【人工智能】— 有信息搜索、最佳优先搜索、贪心搜索、A*搜索

无/有信息的搜索

Uninformed search无信息的搜索：除了问题中提供的定义之外没有任何关于状态的附加信息。
Informed search有信息的搜索：在问题本身的定义之外还可利用问题的特定知识。
无论任何情况下，与无信息搜索策略相比，使用好的有信息的启发式搜索可以节省大量的时间和空间。
有信息搜索又叫做启发式搜索，顾名思意，这种搜索方法和启发式函数h(n)有着密切的关系。而h(n)就是有信息搜索的关键信息。这里的有信息指的是所求解问题之外的，但是与求解问题相关的特定信息或知识。

Informed Search Algorithms

评价函数(evaluation function,f(n)) 从当前结点出发根据评价函数来选择下一结点。
启发函数(heuristic function,h(n))从结点n到目标结点之间所形成的路径的最小代价值。
启发函数并不唯一，在罗马尼亚问题中，启发函数使用的是两个城市之间的直线距离即欧氏距离。这里作者并未考虑地形因素的影响。
在启发函数的选择中，我们还可以以公路里程或者花费的时间作为启发函数。下表即为各个城市距离bucharest的直线距离，即有信息搜索中的关键信息。
代价一致搜索 Uniform Cost：
- UCS的原理：一致代价搜索总是扩展路径消耗最小的节点N。N点的路径消耗等于前一节点N-1的路径消耗加上N-1到N节点的路径消耗
- 优点：UCS是完备的和可以取得最优解的！
- 缺点：
  - 会扩展所有“方向”
  - 没有关于目标状态的信息
- 为什么不是有信息搜索：
  - 定义两个函数
    - g(x) 为从根节点到x节点的代价总和
    - h(x) 为从x节点到目标节点的估计代价总和
  - 代价一致搜索 (Uniform Cost Search or Dijkstra search) f(x) = g(x)
  - 贪心搜索 (Greedy Search) f(x) = h(x)
  - A星搜索 (A* Search) f(x) = g(x) + h(x)
- 所以，因为g(x)是问题的定义获取的信息，不是跟目标状态有关的信息，所以代价一致搜索不是有信息搜索

Best-first search(最佳优先搜索)

思想：对每个节点使用评价函数f(n)
- 评估“可取性”
- 扩展最理想的未扩展节点
特例：
- 贪婪搜索
- A*搜索

Greedy Search

$h_{SLD}(n)$ = 从 $n$ 到布加勒斯特的直线距离
Greedy search expands the node that appears to be closest to goal(试图扩
展离目标节点最近的点)
完备性：不一定，可能会陷入死循环，例如：with Oradea as goal，Iasi → Neamt → Iasi → Neamt →…
- 在具有重复状态检查的有限空间可以实现完备性
- b:分支因子、d:解深度、m:最大深度
时间复杂度： $O(b^m)$ ，但一个好的启发式方法可以带来显著的改进
空间复杂度： $O(b^m)$ ，将所有节点保留在内存中
最优解：不能保证，例如：

A* Search

评估函数：Evaluation function $f (n) = g (n) + h (n)$
g(n) = cost so far to reach n —到达节点n的耗散
h(n) = estimated cost to goal from n —启发函数：从节点n到目标节点的最低耗散路径的耗散估计值
f(n) = estimated total cost of path through n to goal —经过节点n的最低耗散的估计函数
$h(n) ≤ h^*(n)$ where $h^*(n)$ is the true cost from n.
- (Also require h(n) ≥ 0, so h(G) = 0 for any goal G. )
E.g., $h_{SLD(n)}$ never overestimates the actual road distance (SLD: Straight-Line
Distance)
举例：
A*启发式h(n)是可采纳的：如果对于每个节点n， $h(n)≤h^*(n)$ ，其中 $h^*(n)$ 是从n达到目标状态的真实成本
An admissible heuristic never overestimates the cost to reach the goal（从不会过高估计到达目标的耗散）, i.e., it is optimistic（乐观的）
示例： $h_{SLD}(n)$ （永远不会高估实际道路距离
定理：如果h(n)是可采纳的，则使用TREE-SEARCH的A*是最优的
- 如果h(n)是一致的，则使用GRAPH-SEARCH的A*是最优的
提出可采纳的启发式方法是在实践中使用A*所涉及的大部分内容
完备性：满足（除非存在无限多个f≤f(G)的节点）
时间复杂度：A*算法对于任何给定的启发函数都是效率最优，但仍然是指数级
空间复杂度：要保存所有结点在内存中
最优解：可以取得

解释说明A*搜索是代价最优的和完备的

首先要先定义出什么是代价最优。这里的最优是指不存在另外一个解法能得到比A*算法所求得解法具有更小开销代价。
是否代价最优，取决于启发式函数h(n)的一些性质，其中的一个关键性质为可采纳性(admissibility)，一个具备可采纳性的启发式函数永远不会高估到达某个目标的代价。
专门针对启发函数而言，即启发函数不会过高估计(over-estimate)从节点n到目标结点之间的实际开销代价(即小于等于实际开销)。如可将两点之间的直线距离作为启发函数，从而保证其可容。
另外一个关键性质为一致性(consistency)。假设节点n的后续节点是n'，则从n到目标节点之间的开销代价一定小于从n到n'的开销再(单调性)加上从n'到目标节点之间的开销，满足以下条件： $h(n)\le cost(n,a,n')+h(n')$
这里n'是n经过行动a所抵达的后续节点，c(n,a,n')指n'和n之间的开销代价。则启发式函数h(n)是一致的。
A*搜索算法保持最优的条件：启发函数具有可容性(admissible)和一致性 (consistency)，如下图所示。
将直线距离作为启发函数h(n)，则启发函数一定是可容的，因为其不会高估开销代价。g(n)是从起始节点到节点n的实际代价开销，且 $f (n) = g (n) + h (n)$ ，因此 $f (n)$ 不会高估经过节点n路径的实际开销。
$h (n) \leq c (n, a, n^{'}) + h (n^{'})$ 构成了三角不等式。这里节点n、节点n'和目标结点Goal之间组成了一个三角形。
如果存在一条经过节点n'，从节点n到目标结点Goal的路径，其代价开销小于h(n)，则破坏了h(n)是从节点n到目标结点Goal所形成的具有最小开销代价的路径这一定义。

对搜索等值线如何理解

搜索等值线的概念更接近于地理上的等高线。如下图所示，在标记为400的等值线内，有 $f (n) = g (n) + h (n) \leq 400$ 。由于A*搜索扩展的是f最小的边界结点，因此它的等值线是从初始结点以扇形向外扩展的，而一致代价搜索因为只有g(n)，因此是以圆形向外扩展的。
在这里插入图片描述

这里设C是f(n)的最优解，那么对于满足f(n)＜C的结点n，称之为必然扩展结点(surely expanded node)，
A*搜索可能会选出到达目标状态之前，恰好在等值线上面的点，即满足f(n)=C的结点。A搜索不会扩展f(n)＞C的结点，因此可以得出结论：
- 具有一致启发性函数的A搜索是效率最优的。

情况	函数	结果
$\hat h(n)=0$ ，即 $\hat f(n)=\hat g(n)$	A*算法退化为Dijkstra算法	保证能找到最短路径
$\hat h(n)\leq$ 实际代价	$\hat h(n)$ 越小，A*扩展的节点越多，运行的越慢	保证能找到一条最短路径，但运算更快了
$\hat h(n)=$ 实际代价	仅寻找最佳路径，而不扩展任何别的节点	保证能找到一条最短路径，并且运算非常快
$\hat h(n)>$ 实际代价	寻找最佳路径且扩展别的任何节点	不能保证找到一条最短路径，但运算更快了
$\hat h(n)>>\hat g(n)$	A*算法退化为BFS算法	不能保证找到一条最短路径，但运算非常快