人工智能--启发式搜索

人工智能
-----启发式搜索
一．问题背景
人工智能的宗旨是寻找一种有效的方式把智能的问题求解、规划和通信技巧应用到更广泛的实际问题中，集中于不存在算法解的问题，这也是为什么启发式搜索是一种主要的AI问题求解技术的原因。

对于人工智能系统而言，问题可能状态的数量随搜索的深入呈现指数或阶乘增长，为了明智地找出正解，将沿最有希望的路径穿越空间来降低这种复杂性，这便是启发式求解。

把没有希望的状态及这些状态的后代排除，这样便可以克服组合爆炸，找到可接受的解。

二．基本简介
启发式求解对问题求解过程中下一步要采取的措施的一种精明猜测，是建立于强大的知识库的由经验总结出的求解方式。

简单的启发可以排除搜索空间的绝大部分。

启发式搜索由两部分组成：启发度量及是有这个度量进行空间搜索的算法。

下面介绍两种算法
1.爬山法
爬山策略在搜索中现扩展当前状态，然后再评估它的“孩子”。

而后选择“最佳的”孩子做进一步扩展；而且过程中既不保留它的兄弟姐妹，也不保留它的双亲。

因为这种策略不保存任何历史记录，所以它不具有从失败中恢复的能力。

图1 使用3层预判的爬山方法遇到的局部最大化问题
爬山策略的一个主要问题是容易陷入局部最大值。

如果这种策略达到了一个比其他任何孩子都好的状态，它便停止。

因此为了提高性能，需要局部改进评估多项式。

2.最佳优先搜索算法
最佳优先搜索算法使用了优先级队列，使得从诸如陷入局部优先等情况中恢复成为可能，从而使启发式搜索更加灵活。

最佳优先搜索算法使用列表来维护状态：用open列表来记录搜索的当前状态，用close列表记录已经访问过的状态。

在这种算法中新加的一步是对open 中的状态进行排序，排序的依据是对状态与目标“接近程度”的某种启发性估计。

最佳优先搜索算法总是选择最有希望的状态做进一步扩展。

然而由于他正在使用的启发可能被证明是错误的，所以它并不抛弃所有状态而是把他们维护在open中。

一旦发现启发将搜索引导到一条证明不正确的路径，那么算法会从open 中取出一些以前产生的“次优先”的状态，从而把搜索的焦点转移到空间的另一部分。

以8格拼图游戏为例进行启发式搜索：
图2 游戏目标
构造一个评估函数f，它是两个分量的和：
f(n)=g(n)+h(n)
其中：g(n)是从任意状态n到起始状态的实际路径长度，h(n)是对状态n到目标距离的启发性估计（在此表示错位的牌数）
目前该游戏h=4；
图3 对8格拼图游戏进行启发式搜索而产生的状态空间归纳起来，最佳优先算法就是
1）操作当前状态以产生新的孩子
2）检查每个新状态，看其是否已经（在open或close中）出现过，以防止循环
3）给出每个状态n的f值，这个值等于该状态在搜索空间中的深度g（n）和它与目标距离的启发性估计h（n）的和。

4）open中的状态是按它们的f值排序的，在分析了所有状态或发现目标之前，所有状态都被保存在open中，这样做使算法可以从死端（dead end）恢复5）从现实角度来看，可以通过改善维护open和close列表的方法来提高
算法的效率。

三．现有工作
实际生活中，启发式搜索主要应用于专家系统，例如“深蓝”与象棋高手之间的博弈、财务统计及顾问、一些复杂算法的求解……它的内容也正逐步扩展，从传统的爬山和动态规划算法到最佳优先搜索，再到二人游戏中的极小极大和α-β剪枝的预判来尝试预测对手的行为。

启发式搜素依然存在其弊端，例如博弈过程中，对手改变惯有套路，就难以在智能机器知识库中搜索，从而无法做出正确解答。

当然，人们对于启发式搜索的探索正逐步深入……
四．我的想法
在人工智能中，搜索就像红线将用户与计算机强大的知识库相连，而在此，启发式搜索之所以占有一席之地，在于其高效、快速的搜索。

在将来，它的主要目的将是帮助人们探索那些未解之谜。

为了增强其准确性，则需要更加全面的知识信息，因为信息的更高启发是更好的启发。