人工智能学习（三）：通过搜索进行问题求解——有信息搜索

小羊和小何

已于 2022-05-28 17:11:31 修改

阅读量4.1k

点赞数 4

分类专栏：人工智能基础文章标签：学习算法人工智能

于 2022-05-23 20:15:06 首次发布

本文链接：https://blog.csdn.net/Abner98414/article/details/124927282

版权

引言

2.1 贪婪最佳优先搜索

2.2 贪婪最佳优先搜索 V.S. 一致代价搜索

引言

有信息搜索又称为启发式搜索：

使用问题本身的定义之外的特定知识——比无信息的搜索策略更有效地进行问题求解。

最佳优先搜索（best-first search）：

我们要考虑的一般算法称为最佳优先搜索。最佳优先搜索结点是基于评价函数 $f(n)$ 值被选择扩展的。评估函数被看作是代价估计，因此评估值最低的结点被选择首先进行扩展。

最佳优先图搜索的实现与一致代价搜索类似，不过最佳优先是根据 $f$ 值而不是 $g$ 值对优先级队列排队。

启发函数（heuristic function）：

对 $f$ 的选择决定了搜索策略（深度优先搜索是最佳优先树搜索的特殊情况）。大多数的最佳优先搜索算法的 $f$ 由启发函数构成：

$h(n)=$ 结点 $n$ 到目标结点的最小代价路径的代价估计值

（要注意的是 $h(n)$ 以结点为输入，但它与 $g(n)$ 不同，它只依赖于结点状态）。

若n是目标结点，则 $h(n)=0$ 。

启发式函数常用的测距方法：

曼哈顿距离

两点之间沿着坐标轴方向的累积距离 $d=(x_1-x_2) + (y_1-y_2)$

欧几里得距离

两点之间的直线距离 $d = \sqrt{(x_1-x_2)^2 +(y_1-y_2)^2}$

描述一下下面使用的问题情景：

在地图中寻找起始城市到达目标城市的路径。如未指明，起始城市默认为： $Arad$ ；目标城市默认为： $Bucharest$ 。

启发式函数 $h(n)$ 默认使用直线距离：

2.1 贪婪最佳优先搜索

贪婪最佳优先搜索（greedy best-first search）：

贪婪最佳优先搜索试图扩展离目标最近的结点，理由是这样可能可以很快找到解。

启发函数：

只用启发式信息，即 $f(n)= h(n)$ 。

将此算法应用在罗马尼亚问题中；使用直线距离启发式，记为 $h_{SLD}$ 。如果目的地是 $Bucharest$ ，我们需要知道到达 $Bucharest$ 的直线距离，如图所示。 $h_{SLD}$ 不能由问题本身的描述计算得到。而且，由经验可知 $h_{SLD}$ 和实际路程相关，因此这是一个有用的启发式。

下图给出了使用 $h_{SLD}$ 的贪婪最佳优先搜索寻找从 $Arad$ 到 $Bucharest$ 的路的过程：

从 $Arad$ 出发最先扩展 $Sibiu$ ，因为与 $Zerind$ 和 $Timisoara$ 相比，它距离 $Bucharest$ 最近。
下一个扩展的结点是 $Fagaras$ ，因为它是离目标最近的。
$Fagaras$ 接下来生成了 $Bucharest$ ，也就是目标结点。

完备性：贪婪最佳优先搜索不是完备的。

贪婪最佳优先搜索与深度优先搜索类似，即使是有限状态空间，它也是不完备的。考虑从 $lasi$ 到 $Fagaras$ 。

理想状态下，启发式建议先扩展 $Neamt$ ，因为它离 $Fagaras$ 最近，但是这是个死胡同。解法是先到 $Vaslui$ ——根据启发式这是离目标较远的一步，然后继续前往 $Urziceni$ ， $Bucharest$ 到 $Fagaras$ 。

然而，算法始终找不到这个解，因为扩展 $Neamt$ 则将