人工智能搜索策略（上）

人工智能搜素策略

  狀態空間盲目搜索　　

 廣度優先搜素(Breadth-First-Search)　　 

  深度優先搜素(Depth-First-Search)　　

狀態空間啓發搜索 

  A搜索算法(A search algorithm)

  A星搜索算法(A Star search algorithm)

狀態空間盲目搜索

首先是思想基礎，在此我羅列了BFS和DFS的科學定義，另還有個人通俗解釋

   廣度優先搜索： 從初始節點S0開始逐層向下擴展，在第n層節點尚未所有搜索完以前，不進入第n+1層節點的搜索。Open表中的節點老是按進入的前後排序，先進入的節點排在前面，後進入的節點排在後面。

   深度優先搜索： 從初始節點S0開始，在其子節點中選擇一個最新生成的節點進行考察，若是該子節點不是目標節點且能夠擴展，則擴展該子節點，而後再在此子節點的子節點中選擇一個最新生成的節點進行考察，依此向下搜索，直到某個子節點既不是目標節點，又不能繼續擴展時，才選擇其兄弟節點進行考察。

若是你對上述的定義感到討厭(固然這是很差的)，不妨看看下面個人通俗解釋：

廣度優先搜索：假如採用BFS進行搜索查找N，那麼就是先搜索第一層，若是第一層沒有就搜索第二層，而後再搜索第三層

深度優先搜索：假如採用DFS進行搜索查找N，那麼先選擇一個子數，好比左子樹，而後在選擇左子樹的子節點，直到目標沒有找到或者沒有子節點再返回，也就是說深度優先搜索是一路走，不到天黑不回頭

理解到字面意識毫不意味着結束，下面是一個九宮問題（八數碼問題），相信他會讓你進一步理解

咱們的目的是用最少的步驟移動空格，把S0變成SG，而空格只能選擇左右上下移動

1)採用廣度優先搜索

上圖就是採用廣度優先搜素策略的解法，不要帶有恐懼的第一感受去看這個圖，仔細看看它真的很是簡單，第一次先列出空格向上下左右走的狀況，假如咱們討論圖一1到圖二2,1圖的空格向左走獲得了2，而後2因爲左邊沒有了因此只有三種選擇，再看看這三種選擇，若是向右走顯然就回到了圖一，所以通過過濾與篩選圖二隻有兩種走法，而後再繼續直到找到目標節點 (圖26)。

2)採用深度優先搜索

很遺憾的是沒有畫出完整的解法圖，由於實在太長了，這就是深度優先搜索，一路走，不到天黑不回頭。

狀態空間啓發性搜索

假如形象來所BFS和DFS，BFS像一個膽小的孩紙，遇到困難會嘗試每一種解決方法，DFS，像一個膽大的孩紙，遇到困難會選擇一種解決方法進行實踐，直到解決或者實踐失敗

 

BFS和DFS不適用於人工智能，由於他沒有體現出一種智能，只是盲目的尋找目標，試想一下，若是九宮格變成了一百宮格，而解法是在通常樹的最後一層，那BFS和DFS的性能沒法直視，因而就產生了適用於人工智能的啓發性搜索-A*搜索（這裏我不會講解A*搜索算法，而是A搜索算法）

 

在講它以前有必要了解一下啓發性概念和估價函數

     啓發性信息的概念：

     啓發性信息是指那種與具體問題求解過程有關的，並可指導搜索過程朝着最有但願方向前進的控制信息。    

估價函數：

     用來估計節點重要性的函數。估價函數f(n)被定義爲從初始節點S0出發，約束通過節點n到達目標節點Sg的全部路徑中最小路徑代價的估計值。它的通常形式爲：

             f(n)=g(n)+h(n)

其中，g(n)是從初始節點S0到節點n的實際代價；h(n)是從節點n到目標節點Sg的最優路徑的估計代價。 

若是時間充足建議你多度一下上方綠色部分，並記住上面的形式，它將會頗有用

仍是接着上面的九宮問題，若是咱們考慮用A*搜解決就能夠設估價函數以下：

f(n)=d(n)+W(n)

d(n)表示節點n在通常搜索樹中的深度

W(n)表示節點與Sg不匹配的個數，W(n)的值越大就代表這個方法離成功越遠

上圖就是利用A搜索 （注意不是A星）的解法圖，每一個格子左上方的值表示估價函數f(n)的值，將選擇f(n)最小的路走，直到成功，就如上圖，第一層（假設root不算層），每一個走法的估價值分別是4，4,5,5，因此咱們根本不考慮5的狀況，大大減少了運行時間，從而快速找到目標點。

因爲其它關係我準備把A*算法放在（下）中講解，但願你能認真體會A算法,另我把本文製做成了一個doc文檔以供離線瀏覽http://download.csdn.net/detail/u013524455/6893047