freepeople性欧美熟妇, 色戒完整版无删减158分钟hd, 无码精品国产vα在线观看DVD, 丰满少妇伦精品无码专区在线观看,艾栗栗与纹身男宾馆3p50分钟,国产AV片在线观看,黑人与美女高潮,18岁女RAPPERDISSSUBS,国产手机在机看影片

正文內容

人工智能課件cumt-第三章-搜索策略-資料下載頁

2024-08-13 13:23本頁面
  

【正文】 節(jié)點先擴展” 2022/8/21 81 Procedure Breadthfirstsearch Begin 把初始節(jié)點放入隊列; Repeat 取得隊列最前面的元素為 current。 If current=goal 成功返回并結束; Else do Begin 如果 current有子女,則 current的子女 以任意次序添加到隊列的尾部; End Until 隊列為空 End ?采用隊列結構,寬度優(yōu)先算法可以表示如下: 2022/8/21 82 ? 寬度優(yōu)先搜索算法原理: ? 如果當前的節(jié)點不是目標節(jié)點,則把當點節(jié)點的子孫以任意順序增加到隊列的后面,并把隊列的前端元素定義為 current。 ? 如果目標發(fā)現(xiàn),則算法終止。 2022/8/21 83 寬度優(yōu)先搜索的性質 ?當問題有解時, 一定 能找到解 ?當問題為單位代價時,且問題有解時, 一定能找到最優(yōu)解 ?方法與問題無關,具有通用性 ?效率較低 ?屬于圖搜索方法 2022/8/21 84 ? 寬度優(yōu)先搜索 是一種盲目搜索,時間和空間復雜度都比較高,當目標節(jié)點距離初始節(jié)點較遠時會產生許多無用的節(jié)點,搜索效率低。 ? 寬度優(yōu)先搜索中,時間需求是一個很大的問題,特別是當搜索的深度比較大時,尤為嚴重,但是空間需求是比執(zhí)行時間更嚴重的問題。 寬度優(yōu)先搜索優(yōu)點: 目標節(jié)點如果存在,用寬度優(yōu)先搜索算法總可以找到該目標節(jié)點,而且是最小(即最短路徑)的節(jié)點。 寬度優(yōu)先搜索的優(yōu)點和缺點 2022/8/21 85 總結 ? 適用場合 ?深度優(yōu)先 ——當一個問題有多個解答或多條解答路徑 ,且只須找到其中一個時;往往應對搜索深度加以限制 。 ?寬度優(yōu)先 ——確保搜索到最短的解答路徑 。 ? 共同優(yōu)缺點: ?可直接應用一般圖搜索算法實現(xiàn) , 不需要設計特別的節(jié)點排序方法 , 從而簡單易行 , 適合于許多復雜度不高的問題求解任務 。 ?節(jié)點排序的盲目性 , 由于不采用領域專門知識去指導排序 , 往往會在白白搜索了大量無關的狀態(tài)節(jié)點后才碰到解答 , 所以也稱為 盲目搜索 。 2022/8/21 86 有界深度搜索和迭代加深搜索 有界深度優(yōu)先搜索 過程總體上按深度優(yōu)先算法方法進行,但對搜索深度需要給出一個深度限制 dm,當深度達到了 dm的時候,如果還沒有找到解答,就停止對該分支的搜索,換到另外一個分支進行搜索。 2022/8/21 87 策略說明 : ? ( 1) 深度限制 dm很重要 。 當問題有解,且解的路徑長度小于或等于 dm時,則搜索過程一定能夠找到解,但是和深度優(yōu)先搜索一樣這并不能保證最先找到的是最優(yōu)解。 ? 但是當 dm取得太小,解的路徑長度大于 dm時,則搜索過程中就找不到解,即這時搜索過程甚至是不完備的。 2022/8/21 88 ( 2) 深度限制 dm不能太大 。當 dm太大時,搜索過程會產生過多的無用節(jié)點,既浪費了計算機資源,又降低了搜索效率。 ( 3)有界深度搜索的主要問題是 深度限制值dm的選取 。 2022/8/21 89 改進方法 : (迭代加深搜索) 先任意給定一個較小的數作為 dm,然后按有界深度算法搜索,若在此深度限制內找到了解,則算法結束;如在此限制內沒有找到問題的解,則增大深度限制dm,繼續(xù)搜索。 2022/8/21 90 ? 迭代加深搜索 ,試圖嘗試所有可能的深度限制: ? 首先深度為 0, ? 然后深度為 1, ? 然后為 2,等等。 ? 如果初始深度為 0,則該算法只生成根節(jié)點,并檢測它。 ? 如果根節(jié)點不是目標,則深度加 1,通過典型的深度優(yōu)先算法,生成深度為 1的樹。 ? 當深度限制為 m時,樹的深度為 m。 2022/8/21 91 ? 迭代加深搜索看起來會很浪費,因為很多節(jié)點都可能擴展多次。 ? 然而對于很多問題,這種多次的擴展負擔實際上很小,直覺上可以想象,如果一棵樹的分支系數很大,幾乎所有的節(jié)點都在最底層上,則對于上面各層節(jié)點擴展多次對整個系統(tǒng)來說影響不是很大。 2022/8/21 92 搜索最優(yōu)策略的比較 ? 表注: b是分支系數, d是解答的深度, m是搜索樹的最大深度, l是深度限制。 2022/8/21 93 ? 寬度優(yōu)先搜索、深度優(yōu)先搜索和迭代加深搜索都可以用于生成和測試算法。 ? 寬度優(yōu)先搜索 需要指數數量的空間,深度優(yōu)先搜索的空間復雜度和最大搜索深度呈線性關系。 2022/8/21 94 ? 迭代加深搜索 對一棵深度受控的樹采用深度優(yōu)先的搜索。它結合了寬度優(yōu)先和深度優(yōu)先搜索的優(yōu)點。 ? 和寬度優(yōu)先搜索一樣,它是最優(yōu)的,也是完備的。但對空間要求和深度優(yōu)先搜索一樣是適中的。 2022/8/21 95 狀態(tài)空間搜索 —— ( 2)一般圖搜索算法 ? 常用的簡單方式: ? 深度優(yōu)先 ? 寬度優(yōu)先 ? 【 缺點:節(jié)點排序的盲目性 】 ? 在白白 搜索了大量無關的狀態(tài)節(jié)點 后才碰到解答, 效率低 ? 提高 一般圖搜索 效率 的關鍵 ? 優(yōu)化 OPEN表中節(jié)點的排序方式 盲目搜索 2022/8/21 96 ??????????586427031??????????586407321??????????586427310??????????506487321??????????586470321??????????586047321??????????560487321??????????056487321??????????567480321??????????567481320??????????567408321??????????5864273011 2 5 6 3 4 最理想情況: 每次排序后 OPEN表 表首元素 n 總在解答路徑上 2022/8/21 97 啟發(fā)式搜索 ? 啟發(fā)式知識 指導 OPEN表排序 的 一般圖搜索 : ? 全局排序 ——對 OPEN表中的 所有節(jié)點排序 ,使 最有希望 的節(jié)點排在表首。 ?A算法, A*算法(掌握!) ? 局部排序 ——僅對 新 擴展出來的子節(jié)點排序 ,使這些 新 節(jié)點中 最有希望 者能優(yōu)先取出考察和擴展; ?爬山法(了解, 對 深度優(yōu)先法 的改進 ); 2022/8/21 98 啟發(fā)式搜索 ——( 掌握 ) ? 【 基本思想 】 ? 設計體現(xiàn)啟發(fā)式知識的 評價函數 f(n); ? 指導 一般圖搜索 中 OPEN表待擴展節(jié)點的排序 : ? 【 評價函數 f(n)=g(n)+h(n) (掌握) 】 ? n搜索圖 G中 的節(jié)點 ; ? f(n) G中從初始狀態(tài)節(jié)點 s,經由節(jié)點 n到達目標節(jié)點 ng, 估計 的 最小路徑代價 ; ? g(n) G中從 s到 n, 目前實際 的路徑代價; ? h(n)從 n到 ng, 估計 的最小路徑代價; 2022/8/21 99 啟發(fā)式搜索 ——( 掌握 ) S n ng 目標狀態(tài)節(jié)點 ng 初始狀態(tài)節(jié)點 S 節(jié)點 n 搜索圖 G h(n): nng的估計最小路徑代價 g(n):sn的實際路徑代價 f(n):snng的 估計 最小路徑代價 ??2022/8/21 100 啟發(fā)式搜索 ——( 掌握 ) ? 【 評價函數 f(n)=g(n)+h(n) (掌握) 】 ? n搜索圖 G中 的節(jié)點 ; ? f(n) G中從 s經 n到 ng, 估計 的 最小路徑代價 ; ? g(n) G中從 s到 n, 目前實際 的路徑代價; ? h(n)從 n到 ng, 估計 的 最小路徑代價 ; ? h(n)值 依賴于 啟發(fā)式知識 加以計算; ? h(n)稱為 啟發(fā)式函數 ( 掌握意義! ) 。 ? 如何用評價函數來實現(xiàn) A算法 ? ( 掌握! ) 2022/8/21 101 啟發(fā)式搜索 ——( 掌握 ) ? A算法 的設計與 一般圖搜索 相同,劃分為二個階段: ? 初始化 ? 建立只包含初始狀態(tài)節(jié)點 s的搜索圖 G:={s} ? OPEN:={s} ? CLOSE:={} ? 搜索循環(huán) ? MOVEFIRST(OPEN)取出 OPEN表首 的節(jié)點 n ? ⑥ 擴展出 n的子節(jié)點 ,插入搜索圖 G和 OPEN表 ? ⑦ 適當的標記和修改指針( 子節(jié)點 ?父節(jié)點 ) ? ⑧ 排序 OPEN表( 評價函數 f(n)的值排序) ? 通過循環(huán)地執(zhí)行該算法,搜索圖會因不斷有新節(jié)點加入而逐步長大,直到搜索到目標節(jié)點。 2022/8/21 102 啟發(fā)式搜索 ——( 掌握 ) ? 算法 A的設計與一般圖搜索類似,劃分為二個階段: ? 初始化 ? 搜索循環(huán) ? MOVEFIRST(OPEN)取出 OPEN表首的節(jié)點 n ? ⑥ 擴展出 n的子節(jié)點 ,插入搜索圖 G和 OPEN表 ? 對每個子節(jié)點 ni,計算 f(n,ni)=g(n,ni)+h(ni) ? ⑦ 適當的標記和修改指針 ( 子節(jié)點 ?父節(jié)點 ) ? ⑧ 排序 OPEN表 (評價函數 f(n)的值排序) 2022/8/21 103 啟發(fā)式搜索 ——( 掌握 ) ? ⑥ 擴展出 n的子節(jié)點 ,插入搜索圖 G和 OPEN表 ? 對每個子節(jié)點 ni,計算 f(n,ni)=g(n,ni)+h(ni) ? ⑦ 適當的標記和修改指針 ( 子節(jié)點 ?父節(jié)點 ) ? (i)全新節(jié)點: f(ni)=f(n,ni) ? (ii)已出現(xiàn)在 OPEN表 中的節(jié)點 ? (iii)已出現(xiàn)的 CLOSE表 中的節(jié)點 ? IF f(ni)f(n,ni) THEN ? 修改指針指向 新 父結點 n ? f(ni)=f(n,ni) ? ⑧ 排序 OPEN表 ( f(n)值從小到大排序) 2022/8/21 104 OPEN表是空表,則失敗退出 ; 算法 A OPEN表上的第一個節(jié)點,把它從 OPEN表移出并放進 CLOSE表中,稱此節(jié)點為節(jié)點 n; 只包含起始節(jié)點 S的搜索圖 G,把 S放到一個叫 OPEN的未擴展節(jié)點表中;建立一個叫做CLOSE的已擴展節(jié)點表,其初始為空表; n,同時生成不是 n的祖先的那些子節(jié)點的集合 M,把 M的這些成員作為 n的后繼節(jié)點添入圖 G中; 對于 M中每個子節(jié)點 ni,計算 f(n,ni) = g(n,ni) + h(ni)。 n為一目標節(jié)點,則有解成功退出,此解是追蹤圖 G中沿著指針從 n到 S這條路徑而得到的; 2022/8/21 105 G中出現(xiàn)過的M成員(全新節(jié)點)設置一個通向 n的指針。把 M的這些成員加進 OPEN表。對已經在OPEN表上的每一個 M成員,比較子節(jié)點 ni經由新、老父節(jié)點的評價函數值 f(n,ni)、 f(ni)。若 f(n,ni) f(ni)點 ,則令 f(ni) = f(n,ni),并移動子節(jié)點指向老父節(jié)點的指針,改為指向新父節(jié)點。 對已在 CLOSE表上的每個M成員,作與第 2類同樣的處理,并把這些子結點從 CLOSE表移出,重新加入 OPEN表。 f(n)排序 OPEN表中的節(jié)點, f(n)值最小者排在首位 ,重排 OPEN表; 2。 此過程生成一個明確的圖 G(搜索圖)和一個 G的子集 T(搜索樹)。 2022/8/21 106 啟發(fā)式搜索 ——( 掌握 ) A算法實例 ——八數碼游戲 ? 1)設計評價函數 f(n) ? f(n)=d(n)+w(n),其中 ? d(n)節(jié)點 n在搜索圖中的 節(jié)點深度 ,對 g(n)的度量 ; ? w(n)代表啟發(fā)式函數 h(n),其值是節(jié)點 n與目標狀態(tài)節(jié)點ng相比較,不考慮空格, 錯位的棋牌個數 ; 初始布局 目標布局 移動數碼 56748321586427312022/8/21 107 啟發(fā)式搜索 ——( 掌握 ) 啟發(fā)式算法 A實例 ——八數碼游戲 ? 1)設計評價函數 f(n) ? f(n)計算實例 ?初始布局 s 目標布局 ng 5674832
點擊復制文檔內容
規(guī)章制度相關推薦
文庫吧 www.dybbs8.com
備案圖鄂ICP備17016276號-1