人工智能搜索问题

人工智能搜索问题

搜索问题涉及 给定初始状态和目标状态的代理，它返回如何从前者获取到后者的解决方案。

比如导航器应用使用典型的搜索过程。其中代理（程序的思考部分）接收当前位置和所需目的地作为输入，并基于搜索算法返回建议的路径。然而，有很多其他形式的搜索问题，如拼图或迷宫。

• 代理

  感知其环境并针对该环境采取行动的实体。例如，在导航器应用中，代理将是汽车的表示形式，该代理需要决定要采取哪些操作才能到达目的地。

• 状态

  代理在其环境中的配置。例如，在15个谜题，状态是所有数字排列在棋盘上的任何方式。

  • 初始状态

    搜索算法从哪个状态开始。在导航器应用中，这将是当前位置。

• 行动

  可以在状态下做出的选择。更确切地说，操作可以定义为函数。当作为输入接收状态时，返回为输出可以在 state 中执行的操作集。

• 过渡模型

  描述在任何状态下执行任何适用操作的结果。更确切地说，过渡模型可以定义为函数。接收状态和操作作为输入时，返回在 状态中执行操作时产生的状态。

• 状态空间

  可由任何操作序列从初始状态到达的所有状态的集。

  目标测试

  确定给定状态是否为目标状态的条件。例如，在导航器应用中，目标测试将是代理的当前位置（汽车的表示形式）是否在目标。如果是 = 问题已解决。如果不是，我们将继续搜索。

  路径成本

  与给定路径关联的数字成本。例如，导航器应用不会简单地将您带到目标位置;而是将导航器应用带到目标位置。它这样做，同时最大限度地降低路径成本，找到最快的方法，让你达到你的目标状态。

  解决搜索问题

  • 解决 方案

    从初始状态到目标状态的操作序列。

    • 最佳解决方案 在所有解决方案中路径成本最低的解决方案。

  在搜索过程中，数据通常存储在节点中，一个包含以下数据的数据结构：

  • 状态
  • 其父节点 ，通过它生成当前节点
  • 应用于父级状态以访问当前节点的操作
  • 从初始状态到此节点的路径成本

  节点包含的信息使其对于搜索算法非常有用。它们包含一个状态，可以使用目标测试检查它是否为最终状态。如果是，节点的路径成本可以与其他节点的路径成本进行比较，从而允许选择最佳解决方案。选择节点后，通过存储父节点和从父节点到当前节点的操作，可以跟踪从初始状态到此节点的每个步骤，并且此操作序列是解决方案。

  但是*，节点*只是一个数据结构 - 它们不搜索，它们保存信息。

  为了实际搜索，我们使用边界，即"管理"节点的机制。边界首先包含初始状态和一组空的已探索项，然后重复以下操作，直到到达解决方案：

  重复：

  1. 如果边界为空，

     • 停下这个问题没有解决办法。

  2. 从边界中删除节点。这是将考虑的节点。

  3. 如果节点包含目标状态，

     • 返回解决方案。停止。

  深度-第一搜索

  第 1 阶段，应该删除哪个节点？此选择对解决方案的质量及其实现速度有影响。有多种方法可以先讨论哪些节点，其中两个节点可以通过堆栈（深度优先搜索）和队列*（在广度优先*搜索中）的数据结构来表示。

  我们从深度第一搜索 （ DFS） 方法开始.

  深度第一搜索算法在尝试另一个方向之前耗尽每个方向。在这些情况下，边界作为堆栈数据结构进行管理。这里你需要记住的流行语是"*最后一个先出"。*将节点添加到边界后，要删除并考虑的第一个节点是最后一个要添加的节点。这将导致一个搜索算法，该算法尽可能深入到第一个方向，该方向会进入，同时将所有其他方向留给以后使用。

  （来自外部讲座的一个例子：以你正在寻找钥匙的情况为例。在深度第一搜索方法中，如果您选择从穿裤子搜索开始，首先会浏览每个口袋，清空每个口袋并仔细浏览内容内容。您将停止搜索你的裤子，并开始搜索其他地方，只有一旦你将