前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >启发式的搜索策略

启发式的搜索策略

作者头像
狼啸风云
修改2022-09-03 20:18:26
1.1K0
修改2022-09-03 20:18:26
举报

搜索是人工智能中解决问题采用的主要策略,在看《人工智能,一种现代的方法》的时候,发现了这个搜索算法。但书上讲的主要是理论,以下是该算法的总结和与ACM的结合训练。

1、盲目搜索

无信息搜索(盲目)搜索策略,指的是除了问题定义中提供的状态信息外,没有任何附加的信息。搜索也只会盲目的进行。搜索方式如下:

  1. 宽度优先搜索(BFS)
  2. 一致代价搜索(类Dijkstra最短路径搜索算法)
  3. 深度优先搜索(DFS)
  4. 深度受限搜索(用于控制无限深度的树,定义一个深度搜索的界限l)
  5. 迭代加深的深度优先搜索(与深度优先搜索结合使用来确定最好的深度界限)
  6. 双向搜索(从两端同时进行搜索,因为bd/2+bd/2要比dd小很多)

以上搜索在我以前做的题中,或多或少都遇到过。但是因为题的范围限制,搜索的深度都不是很高。一旦遇到深度大的搜索树,就尴尬了。

2、启发式搜索

有信息的(启发式)搜索可以知道一个非目标的状态是否比其他的状态“更有希望”接近目标,从而达到比盲目搜索更好的搜索效果

首先,什么是目标状态,什么是非目标状态

如下图是一个八数码问题。空格子附近的数字可以移到空格子里面。,左边的方格状态经过怎样的移动之后能变成右边的方格状态。

即,左边这个方格的状态就是非目标状态,而右边这个格子的状态就是目标状态

一个随机产生的八数码问题的平均解的步骤是22步。分支因子约为3(分支因子即每一次移动的可能步数,在中间时有四种移动方式,在四个角上时只有两种移动的方式,在四条边上的时候有三种移动的方式)

这就意味着,到达深度为22的穷举搜索树将考虑322≈3.1×1010个状态,图搜索可以把这个数量削减到大约170000倍,因为只有9!/2=181440个不同的状态。

但是如果扩展到15数码问题(3×3变成4×4),那么这个数目大概是1013,庞大的状态集可以把你的计算机直接弄崩溃,因此我们需要找到一个好的启发函数

在这里我们描述两个常用的启发式函数:

  • h1 = 不在位的棋子数,如上图,则起始状态时,h1 = 8(所有棋子都不在正确的位置)
  • h2 = 所有棋子到达其目标位置的距离和。因为棋子不能斜着移动,距离相当于水平和竖直的距离和,也称为曼哈顿距离,如上图中的曼哈顿距离h2 = 3+1+2+2+2+3+3+2=18

那么问题来了,这两个启发式函数有什么用,h1和h2能帮我们更好的解决八数码问题吗?

启发式函数有什么用?

首先我们定义:f(n) = g(n) + h(n)

其中,f(n)是从初始状态到目标状态所花的总代价。g(n)是从初始状态到目标状态的路径代价,而h(n)是初始状态到目标状态的最小代价路径的估计值,也就是一个启发式函数。然后我们假设空的格子在中间位置。那么这个空格子可以上移(我们把其他数字移到空格子里看成空格子移过去),下移,左移,右移。这四个方位的g(n)都是1。即只需要花费1步的代价就可以到达目标。h(n)这里我们采用上面的h2,可以证明得到h2的效率恒高于h1(可以自证明)。那么上下左右的四个状态则可以计算出四个不同的h(n),通过选择最小的h(n),继续下一步的行动。因为g(n)都是1,所以f(n)的比较也就是h(n)的比较。

是不是有点Dijkstra算法的意思,一个是从A->B,选择每一步的行动的时候,是挑最近的那条路走,然后重新刷新所有点到终点的距离。而启发式搜索,在g(n)可以相等的情况下,就是根据h(n)来选择行动的路径

实战

#include <iostream>
#include <cstring>
#include <cmath>
#include <queue>
#define inf 0x7fffffff   //整数的最大值
using namespace std;
struct node{
    int map[3][3],x,y,f,g,h;
    friend bool operator < (node a,node b){
        return a.f > b.f;   //从小到大自动排序
    }
}start,target;  //定义开始状态和目标状态
int step[400010],v[400010],book[400010],targetNum=46234;
char str[4]={'u','d','l','r' };
int Can[10]={1,1,2,6,24,120,720,5040,40320 };  //全排列的压缩序列
int an[4][2]={-1,0, 1,0, 0,-1, 0,1 };  //上下左右的移动
int Cantor(node cur){ //康托展开
    int an[10],k=0,sum=0;
    for (int i=0 ;i<3 ;i++)
        for (int j=0 ;j<3 ;j++)
            an[k++]=cur.map[i][j];  //将二维转化为一维
    for (int i=0 ;i<9 ;i++){
        int k=0;
        for (int j=i+1 ;j<9 ;j++)
            if (an[i]>an[j]) k++;
        sum += k*Can[9-i-1];  //求出当前全排列是初始全排列的第几个
    }
    return sum+1;
}
int checkRoad(node an) {  ///判断此时奇偶性(因为每次调换都不会改变其奇偶性)
    int a[10],k=0,sum=0;
    for (int i=0 ;i<3 ;i++)
        for (int j=0 ;j<3 ;j++)
            a[k++]=an.map[i][j];  //将二位状态空间转化为一维
    for (int i=0 ;i<k ;i++) 
        if (a[i]!=0)
            for (int j=0 ;j<i ;j++)
                if (a[j]>a[i]) sum ++;  //判断移动是否需要变化逆序
    if (sum&1) return 0;   //奇数返回0
    return 1;  
}
void printRoad(node cur){   //输出移动路径
    string ans;
    int sum=targetNum;
    while (step[sum] != -1){  //如果上一个状态存在
        switch (v[sum]) {  //选择从上一个状态到达此状态经过的步骤
            case 0 : ans += str[0];break;
            case 1 : ans += str[1];break;
            case 2 : ans += str[2];break;
            case 3 : ans += str[3];break;
        }
        sum=step[sum];
    }
    for (int i=ans.size()-1; i>=0; i--)  cout<<ans[i];
    cout<<endl;
    return ;
}
int getH(node cur){
    int sum=0;
    for (int i=0 ;i<3 ;i++)
        for (int j=0 ;j<3 ;j++){
            int u = cur.map[i][j];
            int x = u>0?(u-1)/3:2, y = u>0?(u-1)%3:2;
            sum += abs(x-i)+abs(y-j);
        }
    return sum;
}
void aStar(node cur){
    priority_queue<node> Q;  //优先队列,默认从大到小
    cur.g=0; 
    cur.h=getH(cur);  //取得该状态的h值
    cur.f=cur.g + cur.h;
    Q.push(cur);  //将f作为比较关键字存入到Q中
    memset(book,-1,sizeof(book));   //初始化
    memset(step,-1,sizeof(step));
    memset(v,-1,sizeof(v));
    book[Cantor(cur)]=1;   //标记已经有过这个状态
    while (!Q.empty()){
        cur=Q.top();Q.pop();  //取出最小的路径状态
        if (Cantor(cur)==targetNum){  //如果已经到达目标
            printRoad(cur);   //打印行走的路径
            return ;
        }
        for (int i=0 ;i<4 ;i++){   //上下左右移动
            target.x=cur.x+an[i][0];
            target.y=cur.y+an[i][1];
            int x=cur.x ,y=cur.y ;
            for (int u=0 ;u<3 ;u++)  //初始化移动后的状态
                for (int v=0 ;v<3 ;v++)
                    target.map[u][v]=cur.map[u][v];
            if (target.x<0||target.x>=3||target.y<0||target.y>=3) continue;  //保证不会移出格子
            swap(target.map[target.x][target.y],target.map[x][y]);
            int sum=Cantor(target);
            if (book[sum]==-1){   //如果这个状态还不存在
                if (checkRoad(target)==0) continue;
                book[sum]=1;
                target.g=cur.g+1;  //路径都是一样的1
                target.h=getH(target);   //取得新的h值
                target.f=target.g+target.h;
                step[sum]=Cantor(cur);  //用来标记上一个的状态
                v[sum]=i;  //用来标记走的方向
                Q.push(target);   
            }
        }
    }
    return ;
}
int main(){
    char str[100];  //存储了初始字符串
    while (cin.getline(str,100)){  //读入
        int tx=0,ty=0;
        for (int i=0 ;i<strlen(str) ;i++){   //遍历读入的字符串
            if (str[i]>='0' && str[i]<='9') {
                start.map[tx][ty]=str[i]-'0';  //初始化开始状态
                if (++ty==3) {tx++;ty=0; }
            } else if (str[i]=='x') {
                start.map[tx][ty]=0;  //将x以0的形式存储
                start.x=tx ;start.y=ty ;  //记录开始的x的坐标
                if (++ty==3) {tx++;ty=0; }
            }
        }
        if (checkRoad(start)==0) {  //判断是否能够移到
            cout<<"unsolvable"<<endl;
            continue; 
        } 
        aStar(start);
    }
    return 0;
}

priority_queue是一个优先队列,每插入一个新的元素,内部都会重新进行一次排列。在结构体node中我们重载了操作符<,也就是说,优先队列的首个元素,即top()取得的值,是整个队列中最小的。因为上下左右四个移动的状态进行比较需要进行额外的存储,所以我们使用优先队列,省去了比较的步骤,启发式函数要怎么得到,我们已经看到了h1(错位棋子数)和h2(曼哈顿距离)对于八数码问题是相当好的启发式,而且h2更好。那么h2是如何被提取出来的,在人工智能领域,计算机能否机械的设计出这样的启发式呢?

答案是肯定的

h1和h2估算的是八数码问题中的剩余路径的长度,对于该问题的简化版本它们也是相当精确的路径长度。如果游戏的规则改为每个棋子可以随便移动,而不是可以移动到与其相邻的空位上,那么h1就是最短解的精确步数。类似的,如果一个棋子可以向任何方向移动,甚至可以移动到被其他棋子占据的位置上,那么h2将给出最短解的精确步数。减少了行动限制的问题,我们称为松弛问题。原有问题中的任一最优解同样是松弛问题的最优解;但是松弛问题可能有更好的解,理由是增加的边可能导致了捷径。

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2019-10-29 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 1、盲目搜索
  • 2、启发式搜索
  • 实战
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档