人工智能：一种现代方法——复习笔记4

最新推荐文章于 2025-04-29 17:57:56 发布
最新推荐文章于 2025-04-29 17:57:56 发布
阅读量644 收藏 9
点赞数 9
文章标签： 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LYQ_19839405402/article/details/135439586
版权
本文探讨了在连续空间中应用局部搜索算法解决建机场等优化问题的方法，包括爬山法、模拟退火、梯度优化和约束优化。还涉及如何处理连续问题的离散化，以及在不确定性和无传感器环境下的搜索策略，如信念状态空间搜索和扩展转移模型的应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

连续空间中的局部搜索

建机场的优化问题

使用已有的局部搜索算法

首选爬山法和模拟退火能够处理连续状态和动作空间。连续空间的分支因子是无限的，最陡爬山、随机爬山、局部束搜索要产生无限个后继，不可行。
遗传算法对状态编码，假设n个01位，最多表示2n个状态，无法表示连续空间的无限多个状态。

将连续问题离散化

处理连续状态空间的一种方法是离散化（discretize）。例如，我们可以将(xi, yi)的位置限制在矩形网格上间距为\delta的固定点，而不是允许它的位置可以为连续二维空间中的任意点。

首选爬山法和模拟退火法不用离散即可使用，随机生成长度为\delta的向量

使用梯度：求解\triangledown f= 0

最低0.47元/天 解锁文章
人工智能原理课程复习——（6）复杂环境搜索
GOLD1010的博客
06-05 615
此处的不确定性指的是动作结果的不确定性，此处假设环境是完全可观察的即Agent做一个动作，可能会导致多个结果出现因此对应于转移模型就会有多个状态，如下图中执行suck这个动作，可能会得到5这个状态也可能得到7这个状态因此现在的解不再是动作序列，而是一个条件规划因为我此刻不知道我现在是属于什么状态，所以我必须加上条件，来确定我在哪个状态，从而执行相应的动作，这就意味着解是以”树“的形式出现下面介绍一下与或树的概念与或树：即将所有可能的预测和更新进行组合，其中方块代表或结点，圆块代表与结点。
人工智能：一种现代方法——复习笔记3
LYQ_19839405402的博客
01-06 1414
进化算法（evolutionary algorithm）可以看作随机束搜索的变体，算法的动机明显来自生物学中自然选择的隐喻：一个由个体（状态）组成的种群，其中最适应环境（值最高）的个体可以生成后代（后继状态）来繁衍下一代，这个过程被称为重组（recombination）。然而，使用一个好的启发式函数，复杂性可以大大降低，对于某些问题可以达到O(bm)。在每次迭代中，它都会做出在当前看来最优的（即可以最接近目标的）选择，但这也会导致贪心法在全局意义上可能产生比谨慎的算法更糟糕的结果。
【人工智能 一种现代方法】搜索-复习
weixin_43877335的博客
06-23 2088
（1）理性AgentAgent：通过传感器感知环境，通过动作执行器执行动作反馈到环境。Agent感知序列是agent所收到的所有输入数据的完整历史。Agent的行动选择取决于到目前时刻为止agent的整个感知序列。Agent函数通过agent程序实现，agent函数是将感知序列映射到agent的行动。理性依赖于：定义成功标准的性能度量；Agent对环境的先验知识；Agent可以完成的行动；Agent截止到此时的感知序列。理性：产生好的行为，做正确的事。理性Agent根据目前为止的感知和Agent具有的对环境
人工智能第四章——超越经典搜索（局部搜索）
the Blog of 等不到天亮丶等时光
07-05 1万+
摘要 本文讨论的是人工智能里面的局部搜索策略，本文会讲明白： 1）什么是局部搜索？ 2）一些局部搜索策略 3）动作具有不确定性时、无传感器时、部分可观察时，怎么搜索？ 4）联机搜索 前言 无需多言，以一针见血，画龙点睛为第一要务。 一、局部搜索 在之前章节中讨论的无信息搜索和有信息搜索都是在可观察、确定的、已知的环境之下的搜索。 本章将不受这些环境性质的约束。讨论局部搜...
人工智能第4章 超越经典搜索
weixin_42062229的博客
06-07 859
人工智能第4章 超越经典搜索
贝叶斯状态空间
01-04
态变量(state variables)是指在系统中所含变量个数最少的变量，也就是决定系统状态的最小数目的变量的有序集合，有时也称为状态向量（state vector）。
人工智能：一种现代的方法——复习笔记1
LYQ_19839405402的博客
12-26 863
一个动作序列形成一条路径（path），而解（solution）是一条 从初始状态到某个目标状态的路径。也就是说，一条路径的总代价是各个动作代价的总和。最优解 （optimal solution）是所有解中路径代价最小的解。图搜索不允许重复访问结点，即OPEN表 ∩ CLOSED表 = ø，此处重复的结点不一定是父节点。的波（首先是深度1，然后是深度2，以此类推）中展开，一致代价搜索算法的思想是在。先扩展根节点，然后扩展根节点的所有后继节点，再扩展后继节点的后继。对内存要求高，生成的结点数是指数级的。
人工智能：一种现代的方法——复习笔记2
LYQ_19839405402的博客
01-03 1183
先扩展根节点，然后扩展根节点的所有后继节点，再扩展后继节点的后继，以此类推这是一种系统的搜索策略，因此即使在无限状态空间上也是完备的广度优先搜索总是能找到一个动作最少的解，因为当它生成深度为d的节点时，说明它已经生成了深度为d - 1的所有节点，如果其中一个节点是解，它应该已经被找到了。这意味着，对于所有动作都具有相同代价的问题，它是代价最优的，但对于不具有该特性的问题，则不一定是最优的。这两种情况都是完备的所有节点都存储在内存中，所以时间复杂性和空间复杂性都是 O(b^d)
深度学习理论与实践——课程笔记（一）
satisfiedmin的博客
11-06 3413
目录 课程前言 什么是人工智能？ 什么是机器学习？ 什么是深度学习？ 什么是计算机视觉？ 什么是自然语言处理？ 课程前言 什么是人工智能？ Artificial Intelligence: also called machine intelligence, means any device that percieves its environment and takes actions that maxmize its chance of successfully achieving i.
牛顿-拉夫森（Newton-Raphson）方法求解Rosenbrock：帮助我的正在学习人工智能的学生理解第4.2节（在连续空间中进行局部搜索）-matlab开发
05-28
参考书是Prentice Hall的Stuart Russell和Peter Norvig撰写的“人工智能-一种现代方法（第3版）”。
人工智能 一种现代方法 第4章 超越经典搜索
知行合一，止于至善
07-10 3876
文章目录局部搜索算法和最优化问题爬山法（贪婪局部搜索）模拟退火搜索(Simulated annealing search)局部束搜索（Local beam search）遗传算法（Genetic algorithm，GA）连续空间中的局部搜索使用不确定动作的搜索使用部分可观察信息的搜索无观察信息的搜索（无传感器问题、相容问题、不可观察问题）部分可观察问题联机搜索总结资源分享 局部搜索算法和最优化问...
【人工智能】第四章 超越经典搜索
qiaojian0004的博客
11-11 955
4.1 局部搜索算法和最优化问题 1）局部搜索算法： a）从单个当前结点（而不是多条路径）出发，通常只移动到它的邻近状态，一般情况下不保存搜索路径； b）优点：它们只用很少的内存（通常为常数）；它们经常能在系统算法不是用的很大或无限的（连续的）状态空间中找到合理的解； 2）爬山法： a）概念：简单的循环过程，不断向值增加的方向持续移动（登高），到达一个“峰顶”（局部极大值）时终止； b）
超越经典搜索算法汇总
qq_21746331的博客
06-01 936
前言0x01 离散空间的局部搜索0x01.1 爬山法0x01.2 模拟退火法0x01.3 局部束搜索0x01.4 遗传算法0x02 连续空间中的局部搜索0x03 局部搜索算法汇总 前言 在经典搜索算法中，搜索过程是系统的探索状态空间，通过在内存中保留一条或多条路径和记录路径中的每个结点的选择，当找到目标的时，到达目标的路径就是问题的一个解，比如说在罗马尼亚问题中，关注的是到达目标状态的路径，因此在搜索的过程中，需要在内存中保留一颗搜索树，这对内存是很大的挑战，或者说这类问题有着无限的状态空间，这甚至可能直.
局部搜索（爬山法+模拟退火+遗传算法）
敲代码的乔帮主
09-23 7209
写在前面 我们讨论过了无信息搜索和启发式搜索，最后讨论完这个局部搜索，这个搜索部分终于是要结束了，局部搜索不同于前两者，无信息搜索和启发式搜索都是可观察、确定的、已知的情况进行的搜索过程。局部搜索没有了那些条件。它不关心路径代价但是关注解的状态。比如八皇后问题中，不关心是怎么到目的状态的，只关心最终布局对不对，许多重要应用都有这样的性质，如作业空间调度，自动程序设计等。 局部搜索：不关心路径，...
3 局部搜索算法（10-26）
我是一只小嵩鼠
12-15 8552
局部搜索算法考虑对一个或多个状态进行评价、改善、修改，而不是系统地探索从初始状态开始的路径。局部搜索算法对解决纯粹的最优化问题十分有用，算法的目标是根据估价函数或者目标函数找到最佳状态。
学习总结：局部搜索
热门推荐
ZL.Xiong
04-20 4万+
学习总结：局部搜索 通常考察一个算法的性能通常用局部搜索能力和全局收敛能力这两个指标。局部搜索是指能够无穷接近最优解的能力，而全局收敛能力是指找到全局最优解所在大致位置的能力。局部搜索能力和全局搜索能力，缺一不可。向最优解的导向，对于任何智能算法的性能都是很重要的。      局部最优问题(或叫局部峰值\局部陷井)：现实问题中，f在D上往往有多个局部的极值点。一般的
人智导（三）：局部搜索
SWY's Workshop
06-23 1万+
人智导（三）：局部搜索 标准的搜索问题 标准的搜索算法是基于模型的(model based) 这个模型化的世界有以下假设： 状态是可观察的(fully observable state) 动作效果是确定的(deterministic action) 状态空间是离散的(discrete state space) 搜索的目的：系统地探查状态空间，去发现从初始状态到目标的途径 放宽约束条件：一些现实问题的解决 标准搜索的扩展 现实应用中很多问题：发现目标，而非达到目标的路径 如何描述目标状态？ 显式定
10.学习笔记-MyBatisPlus(P105-P110)
zsysingapore的博客
04-29 238
比如有两张数据表，一张是员工表，一张是员工业绩表，通过员工的id关联，如果该员工离职，首先员工表的数据要被删除，对应的员工业绩表则成了垃圾数据，也要删除。通过Mp的api删除，是看不到被删除的数据，如果此时还想看到全数据（包括deleted=0以及deleted=1，就去Dao层写SQL语句。如果函数不支持Mp，恢复到最早的Mybatis，在数据接口层Dao中，继续用@select，下面添加sql语句。场景：八个人去抢最后的一个商品，会出现-1，-2，-3…抽象类不能直接用，我们使用的是抽象类的实现类。
Vue2+Vue3学习笔记
最新发布
tiantiantbtb的博客
04-29 603
v2v3https://v3.cn.vuejs.org/ 会重定向到Vue.js - 渐进式 JavaScript 框架 | Vue.jsVue.js - 渐进式的 JavaScript 框架从v2过渡到v3在F盘创建v2+v3学习笔记并用VSCODE打开。
电子科大人工智能期末复习笔记
01-08
### 关于电子科技大学人工智能课程期末复习资料 #### MDP与强化学习中的时间差分学习 在讨论到MDP（马尔可夫决策过程）和强化学习时，提到的一个重要概念是时间差分学习。这种学习方法通过估计当前状态的价值并利用下一个状态的实际奖励来调整价值函数，从而逐步优化策略[^2]。 ```python def td_learning(state, action, reward, next_state, value_function, alpha=0.1, gamma=0.9): """ 实现简单的时间差分学习更新规则 参数: state (int): 当前状态索引. action (int): 执行的动作. reward (float): 获得的即时奖励. next_state (int): 下一时刻的状态索引. value_function (dict): 存储各状态下V(s)值字典. alpha (float): 步长参数，默认为0.1. gamma (float): 折扣因子，默认为0.9. 返回: 更新后的value_function. """ # 计算TD目标 target = reward + gamma * value_function.get(next_state, 0) # 使用TD误差更新当前状态下的价值评估 old_value = value_function.get(state, 0) new_value = old_value + alpha * (target - old_value) value_function[state] = new_value return value_function ``` #### 概率论与贝叶斯网络的应用场景 对于概率论部分特别是贝叶斯网络的学习重点在于理解不同类型的依赖关系如何影响事件之间的关联度。具体来说，在处理复杂系统建模时只需记住间接因果、已知共同原因以及未知共同结果这三种情况即可推导其余情形下变量间的相互作用方式[^3]。 #### 复习范围内的实践案例分析 除了理论知识外还涉及到了一些具体的编程练习项目，比如基于A*算法解决八数码难题；运用ID3构建决策树模型进行分类预测任务；采用Q-Learning跟SARSA两种不同的增强型学习框架完成环境探索模拟——即著名的“悬崖行走”问题求解方案设计[^1]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值