浅谈人工智能中启发式搜索策略.doc

浅谈人工智能中的启发式搜索策略
<P>浅谈人工智能中的启发式搜索策略</P>
<P><BR>　　关键词:人工智能;启发式搜索;估价函数 <BR>　摘要:人工智能所要解决的问题大部分是非结构化或结构不良的问题,启发式搜索可以极大提高效率。讲述了搜索策略中的启发式搜索,对它的原理进行讲解,前景进行了展望。 </P>
<P>&nbsp;<BR>　　盲目搜索即是按预定的控制策略进行搜索[1],这种搜索具有盲目性,效率不高,不便于复杂问题的求解。为解决此类问题,人们提出启发式搜索策略,即在搜索中加入与问题有关的启发式信息,用以指导搜索朝着最有希望的方向前进,加速问题求解的效率并找到最优解。 <BR>　　一、启发式搜索策略的发展历史 <BR>　　40年代:由于实际需要,提出了启发式算法,具有快速有效的特点。50年代:启发式搜索逐步繁荣,其中贪婪算法和局部搜索得到人们的关注。 <BR>　　60年代:反思阶段,人们发现以前提出的启发式算法速度很快,但是解的质量不稳定,而且对大规模的问题仍然无能为力。 <BR>　　70年代:计算复杂性理论的提出。人们发现贪婪算法和局部搜索算法速度快,但解不好的原因是得到的解没有全局最优性。Holland的遗传算法的出现再次引发了人们研究启发式算法的兴趣。 <BR>　　80年代以后,模拟退火算法,人工神经网络,禁忌搜索等新式算法相继出现。 <BR>　　二、启发式搜索策略的工作原理 <BR>　　盲目式搜索求解的过程中,节点的扩展次序是随意的,且没有利用已解决问题的特性,为此需要扩展的节点数会非常大。启发式搜索则克服了上述缺点,它利用搜索过程中的有用信息优化搜索。 <BR>　　(一)一般搜索过程 <BR>　　基本思想[2]:把初始结点作为当前状态,选择适用的算符对其进行操作,生成一组子状态,然后检查目标状态是否在其中出现。若出现,则搜索成功,否则从已生成的状态中再选一个状态作为当前状态。重复上述过程,直到目标状态出现或者不再有可供操作的状态和算符时为止。 <BR>　　在给出具体过程之前,首先介绍两个数据结构——OPEN表和CLOSED表。OPEN表用于存放刚生成的节点。CLOSED表用于存放将要扩展或者已经扩展的节点。 <BR>　　搜索的一般过程如下: <BR>　　,并建立目前只包含S0的图,记为G。 <BR>　　,若为空则问题无解,退出。 <BR>　　,并记该节点为节点n。 <BR>　　。若是,则求得了问题的解,退出。 <BR>　　,生成一组子节点。把其中不是节点n先辈的那些子节点记作集合M,并把这些子节点作为节点n的子节点加入到G中。 <BR>　　,分别进行如下处理:①对于那些未曾在G中出现过的M成员设置一个指向父节点(即节点n)的指针,并把他们放入OPEN表中;②对于那些先前已在G中出现过的M成员,确定是否需要修改指向父节点的指针;③对于那些先前已在G中出现并且已经扩展了M的成员,确定是否需要修改其后继节点指向父节点的指针。 <BR>　　。 <BR>　　。 <BR>　　由以上介绍可知,问题的求解过程实际上就是搜索过程,问题的求解的状态空间图是通过搜索逐步形成的,边搜索边形成,而且搜索每前进一步,就要检查一下是否到达了目标状态,这样就可尽量少生成与问题无关的状态,即节省了存储空间,又提高了求解效率。 <BR>　　(二)估价函数 <BR>　　用于估价节点重要性的函数称为估价函数[3],其一般形式为:f(x)=g(x)+h(x),g(x)为从初始节点S0到节点x已经实际付出的代价;h(x)是从节点x到目标节点Sg的最优路径的估计代价,它体现了问题的启发性信息,其形式要根据问题的特性确定。例如,它可以是节点x到节点的距离,也可以是处于最优路经上的概率等;h(x)称为启发函数。 <BR>　　估价函数f(x)表示从初始节点经过节点x到目标节点的最优路径的代价估价值,它的作用是估价OPEN表中各节点的重要程度,决定它们在OPEN表中的次序。其中g(x)指出了搜索的横向趋势,它有利于搜索的完备性,但影响搜索的效率。如果我们只关心到达目标节点的路径,并且希望有较高的搜索效率,则g(x)可以忽略,但此时会影响搜索的完备性,因此,在确定f(x)时,要权衡各种利弊得失,使g(x)与h(x)各占适当的比重。 <BR>　　三、小结 <BR>　　启发式搜索算法是一种很实用、很有效的算法,比如SA算法具有对初始点的不依赖性,可以任意选取初始解和随机