【人工智能】第四章 超越经典搜索

4.1 局部搜索算法和最优化问题
1）局部搜索算法：
a）从单个当前结点（而不是多条路径）出发，通常只移动到它的邻近状态，一般情况下不保存搜索路径；
b）优点：它们只用很少的内存（通常为常数）；它们经常能在系统算法不是用的很大或无限的（连续的）状态空间中找到合理的解；
2）爬山法：
a）概念：简单的循环过程，不断向值增加的方向持续移动（登高），到达一个“峰顶”（局部极大值）时终止；
b）变形：随机爬山法（随机选择上山移动的下一步，收敛慢一点但在某些状态空间的地形图能找到更好的解）；首选爬山法（随机生成后继结点知道生成一个优于当前结点的后继，在后继结点很多的时候适用）；随机重启爬山法（如果一开始没成功就重新开始搜索，通过随机生成初始状态引导爬山法搜索，直到找到目标）。

3）模拟退火算法：
a）概念：把爬山法和随机行走以某种方式结合，同时得到效率和完备性的想法是合理的；

4）局部束搜索：
a）概念：从k个随机生成的状态开始，每一步全部k个状态的所有后继状态全部被生成，如果其中有一个是目标状态，则算法停止，否则，它从整个后续列表中选择k个最佳的后继，重复这个过程；
b）变形：随机束搜索（不是从候选后继集合中选择最好的k个后继状态，而是随机选择k个后继状态）；
5）遗传算法：
a）概念：种群；个体；适应度函数；杂交；变异；

4.3 使用不确定动作的搜索
与或搜索树：或结点（在确定性环境中，分支由Agent在每个状态下的选择形成）；与结点（在不确定环境中，分支由环境选择每个行动的后果形成）；

4.4 使用部分可观察信息的搜索
信念状态：整个信念状态空间包含物理状态的每个可能集合。
1） 无观察信息的搜索
2） 部分观察信息的搜索：一个信念状态到另一个信念状态的特定行动分为三个阶段：预测阶段、观察预测阶段、更新阶段；