【人工智能导论】搜索问题(Search Problem)第一部分：无信息搜索(Uninformed)与有信息搜索(启发式搜索)

UVCofficial

已于 2024-09-20 00:21:44 修改

阅读量1.6k

点赞数 17

分类专栏：人工智能导论文章标签：人工智能图搜索算法启发式算法算法

于 2024-09-19 21:31:14 首次发布

本文链接：https://blog.csdn.net/UVCofficial/article/details/137412840

版权

系列文章目录

搜索问题第一部分无信息搜索与有信息搜索(启发式搜索)
搜索问题第二部分约束满足问题(Constraint Satisfaction Problem)和局部搜索(Local Search)算法
搜索问题第三部分对抗性搜索(Adversarial Search)和蒙特卡洛树搜索(Monte Carlo Tree Search, MCTS)

文章目录

系列文章目录
前言
一、搜索问题介绍
二、无信息搜索：深度优先搜索DFS、广度优先搜索BFS、迭代加深搜索IDS与一致代价搜索UCS
三、启发式搜索：A*搜索

前言

搜索问题可以是一个很简单的问题，也可以是一个相对复杂的问题。本文是系列文章的第一篇，将介绍几种搜索问题的基础算法，如一致代价搜索(UCS)、A*搜索等，其中A*搜索比较重要。
在接下来的几篇文章中，我会介绍约束满足问题(Constraint Satisfaction Problem)，这是一类状态具有结构的搜索问题，如八皇后问题；也会介绍一些局部搜索(Local Search)算法，比如经典的爬山法(Hill Climbing)、模拟退火算法(Simulated Annealing)、局部集束搜索(Local Beam Search)和遗传算法；在本系列文章的结尾，我会介绍对抗性搜索(Adversarial Search)和蒙特卡洛树搜索(Monte Carlo Tree Search, MCTS)。

一、搜索问题介绍

智能体(Agent)大体可以分为两种，反射型智能体和规划型智能体。反射型智能体只能根据它对于现状的认知(percept)做出一个单独的动作，而规划型智能体则会做出一系列的动作(a1,a2,a3,……)（称作solution，解决方案）。要想知道究竟要采取哪些动作就需要用到搜索的方法。

一个抽象的搜索问题包含：

状态空间S
初始状态s₀
在每个状态可以采取的所有动作A(s)，s是状态空间中的一个状态。
转移模型Result(s,a)，s是当前状态，a是要采取的动作。
检测是否达到目标状态的函数G(s)
动作代价c(s,a,s')，其中s是当前状态，a是将要采取的动作，s’是采取动作后转移到的新状态

二、无信息搜索：深度优先搜索DFS、广度优先搜索BFS、迭代加深搜索IDS与一致代价搜索UCS

这几种无信息搜索算法就是大家在算法课上学到的DFS以及BFS的本体或变种，它们都有树搜索和图搜索两个版本。
先介绍两个性质：完备性和最优性。完备性是指如果存在解决方案solution，则算法保证可以找到；最优性是指算法保证可以找到花费最低的路径。
深度优先搜索DFS：它的策略是优先扩张最深的节点，边缘集是一个LIFO后进先出的栈。

完备性：如果搜索图中不存在环，则可以保证找到解决方案（如果存在）。
最优性：没有最优性，不能保证获得代价最小的解决方案，DFS只能获得最“左”的路径。
复杂度：假设b是分支因子(每个父节点的孩子节点数)，m是最大深度，则有：
时间复杂度：O( b^m )
空间复杂度：O( bm )，因为只有这条路径上的节点（b个）和它们的兄弟节点（每个节点有m-1个兄弟节点）加入了边缘集。

广度优先搜索BFS：它的策略是优先扩张最浅的节点，边缘集是一个FIFO后进先出的队列。

完备性：BFS具有完备性。
最优性：如果每一条边的代价都相同，则可以找到最优解；如果不相同，则不能。
复杂度：假设b是分支因子(每个父节点的孩子节点数)，d是所有目标节点中的最小深度，则有：
时间复杂度：O( b^d )，
空间复杂度：O( b^d ).

迭代加深搜索IDS：迭代加深搜索IDS可以看作是DFS或BFS改进算法，它的目的是用DFS的空间复杂度和BFS的时间复杂度获得BFS可以搜索到的最优解。
IDS实现思路比较简单：在DFS搜索外面套一个大循环，然后人为限制DFS的深度，如果在当前深度没有找到解，则让探索深度+1，再次执行DFS，如此循环直到找到解。因为每次迭代都是执行