启发式搜索什么叫"启发式搜索"？它是如何实现的？

启发式搜索时间:2021-07-16 阅读:()

ai,到底是什么啊

不知道你说的是哪种AI

AI有好多解释

楼上说的都有我再补充一个

AI(Artificial Intelligence，人工智能) 。

“人工智能”一词最初是在1956 年Dartmouth学会上提出的。

从那以后,研究者们发展了众多理论和原理,人工智能的概念也随之扩展。

人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。

人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。

但不同的时代、不同的人对这种“复杂工作”的理解是不同的。

例如繁重的科学和工程计算本来是要人脑来承担的, 现在计算机不但能完成这种计算, 而且能够比人脑做得更快、更准确, 因之当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”, 可见复杂工作的定义是随着时代的发展和技术的进步而变化的, 人工智能这门科学的具体目标也自然随着时代的变化而发展。

它一方面不断获得新的进展, 一方面又转向更有意义、更加困难的目标。

目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机, 人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。

除了计算机科学以外, 人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。

　　人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。

　　知识表示是人工智能的基本问题之一，推理和搜索都与表示方法密切相关。

常用的知识表示方法有：逻辑表示法、产生式表示法、语义网络表示法和框架表示法等。

　　常识，自然为人们所关注，已提出多种方法，如非单调推理、定性推理就是从不同角度来表达常识和处理常识的。

　　问题求解中的自动推理是知识的使用过程，由于有多种知识表示方法，相应地有多种推理方法。

推理过程一般可分为演绎推理和非演绎推理。

谓词逻辑是演绎推理的基础。

结构化表示下的继承性能推理是非演绎性的。

由于知识处理的需要，近几年来提出了多种非演泽的推理方法，如连接机制推理、类比推理、基于示例的推理、反绎推理和受限推理等。

　　搜索是人工智能的一种问题求解方法，搜索策略决定着问题求解的一个推理步骤中知识被使用的优先关系。

可分为无信息导引的盲目搜索和利用经验知识导引的启发式搜索。

启发式知识常由启发式函数来表示，启发式知识利用得越充分，求解问题的搜索空间就越小。

典型的启发式搜索方法有A*、AO*算法等。

近几年搜索方法研究开始注意那些具有百万节点的超大规模的搜索问题。

　　机器学习是人工智能的另一重要课题。

机器学习是指在一定的知识表示意义下获取新知识的过程，按照学习机制的不同，主要有归纳学习、分析学习、连接机制学习和遗传学习等。

　　知识处理系统主要由知识库和推理机组成。

知识库存储系统所需要的知识，当知识量较大而又有多种表示方法时，知识的合理组织与管理是重要的。

推理机在问题求解时，规定使用知识的基本方法和策略，推理过程中为记录结果或通信需设数据库或采用黑板机制。

如果在知识库中存储的是某一领域(如医疗诊断)的专家知识，则这样的知识系统称为专家系统。

为适应复杂问题的求解需要，单一的专家系统向多主体的分布式人工智能系统发展，这时知识共享、主体间的协作、矛盾的出现和处理将是研究的关键问题。

结合决策树学习过程说明机器学习过程是一个启发式搜索过程

大概讲一下决策树吧，decision tree 每个节点是根据所挑选的特征来进行预判断的，从root开始到每一个split node根据当前最有利的特征进行split tree，但是每个split node 并非能够给出100%的判断，而是有一定的估值来判断是将某个example放在left-child-tree还是right-child-tree,（eg:某个节点给出86.6%的概率值为可能为left,13.4%的概率为right)因此可以说决策树与启发式搜索的共同之处在于每个节点给出了评估值！（愚见可能不大对哈~）

电子表格里的评价函数是什么？

在搜索过程中，关键的一步是如何确定要扩展的节点，不同的确定方法就形成不同的搜索策略。

如果在确定节点时能充分利用与问题求解有关的特性信息，估计出节点的重要性，就能够在搜索时选择重要性较高的节点进行扩展，从而求得最优解。

而启发式搜索正是这种利用问题自身的某些特性信息，指导搜索朝着最有希望有方向前进的一种方法。

　　在启发式搜索中，用于评价节点重要性的函数叫做评价函数。

评价函数的主要任务就是估计等搜索结点的重要程度，以确定结点的优先级程度。

评价函数的一般形式为　　f(x)=g(x) h(x) 　　其中g(x)为初始节点S0到节点x已经实际付出的代价。

当希望有较高的搜索效率，且只关心到达目标节点的路径时，g(x)可以忽略，但此时会影响到搜索的完备性。

h(x)为节点x到目标节点Sg的最优路径的估计代价，它体现了总是的启发性信息，又称为启发函数，其形式要根据总是的特性而定。

启发函数h(x)所携带的启发性的信息越多，搜索时扩展的节点数就越少，搜索的效率就越高。

因此在确定f(x)时，要使得g(x)与h(x)各占适当的比率。

　　在实际问题求解时，g(x)可以根据已经搜索的节点信息计算出来，而启发函数h(x)依赖于人们的经验。

它来源于我们对问题的某些特性的认识。

　　构造和选择合适的启发函数h(x)是启发式搜索的关键。

在构造h(x) 时，应满足两个方面的要求：首先，启发函数要简单易算；其次，函数要有较高的精确度，能够反应问题的实际情况。

而在实际问题中，这两个方面的要求是相互制约的，很难同时得到满足。

若将启发函数设计得简单易算，那么此函数的精度往往不会很高，产生的误差也大；若将启发函数设计得有较高的精确度，那么函数会很复杂，计算也需较长时间。

所以构造一个好的启发函数，要综合考虑这两个方面的因素。