主页 > www365bet娱乐场 > 人工智能中的一般搜索策略
2019年02月09日

人工智能中的一般搜索策略


有两种类型的人工智能搜索策略。没有信息搜索和信息搜索。
在没有信息的搜索中,经常执行盲搜索,因为不清楚下一搜索状态是否接近期望的搜索方法。另一方面,搜索信息使用以下启发函数f(n):在不查找信息的情况下解决问题更有效,因为它测量哪个状态最接近目标状态并优先搜索该状态。

要衡量搜索策略的质量,您需要从四个方面进行判断:完整性,时间复杂性,空间复杂性和最优性。
因此,以下四个方面用于比较常见搜索方法的优缺点。
没有信息搜索策略。
初始搜索宽度(BFS)

首先展开根节点,然后展开根节点的所有后续节点,然后展开后续节点以逐层展开节点。
BFS已完成,因为它是一种在搜索过程中遍历所有状态的简单搜索方法。假设搜索树中的每个节点具有b个后继和d的深度,则时间复杂度和空间复杂度为O(bd)。最后,考虑最优性。因为我们总是在顶层找到目标的状态,所以只有当每个步骤的成本相同时,BFS才能获得最佳解决方案。
找到一致的成本

基于BFS,一致性成本搜索比较路径g(n)的消耗而不是具有最小扩展深度的节点,并选择具有最低成本的节点,从而保持每个步骤的一致性,找到最好的解决方案。
深度搜索(DFS)

DFS扩展回前一层,因为DFS将后继节点扩展到根节点,然后扩展,直到其中一个后继节点达到搜索树的最深层(节点没有后继节点)展开节点它已经扩大了。
在有限状态空间中,DFS是完美的,因为它可以遍历整个空间。在无限空间中,它是不完整的,因为DFS可以进入无限深度的分支。
DFS的时间复杂度为O(bd),空间复杂度仅为O(d),因为它只保存当前的分支状态。因此,空间的复杂性要比BFS好得多。
但是,DFS不保证找到最佳解决方案。
深度搜索有限

有限深度搜索建立最大深度dmax,其在搜索深度大于dmax时立即返回,从而避免无限状态空间中的无限无限分支。
深度迭代迭代限制搜索

有限深度搜索也迭代地建立最大深度dmax。首先将dmax设置为1,然后执行有限深度搜索。如果您有答案,请将dmax增加1,然后再次进行有限深度搜索。模拟显示直到找到目标。
通过这种方式,您可以避免陷入无限无限。另外,由于可以找到最浅的目标解,因此当每个步骤的成本恒定时,可以找到最优解。信息检索策略|文献信息| J-GLOBAL
搜索信息
最优先搜索
最好的贪婪搜索总是将最近的节点扩展到目标,其启发函数f(n)= h(n)其中
f(n)=从节点n到目标节点的最小成本路径的估计
贪婪搜索的最大问题是通常没有找到最佳解决方案。
A *
为了找到最优解,通过算法A *对节点的评估结合了从起始节点到节点n的h(n)和g(n)的路径的成本,即f(n)= g(n)+ h(n)
f(n)=通过节点n的最低成本解决方案的估计成本
搜索A *总是搜索f(n)的最小值,因此它始终找到最佳解决方案。