人工智能-搜索

搜索是人工智能很重要的一種解決問題的途徑，如下對各類搜索進行一個分類總結。

首先是搜索的定義，咱們要解決一個問題，要通過不少步驟才能達到最終的目標，搜索就是要找到這些步驟，即解決問題的方法。

搜索有其侷限性，它必須依賴於現有的知識，它不能本身學習知識，人工智能解決問題的另一種途徑就是學習，經過學習能夠創造或者吸收新的知識。

下面是正文

搜索（Search）

求解一個問題就是一系列動做，而且搜索是爲達到目標尋找這些動做的過程。

針對不一樣數據結構：

• 圖搜索

• 樹搜索

 

經典搜索（Classic Search）

• 無信息搜索（uninformed search 即盲目搜索，沒有除定義以外的信息）

  按照節點的擴展順序區分

  • 寬度優先（breadth-first），用FIFO隊列實現

  • 深度優先（depth-first）：拓展最深的未擴展節點，用LIFO隊列實現

    • 深度受限搜索（depth-limited）：限制搜索深度

    • 迭代加深搜索（iterative deepening）：結合深度優先與寬度優先的優點

  • 一致代價搜索（uninform-cost）：擴展最低代價的未擴展節點

  • 雙向搜索（bidirectional ）

  無信息搜索的策略評價

  • 完備性：是否總能找到一個存在的解

  • 時間複雜性

  • 空間複雜性

  • 最優性：是否總能找到最優的解

   

• 有信息搜索（informed search 亦稱啓發式搜索，採用問題定義外的信息，可以找到比無信息搜索更有效的解）

  • 最佳優先搜索（best-first）：基於評價函數選擇最優拓展節點，大多數該類算法還包括一個啓發式函數

    • 貪心搜索

    • A*搜索

以上的搜索是經典搜索，它們的特色是

• 可觀測

• 肯定性

• 已知環境

經典搜索保留搜索的路徑，其路徑就是問題的解

但在不少問題中，到達目標的路徑不重要，所以就有了超越經典搜索

 

有路徑-->無路徑

超越經典搜索（Beyond Classical Search）

分爲局部搜索與羣體智能

• 局部搜索（local search）

  不關注路徑，搜索後不保留路徑，其優勢爲

  1.佔用內存小

  2.能在大的或者無限的空間中找到合理的解

  • 登山法（hill-climbing）：一種迭代算法，開始時隨機選取一解，對其不斷優化

    • 隨機登山法（Stochastic hill-climbing）：向上移動的過程當中隨機選擇，收斂速度慢

    • 首選登山法（First-choice hill-climbing）：隨機生成後繼節點，直到出現更好的

    • 隨機重啓登山法（Random-restart hill-climbing）：完備性高，接近於1

  • 局部束搜索（Local Beam Search）

    • 隨機束搜索（Stochastic Beam Search）

  • 禁忌搜索（Tabu Search）

    三種策略

    • 禁止策略（Forbidding strategy）

    • 釋放策略（Freeing strategy）

    • 短時間策略（Short-term strategy）

  • 模擬退火（Simulated Annealing）：一種在大搜索空間逼近全局最優解的元啓發方法

  • 遺傳算法（Genetic Algorithms）：一種模仿天然選擇過程的啓發式算法

• 羣體智能（Swarm Intelligence）

  經過大量智能體經過合做實現，它是分佈式的、自組織的、在一個環境內分佈的。

  • 蟻羣優化（Colony Optimization）：受蟻羣尋炸食物的行爲的啓發，用於發現一個圖上的最佳路徑

  • 粒子羣優化（Particle Swarm Optimization）：受魚類，鳥類羣體行爲的社會行爲啓發

   

   

  單智能體-->多智能體

對抗搜索（Adversarial Search）

咱們在針對其餘智能體作規劃時，那些智能體有可能也在作着規劃

以上搜索針對單智能體，而對抗搜索針對多智能體

• 博弈（Game）

• 零和博弈（Zero sum games）：智能體之間徹底對立

• 非零和博弈（Non-zero sum games）：智能體之間是自主的方式

• 徹底信息（Perfect information）/不徹底信息（Imperfect information）

• 肯定性（Deterministic）/隨機性（Stochastic）

  • 剪枝 （Alpha-Beta Pruning）

    博弈樹的大小每每呈指數增長，經過剪枝，能夠減少博弈樹，加快搜索時間

  • 啓發評價函數（Heuristic Evaluation Function）

    儘管經過剪枝能夠去掉博弈樹的大部分，可是搜索的深度依然很深，所以用評價函數計算在指定位置該博弈的指望值

  • 隨機博弈（Stochastic Game）

    一種有必定機率轉換的動態博弈

  • 蒙特卡羅方法（Monte-Carlo Methods）

    憑藉重複隨機採樣來得到數值結果

  • 蒙特卡羅樹搜索（MCTS Monte-Carlo Tree Search）

    將蒙特卡洛仿真與博弈樹搜索相結合

 

約束知足問題（Constraint Satisfaction Problem）

狀態必須知足若干約束的對象

標準搜索中狀態不可分割，GSP中狀態用因子表示，是一系列變量。

GSP問題一般複雜性很高

範疇

• 有限/無限

• 離散/連續

  約束

• 線性/非線性

• 1元/多元

• 回溯搜索（Backtracking Search）