计算智能搜索技术

搜索技术

人工智能求解领域的两大基本课题：知识表示、搜索技术。

人工智能解题程序的三个基本要素：一个综合数据库、一个智能算子、一个解释程序。

盲目搜索

• 指没有有用的知识作为指导的搜索。
• 通常对搜索空间中的状态进行穷举，容易导致组合爆炸。

1. 深度优先搜索（Depth-first Search, DFS）

​ 搜索策略: 总是扩展深度大的结点，直到找到目标结点(问题的解)

​ 算法描述:

​ 1). 用N表示初始结点列表(N待扩展)

​ 2). 如果N为空集，则退出并给出失败信号

​ 3). n取为N的第一个节点，并在N中删除结点n，放入已访问结点列表

​ 4). 如果n为目标结点，则退出并给出成功信号

​ 5). 否则，将n的子结点作为表头(第一个结点）扩展到N中，返回2步

​ 深度优先搜索的特点： 空间复杂度较BFS小，但未必能找到解，即使找到也未必是最优解。

2. 广度优先搜索（Breadth-first Search, BFS）

​ 搜索策略: 总是在某一深度上先搜索所有的结点，之后搜索下一个深度的结点。

​ 算法描述:

​ 1). 用N表示初始结点列表(N待扩展)

​ 2). 如果N为空集，则退出并给出失败信号

​ 3). n取为N的第一个结点，并在N中删除结点n，放入已访问结点列表

​ 4). 如果n为目标结点，则退出并给出成功信号

​ 5). 否则，将n的子结点加到N的末尾，并返回2步

​ 广度优先搜索的特点： 只要问题有解，就一定能在有限步数内找到解并且找到最优解。时间复杂度较DFS低。

​ 广度优先搜索的缺点： 随着深度增加，节点数目呈指数增长，导致组合爆炸。即空间复杂度高。

例子：分油问题，一个8L和一个6L的空瓶子。没有测量仪，最后要在8L瓶子里得到4L油。可以进行如下操作：从油壶里将8L瓶子倒满；从油壶里将6L瓶子倒满；将8L瓶子倒空到油壶；将6L瓶子倒空到油壶；两个瓶子互相倒空或倒满。

那：广度优先搜索树如下：

深度优先搜索树如下：

3. 迭代加深搜索（iterative deepening, IDDFS）

​ 搜索策略： 在固定深度上，重复深度优先搜索，若把所有可能全部遍历完还没找到目标解，就增加深度，从头开始再重复深度优先搜索，直到找到目标节点。

例子：对于如下一棵树：

若我们想找到4这个结点，若采用深搜，则搜索顺序为：1—>2—>5—>6—>3—>7—>4。也就是在最后一次才能找到目标节点。

但是若采用迭代加深搜索，我们首先限制最大深度max_d=1，只有根节点，没找到。max_d++，此时等于2，搜索顺序：1—>2—>3—>4。此时就已经找到目标节点，就不用再往下搜索了。

迭代加深搜索的优点：空间复杂度与DFS相同，比BFS小得多。若有解，则一定找到最优解，因为深度最小。

其标志性结构：

while(!dfs(maxdep)){
    max_d++;
}

也就是说，如果搜索树特别深，但是我们又能确定目标节点所在深度比较小时，就可以使用IDDFS。

启发式搜索

• 利用度量作为指南的搜索。

1. 最佳优先搜索（Best-first Search）

​ 搜索策略: 按照度量进行排序，按该顺序对相应结点进行扩展。

​ 其实就是用小顶堆或者大顶堆实现的BFS。c++用优先队列priority_queue。

启发式搜索的重要度量：评价函数 f(n)。 我们用f(n)表示从初始结点S经结点n到达某一目标t的最佳路径的代价f*(n)的估计。

​ f(n)由两部分组成:

• 从S到n的最佳代价g*(n)的估计g(n)
• 从n到t的最佳代价h*(n)的估计h(n)
• 即f(n) = g(n) + h(n)作为f(n) = g*(n) + h*(n)的估计

启发式搜索基本原理：按评价函数计算出它的最佳代价估计值，从当前估计值的最小状态开始继续搜索，这就是以结点的代价估计值为标准的最佳优先搜索。

2. 启发式图搜索（包括A算法）

例子：九宫格重排问题。要求从左边的初始状态转移到右边的目标状态。

• 若采用广度优先搜索：初始取g(n)=d(n)，h(n)=0；其中d(n)为结点n的深度。为了加快搜索进程，目标结点一旦生成就立即放在open表中。需要生成47个结点。

• 若采用深度优先搜索：其它同上。最少只需要6个结点 ，多则可达100多个结点。

• 若采用A算法：①初始取g(n)=d(n)，h(n)=w(n)；其中w(n)表示以目标为基准，结点n的状态中不在位将牌的个数。由于从结点n转换成目标结点至少需要w(n)步，所以对任意n，恒有w(n) ≤h*(n)。需生成14个结点。 如图：

  

  ②取g(n)=d(n)，h(n)=p(n)，其中p(n)表示结点n的每一将牌与其目标位置之间的距离总和。易见， w(n) ≤p(n) ≤ h*(n) 。p(n)比w(n)更具启发能力，只需要生成12个结点便可以完成搜索。如图：
  

以上搜索技术的改进

• 前面的搜索都是从初始状态出发，一步步搜索到目标状态，称为数据驱动或向前搜索。
• 若从目标状态出发搜索到初始状态，则称为目标驱动或向后搜索。
• 向前和向后搜索结合，从初始和目标状态同时出发的搜索称为双向搜索。
• 如果搜索的对象是问题，搜索的原则是把一个复杂问题化成一组简单的子问题的“与”，“或”，则称为问题空间搜索。
• 如果有两方博弈，每一方在向目标(取胜)前进的同时力图阻止对方接近目标，则称为博弈搜索。

优化搜索技术

1. 爬山搜索

​ 搜索策略: 最佳优先搜索的变形——不保存搜索过的所有结点，而只保存当前遇到的那些最佳结点。

​ 算法步骤:

​ 1). 取n为初始结点

​ 2). 如果n的估计值大于其所有子结点的值，则返回n并退出

​ 3). 否则，取n为其具有最大值的子结点，返回2步

​ 这是面向最大值而设计的，若面对的是求最小值的优化问题，只要把步骤中的“大于”改成“小于”， “最大”改成“最小”。

​ 爬山搜索特点：具有通用性和灵活性；但得到的解是局部最优解，不能保证是全局最优解，容易陷入局部最优。

2. 梯度下降搜索

​ 针对目标函数是具有连续可微性质的爬山搜索方法。常见于神经网络学习算法中。

3. 博弈搜索

极大极小搜索：每个结点边上数字为该节点得分， 也即该结点的静态估价函数f(n)。

1.从根节点层开始依次标MAX、MIN、MAX……层一直标到叶子节点层。

2.从叶子结点开始从左向右、从下往上取值。MIN层要选择不利于MAX局面的点，即选择其子节点中(即在 MAX 层上)最小值；MAX层要选择不利于MIN局面的点，即选择其子节点中(即在 MIN 层上)最大值。