best-first search--转

本文介绍了最佳解优先搜寻法的基本概念与实现原理,并通过井字游戏实例演示了如何运用评估函数指导搜索过程。

转自网上搜的一篇PPT《AI-Ch02.ppt》,PPT是繁体的,用Google翻译转成简体。这里对这个算法说的最详细简明。

(一).

这个搜寻法只是根据最佳化的评估函数来选择下一个搜寻的节点。当评估函数的准确度愈高,则愈可能找到最佳的节点反之,评估函数可能无作用,甚至可能导至错误的搜寻。它使用一些估计解答成本的测量方式,并设法朝最低成本的方向进行搜寻。

为了使搜寻更精确,因此估计解答成本的测量必须加上到达结束状态的路径成本估计。
以下为使用通用搜寻演算法来描述「最佳解优先搜寻法」的方式:

function BEST-FIRST-SEARCH (问题描述, 评估函数) 传回解答或宣告失败
顺序函数← 依评估函数决定的节点展开顺序
传回GENERAL-SEARCH (问题描述, 顺序函数)
(二)

以井字游戏为例,若电脑是“o”,对手是“x”,且评估函数定义为:
F(x)=同一行及对角线的其他空白个数´1
同一行及对角线的“o”个数´2 Y(X)
Y(X)= 0 若该一行及对角线的“x”个数为0
         = –1 若该一行及对角线的“x”个数为1
         = 2 若该一行及对角线的“x”个数为4
假设目前的盘面状况如下:
一开始全部都是空格

A1

A2

A3

A4

A5

A6

A7

A8

A9

若由电脑先下,则(´为乘号,以下皆同,这里显示不清楚)

F(A1)=(2+2+2) ´1 + (0+0+0) ´ 2 + (0+0+0) = 6

F(A2)=(2+2) ´1 + (0+0) ´ 2 + (0+0) = 4

F(A3)=(2+2+2) ´1 + (0+0+0) ´ 2 + (0+0+0) = 6

F(A4)=(2+2) ´1 + (0+0) ´ 2 + (0+0) ´ 2 = 4

F(A5)=(2+2+2+2) ´1 + (0+0+0) ´ 2 + (0+0+0) = 8

F(A6)=(2+2) ´1 + (0+0) ´ 2 + (0+0) = 4

F(A7)=(2+2+2) ´1 + (0+0+0) ´ 2 + (0+0+0) = 6

F(A8)=(2+2) ´1 + (0+0) ´ 2 + (0+0) ´ 2 = 4

F(A9)=(2+2+2) ´1 + (0+0+0) ´ 2 + (0+0+0) ´ 2 = 6

因此电脑选择A5;若对手选择A1,则盘面状况如下:

X

A2

A3

A4

O

A6

A7

A8

A9

依同样的评估函数,可算出

F(A2)=(1+1) ´1 + (1+0) ´ 2 + (-1+0) = 3

F(A3)=(1+1+2) ´1 + (0+1+0) ´ 2 + (-1+0+0) = 5

F(A4)=(1+1) ´1 + (1+0) ´ 2 + (0-1) = 3

F(A6)=(1+2) ´1 + (1+0) ´ 2 + (0+0) = 5

F(A7)=(1+1+2) ´1 + (0+1+0) ´ 2 + (-1+0+0) = 5

F(A8)=(1+2) ´1 + (1+0) ´ 2 + (0+0) = 5

F(A9)=(0+2+2) ´1 + (0+1+0) ´ 2 + (0-1+0) = 5

由此可知,A3、A6、A7、A8 及A9都是不错的选择,假设电脑选择A3;若对手选择A7,则盘面状况如下:

X

A2

O

A4

O

A6

X

A8

A9

依同样的评估函数,可算出
F(A2)=(0+1) ´1 + (1+1) ´ 2 + (-1+0) = 4
F(A4)=(0+1) ´1 + (0+1) ´ 2 + (4+0) = 7
F(A6)=(1+1) ´1 + (1+1) ´ 2 + (0+0) = 6
F(A8)=(1+1) ´1 + (0+1) ´ 2 + (-1+0) = 3
F(A9)=(1+0+1) ´1 + (0+1+1) ´ 2 + (-1+0+0) = 5
因此电脑选择A4;若对手选择A6,则盘面状况如下:

X

A2

O

O

O

X

X

A8

A9

依同样的评估函数,可算出
F(A2)=(0+1) ´1 + (1+1) ´ 2 + (-1+0) = 4
F(A8)=(1+1) ´1 + (0+1) ´ 2 + (-1+0) = 3
F(A9)=(1+0+0) ´1 + (0+1+1) ´ 2 + (-1+0-1) = 3
因此电脑选择A2;若对手选择A8,则盘面状况如下:

X

O

O

O

O

X

X

X

A9

最后电脑选择A9,双方以合局结束。

### 回答1: 贪心最佳优先搜索(Greedy Best-First Search)是一种启发式搜索算法,它通过在每个搜索步骤中优先考虑最有可能导致解决方案的节点,来寻找最优解。与广度优先搜索不同,贪心最佳优先搜索使用一个评估函数来衡量搜索状态的好坏,然后按照评估函数的值来选择下一个要扩展的节点。贪心最佳优先搜索通常用于解决状态空间较大,但具有良好的启发信息的问题。 ### 回答2: 贪婪最优先搜索(GBFS)是一种启发式搜索算法,其基本思想是根据一定的启发函数,尽可能快地向目标状态方向搜索。它的搜索过程类似于最优先搜索,但是它不使用精确的代价函数,而是使用启发函数来估计从当前状态到目标状态的代价。 GBFS通过选择启发函数中具有最小估计代价的节点来扩展搜索树,因此它可能会快速地向目标状态移动。然而,由于它只考虑了估计代价,而没有考虑实际代价,因此它有可能陷入死胡同或者过早的终止搜索。 与最优先搜索类似,GBFS也具有一个开放列表,其中包含了待搜索的节点。通过比较启发函数的值,GBFS选择启发值最小的节点进行扩展。当搜索到达目标状态时,GBFS停止搜索。 与其他搜索算法相比,GBFS具有以下优缺点: 优点: 1. 它可以快速地向目标状态移动。 2. 它在内存和计算资源上比A*搜索更加高效。 缺点: 1. 它可能陷入局部最优解并忽略其他有可能更优的解。 2. 它无法保证找到最优解。 3. 它存在一个问题,即当启发函数不准确时,可能会浪费大量的时间和计算资源搜索不必要的节点。 总的来说,GBFS对于大多数问题而言是一个高效的搜索算法,但是它的表现取决于使用的启发函数的准确性。 ### 回答3: 贪婪最佳优先搜索(Greedy Best-First Search)是一种启发式搜索算法,它选取可行节点中最有希望的节点作为下一个扩展节点。在贪婪最佳优先搜索中,每个节点都被赋予一个估价函数的值,估价函数用于估计从当前节点到目标节点的最小代价或距离,该算法通常用于解决单目标问题,如路径规划或机器人导航。 贪婪最佳优先搜索过程中,节点状态用一个优先队列来维护。节点的优先级由估价函数的值决定,即节点的估价函数值越小,则节点的优先级越高,队列中位置越靠前。这种贪心策略导致该算法的效率很高,但是不能保证它能找到全局最优解,它只能找到靠近目标的局部最优解。 贪婪最佳优先搜索的优点是速度快,但是它有缺陷。该算法只能找到越来越接近终点的节点,但是它不能保证一些没有被考虑的位于路径上的节点,这些节点可能会导致更短或更优的路径。因此,该算法只适用于简单问题,但是在复杂问题上找到最优解的准确性不可靠。 在实际问题中,我们通常使用A*算法代替贪婪最佳优先搜索。A*算法既具备贪婪最佳优先搜索的速度和效率,又能优化贪婪算法的不足之处,它能确保找到最优解,并取得了广泛的应用。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值