在人工智能课程的第二章中,主要讨论了无信息搜索(Uninformed Search)的概念及其相关算法。这部分内容主要包括以下几个核心知识点:
1. **搜索问题(The Search Problem)**:
- **定义**:搜索问题涉及状态(State),即问题域在某一时刻的具体信息;搜索空间(Search Space/State Space)包含了所有可能的世界状态;动作集(A)和动作函数(T),描述状态间如何通过动作变化;以及过渡图(Transition Graph)来表示问题的逻辑结构。
- **问题定义**:基于状态的问题要求输入包括状态空间、动作函数、起始节点(初始状态)和目标集合(可能有多个终止状态),目标是找到从起始节点到目标节点的最短路径。
2. **通用图搜索方法(Generic Graph Search Method)**:
- **后继定义**:在图中,如果存在边(𝑢𝒌,𝒗),那么.vert为𝑢𝒌的后继,路径(𝑢₀,...,𝑢ᵏ,.vert)是原有路径(𝑢₀,...,𝑢𝒌)的扩展。
- **拓展操作**:通过添加一个新后继节点,将路径(𝒔,𝒗₁,...,𝒗ᵏ)扩展为(𝒔,𝒗₁,...,𝒗ᵏ,.vert’,),其中.vert’是 vervk 的后继。
- **边界(Frontier)**:搜索过程中维护的一个集合,包含所有尚未完全探索的路径起点,通常起始时仅包含起始节点。
3. **无信息搜索策略**:
- **深度优先搜索(Depth-First Search, DFS)**:优先深度遍历,直到找到解决方案或达到最大深度。
- **广度优先搜索(Breadth-First Search, BFS)**:按层次顺序遍历,确保总是先探索离起始节点最近的状态。
- **均匀成本搜索(Uniform Cost Search, UCS)**:选择当前最低成本的节点进行扩展,适用于具有成本或代价的状态空间。
- **迭代加深搜索(Iterative Deepening, ID)**:逐步增加深度限制,结合了深度优先和广度优先的优点,避免了无限递归的问题。
4. **搜索空间剪枝(Search Space Pruning)**:减少不必要的搜索路径,如A*搜索中的启发式函数可以预测部分路径不可能达到目标,从而提前终止搜索。
通过理解这些概念,学生能够掌握无信息搜索的基本原理和应用,以及如何在实际问题中选择合适的搜索算法。掌握这些技术对于理解更复杂的AI算法,如路径规划和最优解求解至关重要。在学习过程中,实践应用和分析不同策略的效率和适用场景是非常重要的环节。