人工智能原理之搜索技术(PPT 77页)
合集下载
《搜索技术》PPT课件
注：1)这里，搜索的对象(常称状态)往往是边 搜索边生成，因此在考虑这种搜索的复杂性时， 必须将搜索对象的生成和评估的代价计算在内。
8
第三章 搜索技术
第二节 启发式搜索
一、启发式搜索
注：2)根据启发性信息(特定领域的知识信息)， 在生成搜索树时可考虑种种可能的选择：
a)下一步展开哪个节点？ b)是部分展开还是全部展开？ c)使用哪个规则(算子)？ d)怎样决定舍弃还是保留新生成的节点？ e)怎样决定舍弃还是保留一棵子树？ f)怎样决定停止或继续搜索？ g)如何定义启发函数(估值函数)？ h)如何决定搜索方向？
22
第三章 搜索技术
第二节 启发式搜索 五、H*算法 注：5)若估计值函数h(n)满足单调条件：
h(ni)-h(nj) k*(ni,nj)（其中k*(ni,nj)是从ni到nj的 最小代价，nj是ni的后续节点）， 则H*算法是循着从初始状态通向该节点的最优路 径到达该节点的。
6)在H*算法中，每次只生成一个后续节点。
5
第三章 搜索技术
第一节 引言 二、研究和选用搜索算法的原则 10、有对手搜索还是无对手搜索？
若有两个控制源均能改变同一状态空间，并且 任何一方向目标前进时，另一方均试图将它从目 标拉开，则称为有对手搜索，通常称为博弈搜索。 注：博弈搜索算法可以看成是一种特殊的问题空 间搜索。
6
第三章 搜索技术
八、A*算法 注： 3)A*算它的效率，则 当启发式函数h的值单调上升时，它的效率只会 上升，不会下降，且有较合理的渐近性质
5)若不是考虑被展开的节点个数，而是考虑 各节点被展开的次数，则A*算法在最坏情况下表 示出很高的复杂性
第二节 启发式搜索 六、完全展开的有序搜索算法 6)若在SS或SB中原有一个状态与当前某个新状态 共一个状态，则删去原有状态 7)若SS的第一项是一个新状态，则转11) 8)若某种状态极限已达到，则搜索失败，算法运 行结束，无解
8
第三章 搜索技术
第二节 启发式搜索
一、启发式搜索
注：2)根据启发性信息(特定领域的知识信息)， 在生成搜索树时可考虑种种可能的选择：
a)下一步展开哪个节点？ b)是部分展开还是全部展开？ c)使用哪个规则(算子)？ d)怎样决定舍弃还是保留新生成的节点？ e)怎样决定舍弃还是保留一棵子树？ f)怎样决定停止或继续搜索？ g)如何定义启发函数(估值函数)？ h)如何决定搜索方向？
22
第三章 搜索技术
第二节 启发式搜索 五、H*算法 注：5)若估计值函数h(n)满足单调条件：
h(ni)-h(nj) k*(ni,nj)（其中k*(ni,nj)是从ni到nj的 最小代价，nj是ni的后续节点）， 则H*算法是循着从初始状态通向该节点的最优路 径到达该节点的。
6)在H*算法中，每次只生成一个后续节点。
5
第三章 搜索技术
第一节 引言 二、研究和选用搜索算法的原则 10、有对手搜索还是无对手搜索？
若有两个控制源均能改变同一状态空间，并且 任何一方向目标前进时，另一方均试图将它从目 标拉开，则称为有对手搜索，通常称为博弈搜索。 注：博弈搜索算法可以看成是一种特殊的问题空 间搜索。
6
第三章 搜索技术
八、A*算法 注： 3)A*算它的效率，则 当启发式函数h的值单调上升时，它的效率只会 上升，不会下降，且有较合理的渐近性质
5)若不是考虑被展开的节点个数，而是考虑 各节点被展开的次数，则A*算法在最坏情况下表 示出很高的复杂性
第二节 启发式搜索 六、完全展开的有序搜索算法 6)若在SS或SB中原有一个状态与当前某个新状态 共一个状态，则删去原有状态 7)若SS的第一项是一个新状态，则转11) 8)若某种状态极限已达到，则搜索失败，算法运 行结束，无解
人工智能搜索技术(PPT 79张)
7 283 714 65 15 2 8 3 714 6 5 24 2 8 3 7 4 615
16 1 2 3 84 765 26 25 2 8 3 1 2 3 1 2 3 714 8 4 784 65 765 65
234 234 28 248 1 8 185 143 1 3 765 76 765 765
3.1 盲目搜索
3.1.2 宽度优先搜索
定义3.1 如果搜索是以接近起始节点的程度依次扩展节点的， 那么这种搜索就叫做宽度优先搜索（breadth-first search)
3.1 盲目搜索
3.1.2 宽度优先搜索
宽度优先搜索算法 (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的扩展节点表中。 (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。
9
2 5 1 4 6 7 3 8 2 5 1 4 6 7 3 8 2 4 5 1 6 7 3 8 2 4 5 1 6 7 3 8 2 4 5 1 3 6 7 8 2 4 5 1 6 7 3 8 2 4 5 1 3 6 7 8 2 4 5 1 3 6 72 8 3 1 6 4 7 5 2 8 3 1 4 7 6 5 2 3
4.图搜索方法分析：
图搜索过程的第8步对OPEN表上的节点进行排序，以便能够 从中选出一个“最好”的节点作为第4步扩展用。这种排序可 以是任意的即盲目的(属于盲目搜索)，也可以用以后要讨论的 各种启发思想或其它准则为依据(属于启发式搜索)。每当被选 作扩展的节点为目标节点时，这一过程就宣告成功结束。这时， 能够重现从起始节点到目标节点的这条成功路径，其办法是从 目标节点按指针向S返回追溯。当搜索树不再剩有未被扩展的 端节点时，过程就以失败告终(某些节点最终可能没有后继节 点，所以OPEN表可能最后变成空表)。在失败终止的情况下， 从起始节点出发，一定达不到目标节点。
人工智能课件-搜索推理技术
(3) 對變數標準化 對啞元（虛構變數）改名，以保證每個量詞 有其自己唯一的啞元。
1
3.4 消解原理
(4) (x)｛～P(x)∨{(y)[~P(y)∨P(f(x,y))］
∧［Q(x,g(x)）∧～P(g(x))］｝｝
式中，w=g(x)為一Skolem函數。
(4) 消去存在量詞
以Skolem函數代替存在量詞內的約束變數，
❖ 實質
❖ 把一棵根部有NIL的反演樹變換為根部帶有回 答 語句的一棵證明樹。
1
3.5 規則演繹系統
—— g是g*的估計 ，h是h*的估計
❖ A*演算法的定義：
定義1 在GRAPHSEARCH過程中，如果第8步的重排OPEN表
是依據f(x)=g(x)+h(x)進行的，則稱該過程為A演算法。
定義2 在A演算法中，如果對所有的x存在h(x)≤h*(x),則稱h(x)
為h*(x)的下界，它表示某種偏於保守的估計。
子句（4） {a/x,b/y}
子句（7） ～M(b)
子句（5）
圖3.12 儲蓄問題反演樹
NIL
1
3.4 消解原理
❖ 反演求解過程 ❖從反演樹求取答案步驟
❖把由目標公式的否定產生的每個子句添加到目 標公式否定之否定的子句中去。
❖按照反演樹，執行和以前相同的消解，直至在 根部得到某個子句止。
❖用根部的子句作為一個回答語句。
❖ 種類：有序搜索、A*演算法等
3.3.1 啟發式搜索策略和估價函數
❖盲目搜索可能帶來組合爆炸 ❖啟發式資訊
用來加速搜索過程的有關問題領域的特徵資訊。
1
3.3 啟發式搜索
❖ 估價函數 為獲得某些節點“希望”的啟發資訊，提供一
1
3.4 消解原理
(4) (x)｛～P(x)∨{(y)[~P(y)∨P(f(x,y))］
∧［Q(x,g(x)）∧～P(g(x))］｝｝
式中，w=g(x)為一Skolem函數。
(4) 消去存在量詞
以Skolem函數代替存在量詞內的約束變數，
❖ 實質
❖ 把一棵根部有NIL的反演樹變換為根部帶有回 答 語句的一棵證明樹。
1
3.5 規則演繹系統
—— g是g*的估計 ，h是h*的估計
❖ A*演算法的定義：
定義1 在GRAPHSEARCH過程中，如果第8步的重排OPEN表
是依據f(x)=g(x)+h(x)進行的，則稱該過程為A演算法。
定義2 在A演算法中，如果對所有的x存在h(x)≤h*(x),則稱h(x)
為h*(x)的下界，它表示某種偏於保守的估計。
子句（4） {a/x,b/y}
子句（7） ～M(b)
子句（5）
圖3.12 儲蓄問題反演樹
NIL
1
3.4 消解原理
❖ 反演求解過程 ❖從反演樹求取答案步驟
❖把由目標公式的否定產生的每個子句添加到目 標公式否定之否定的子句中去。
❖按照反演樹，執行和以前相同的消解，直至在 根部得到某個子句止。
❖用根部的子句作為一個回答語句。
❖ 種類：有序搜索、A*演算法等
3.3.1 啟發式搜索策略和估價函數
❖盲目搜索可能帶來組合爆炸 ❖啟發式資訊
用來加速搜索過程的有關問題領域的特徵資訊。
1
3.3 啟發式搜索
❖ 估價函數 為獲得某些節點“希望”的啟發資訊，提供一
人工智能 第1章 搜索问题PPT课件
8, 对OPEN中的节点按某种原则重新排序； 9, GO LOOP；
34
节点类型说明
…...
…...
…...
mk
mj
ml
…...
…...
35
修改指针举例
s
1
2 6
3
4
5
36
修改指针举例（续1）
s
1
2 6
3
4
5
37
修改指针举例（续2）
s
1
2 6
3
4
5
38
修改指针举例（续3）
s
1
2 6
3
4
5
39
31
一些基本概念（续2）
• 扩展一个节点 生成出该节点的所有后继节点，并给出它 们之间的耗散值。这一过程称为“扩展一 个节点”。
32
一般的图搜索算法
1, G=G0 (G0=s), OPEN:=(s); 2, CLOSED:=( ); 3, LOOP: IF OPEN=( ) THEN EXIT(FAIL); 4, n:=FIRST(OPEN), REMOVE(n, OPEN),
– 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）。
1
整体 概述
一 请在这里输入您的主要叙述内容
二
请在这里输入您的主要 叙述内容
三 请在这里输入您的主要叙述内容
2
问题的状态空间表示
• 状态空间可用三元组（S,O,来描述。
S：状态的集合，状态是某种事实的符号或数据 O：操作算子，利用它将一个状态转化为另一状态 G：S的非空子集，表示目标状态集 S0：初始状态，也是S的非空子集
34
节点类型说明
…...
…...
…...
mk
mj
ml
…...
…...
35
修改指针举例
s
1
2 6
3
4
5
36
修改指针举例（续1）
s
1
2 6
3
4
5
37
修改指针举例（续2）
s
1
2 6
3
4
5
38
修改指针举例（续3）
s
1
2 6
3
4
5
39
31
一些基本概念（续2）
• 扩展一个节点 生成出该节点的所有后继节点，并给出它 们之间的耗散值。这一过程称为“扩展一 个节点”。
32
一般的图搜索算法
1, G=G0 (G0=s), OPEN:=(s); 2, CLOSED:=( ); 3, LOOP: IF OPEN=( ) THEN EXIT(FAIL); 4, n:=FIRST(OPEN), REMOVE(n, OPEN),
– 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）。
1
整体 概述
一 请在这里输入您的主要叙述内容
二
请在这里输入您的主要 叙述内容
三 请在这里输入您的主要叙述内容
2
问题的状态空间表示
• 状态空间可用三元组（S,O,来描述。
S：状态的集合，状态是某种事实的符号或数据 O：操作算子，利用它将一个状态转化为另一状态 G：S的非空子集，表示目标状态集 S0：初始状态，也是S的非空子集
《人工智能》搜索技术
中, 并标以顺序号n; Step4: 若目标节点Sg=N, 则搜索成功,结束. Step5: 若N不可扩展, 则转Step2; Step6: 扩展N, 将生成的一组子节点配上指向N的指针后,
放入OPEN表尾部, 转 Step2;
例子 八数码难题（8-puzzle problem）
28 3
搜索的挑战—组合爆炸
魔方问题 博弈问题 皇后问题 行商问题 排课问题（调度问题） 背包问题
…………
数码问题
八数码难题（8-puzzle problem）
28 3
1
4
76 5
（初始状态）
21 6
4
8
75 3
12 3
8
4
76 5
（目标状态）
4.1 状态图概念
状态图的概念 状态图(状态空间图)实际上是一类问题的 抽象表示。
盲目搜索是无向导搜索。 启发式搜索是有向导搜索，即利用启发信息（函数）
引导去寻找问题解。
盲目搜索
盲目搜索又叫做无信息搜索，一般只适 用于求解比较简单的问题。
种类：
宽度优先搜索 深度优先搜索 等代价搜索
图搜索策略
一种在图中寻找路径的方法。
宽度优先
深度优先
启发式搜索
宽度优先搜索策略
优先搜索状态空间中离初始状态近的节点(状态 特点:具有完备性, 占用空间 搜索算法
数据结构: OPEN表 : 先进先出队列,存放待扩展的节点.
节点(状态) 父节点编号(返回指针)
CLOSED表 : 存放已被扩展过的节点.
编号 节点 父节点编号
算法
开始
把S放入OPEN表
是 OPEN表为空表？
放入OPEN表尾部, 转 Step2;
例子 八数码难题（8-puzzle problem）
28 3
搜索的挑战—组合爆炸
魔方问题 博弈问题 皇后问题 行商问题 排课问题（调度问题） 背包问题
…………
数码问题
八数码难题（8-puzzle problem）
28 3
1
4
76 5
（初始状态）
21 6
4
8
75 3
12 3
8
4
76 5
（目标状态）
4.1 状态图概念
状态图的概念 状态图(状态空间图)实际上是一类问题的 抽象表示。
盲目搜索是无向导搜索。 启发式搜索是有向导搜索，即利用启发信息（函数）
引导去寻找问题解。
盲目搜索
盲目搜索又叫做无信息搜索，一般只适 用于求解比较简单的问题。
种类：
宽度优先搜索 深度优先搜索 等代价搜索
图搜索策略
一种在图中寻找路径的方法。
宽度优先
深度优先
启发式搜索
宽度优先搜索策略
优先搜索状态空间中离初始状态近的节点(状态 特点:具有完备性, 占用空间 搜索算法
数据结构: OPEN表 : 先进先出队列,存放待扩展的节点.
节点(状态) 父节点编号(返回指针)
CLOSED表 : 存放已被扩展过的节点.
编号 节点 父节点编号
算法
开始
把S放入OPEN表
是 OPEN表为空表？
人工智能课件-搜索技术
基于内容的推荐方法
内容推荐原理
通过分析用户历史行为数据和物品内容信息，提取用户和物品的特 征向量，计算用户和物品之间的相似度，从而推荐相似度高的物品。
内容推荐优点
能够推荐新物品，不受冷启动问题影响；可解释性强，用户能够理 解推荐结果的原因。
内容推荐缺点
需要提取用户和物品的特征向量，对特征工程要求较高；无法处理用 户兴趣变化的情况。
出结果。
反向传播
根据输出结果与真实结 果的误差，反向调整神
经网络的权重参数。
卷积神经网络（CNN）在图像搜索中的应用
01
02
03
04
卷积层
通过卷积核提取图像局部特征 ，实现参数共享和稀疏连接。
池化层
降低数据维度，提高计算效率 ，同时增强特征鲁棒性。
全连接层
将卷积层和池化层提取的特征 进行整合，输出图像的全局特
发展历程
随着互联网和大数据技术的快速发展 ，搜索技术经历了从基于关键词的搜 索到基于语义理解的搜索，再到基于 深度学习的搜索等多个阶段的发展。
搜索技术的重要性
01
02
03
信息获取效率
搜索技术能够快速定位到 用户所需的信息，提高信 息获取的效率。
信息质量
通过搜索技术，用户可以 获取到更加准确、全面的 信息，提高信息的质量。
隐马尔可夫模型（HMM）
HMM基本概念
隐马尔可夫模型是一种统计模型，用于描述隐藏的马尔可 夫链生成观测序列的过程。HMM由初始状态概率、状态 转移概率和观测概率确定。
HMM的三个基本问题
评估问题（计算观测序列的概率）、解码问题（找到最可 能的隐藏状态序列）和学习问题（估计HMM的参数）。
HMM应用
智能检索技术PPT课件
法 流程图
待切分字符串C、词典S最大的词长MaxLen
C是否 为空
Y 结束
从C左边开始，取出候选字串w，w的长度为MaxLen
Y 识别出词w
查看w是否在 词典S中存在
N
将w最后边一个字母去掉
.
15
Segment(S , C,MaxLen)
{ begin←0; k←0; while(begin<=n)
m的含义取值如下所示：
.
13
d ：匹配方向，+1表示正方向，-1表示逆方向；
a ：每次匹配失败后增加或减少字串长度（字符数），
+1为增字，-1为减字；
m：最大或最小匹配标志，+1为最大匹配，-1为最小
匹配
在实际应用中，基于字符串匹配的正向最 大匹配 算法[ ASM（+1，-1，+1）] 就是一种广泛应用的机械 分词方法，该方法依据仅一个分词词表和一个基本的 切分评估原则（即“长词优先”原则）来进行分词。 这种切分方法，需要最少的语言资料（仅需一个词表， 不需要任何词法、句法、语义知识），程序简单，开 发周期短。
→按照扫描方向的不同，机械分词方法可以分为正向 匹配和逆向匹配；
→按照不同长度优先匹配的情况，可以分为最大（最 长）匹配最小（最短）匹配
ASM（Automatic Segmentation Model）模型
对于机械分词方法，一般可以建立一个一般的模型，即
ASM。该模型形式的表示为ASM（d，a，m），其中d，a和
8
☞ 解析XML文档
XML文档一般都是纯文本文档，其文本内容
可以直接读取，读取时需要一些工具对其中的
信息进行解析，可选择的工具有SAX API （Application Programming Interface）等。
待切分字符串C、词典S最大的词长MaxLen
C是否 为空
Y 结束
从C左边开始，取出候选字串w，w的长度为MaxLen
Y 识别出词w
查看w是否在 词典S中存在
N
将w最后边一个字母去掉
.
15
Segment(S , C,MaxLen)
{ begin←0; k←0; while(begin<=n)
m的含义取值如下所示：
.
13
d ：匹配方向，+1表示正方向，-1表示逆方向；
a ：每次匹配失败后增加或减少字串长度（字符数），
+1为增字，-1为减字；
m：最大或最小匹配标志，+1为最大匹配，-1为最小
匹配
在实际应用中，基于字符串匹配的正向最 大匹配 算法[ ASM（+1，-1，+1）] 就是一种广泛应用的机械 分词方法，该方法依据仅一个分词词表和一个基本的 切分评估原则（即“长词优先”原则）来进行分词。 这种切分方法，需要最少的语言资料（仅需一个词表， 不需要任何词法、句法、语义知识），程序简单，开 发周期短。
→按照扫描方向的不同，机械分词方法可以分为正向 匹配和逆向匹配；
→按照不同长度优先匹配的情况，可以分为最大（最 长）匹配最小（最短）匹配
ASM（Automatic Segmentation Model）模型
对于机械分词方法，一般可以建立一个一般的模型，即
ASM。该模型形式的表示为ASM（d，a，m），其中d，a和
8
☞ 解析XML文档
XML文档一般都是纯文本文档，其文本内容
可以直接读取，读取时需要一些工具对其中的
信息进行解析，可选择的工具有SAX API （Application Programming Interface）等。
最新人工智能中的搜索问题教学讲义ppt课件
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
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
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
为累积路径耗散最小的节点12无信息的搜索策略深度优先搜索?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13无信息的搜索策略深度优先搜索cbeddihcecedceih14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15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16无信息的搜索策略迭代深入搜索17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
人工智能原理之搜索技术(PPT-77页)全
参见p60图3.11)
29
第2章 搜索技术
2.2.2 深度优先搜索和深度有限搜索
• 深度优先搜索过程：
• 总是扩展搜索树的当前扩展分支(边缘)中最 深的节点
• 搜索直接伸展到搜索树的最深层，直到那里 的节点没有后继节点
• 那些没有后继节点的节点扩展完毕就从边缘 中去掉
• 然后搜索算法回退下一个还有未扩展后继节 点的上层节点继续扩展
• 描述：设每个状态为(a1, a2, a3, …, an), ai=1, 2, 3—表示第i个盘子在第1/2/3根柱 子上
13
第2章 搜索技术
河内塔(2)
• 递归定义：{(a1, a2, a3, …, an)}为n阶河内 塔的状态集合，则{(a1, a2, a3, …, an, 1), (a1, a2, a3, …, an, 2), (a1, a2, a3, …, an, 3)} 是n+1阶河内塔的状态集合
• 约束规则：不使离开既定位置的数字数增加
10
第2章 搜索技术
八数码游戏的搜索树
既定位置=终态
Begin 1 5 2
4
3
678
152 43
678
*1
2
453
678
*1 5 2 43 678
152
473
6
8
*
12 453 678
12 453 678
*
15 432 678
152 438 67
*1 2 3 45 678
8
第2章 搜索技术
2.1.2 问题实例
• 玩具问题
• 八数码游戏(九宫图) • 河内塔 • 八皇后问题 • 真空吸尘器世界
• 现实问题
29
第2章 搜索技术
2.2.2 深度优先搜索和深度有限搜索
• 深度优先搜索过程：
• 总是扩展搜索树的当前扩展分支(边缘)中最 深的节点
• 搜索直接伸展到搜索树的最深层，直到那里 的节点没有后继节点
• 那些没有后继节点的节点扩展完毕就从边缘 中去掉
• 然后搜索算法回退下一个还有未扩展后继节 点的上层节点继续扩展
• 描述：设每个状态为(a1, a2, a3, …, an), ai=1, 2, 3—表示第i个盘子在第1/2/3根柱 子上
13
第2章 搜索技术
河内塔(2)
• 递归定义：{(a1, a2, a3, …, an)}为n阶河内 塔的状态集合，则{(a1, a2, a3, …, an, 1), (a1, a2, a3, …, an, 2), (a1, a2, a3, …, an, 3)} 是n+1阶河内塔的状态集合
• 约束规则：不使离开既定位置的数字数增加
10
第2章 搜索技术
八数码游戏的搜索树
既定位置=终态
Begin 1 5 2
4
3
678
152 43
678
*1
2
453
678
*1 5 2 43 678
152
473
6
8
*
12 453 678
12 453 678
*
15 432 678
152 438 67
*1 2 3 45 678
8
第2章 搜索技术
2.1.2 问题实例
• 玩具问题
• 八数码游戏(九宫图) • 河内塔 • 八皇后问题 • 真空吸尘器世界
• 现实问题
《人工智能概论》第4章 搜索技术课件
4.1 搜索 4.1.3 状态空间的搜索策略
状态空间搜索的基本分类。
第四章 搜索技术
高等学校人工智能通识课规划教材
第四章 搜索技术
4.1 搜索 4.2 广度优先 4.3 深度优先 4.4 启发式搜索 4.5 遗传算法 4.6 微粒群算法 4.7 实验：粒子群优化算法 习题
4.2 广度优先
第四章 搜索技术
4.3 深度优先
第四章 搜索技术
4.3.2 深度优先搜索过程
右图首先从一个未被遍历过的顶点，例如从A开始，由于A作为第一个 被访问的节点，所以，需要标记A的状态为被访问过；然后遍历与A相 邻的节点，例如访问B，并做标记，然后访问与B相邻接点，例如D做 标记，然后F，然后E ；当继续遍历E的邻接点时，根据之前做的标记 显示，所有邻接点都被访问过了。此时，从E回退到F，看F是否有未被 访问过的邻接点，如果没有，继续回退到D，B，A；通过查看A，找 到一个未被访问过的顶点C，继续遍历，然后访问C邻接G，然后H； 由于H没有未被访问的邻接点，所有回退到G，继续回退至C，最后到 达A，发现没有未被访问的；最后一步需要判断是否所有顶点都被访 问，如果还有没被访问的，以未被访问的顶点为第一个顶点，继续依 照上边的方式进行遍历。
4.5 遗传算法
第四章 搜索技术
4.5.1 遗传算法的发展史
20世纪70年代初，霍兰德（Holland）教授提出了遗传算法的基本定 理—模式定理，从而奠定了遗传算法的理论基础。模式定理揭示出种 群中优良个体(较好的模式)的样本数将以指数级规律增长，因而从理论 上保证了遗传算法是一个可以用来寻求最优可行解的优化过程。
第四章 搜索技术
4.5.1 遗传算法的发展史
1970年，Cavicchio把遗传算法应用于模式识别。1975年，Holland 教授出版了第一本系统论述遗传算法和人工自适应系统的专著《自然 系统和人工系统的自适应性》。
人工智能搜索技术
4.4.1 概念释义
启发式搜索可以通过指导搜索向最有希望的方向前进，降低复杂性。通过删除某些状态及其延伸，启发 式搜索可以消除组合爆炸，并得到令人能接受的解（通常不一定是最佳解）。
4.4.2 估价函数
4.4.3 启发式搜索算法A
启发式搜索算法A，一般简称A算法，是一种典型的启发式搜索算法。其基本思想是：定义一个评价函 数，对当前的搜索状态进行评估，找出一个最有希望的节点来扩展。
4.3.1 宽度优先搜索
图4.5 搜索树（一）
人工智能导论
4.3.2 深度优先搜索
/// 12 ///
图4.6 搜索树（二）
人工智能导论
/// 13 ///
4.4 启发式搜索
启发式搜索（Heuristically Search）又称有信息搜索（Informed Search），利用问题拥有的启发信息 来引导搜索，达到缩小搜索范围、降低问题复杂度的目的。
4.5.3 α-β剪枝技术
首先分析极小极大分析法的效率：上述极小极大分析法，实际是先生成一棵博弈树，然后计算其倒推 值，致使极小极大分析法效率较低。于是在极小极大分析法的基础上提出了α-β剪枝技术。
人工智能导论
/// 17 ///
本章小结
搜索技术在人工智能中起着重要作用，人工智能的推理机制就是通过搜索实现的，很多问题也可 以转化为状况空间的搜索问题。深度优先搜索和宽度优先搜索是常用的盲目搜索方法，具有通用性好的 特点，但往往效率低下，不适合求解复杂问题。启发式搜索利用问题相关的启发信息，可以缩小搜索范 围，提高搜索效率。A*算法是一种典型的启发式搜索算法，可以通过定义启发函数提高搜索效率，并可 以在问题有解的情况下找到问题的最优解。计算机博弈（计算机下棋）也是典型的搜索问题，计算机通 过搜索寻找最好的下棋走法。像象棋、围棋这样的棋类游戏具有非常多的状态，不可能通过穷举的办法 达到战胜人类棋手的水平，算法在其中起着重要作用。
启发式搜索可以通过指导搜索向最有希望的方向前进，降低复杂性。通过删除某些状态及其延伸，启发 式搜索可以消除组合爆炸，并得到令人能接受的解（通常不一定是最佳解）。
4.4.2 估价函数
4.4.3 启发式搜索算法A
启发式搜索算法A，一般简称A算法，是一种典型的启发式搜索算法。其基本思想是：定义一个评价函 数，对当前的搜索状态进行评估，找出一个最有希望的节点来扩展。
4.3.1 宽度优先搜索
图4.5 搜索树（一）
人工智能导论
4.3.2 深度优先搜索
/// 12 ///
图4.6 搜索树（二）
人工智能导论
/// 13 ///
4.4 启发式搜索
启发式搜索（Heuristically Search）又称有信息搜索（Informed Search），利用问题拥有的启发信息 来引导搜索，达到缩小搜索范围、降低问题复杂度的目的。
4.5.3 α-β剪枝技术
首先分析极小极大分析法的效率：上述极小极大分析法，实际是先生成一棵博弈树，然后计算其倒推 值，致使极小极大分析法效率较低。于是在极小极大分析法的基础上提出了α-β剪枝技术。
人工智能导论
/// 17 ///
本章小结
搜索技术在人工智能中起着重要作用，人工智能的推理机制就是通过搜索实现的，很多问题也可 以转化为状况空间的搜索问题。深度优先搜索和宽度优先搜索是常用的盲目搜索方法，具有通用性好的 特点，但往往效率低下，不适合求解复杂问题。启发式搜索利用问题相关的启发信息，可以缩小搜索范 围，提高搜索效率。A*算法是一种典型的启发式搜索算法，可以通过定义启发函数提高搜索效率，并可 以在问题有解的情况下找到问题的最优解。计算机博弈（计算机下棋）也是典型的搜索问题，计算机通 过搜索寻找最好的下棋走法。像象棋、围棋这样的棋类游戏具有非常多的状态，不可能通过穷举的办法 达到战胜人类棋手的水平，算法在其中起着重要作用。
《人工智能》搜索技术
《人工智能》搜索技术在当今数字化的时代，信息如潮水般涌来，如何从这海量的数据中快速、准确地获取所需，成为了人们面临的一大挑战。
人工智能搜索技术的出现，就像是在信息海洋中点亮的一盏明灯，为我们指引方向。
想象一下，当你想要了解某个特定的主题，比如“量子物理的最新研究进展”，你在搜索引擎中输入关键词，瞬间就能得到一系列相关的网页、文章、研究报告等。
这看似简单的操作背后，其实蕴含着极其复杂的人工智能搜索技术。
人工智能搜索技术的核心在于理解用户的需求。
它不再仅仅是基于关键词的匹配，而是尝试去理解用户输入的意图。
比如说，当你输入“我感觉有点头疼该怎么办”，传统的搜索可能会给你一些关于“头疼”这个词的网页，但人工智能搜索技术会理解你是在寻求治疗头疼的建议，从而为你提供更有针对性的医疗信息、缓解方法甚至是附近的医疗机构。
为了实现这种精准的理解，人工智能搜索技术运用了自然语言处理技术。
这就像是给计算机装上了“语言大脑”，让它能够理解和解析人类的语言结构和语义。
通过对大量文本数据的学习和分析，计算机能够识别出词语之间的关系、句子的结构以及上下文的含义。
这使得搜索结果更加贴合用户的真实需求，而不是简单的字面匹配。
同时，人工智能搜索技术还具备强大的学习和优化能力。
它能够根据用户的搜索行为和反馈不断改进自己的算法和模型。
例如，如果用户多次点击某个类型的搜索结果，搜索技术就会认为这种结果更符合用户的期望，从而在后续的搜索中优先展示类似的内容。
这种自我学习和优化的机制，使得搜索结果的质量和准确性不断提升。
在实际应用中，人工智能搜索技术已经广泛渗透到我们生活的各个领域。
在电商平台上，当你搜索一件商品时，它不仅能为你展示相关的商品，还能根据你的浏览和购买历史为你推荐类似的或你可能感兴趣的其他商品。
在学术研究领域，它能够帮助学者快速找到相关的研究文献和前沿的学术观点，大大提高了研究效率。
在医疗健康领域，患者可以通过搜索获取疾病的症状、诊断方法和治疗建议，为医疗决策提供参考。
- 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)。
6
第2章 搜索技术
状态空间
• 数据基：代表了所要解决的问题，有初 始状态，可能有目标状态也可能没有
• 状态空间：在解题过程中的每一时刻， 数据基都处于一定的状态，数据基所有 可能状态的集合称为状态空间
• 有向图：若把每个状态看成一个节点， 则整个状态空间是一个有向图 / 该图不 一定全连通，即从某些状态不一定能到 达另外一些状态
412 53
678
*1
5
432
678
152
438
6
7
End
*
123
412
412
135
4
5
5
3
653
4
2
678
678
78
678
11
第2章 搜索技术
八数码问题形式化
• 初始状态
• 初始状态向量—规定向量中各分量对应的位 置，各位置上的初始数字
• 后继函数
• 移动规则—按照某条规则移动数字，将得到 的新向量
第2章 搜索技术
搜索与问题求解
• 问题求解过程是搜索答案(目标)的过程 / 所以问题求解技术也叫搜索技术—通过 对状态空间的搜索而求解问题的技术
• 问题求解智能体是一种基于目标的智能体 • 在寻找到达目标的过程中，当智能体面对多
个未知的选项时，首先检验各个不同的导致 已知评价的状态的可能行动序列，然后选择 最佳序列—这个过程就是搜索
• 可用如下形式的规则来表示数字通过空格进行 移动：<a1,a2,a3,a4,a5,a6,a7,a8,a9>→<b1,b2,b3, b4,b5,b6,b7,b8,b9>
• 共24条规则=4角*2+4边*3+1中间*4 • 搜索顺序举例：
(1)优先移动行数小的棋子(数字)
(2)同一行中优先移动列数大的棋子
7
第2章 搜索技术
问题的可解性
• 可解的：在每个连通部分，每个弧代表 一个运算符，将状态改变 / 如果从代表
初始状态的节点出发，有一条路径通向
目标状态，则称此目标状态所代表的问
题在当前初始状态下是可解的
• 搜索空间：在解题过程中达到过的所有 状态的集合，称为搜索空间
• 不同于状态空间，搜索空间只是其中一部分 • 状态空间和搜索空间都属于过程性知识表示
人工智能原理
第2章 搜索技术 （上）
第2章 搜索技术
本章内容
2.1 搜索与问题求解 2.2 无信息搜索策略 2.3 启发式搜索策略 2.4 局部搜索算法 2.5 约束满足问题 2.6 博弈搜索 参考书目
附录 A*算法可采纳性的证明
第2章 搜索技术
2.1 搜索与问题求解
2.1.1 问题与问题的解 2.1.2 问题实例 2.1.3 搜索策略
• 目标测试
• 新向量是否是目标状态(也是向量形式)
• 路径耗散函数
• 每次移动代价为1
12
第2章 搜索技术
河内塔(1)
• 河内塔问题：n个大小不等的圆盘从一个 柱子移到另一个柱子，共有3个柱子(n阶 河内塔问题)
• 约束：从第1根柱子移动到第3根柱子上 去，利用第2根柱子 / 每次移动1个盘子， 且移动过程必须是小盘落大盘
(2,3,1)
(2,2,1)
(2,2,3)
(1,2,1) (1,3,1)
(3,3,1) (3,3,2)
(1,2,3) (1,3,3)
(2,3,2) (2,1,2)
(1,3,2) (2,3,2)
15
(3,3,3) (2,3,3) (2,1,3) (1,1,3) (1,1,2) (3,1,2) (3,2,2) (2,2,2)
• 1阶河内塔有3个状态，2阶河内塔有9个 状态，n阶河内塔有3n个状态，给出1/2/
3阶河内塔的状态图
14
第2章 搜索技术
河内塔问题图解
(1)
(1,1)
(3,1)
(2,1)
(3,2)
(2,3)(2)(3) Nhomakorabea(1,1,1)
(2,2) (1,2) (1,3) (3,3)
(3,1,1)
(2,1,1)
(3,2,1)
第2章 搜索技术
河内塔问题形式化
• 初始状态
• 初始状态向量—规定向量中各分量对应所有 n个盘子，位置上数字代表3个柱子之一
• 后继函数
• 移动规则—依据约束条件给出的各状态的后 继状态
• 目标测试
• 新向量是否是目标状态(也是向量形式)
• 路径耗散函数
4
第2章 搜索技术
2.1.1 问题与问题的解
• 问题可以形式化地定义为4个组成部分
• 智能体的初始状态(即搜索的开始) • 后继函数—智能体采取的可能行动的描述，
通常为<行动，后继状态> / 初始状态和后 继函数隐含地定义了问题的状态空间 / 状 态空间中的一条路径是通过行动序列连接起 来的一个状态序列 • 目标测试—检查给定的状态是不是目标 • 路径耗散函数—每条路径都有一个数值化的 耗散值，反映了性能度量 / 求解问题的代 价
5
第2章 搜索技术
问题的解
• 问题的解就是初始状态到目标状态的路 径
• 解的优劣由路径耗散函数量度(代价)
• 最优解就是路径耗散函数值最小的路径
• 上述解题过程把解决一个问题的过程描 述出来，称之为解题知识的过程性表示
• 过程性知识与陈述性知识相对
• 搜索过程解题的特点—没有直接的方法 (公式)可以求解，而是一步一步的探索
8
第2章 搜索技术
2.1.2 问题实例
• 玩具问题
• 八数码游戏(九宫图) • 河内塔 • 八皇后问题 • 真空吸尘器世界
• 现实问题
• 旅行商问题 • 超大规模集成电路的布局 • 自动装配排序 / 蛋白质设计 • 互联网搜索
9
第2章 搜索技术
八数码游戏
• 八数码游戏：1-8数字(棋子)/9个方格(棋盘格)/1 个空格
• 描述：设每个状态为(a1, a2, a3, …, an), ai=1, 2, 3—表示第i个盘子在第1/2/3根柱 子上
13
第2章 搜索技术
河内塔(2)
• 递归定义：{(a1, a2, a3, …, an)}为n阶河内 塔的状态集合，则{(a1, a2, a3, …, an, 1), (a1, a2, a3, …, an, 2), (a1, a2, a3, …, an, 3)} 是n+1阶河内塔的状态集合
• 约束规则：不使离开既定位置的数字数增加
10
第2章 搜索技术
八数码游戏的搜索树
既定位置=终态
Begin 1 5 2
4
3
678
152 43
678
*1
2
453
678
*1 5 2 43 678
152
473
6
8
*
12 453 678
12 453 678
*
15 432 678
152 438 67
*1 2 3 45 678
第2章 搜索技术
状态空间
• 数据基：代表了所要解决的问题，有初 始状态，可能有目标状态也可能没有
• 状态空间：在解题过程中的每一时刻， 数据基都处于一定的状态，数据基所有 可能状态的集合称为状态空间
• 有向图：若把每个状态看成一个节点， 则整个状态空间是一个有向图 / 该图不 一定全连通，即从某些状态不一定能到 达另外一些状态
412 53
678
*1
5
432
678
152
438
6
7
End
*
123
412
412
135
4
5
5
3
653
4
2
678
678
78
678
11
第2章 搜索技术
八数码问题形式化
• 初始状态
• 初始状态向量—规定向量中各分量对应的位 置，各位置上的初始数字
• 后继函数
• 移动规则—按照某条规则移动数字，将得到 的新向量
第2章 搜索技术
搜索与问题求解
• 问题求解过程是搜索答案(目标)的过程 / 所以问题求解技术也叫搜索技术—通过 对状态空间的搜索而求解问题的技术
• 问题求解智能体是一种基于目标的智能体 • 在寻找到达目标的过程中，当智能体面对多
个未知的选项时，首先检验各个不同的导致 已知评价的状态的可能行动序列，然后选择 最佳序列—这个过程就是搜索
• 可用如下形式的规则来表示数字通过空格进行 移动：<a1,a2,a3,a4,a5,a6,a7,a8,a9>→<b1,b2,b3, b4,b5,b6,b7,b8,b9>
• 共24条规则=4角*2+4边*3+1中间*4 • 搜索顺序举例：
(1)优先移动行数小的棋子(数字)
(2)同一行中优先移动列数大的棋子
7
第2章 搜索技术
问题的可解性
• 可解的：在每个连通部分，每个弧代表 一个运算符，将状态改变 / 如果从代表
初始状态的节点出发，有一条路径通向
目标状态，则称此目标状态所代表的问
题在当前初始状态下是可解的
• 搜索空间：在解题过程中达到过的所有 状态的集合，称为搜索空间
• 不同于状态空间，搜索空间只是其中一部分 • 状态空间和搜索空间都属于过程性知识表示
人工智能原理
第2章 搜索技术 （上）
第2章 搜索技术
本章内容
2.1 搜索与问题求解 2.2 无信息搜索策略 2.3 启发式搜索策略 2.4 局部搜索算法 2.5 约束满足问题 2.6 博弈搜索 参考书目
附录 A*算法可采纳性的证明
第2章 搜索技术
2.1 搜索与问题求解
2.1.1 问题与问题的解 2.1.2 问题实例 2.1.3 搜索策略
• 目标测试
• 新向量是否是目标状态(也是向量形式)
• 路径耗散函数
• 每次移动代价为1
12
第2章 搜索技术
河内塔(1)
• 河内塔问题：n个大小不等的圆盘从一个 柱子移到另一个柱子，共有3个柱子(n阶 河内塔问题)
• 约束：从第1根柱子移动到第3根柱子上 去，利用第2根柱子 / 每次移动1个盘子， 且移动过程必须是小盘落大盘
(2,3,1)
(2,2,1)
(2,2,3)
(1,2,1) (1,3,1)
(3,3,1) (3,3,2)
(1,2,3) (1,3,3)
(2,3,2) (2,1,2)
(1,3,2) (2,3,2)
15
(3,3,3) (2,3,3) (2,1,3) (1,1,3) (1,1,2) (3,1,2) (3,2,2) (2,2,2)
• 1阶河内塔有3个状态，2阶河内塔有9个 状态，n阶河内塔有3n个状态，给出1/2/
3阶河内塔的状态图
14
第2章 搜索技术
河内塔问题图解
(1)
(1,1)
(3,1)
(2,1)
(3,2)
(2,3)(2)(3) Nhomakorabea(1,1,1)
(2,2) (1,2) (1,3) (3,3)
(3,1,1)
(2,1,1)
(3,2,1)
第2章 搜索技术
河内塔问题形式化
• 初始状态
• 初始状态向量—规定向量中各分量对应所有 n个盘子，位置上数字代表3个柱子之一
• 后继函数
• 移动规则—依据约束条件给出的各状态的后 继状态
• 目标测试
• 新向量是否是目标状态(也是向量形式)
• 路径耗散函数
4
第2章 搜索技术
2.1.1 问题与问题的解
• 问题可以形式化地定义为4个组成部分
• 智能体的初始状态(即搜索的开始) • 后继函数—智能体采取的可能行动的描述，
通常为<行动，后继状态> / 初始状态和后 继函数隐含地定义了问题的状态空间 / 状 态空间中的一条路径是通过行动序列连接起 来的一个状态序列 • 目标测试—检查给定的状态是不是目标 • 路径耗散函数—每条路径都有一个数值化的 耗散值，反映了性能度量 / 求解问题的代 价
5
第2章 搜索技术
问题的解
• 问题的解就是初始状态到目标状态的路 径
• 解的优劣由路径耗散函数量度(代价)
• 最优解就是路径耗散函数值最小的路径
• 上述解题过程把解决一个问题的过程描 述出来，称之为解题知识的过程性表示
• 过程性知识与陈述性知识相对
• 搜索过程解题的特点—没有直接的方法 (公式)可以求解，而是一步一步的探索
8
第2章 搜索技术
2.1.2 问题实例
• 玩具问题
• 八数码游戏(九宫图) • 河内塔 • 八皇后问题 • 真空吸尘器世界
• 现实问题
• 旅行商问题 • 超大规模集成电路的布局 • 自动装配排序 / 蛋白质设计 • 互联网搜索
9
第2章 搜索技术
八数码游戏
• 八数码游戏：1-8数字(棋子)/9个方格(棋盘格)/1 个空格
• 描述：设每个状态为(a1, a2, a3, …, an), ai=1, 2, 3—表示第i个盘子在第1/2/3根柱 子上
13
第2章 搜索技术
河内塔(2)
• 递归定义：{(a1, a2, a3, …, an)}为n阶河内 塔的状态集合，则{(a1, a2, a3, …, an, 1), (a1, a2, a3, …, an, 2), (a1, a2, a3, …, an, 3)} 是n+1阶河内塔的状态集合
• 约束规则：不使离开既定位置的数字数增加
10
第2章 搜索技术
八数码游戏的搜索树
既定位置=终态
Begin 1 5 2
4
3
678
152 43
678
*1
2
453
678
*1 5 2 43 678
152
473
6
8
*
12 453 678
12 453 678
*
15 432 678
152 438 67
*1 2 3 45 678