考点
海伯伦解释不考
与或树的启发式搜索不考
考博弈树
不存在定义证明
置换时注意置换是项置换变元
DFS时注意要搜索叶结点
10min验算概率
确定性推理
按确定性分类和按启发性分类
一、推理的控制策略
- 推理方向控制策略
- 求解策略
- 限制策略
- 冲突消解策略
二、产生式系统
- 正向推理:直观但无明显目标
- 逆向推理:目标明确,用户对解认识不清时,系统自主选择假设目标的盲目性较大。
- 双向推理
自然演绎推理
- 一阶谓词逻辑
- 置换
- 合一
- 最一般合一
归结演绎推理
- 子句集的化简
F不可满足 <=> F的标准子句集不可满足 - 鲁滨逊归结原理
- 谓词逻辑的归结原理
- 谓词逻辑的归结反演
归结策略 | 优缺点 | 其他 |
---|---|---|
排序策略 | 归结效率低 | 能找到最短归结路径 |
删除策略 | 缩小搜索范围,减少比较次数 | 纯文字、重言式、包孕删除法 |
支持集策略 | 效率较高 | 每次归结都有目标公式(否定形式)或其后代参与 |
线形输入策略(限制策略) | 每次归结都有初始子句参与 | |
祖先过滤策略(限制策略) | 1. 每次归结都有初始子句参与 2. 参与归结的一个子句是另一个子句的先辈子句 | |
单文字策略 (限制策略) | 不具有完备性,子句集不满足不一定能推出NIL | 每次归结都有单文字子句参与 |
- 用归结反演求取问题的答案
搜索策略
状态空间法
- “状态”的形式化描述方法
- “操作”的形式化描述方法
一、问题归约法 - 与树
- 或树
盲目搜索(DFS,BFS,代价一致)
算法 | 算法思想 |
---|---|
通用 | (1)把初始节点S0放入Open表, 建立一个CLOSED表,置为空 |
(2)检查Open表是否为空表,若为空,则问题无解,失败退出 | |
(3)把Open表的第˜一个节点取出放入Closed表,并记该节点为n | |
(4)考察节点n是否为目标节点,若是则得到问题的解成功退出 | |
(5)若节点n不可扩展,则转第(2)步 | |
BFS | (6)扩展节点n, 将其子节点放入Open表的尾部,并设置指向父节点的指针, 转(2) |
DFS | (6)扩展节点n, 将其子节点放入Open表的首部,并设置指向父节点的指针, 转(2) |
代价一致 | (6)扩展节点n, 将其子节点按各个节点的代价g(ni)排序放入Open表的尾部,并设置指向父节点的指针, 转(2) |
启发式搜索(A*算法)
算法 | 估价函数 |
---|---|
A算法 | f(n)=g(n)+h(n),g(n)是从初始节点S0 到n的实际代价;h(n)是从n到目标Sg的最优路径的估计代价 |
A*算法 | g(n)是对最小代价g*(n)的估计,且g(n)>0;对任意节点n均有h(n)≤h*(n),h(ni)-h(nj)≤c(ni, nj) |
- A*算法
- 可纳性
- 最优性
- 定理
定理4.5 如果h满足单调条件,则当A算法扩展节点n时,该节点就已经找到了通往它的最佳路径,即g(n)=g(n)。
定理4.6 如果h(n)满足单调限制,则A*算法扩展的节点序列的f 值是非递减的,即f(ni )≤f(ni+1 )。
博弈树
剪枝
概率公式
一、联合概率分布
-
A joint distribution over a set of random variables: specifies a real number for each assignment (or outcome):
-
An event is a set E of outcomes
二、边缘概率分布
三、条件概率分布
,(逗号)相当于交集。
如果x与y相互独立,则下式成立
四、概率推断
-
Chain rule
-
贝叶斯规则
贝叶斯网络
A Bayes net = Topology (graph) + Local Conditional Probabilities
- 只有变量绝对独立的分布才能由没有弧的贝叶斯网络表示。
相互独立性
d-separation?
基于网络的概率计算
-
枚举(精确,指数复杂度)
-
变量消除(精确,最坏情况下的指数复杂度,通常更好)
-
推断是NP完全的
-
采样(近似)
疑问
A算法局部择优有啥用吗