人工智能第2版学习——知情搜索1

书：人工智能第2版
有需要电子版的可以私信我。

这次先简要介绍启发法与前面的盲目搜索的区别，然后讲爬山法、最佳优先搜索、集束搜索。

引言

       第二章的盲目搜索，对解决Nim、井字游戏是适用的。但是对于跳棋、国际象棋这种拥有巨大搜索空间的游戏，就难以适配了。例如前面学的DFS和BFS，在最坏的情况下，时间复杂度都是指数级别的(相对于节点)。

       所以我们需要采用启发法的搜索算法，引导程序前进。
这次先学习3个“从不回头”的算法：爬山(hill)、最佳优先搜索(best-first search)、集束搜索(beam search)。

爬山法

       爬山法不存储历史记录，也没有能力从错误中或错误路径中恢复。
       对于一个爬山者，他只有一个高度计来指示目前所在高度，他每到一个点，必须做出选择，选择的方式就从候选节点中，选择高的那个。看下面的图：

       爬山者在A和B中做出选择，因为A更靠近目标，所以选择了A，然后忘记了B，但实际上A能否真的到达目标，这个就不能保证了。

最陡爬山法

       这个是对爬山法的进一步改进。爬山法每次都是直接找一个比现在好的节点就前进，但是最陡爬山法会在多个比较好的节点中进行比较，选出最好的。
用书中给的例子来解释吧。

       书中对这个例子的解释有点看不太懂，我就按我自己的理解来解释吧。

在程序中，假设搜索的方式是按字母顺序来的。
爬山法：先搜索A和B，发现B更小，就选择了B，然后去了C，接着对比D和E，选择了E。
最陡爬山法：先搜索A、B、C，然后选择了C，接着搜索D、E、F，然后选择了F。

(这里爬山法为什么能选了B之后再去C，其实我也持怀疑态度，但是书中这里好像就是这么写的，它的本意可能是想说明第一次选择时，爬山法选了B而不是C，但最陡爬山法选了C，然后假设两种算法都选了C，那么下一步是怎么选的。可能是这么回事吧，有人看懂的麻烦纠正一下。)

爬山法的问题

       爬山法和最陡爬山法都有三个问题(个人感觉就是一个问题)，分别是山麓问题、高原问题、山脊问题。见下图：

山麓问题：找了个小的峰，知道最大的峰在那里，但是永远到不了，因为它和现在这个位置之间有一个很低的谷。根据爬山法的搜索选择方式，不可能往低的地方走，所以到不了。
高原问题、山脊问题：这两个总感觉和前面那个一样的，我就不解释了。

一句话：陷入了局部最优解。

最佳优先搜索

       这个搜索方法可以补救爬山法的问题，它是目前第一个智能搜索算法。
       先明确两个定义：
开放节点：搜索边缘上的节点，以后可能要进一步探索到。
封闭节点：不再探索的节点，将形成解得基础。
最佳优先搜索：开放列表中的开放节点按接近目标的估计值进行排列。每次搜索，考虑开放列表中最优希望的点，这样反复选择最优的进行探索。
看伪代码和图例可能会好理解些：

集束搜索

大白话就是，每层选择都是选择最优的W个，而不是1个。W叫集束宽度。
下图是W=2的示例图。

集束搜索降低了广度优先搜索的内存开销(从指数降低到线性)，但是，如果W太小，可能会是去潜在的解。

这次就到这里了，可以点个赞吗？