zoukankan      html  css  js  c++  java
  • 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)

  • 相关阅读:
    (转)Java 详解 JVM 工作原理和流程
    sql复杂查询语句总结
    公众平台服务号、订阅号、企业号的相关说明
    新公司注册流程
    认缴出资额和实缴出资额的区别
    ***iOS学习之Table View的简单使用和DEMO示例(共Plain普通+Grouped分组两种)
    APP后端处理视频的方案
    iOS应用程序生命周期(前后台切换,应用的各种状态)详解
    app后端搜索入门
    APP后端处理表情的一些技巧
  • 原文地址:https://www.cnblogs.com/zhanghad/p/12483761.html
Copyright © 2011-2022 走看看