人工智能-搜尋
搜尋是人工智能很重要的一種解決問題的途徑,以下對各種搜尋進行一個分類總結。
首先是搜尋的定義,我們要解決一個問題,要經過很多步驟才能達到最終的目标,搜尋就是要找到這些步驟,即解決問題的方法。
搜尋有其局限性,它必須依賴于現有的知識,它不能自己學習知識,人工智能解決問題的另外一種途徑就是學習,通過學習可以創造或者吸取新的知識。
下面是正文
搜尋(Search)
求解一個問題就是一系列動作,并且搜尋是為達到目标尋找這些動作的過程。
針對不同資料結構:
圖搜尋
樹搜尋
經典搜尋(Classic Search)
無資訊搜尋(uninformed search 即盲目搜尋,沒有除定義之外的資訊)
按照節點的擴充順序區分
寬度優先(breadth-first),用FIFO隊列實作
深度優先(depth-first):拓展最深的未擴充節點,用LIFO隊列實作
深度受限搜尋(depth-limited):限制搜尋深度
疊代加深搜尋(iterative deepening):結合深度優先與寬度優先的優勢
一緻代價搜尋(uninform-cost):擴充最低代價的未擴充節點
雙向搜尋(bidirectional )
無資訊搜尋的政策評價
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
有資訊搜尋(informed search 亦稱啟發式搜尋,采用問題定義外的資訊,能夠找到比無資訊搜尋更有效的解)
最佳優先搜尋(best-first):基于評價函數選擇最優拓展節點,大多數該類算法還包括一個啟發式函數
貪心搜尋
A*搜尋
以上的搜尋是經典搜尋,它們的特點是
可觀測
确定性
已知環境
經典搜尋保留搜尋的路徑,其路徑就是問題的解
但在很多問題中,到達目标的路徑不重要,是以就有了超越經典搜尋
有路徑-->無路徑
超越經典搜尋(Beyond Classical Search)
分為局部搜尋與群體智能
局部搜尋(local search)
不關注路徑,搜尋後不保留路徑,其優點為
1.占用記憶體小
2.能在大的或者無限的空間中找到合理的解
爬山法(hill-climbing):一種疊代算法,開始時随機選取一解,對其不斷優化
随機爬山法(Stochastic hill-climbing):向上移動的過程中随機選擇,收斂速度慢
首選爬山法(First-choice hill-climbing):随機生成後繼節點,直到出現更好的
随機重新開機爬山法(Random-restart hill-climbing):完備性高,接近于1
局部束搜尋(Local Beam Search)
随機束搜尋(Stochastic Beam Search)
禁忌搜尋(Tabu Search)
三種政策
禁止政策(Forbidding strategy)
釋放政策(Freeing strategy)
短期政策(Short-term strategy)
模拟退火(Simulated Annealing):一種在大搜尋空間逼近全局最優解的元啟發方法
遺傳算法(Genetic Algorithms):一種模仿自然選擇過程的啟發式算法
群體智能(Swarm Intelligence)
通過大量智能體通過合作實作,它是分布式的、自組織的、在一個環境内分布的。
蟻群優化(Colony Optimization):受蟻群尋炸食物的行為的啟發,用于發現一個圖上的最佳路徑
粒子群優化(Particle Swarm Optimization):受魚類,鳥類群體行為的社會行為啟發
單智能體-->多智能體
對抗搜尋(Adversarial Search)
我們在針對其他智能體做規劃時,那些智能體有可能也在做着規劃
以上搜尋針對單智能體,而對抗搜尋針對多智能體
博弈(Game)
零和博弈(Zero sum games):智能體之間完全對立
非零和博弈(Non-zero sum games):智能體之間是自主的方式
完全資訊(Perfect information)/不完全資訊(Imperfect information)
确定性(Deterministic)/随機性(Stochastic)
剪枝 (Alpha-Beta Pruning)
博弈樹的大小往往呈指數增加,通過剪枝,可以減小博弈樹,加快搜尋時間
啟發評價函數(Heuristic Evaluation Function)
盡管通過剪枝可以去掉博弈樹的大部分,但是搜尋的深度依然很深,是以用評價函數計算在指定位置該博弈的期望值
随機博弈(Stochastic Game)
一種有一定機率轉換的動态博弈
蒙特卡羅方法(Monte-Carlo Methods)
憑借重複随機采樣來獲得數值結果
蒙特卡羅樹搜尋(MCTS Monte-Carlo Tree Search)
将蒙特卡洛仿真與博弈樹搜尋相結合
限制滿足問題(Constraint Satisfaction Problem)
狀态必須滿足若幹限制的對象
标準搜尋中狀态不可分割,GSP中狀态用因子表示,是一系列變量。
GSP問題通常複雜性很高
範疇
有限/無限
離散/連續
限制
線性/非線性
1元/多元
回溯搜尋(Backtracking Search)
原文位址
https://www.cnblogs.com/zhanghad/p/12483761.html