人工智能导论——搜索求解

前言

没想到又把人工智能的复习拖到了最后，嘤嘤嘤！夹杂着各种ddl，冲就完事了，复习步骤还是打算先学理解性的知识，记忆性的放到后面，以防提前忘记了哈哈哈哈。
先定个复习小目标QAQ。

0. 搜索概述

要学习搜索，需要对搜索有一个整体的认识，首先就从搜索方法的类别开始。如下为这一章节中介绍的所有搜索办法：

• 状态空间搜索
• 盲目搜索（深度、广度）
• 启发式图搜索（A、A*）
• 对抗搜索（MINMAX搜索、α-β剪枝、蒙特卡洛树搜索）

搜索方法根据搜索方向可以分为以下三类：

1. 正向搜索（数据驱动），从初始状态出发搜索
2. 逆向搜索（目的驱动），从目的状态出发搜索
3. 双向搜索，正向、逆向同时出发，找到交点为止

而根据搜索的实现方式，又可以分为如下两大类：

1. 盲目搜索
2. 启发式搜索

1. 盲目搜索会考啥？

我们所熟知的深度优先搜索、广度优先搜索、OPEN表都属于盲目搜索的范围。

• OPEN表时回溯策略过程中会用到的，即NPS表，保存在搜索过程中已经生成出、但子状态未被搜索的状态。与之相对的，CLOSED表记录已经被生成、扩展过的状态。
• 对于深度优先搜索、广度优先搜索我们已经再熟悉不过了，但是！题目中可能会考察在搜索过程中队列、堆栈的变化。

1.1 NPS、NSS、PS表及其作用

这里看到英文缩写是不是很懵？当然是要把它翻译成中文啦！！！

状态名	全程	内容	作用
PS	path states	当前路径状态	记录
NPS	new path states	未被搜索路径	回溯
NSS	no solvable states	不可解状态集	避免进入死胡同

1. 2 深度优先搜索队列的变化

这道题是不是很熟悉？？？（废话，总共就没交几次作业），搜索我们都会，但是描述队列或栈变化的过程还是生疏的。

1.2 广度优先搜索队列的变化

通过该步骤即可看出队列变化的精髓，首先要搞清楚队首和队尾，队首的节点直接出队，其所有子节点按顺序入队即可。

1.3 深度优先搜索栈的变化

这里只有我的手绘渣图了，将栈顶的元素弹出后，将其所有子节点倒序入栈。之后依次将栈顶元素弹出、入栈即可。

2. 启发式搜索

2.1 A搜索算法和A*搜索算法

• 如果某问题有解，那么利用A*算法搜索一定能搜索到解。并且搜索到的解是最优解。
• A算法未对估价函数进行任何限制，对估价函数进行限制后得到A*算法

3. 对抗搜索（重点！）

对抗搜索即使得智能体获得最大化利益，对手获得最小化利益。需要掌握以下三种对抗搜索方法：

1. 最小最大搜索：通过每个节点的minmax值来决定最优策略
   2.** α-β剪枝搜索**：在最小最大搜索的基础上，减去不影响最终结果的搜索分枝
2. 蒙特卡洛树搜索

3.1 如何进行α-β剪枝

该算法最重要的点在于如何进行剪枝上面，此处的剪枝需要分两种情况。

• 对于MIN节点：若其目前的收益小于α，则其后续节点可被剪枝。
• 对于MAX节点：若其目前的收益大于β，则其后续节点可被剪枝。

这里同学们只需要记住，对于MIN节点，需要去看最大值，对于MAX节点，需要去看最小值。大于最小值，小于最大值，则可被剪枝。

在掌握了剪枝方法后，还需要牢记要想获得某个节点的值，需要按从左到右、从下到上的顺序挨个去读，千万不能跳来跳去！

可能这样大家还不是很清楚，课本上有一道例题可以拿来学习：

• 对节点10的剪枝是由于2<3;
• 对节点13的后续进行剪枝是因为13>3
• 对节点2的后续10进行剪枝是因为2<3;
• 对接待你2的后续进行剪枝是因为2<3;

3.2 蒙特卡洛树搜索

蒙特卡洛树搜索包括以下4个步骤：

1. 选择
2. 扩展
3. 模拟
4. 反向传播

4. 选择题解析

• 问题1
  

此题全选。

• 问题2
  

此题全选，可以和下棋博弈对比，不仅知道当前情况，还需预估未来情况。

此题选D，对己方有利，估价函数取正值，对己方不利，估价函数取负值。

C，节点出现的顺序不同，剪枝的效率不同