【人工智能】搜索

1.问题求解智能体 agent

（1）搜索：

智能体模拟一系列动作，并进行搜索，直到找到一个能到达目标的动作序列或发现问题无解。

完全可观测的、确定的、已知的环境中，任何问题的解都是一个固定的动作序列。 

（2）搜索问题和解：

• 状态空间：可能的环境状态集合。 state space
• 初始状态 initial state
• 一个或多个目标状态集合 goal state
• 智能体可以采取的行动 action
• 转移模型 transition model 每个动作所起到的作用
• 动作代价函数 action cost function
• 路径 path 一个动作序列
• 解：是一个动作序列（路径）从初始状态到某个目标状态的路径
• 最优解 optimal：所有解中路径代价最小的解

2.搜索算法 search algorithm

(1)状态空间图

• 结点： 状态空间中的一个状态
• 弧： 表示后续
• 目标节点： 一个/一组目标节点
• 在搜索图中，每个状态只发生一次
• 占据内存空间太大

（2）搜索树

搜索树中有重复的状态

（3）问题求解性能分析

• 完备性
• 最优解
• 时间复杂度
• 空间复杂度

3.无信息搜索 uninformed search

（1）BFS

• 时间复杂度：
• 空间复杂度：
• 最优解：所有动作代价相同时最优，否则不一定。因为BFS一定会先找到最浅层的解，这个解所进行的动作一定最少，每个动作相同代价时，该解一定是最优解。
• 完备性：是 

（2）UCS

• 使用优先级队列，评估从根到当前节点的代价
• 完备性：是
• 最优解：是
• 缺点：没有关于目标位置的信息 

（3）DFS

• 直接到达搜索树的最深层，然后回退
• 时间复杂度：
• 空间复杂度：
• 完备性：否。有环/无限状态空间，陷入无限循环。对于树形有限空间是完备的。
• 最优解：否。返回找到的第一个解。
• 为了避免搜索过程陷入无穷分支的死循环，提出有界深度优先搜索。

4.启发式搜索 informed search

（1）启发函数 heurisric function  h(n)：

估计一个状态距离目标状态的距离。

例如：曼哈顿距离；欧氏距离。

（2）贪心搜索 greedy search f(n)：

策略：扩展下一个状态到你认为最接近目标状态的节点

常见的错误：直接到达最短

（3） 搜索

f(n)=g(n)+h(n)

• f(n):评价函数
• g(n)：初始节点到节点n的实际代价
• h(n)：节点n到目标状态的估计代价

 结合了UCS和Greedy

当目标状态dequeue的时候算法才结束。

（4）admissible heuristic function：

optimistic，never outweigh true costs

证明：搜索是最优的

Assume:

• A is an optimal goal node
• B is a suboptimal goal node
• h is admissible

claim:

• A will exit the fringe before B

Proof:

• imagine B is on the fringe
• some ancestor n of A is on the finge,too

claim:n will be expanded before B

All ancestors of A expand before B

A expands before B

一致代价UCS在所有方向上等可能的拓展，搜索主要朝着目标拓展，而且能够保证最优性。