人工智能——Search问题

人工智能—— Chapter02 Search

问题导向：

• 我们想采取一些行动来改变世界的状态（但由行为引起的变化完全是可以预料到的）
• 我们试着采取一系列的行动引导我们达到目标状态（可能是最小化行动的次数，也可能是最小化行动的总成本）
• 不需要在现实生活中执行行动的同时找到最小解决方案（让所有事都在意料之中）

重要知识点：
Q1：A search problem consists of？

• A state space S （状态空间——所有节点）
• An initial state s0（初始状态）
• Actions A(s) in each state（每个状态下的行动）
• Transition model Result(s,a)（移动模型——移动方式）
• A goal test G(s)（目标状态）
• Action cost c(s,a,s’)（行动损失）
  +1 per step; -10 food; -500 win; +500 die; -200 eat ghost

EXAMPLE——Traveling in Romania
分析Search问题：

Uninformed Search Methods——盲目搜索

Q2：Uninformed Search Methods and specify the difference？

• Depth-First Search
• Breadth-First Search
• Uniform-Cost Search

DFS expands a deepest node first.
BFS expands a shallowest node first.
UCS expands the lowest g(n) or cost from root to n.

Q3：What is the difference between state space graphs and search trees?

• Each node in the search tree is an entire PATH in the state space graph.（搜索树中的每个节点都是状态空间图中的一个完整的PATH)
• In a state space graph, each state occurs only once.(在状态空间图中，每个状态只出现一次)
• In a state space graph,the goal test is a set of goal nodes (maybe only one).(在状态空间图中，目标测试是一组目标节点(可能只有一个)
• We construct the tree on demand – and we construct as little as possible.(我们按需构造树，并且尽可能少地构造)

Informed Search——启发式搜索

搜索过程中利用与问题有关的经验信息，引入估计函数(evaluation function)来估计节点位于解路径上的“希望”，函数值越小“希望”越大。

启发函数：
用来描述经验信息;描述从当前这个节点到目标节点的最优路径代价的估计。一般用h(n)来表示。

• A算法：
  f(x) = g(x) +h(x)

• A*算法：
  f(x) =g(n) + h * (n)

0 <= h(n) <= h*(n)
【注意】：A算法并不能保证一定找到最优解，然后A*算法可以保证一定找到最优解.