本章探讨了在解决问题时超越传统搜索算法的方法，重点介绍了局部搜索算法在最优化问题中的应用，如模拟退火、遗传算法和局部束搜索。这些算法在不确定性和部分可观察的环境中表现出色，并在无法预知完整状态空间的情况下找到解决方案。同时，文章讨论了爬山法及其局限性，以及随机化版本的改进策略，如随机爬山法和随机重启爬山法。遗传算法作为一种随机束搜索的变形，通过结合父状态生成后代，以适应不断变化的状态空间。
第四章 超越经典搜索
4.0 绪论
4.1&4.2 ：状态空间的局部搜索
这些算法适用于那些关注解状态，而不是路径代价的问题。
局部搜索算法包括：
- 模拟退火法
- 遗传算法
4.3&4.4
不再强求环境的确定性和可观察性。
主要思想：Agent不能准确预测传感器的接收，那么它需要考虑当传感器接收到应急情况发生时该做什么。
由于只具备部分可观察性，Agent需要跟踪可能的状态。
4.5
讨论在线搜索， Agent面对的是完全未知的空间，要从头开始搜索
4.1 局部搜索算法和最优化问题
1. 局部搜索算法从单个当前节点（不是多条路径）出发，通常只移动到它的临近状态，一般不保留搜索路径。
有两个优点：
- 只用很少的内存
- 能在系统化算法不使用的很大的或无限的（连续的）状态空间中找到合理的解。
对于解决最优化问题十分有用，其目标是根据目标函数找到最佳状态。
2. 爬山法
- 2.1—最陡上升版本<
最低0.47元/天 解锁文章
314
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
