 8 7 6 5
当前扩展节点的父节点、祖父节点等，此时不能 把这些先辈节点作为当前扩展节点的子节点。
对一般搜索过程的一些说明
一个新生成的节点，它可能是第一次被生成的
节点，也可能是先前已作为其它节点的子节点
被生成过，当前又作为另一个节点的子节点被
再次生成。此时，它究竟应选择哪个节点作为 父节点？一般由原始节点到该节点的代价来决
5.1.1 什么是搜索
搜索分为盲目搜索和启发式搜索。 盲目搜索是按照预定的控制策略进行搜索，在
搜索过程中获得的中间信息不用来改进控制策 略。
启发式搜索是在搜索中加入了与问题有关的启发性
信息，用以指导搜索朝着最有希望的方向前进，加速 问题的求解过程并找到最优解。
5.1.2 状态空间表示法
状态
回顾
状态空间用“状态”和“算符”来表示问题。
编号 状态节点 父节点
搜索的一般过程
1. 把初始节点S0放入OPEN表，并建立目前只包含S0的图，
记为G；
2. 检查OPEN表是否为空，若为空则问题无解，退出； 3. 把OPEN表的第一个节点取出放入CLOSE表，并计该节
点为n；
4. 考察节点n是否为目标节点。若是，则求得了问题的解，
退出；
5. 扩展节点n，生成一组子节点。把其中不是节点n先辈
的那些子节点记做集合M，并把这些子节点作为节点n 的子节点加入G中；
搜索的一般过程
6. 针对M中子节点的不同情况，分别进行如下处理：
①
对于那些未曾在G中出现过的M成员设置一个指向父 节点（即节点n）的指针，并把它们放入OPEN表； （不在OPEN表）
②
对于那些先前已经在G中出现过的M成员，确定是否 需要修改它指向父节点的指针；（在OPEN表中）
广度优先搜索过程
1. 2. 3.
把初始节点S0放入OPEN表。 如果OPEN表为空，则问题无解，退出。 把OPEN表的第一个节点（记为节点n）取出放入 CLOSE表。
4.
5.
考察节点n是否为目标节点。若是，则求得了问题的解， 退出。
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 一个子节点都配置指向父节点的指针，然后转第2步。
启发式搜索
使用与问题有关的启发性信息，并以这些启发性 信息指导搜索过程，可以高效地过程
一个复杂问题的状态空间一般都是十分庞大的。如 64阶梵塔问题共有3的64次方个不同的状态。
把问题的所有状态空间都进行存储也是不必要的。因 为与解题有关的状态空间往往只是整个状态空间的一 部分，只要能生产并存储这部分状态空间就可以求出 问题的解。
P
P
t t t t t
t
解树
5.2 状态空间的搜索策略
广度优先搜索 深度优先搜索 有界深度优先搜索 代价树的广度优先搜索 代价树的深度优先搜索 局部择优搜索 全局择优搜索 A*算法
盲目搜索 状态空间 搜索策略 启发式搜索
5.2 状态空间的搜索策略
盲目搜索
搜索按规定的路线进行，不使用与问题有关的 启发性信息； 适用于其状态空间图是树状结构的一类问题。
定，处于代价小的路途上的那个节点就作为该
节点的父节点。
对一般搜索过程的一些说明
在搜索过程中，一旦某个被考察的节点是目标
节点就得到了一个解。该解是由从初始节点到
该目标节点路径上的算符构成。
如果在搜索中一直找不到目标节点，而且OPEN
表中不再有可供扩展的节点，则搜索失败。
对一般搜索过程的一些说明
深度优先搜索过程
1. 2. 3. 4.
把初始节点S0放入OPEN表。 如果OPEN表为空，则问题无解，退出。 把OPEN表的第一个节点（记为节点n）取出放入 CLOSE表。 考察节点n是否为目标节点。若是，则求得了问题的解， 退出。
5.
6.
若节点n不可扩展，则转第2步。
扩展节点n，将其子节点放入OPEN表的首部，并为每 一个子节点都配置指向父节点的指针，然后转第2步。
幻方问题
中国人首先发现了幻方
洛水神龟献奇图
关于三阶幻方的奥秘
南宋杨辉 研究幻方第一人
幻方问题在我国古代称为“纵横图”， 又叫“九宫算图”。南宋大数学家杨辉 在1275年所著的《续古摘奇算法》两卷 中，除了给出洛书中3阶幻方的构造方 法外，还给出了4阶至10阶的幻方。
杨辉对3阶幻方的解释
2 3
广度优先搜索的特点
优点：
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。
5.2.3 深度优先搜索
基本思想：从初始节点开始，在其子节点中选择一个节 点进行考察，若不是目标节点，则再在该子节点的子节 点中选择一个节点进行考察，一直如此向下搜索。当到 达某个子节点，且该子节点既不是目标节点又不能继续 扩展时，才选择其兄弟节点进行考察。 深度优先搜索与广度优先搜索的唯一区别：广度优先搜 索是将节点n的子节点放入到OPEN表的尾部，而深度优 先搜索是把节点n的子节点放入到OPEN表的首部。
把问题的所有状态空间都进行存储有时候是不可能的。
5.2.1 状态空间的一般搜索过程
如何产生问题需要的状态空间从而实现对问题的求解呢？ 答案就是搜索技术。 搜索技术基本思想：把问题的初始状态作为当前状态，选 择适用的算符对其操作，生产一组子状态，然后检查目标 状态是否在其中出现。若出现，则搜索成功，找到了问题 的解，否则按某种搜索策略从已生成的状态中再选择一个 作为当前状态。重复上述过程，直到目标状态出现或者不 再有可供操作的状态及算符为止。
9 5
4 7
16 5 2 3
9
4 14 15
11 7 10 6
6
1
8
13 8
12 1