人工智能读书报告.doc

该【人工智能读书报告 】是由【久阅文学】上传分享，文档一共【49】页，该文档可以免费在线阅读，需要了解更多关于【人工智能读书报告 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。人工智能读书报告
(读书报告、研究报告)
考
核
科
目:人工智能
学生所在院(系):计算机学院
学生所在学科:计学生姓名:学号:学生类别:学考
核结果
算机术科学与技术阅卷人
人工智能读书报告
——基于动态加权的a*搜索算法研究
启发式搜索
启发式搜索就是在状态空间中对每一个搜索的位置进行评估,选择最好的位置,再从这个位置进行搜索直到目标。在启发式搜索中,对位置的估价是十分重要的。采用了不同的评估方法可以有不同的效果。最佳优先搜索的最广为人知的形式称为
启发算法有:蚁群算法,遗传算法、模拟退火算法等。
greedysearchondoutperformssearchonh
动态加权启发式搜索算法
应用启发式搜索中的加权技术,其主要目的是调整搜索中深度优先与宽度优先的比值,以提高搜索效率。通常有两种加权技术,即常数加权与动态加权技术。由于在常数加权中,同样的加权量毫无区别地施用在每一个节点上,加权的作用取决于各单一节点。而在动态加权中,则会动态地对不同层上的节点施以不同的加权量。故一般地,采用动态加权技术的启发式搜索效率要比静态(即常数)加权好。
,如果该算法总能找到一条求解路径,其耗散值至少为??ft*(s)。这里ft*(s)表示从初始节点s出发至目标节点的最佳路径的耗散值,ε∈(0,1)。根据加权技术的基本思想,启发式评价函数的动态加权应达到这样的效果
:在搜索树的浅层,搜索应呈现深度优先搜索的特性;而随着搜索树的层次越来越深,应逐步呈现出宽度优先搜索的特性。据此,我们可以定义动态加权的启发式评价函数为:ft(n)?t(gt(n),??(1?d(n)/n)?ht(n))其中d(n)表示节点n在搜索树中的深度,n表示预期的目标节点在搜索树中的深度;
?采用上述的启发式评价函数ft,且ht≥ht*,则称算法raε为算法ra?*。
若模t满足t(??a,??b)???t(a,b),这里ε∈(0,1),属于最佳路径上的且在open表中属于最浅层的任意节点n,仍然有gt(n)=gt*(n),最后经过推导可以得到:ft(n)?t(gt(n),??(1?d(n)/n)?ht(n))
=t(gt*(n),??(1?d(n)/n)?ht(n))≥t(gt*(n),??(1?d(n)/n)?ht*(n))≥t(gt*(n),??ht*(n))≥t(??gt*(n),??ht*(n))≥??ft*(s)
动态加权不能克服指数爆炸问题
martelli已经证明了,在最坏情况下,算法a*的时间复杂度为o(2n)这里m是图的节点数。使用动态加权技术的本质在于提高搜索效率,但是动态加权技术很难消除指数爆炸现象。
’被称为引导了一个?(n)的标准化误差,若对于b元树上的所有节点,存在两个固定的正数β和γ和一个正交函数?(.),
ht(n)?ht*(n)ht(n)?ht*(n)
|??]??/b,γ>1和p[||??]??/b?<1使得p[|
?(ht*(n))?(ht*(n))
(n)引出?(n)=n的标准化误差,则当0<?0<1<a≤1
1??
d(n)
时,启发式评价函数为aht(n)???(1?)?ht(n)引出同样的?(n)?n的
n
标准化误差。这里??(0,1],?0得含义如同极限、概率定义中常见的,它与
?不同。
ht(n)?ht*(n)ht(n)?ht*(n)
证明过程:令y(n)?;y(n)?因为**
?(ht(n))?(ht(n))11?aht*(n)y(n)1?a
????(y)=y,故有y(n)?y(n)?根据定理成立条
aa?(ht*(n))aa
件可知,当a1?时,p[|y(n)|?(1?a)?a??]?p[|y(n)|?(a?1)?a??]?令?=(β+1)a–1,当0??0?1,
?
b
,
1
?a?1时,存在?>0,使得:1??
ht(n)?ht*(n)?p[||??]?p[|y(n)|??]?
?(ht*(n))b
,当a?1时,
p[|y(n)|?(1?a)?a?]?p[|y(n)?(a?1)|?a?]?
?
b
,令??(??1)a?1,
ht(n)?ht*(n)?1
|??]?当0??0?1存在??0,使得:p[|?a?1时,*
?(ht(n))b1??
故定理是成立的。
定理二表明,至少存在一个区间,使得动态加权技术无法改变评价函数引出的?(n)?n的标准差。pearl已经证明了使用动态加权的算法a在类
似这样的区间内,动态算法仍呈现最坏情况下的指数爆炸问题,类似,算法
ra?,若使用动态加权技术,也不能避免指数爆炸问题。
结论
启发式搜索算法在人工智能领域应用广泛,文章提到的动态加权启发式搜索算法在某些方面要比a*算法出色,通过动态调整搜索中深度优先与宽度优先的比值
,更能提高搜索的效率。但由分析可见,动态加权技术虽然在一定程度上提高了算法的搜索效率,但它也存在缺点,即不能从根本上解决指数爆炸问题。
参考文献
haslum,p.,andgeffner,-01.
bonet,b.,andgeffner,(1-2):5-:人工智能读书笔记西安交通大学
人工智能读书笔记
——神经网络初步探究
西安交通大学电信学院计算机15班高君宇2110505112
本学期,我有幸跟随相明教授进行了为期十周的人工智能课程学习。我最真切的体会是:在当今的人工智能领域里,理论是浩如烟海的,发现是十分之多的,应用是颇有限制的,成熟是有待时间的。但是,这丝毫不会降低我对人工智能诸多领域的兴趣
。为什么呢?因为我是一个计算机专业的学生,对计算机这个看似冷冰的机器有着独特的感情,我渴望与他沟通与他交互向他诉说。所以,机器学习、神经网络等一系列理论都让我兴致勃勃,而且这些理论在相关领域中已经有所应用。在这个读书笔记里,我想专门记录自己对神经网络的研究。
人类在很多方面已成功地采用机器来完成繁重和重复的体力工作,但人们也一直没有放弃让机器具有人类的思维能力的努力。自电子计算机的出现至今,使这种梦想有了某些实现的可能。特别是人工智能技术的出现,使得人们又向思维机器的研究方向迈进了一步。现在,人工神经网络技术又为我们进一步研究怎样模拟人类智能以及了解人脑思维的奥秘开辟了一条新的途径。[1]
那么,什么是神经网络呢?通过老师课上的讲述和自身的理解,我认为神经网络就是让计算机像生物体的神经系统一样,可以对外界传来的各种刺激(输入)产生一系列确定的反应(输出)。神经元在神经系统中具体怎么工作的我们不用纠结太多