人工智能第三版第二章笔记

第二章 盲目搜索

解决AI问题的三个最流行的方法：搜索、知识表示和学习

2.0 简介：智能系统中的搜索

很多算法搜索和排序使用表结构

2.1介绍状态空间图（state-space graph）,典型案例：假币问题（False coin problem）2.2 生成-测试（generated-and-test）搜索范式还有贪心算法（greedy algorithm）和回溯法（backtracking）,都将问题分成若干步骤。

如8各皇后放在国际棋盘，任意两个皇后都不占据同一行、同一列或同一对角线：2.3主要讲了盲目搜索（Blind Search,即无信息搜索）算法。盲目搜索算法是一种不需要使用问题域知识的搜索方法。典型的有广度优先搜索（BFS,breath first search）和深度优先搜索（Depth First Search,DFS），BFS消耗内存太多，DFS内存需求合理，但可能会因为偏离起始位置过远而错过相对靠近搜索起始位置的解。介于BFS和DFS之间的折中是迭代加深的DFS，可以将DFS有限的空间需求与BFS能找到解的确定性结合到一起。

2.1 状态空间图

状态空间图（state-space gragh）是对问题的一种表示方法。空间图的一条路径，对应某个具体问题的解。有时只需搜索问题的任意一个解即可，而有时需要找到一个最优解（最短路径）。知情搜索（Informer Search）法常可以发现问题的最优解，盲目搜索可寻求发现问题的任意一个解。

假币问题（False Coin Problem）,有12枚硬币，已知其中一枚是假的或伪造的，但不知道这枚假币比真币轻还是重。为解决这问题，可以建模个过程，只称3次，即可找到那枚假币。

微型假币问题（Mini False Coin Problem）,只涉及6枚硬币。

状态空间树（state-space tree）,包含了问题可能出现的所有状态和这些状态之间所有可能的转换，有两种特殊类型的节点，其中一种是表示问题起始状态的起始节点，搜索始于起始节点，止于终点或目标状态。有时目标是找到一个解，有时是找到最小代价的解。

2.2 生成-测试范式（generate-and-test）

定义：先给出可能的解，再检查每个可能的解，看是否有候选解能够构成问题的解。

N皇后问题（n-Queens Problem）指将n个皇后放置在一个n*n的棋盘上，使得任何两个皇后都不互相攻击，即任何两个皇后都不占据相同的行、列或对角线。这些条件被称为问题的约束条件。

一个可靠的生成器须给出满足问题约束的、大小为4的所有子集。若生成器能给出每个可能的解，那么生成器是完备的（complete）.若某个给出的解被拒绝，那么这个解就不会再次被给出，那么生成器是非冗余（noredundant）的。若生成器没有给出明显不可行的解，那么它相对高效。若生成器有一些信息，允许其对给出的解做出一些限制，那么这个生成器是知情的（informed）。

生成-测试范式的过程：

{while 没有找到解，但仍有候选方案

[生成可能的解

测试其是否满足所有的问题约束条件]

End While}

IF找到某个解，则宣布成功，并输出此解

Else宣布没有找到解

2.2.1 回溯法

完全枚举法（exhaustive enumeration）,会查看所有情况以寻找问题的解，甚至在已经发现当前步骤不可能成功得到解的情况下，还可能从部分解开始进一步往后搜索。

回溯法（backstracking）是对完全枚举法的一种改进。针对某个问题，给出解的过程会被分成多个步骤。

2.2.2 贪心算法

贪心算法（greedy algorithm），也是先将一个问题分成几个步骤求解，其中每次只考虑一个输入，每次总是包含一个必须优化的目标函数（objiective function），典型的目标函数可是旅行距离、开销或时间。

2.2.3 旅行商问题

旅行商问题（Travelinh Salesperson Problem,TSP）,也称旅行销售员问题。

分支定界（branch and bound）算法是广度优先搜索的一种变体，此算法中按照开销不减少的原则进行探索。

2.3 盲目搜索算法

有DFS深度优先搜索、BFS广度优先搜索和DFS-ID迭代加深的深度优先搜索，它们：

1. 不使用启发估计 启发式估计会搜索最有希望得到解的路径前进
2. 目标是找出给定问题的解。

2.3.1 深度优先搜索 DFS

尽可能快地深入树中进行搜索，每当搜索方法可做出选择时，就选择最左（最右）分支。

3拼图问题 8层

2.3.2 广度优先搜索BFS

从树的顶部到底部，按从左到右（或从右到左）的方式，可逐层访问节点。

三拼图问题，4层

2.4 盲目搜索算法的实现和比较

2.4.1 深度优先搜索的实现

搜索算法的共同做法，维护2张表，openlist开放表和clsed list封闭表，开放表包含了所有待探索的节点，而封闭表中则包含了所有已探索和不再考虑的节点。DFS搜索过程用栈存放，后进先出（LIFO）。

2.4.2 广度优先搜索的实现

广度优先搜索用队列来表示开放表。队列是先进先出（FIFO）

2.4.3 问题求解性能的衡量指标

完备性（complete）

最优性（optimal）

时间复杂度（time complexity）关注找到解要花费的时间—可以根据搜索期间生成（或扩展）的节点数量来衡量时间。

空间复杂度（space complexity）关注内存开销，用三个参数表示：1）节点的分支因子（branching factor记为b）,参数d是最浅目标节点的深度，参数m是状态空间中所有路径的最大长度。

2.4.4 DFS和BFS的比较

当1.树很深2.分支因子不太大。3.解出现在树中的位置相对较深时，优先DFS

当1.分支因子不太大2.解出现在树中位置在合理的深度3.所有的路径都不是特别深时优先BFS

DFS-ID 执行一个DFS算法，其状态空间的深度的界为0，若没找到目标就执行另一个DFS算法，此时深度的界为1。继续以此方式搜索，深度的边界都会增加1.

2.5 本章小结

生成-测试范式是解决问题的直接方式，生成器给出问题的可能解，测试器确定它们的有效性。好的生成器是完备、非冗余并且知情的。

完全枚举法是一种查看所有可能解来寻找解的搜索过程。

回溯法一旦发现一个部分违反了问题的约束条件，就放弃这个部分解，这样就缩短了搜索时间。

贪心算法在求解城市间最短路径的问题中非常有用，但不适用解决所有问题，如解决旅行商问题。

BFS在探索求解问题时，按层次遍历树,（在各种约束下）是完备和最优的；但空间需求的过量阻碍其发展；DFS有可能迷失在无限路径中，但DFS的空间需求相对合理，既不是完备的也不是最优的。DFS-ID执行的是一个完备的DFS搜索过程，具备DFS和BFS的优点，即DFS的中等存储空间需求以及BFS的完备性和最优性。