2018.3.20
有一些問題無法通過單獨的行動得出解，需要行動序列達到目標，則需要使用搜尋法。
目標形式化：基於當前的情形和智慧型體的效能度量進行目標形式化
formulate-goal(state)
問題形式化：在給定目標下確定需要考慮哪些行動和狀態。
formulate-problem(state， goal)
搜尋：尋找能夠達到目標的行動序列
search(problem)
初始狀態、行動、轉移模型、目標狀態、路徑耗散
從玩具問題過渡到現實世界問題
玩具問題可以用來檢驗新的搜尋演算法的能力
形式化：狀態、初始狀態、行動、轉移模型、目標測試、路徑耗散、後繼函式
八數碼問題：3*3的格仔中有乙個空位置，通過移動將其按順序排好
八皇后問題：8*8的棋盤上擺放8個棋子，使其橫豎斜三方向均沒有其他棋子
履行問題、 旅行商問題（tsp）、 vlsi佈線問題、 機械人導航問題、自動裝配序列問題
初始狀態：搜尋樹的根節點
行動：搜尋樹的每條連線
結點：問題狀態空間中的狀態
擴充套件：在當前狀態上選擇行動
邊緣：所有待擴充套件的葉子節點的集合
搜尋策略：如何選擇要擴充套件的狀態
探索集：記錄每乙個已擴充套件的節點，新生成的節點如果與探索集中重合，則不考慮該結點，用於避免迴路。
定義樹中每個結點的資料結構 佇列
評價效能的標準
複雜度的表達
評價搜尋有效性—搜尋代價，通常由時間複雜度和空間複雜度決定
生成後繼、區分目標狀態與非目標狀態
考慮了每一步的代價不同的搜尋。
若訪問到已經探索過的節點，則會比較現在的代價和以前的代價大小，若當前訪問路徑的代價小，則會替換掉原先的訪問路徑。同時在訪問邊緣節點時，也會先選擇代價最小的節點。
解決辦法：lifo(last in first out) 棧
效能：
回溯搜尋：與深度優先搜尋類似，空間複雜度只需要o(m)，即不擴充套件每乙個行動，而是乙個乙個擴充套件
難點：如何向後搜尋，部分問題可以向後搜尋，但有些問題向後搜尋會使得分子引子很大。
保證最優的條件：
將迭代加深的思想用在啟發式演算法中。迭代加深a*演算法，ida*演算法。
原來的迭代加深演算法截斷值是搜尋深度，現在改為f代價。
記憶體受限a*(ma*) 簡化記憶體受限a*(sma*)
對於八數碼問題的啟發式函式有兩個常用的，兩個啟發式函式都沒有超過實際的解代價
啟發式的設計對有效分支因子的值有影響。
一般來說啟發式使用值更大的函式是更好的。
鬆弛問題：減少了行動限制的問題，狀態空間是原有狀態空間的超圖，多了很多邊。
意義：乙個鬆弛問題最優解的代價，是原問題的可採納啟發式。
生成：通過去掉經過形式化的原問題的乙個或幾個條件可以形成鬆弛問題。
最優鬆弛問題：可以比較生成的鬆弛問題的最優解的代價，選擇最大的最優解代價的鬆弛問題。
除此之外還可以通過從子問題除法設計可採納的啟發式和從經驗中得到啟發式等。
人工智慧 一種現代方法 第1章 緒論
人工智慧 ai artificial intelligence is the science of machines that think humanly 認知建模 think rationally 思維法則 act humanly 圖靈測試 act rationally 理性agent 上面這個定...
人工智慧 一種現代的方法 第2章 智慧型Agent
agent的本質，完美性，環境多樣性，分類 環境agent感知序列 該agent所接收到的是所有輸入資料的完整歷史。agent函式 描述agent行為，將任意給定感知序列對映為行動 agent程式 人造agent函式的實現。理性的概念 理性對每個可能的感知序列，根據已有的感知序列提供的證據和agen...
人工智慧 一種現代方法 第4章 超越經典搜尋
2018.3.23 很多現實生活中的最優化問題目標與路徑是不相關的，諸如布局問題 八皇后問題。區域性搜尋演算法對於解決純粹的最優化問題十分有效，根據目標函式找到全域性最優狀態。即代價的全域性最小值，目標函式的全域性最大值。定義 不斷向值增大的方向移動，直到到達區域性最優 也被稱為貪婪區域性搜尋，貪婪...