人工智能搜索

搜索是人工智能很重要的一种解决问题的途径，以下对各种搜索进行一个分类总结。

首先是搜索的定义，我们要解决一个问题，要经过很多步骤才能达到最终的目标，搜索就是要找到这些步骤，即解决问题的方法。

搜索有其局限性，它必须依赖于现有的知识，它不能自己学习知识，人工智能解决问题的另外一种途径就是学习，通过学习可以创造或者吸取新的知识。

下面是正文

搜索（Search）

求解一个问题就是一系列动作，并且搜索是为达到目标寻找这些动作的过程。

针对不同数据结构：

• 图搜索

• 树搜索

 

经典搜索（Classic Search）

• 无信息搜索（uninformed search 即盲目搜索，没有除定义之外的信息）

  按照节点的扩展顺序区分

  • 宽度优先（breadth-first），用FIFO队列实现

  • 深度优先（depth-first）：拓展最深的未扩展节点，用LIFO队列实现

    • 深度受限搜索（depth-limited）：限制搜索深度

    • 迭代加深搜索（iterative deepening）：结合深度优先与宽度优先的优势

  • 一致代价搜索（uninform-cost）：扩展最低代价的未扩展节点

  • 双向搜索（bidirectional ）

  无信息搜索的策略评价

  • 完备性：是否总能找到一个存在的解

  • 时间复杂性

  • 空间复杂性

  • 最优性：是否总能找到最优的解

   

• 有信息搜索（informed search 亦称启发式搜索，采用问题定义外的信息，能够找到比无信息搜索更有效的解）

  • 最佳优先搜索（best-first）：基于评价函数选择最优拓展节点，大多数该类算法还包括一个启发式函数

    • 贪心搜索

    • A*搜索

以上的搜索是经典搜索，它们的特点是

• 可观测

• 确定性

• 已知环境

经典搜索保留搜索的路径，其路径就是问题的解

但在很多问题中，到达目标的路径不重要，因此就有了超越经典搜索

 

有路径-->无路径

超越经典搜索（Beyond Classical Search）

分为局部搜索与群体智能

• 局部搜索（local search）

  不关注路径，搜索后不保留路径，其优点为

  1.占用内存小

  2.能在大的或者无限的空间中找到合理的解

  • 爬山法（hill-climbing）：一种迭代算法，开始时随机选取一解，对其不断优化

    • 随机爬山法（Stochastic hill-climbing）：向上移动的过程中随机选择，收敛速度慢

    • 首选爬山法（First-choice hill-climbing）：随机生成后继节点，直到出现更好的

    • 随机重启爬山法（Random-restart hill-climbing）：完备性高，接近于1

  • 局部束搜索（Local Beam Search）

    • 随机束搜索（Stochastic Beam Search）

  • 禁忌搜索（Tabu Search）

    三种策略

    • 禁止策略（Forbidding strategy）

    • 释放策略（Freeing strategy）

    • 短期策略（Short-term strategy）

  • 模拟退火（Simulated Annealing）：一种在大搜索空间逼近全局最优解的元启发方法

  • 遗传算法（Genetic Algorithms）：一种模仿自然选择过程的启发式算法

• 群体智能（Swarm Intelligence）

  通过大量智能体通过合作实现，它是分布式的、自组织的、在一个环境内分布的。

  • 蚁群优化（Colony Optimization）：受蚁群寻炸食物的行为的启发，用于发现一个图上的最佳路径

  • 粒子群优化（Particle Swarm Optimization）：受鱼类，鸟类群体行为的社会行为启发

   

   

  单智能体-->多智能体

对抗搜索（Adversarial Search）

我们在针对其他智能体做规划时，那些智能体有可能也在做着规划

以上搜索针对单智能体，而对抗搜索针对多智能体

• 博弈（Game）

• 零和博弈（Zero sum games）：智能体之间完全对立

• 非零和博弈（Non-zero sum games）：智能体之间是自主的方式

• 完全信息（Perfect information）/不完全信息（Imperfect information）

• 确定性（Deterministic）/随机性（Stochastic）

  • 剪枝 （Alpha-Beta Pruning）

    博弈树的大小往往呈指数增加，通过剪枝，可以减小博弈树，加快搜索时间

  • 启发评价函数（Heuristic Evaluation Function）

    尽管通过剪枝可以去掉博弈树的大部分，但是搜索的深度依然很深，因此用评价函数计算在指定位置该博弈的期望值

  • 随机博弈（Stochastic Game）

    一种有一定概率转换的动态博弈

  • 蒙特卡罗方法（Monte-Carlo Methods）

    凭借重复随机采样来获得数值结果

  • 蒙特卡罗树搜索（MCTS Monte-Carlo Tree Search）

    将蒙特卡洛仿真与博弈树搜索相结合

 

约束满足问题（Constraint Satisfaction Problem）

状态必须满足若干约束的对象

标准搜索中状态不可分割，GSP中状态用因子表示，是一系列变量。

GSP问题通常复杂性很高

范畴

• 有限/无限

• 离散/连续

  约束

• 线性/非线性

• 1元/多元

• 回溯搜索（Backtracking Search）