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）

posted @ 2020-03-12 23:47  张浩东zhanghad  阅读(1176)  评论(0)  编辑  收藏  举报