1、第4章 图搜索技术,4.1 状态图搜索 4.2 状态图问题求解 4.3 与或图搜索 4.4 与或图问题求解 4.5 博弈树搜索,4.1 状态图搜索,4.1.1 状态图例4.1 如图是一个迷宫。将迷宫的每一个格子以及入口和出口都作为节点，把通道作为边，则该迷宫可以由一个有向图表示。走迷宫其实就是从该有向图的初始节点(入口)出发，寻找目标节点(出口)的路径的问题。,例4.2 八个数码问题。每个数码占一格，有一个空格。数码在棋盘上移动规则是：与空格相邻的数码方可移入空格。问题：对于指定的初始棋局和目标棋局，给出数码的移动序列。,事实上，有许多问题(如梵塔问题、旅行商问题、八皇后问题、农夫过河问题、路
2、径规划、定理证明、演绎推理、机器人行动规划等）都可以归结为在某一状态图中寻找目标或路径的问题。,4.1.2 状态图搜索在状态图中寻找目标或路径的基本方法就是搜索：从初始节点出发，沿着与之相连的边试探地前进，寻找目标节点的过程(也可以反向进行)。 1.搜索方式计算机实现状态图搜索的两种最基本方式： 树式搜索：从树根出发，是以“画树”的方式进行搜索。 线式搜索：在搜索过程中只记录当前走过的节点和边，所形成的轨迹是一条线。进一步可回溯/不可回溯搜索。,2.搜索策略搜索具有探索性，要提高搜索效率(尽快地找到目标节点)，或要找最佳路径(最佳解)就必须注意搜索策略。对于状态图搜索，已经提出了许多策略，它们
3、大体可分为盲目搜索和启发式（heuristic）搜索两大类。 盲目搜索：无向导 启发式搜索：有向导（全局最优/局部最优/最佳图搜索） 对于类树搜索：深度优先/广度优先,3. 搜索算法框架由于搜索的目的是为了寻找初始节点到目标节点的路径，所以在搜索过程中就得随时记录搜索轨迹。为此，用一个称为CLOSED表的动态数据结构来专门记录考查过的节点。对于树式搜索来说，CLOSED表中存储的是一棵不断成长的搜索树；而对于线式搜索来说，CLOSED表中存储的是一条不断伸长的折线，它可能本身就是所求的路径(如果能找到目标节点的话)。,CLOSED表,另一方面，对于树式搜索来说，还得不断地把待考查的节点组织在一
4、起，并做某种排列，以便控制搜索的方向和顺序。为此，采用一个称为OPEN表的动态数据结构，来专门登记当前待考查的节点。,OPEN表,4.1.3 穷举式搜索为简单起见，先讨论树型结构的状态图搜索，并仅限于树式搜索。按搜索树生成方式的不同，树式穷举搜索又分为广度优先和深度优先两种搜索方式。广度优先(WSF)和深度优先(DSF) 是最基本的树式搜索策略，其他搜索策略都是建立在它们之上的。,1. 广度优先搜索广度优先搜索始终先在同一级节点中考查，只有当同一级节点考查完之后，才考查下一级节点。或者说，是以初始节点为根节点，向下逐级扩展搜索树。所以，广度优先策略的搜索树是自顶向下一层一层逐渐生成的。 广度优
5、先搜索算法：步1 把初始节点S0放入OPEN表中；步2 若OPEN表为空，则搜索失败，退出。步3 取OPEN表中前面第一个节点N放入CLOSED表中，并冠以顺序编号n；步4 若目标节点Sg=N，则搜索成功，结束。步5 若N不可扩展，则转步2；步6 扩展N，将其所有子节点配上指向N的返回指针依次放入OPEN表的尾部，转步2。,例4.3 用广度优先搜索策略解八数码难题。由于把一个与空格相邻的数码移入空格，等价于把空格向数码方向移动一位。所以，该题中给出的数码走步规则也可以简化为：对空格可施行左移、右移、上移和下移等四种操作。设初始节点S0和目标节点Sg分别如图43的初始棋局和目标棋局所示，我们用广
6、度优先搜索策略，则可得到如图45所示的搜索树。,图45 八数码问题的广度优先搜索,2.深度优先搜索深度优先搜索就是在搜索树的每一层始终先只扩展一个子节点，不断地向纵深前进，直到不能再前进(到达叶子节点或受到深度限制)时，才从当前节点返回到上一级节点，沿另一方向又继续前进。这种方法的搜索树是从树根开始一枝一枝逐渐形成的。深度优先搜索算法：步1 把初始节点S0放入OPEN表中；步2 若OPEN表为空，则搜索失败，退出。步3 取OPEN表头节点N放入CLOSED表中，并冠以顺序编号n；步4 若目标节点Sg=N，则搜索成功，结束。步5 若N不可扩展，则转步2；步6 扩展N，将其所有子节点配上指向N的返
7、回指针依次放入OPEN表的首部，转步2。,例4.4 对于八数码问题，应用深度优先搜索策略，可得如图46所示的搜索树。深度优先搜索亦称为纵向搜索。由于一个有解的问题树可能含有无穷分枝，深度优先搜索如果误入无穷分枝(即深度无限,但解不在该分支内)，则不可能找到目标节点。所以，深度优先搜索策略是不完备的。另外，应用此策略得到的解不一定是最佳解(最短路径)。,2,1,7,8,6,3,4,5,1,2,1,7,8,6,3,4,5,2,1,7,8,6,3,4,5,2,1,7,8,6,3,4,5,2,1,7,8,6,3,4,5,2,1,7,8,6,3,4,5,2,1,7,8,6,3,4,5,2,3,2,1,7
8、,8,6,3,4,5,4,2,1,7,8,6,3,4,5,2,1,7,8,6,3,4,5,5,2,1,7,8,6,3,4,5,6,3.有界深度优先搜索广度优先和深度优先是两种最基本的穷举搜索方法，在此基础上，根据需要再加上一定的限制条件，便可派生出许多特殊的搜索方法。例如有界深度优先搜索。有界深度优先搜索:给出搜索树深度限制，当从初始节点出发沿某一分枝扩展到一限定深度时，就不能再继续向下扩展，而只能改变方向继续搜索。节点x的深度(即其位于搜索树的层数)通常用d(x)表示，则有界深度优先搜索算法如下：,步1 把S0放入OPEN表中，置S0的深度d(S0)=0；步2 若OPEN表为空，则失败，退出
9、。步3 取OPEN表头节点N，放入CLOSED表中，并冠以顺序编号n；步4 若目标节点Sg=N，则成功，结束。步5 若N的深度d(N)=dm(深度限制值)，或者若N无子节点，则转步2；步6 扩展N，将其所有子节点Ni配上指向N的返回指针后依次放入OPEN表中前部，置d(Ni)=d(N)+1，转步2。,4.1.4 启发式搜索1问题的提出 穷举搜索法从理论上，似乎可以解决任何状态空间的搜索问题，但实践表明，穷举搜索只能解决一些状态空间很小的简单问题，而对于那些大状态空间问题，穷举搜索就不能胜任了。因为大空间问题，往往会导致“组合爆炸”。,2. 启发性信息启发式搜索就是利用启发性信息进行制导的搜索。
10、启发性信息就是有利于尽快找到问题之解的信息。按其用途划分，启发性信息一般可分为以下三类：(1)用于扩展节点的选择，即用于决定应先扩展哪一个节点，以免盲目扩展。(2)用于生成节点的选择，即用于决定应生成哪些后续节点，以免盲目地生成过多无用节点。(3)用于删除节点的选择，即用于决定应删除哪些无用节点，以免造成进一步的时空浪费。,3. 启发函数在启发式搜索中，通常用所谓启发函数来表示启发性信息。启发函数是用来估计搜索树上节点x与目标节点Sg接近程度的一种函数，通常记为h(x)。 定义启发函数：启发函数并无固定的模式，需要具体问题具体分析。通常可以参考的思路有：一个节点到目标节点的某种距离或差异的度量
11、；一个节点处在最佳路径上的概率；或者根据经验的主观打分等等。例如，对于八数码难题，用h(x)就可表示节点x的数码格局同目标节点相比，数码不同的位置个数。4.启发式搜索算法启发式搜索要用启发函数来导航，其搜索算法就要在状态图一般搜索算法基础上再增加启发函数值的计算与传播过程，并且由启发函数值来确定节点的扩展顺序。,1) 全局择优搜索全局择优搜索就是利用启发函数制导的一种启发式搜索方法。该方法亦称为最好优先搜索法，它的基本思想是：在OPEN表中保留所有已生成而未考察的节点，并用启发函数h(x)对它们全部进行估价，从中选出最优节点进行扩展，而不管这个节点出现在搜索树的什么地方。,全局择优搜索算法如下
12、：步1 把初始节点S0放入OPEN表中，计算h(So)；步2 若OPEN表为空，则搜索失败，退出。步3 移出OPEN表中第一个节点N放入CLOSED表中，并冠以序号n；步4 若目标节点Sg=N，则搜索成功，结束。步5 若N不可扩展，则转步2；步6 扩展N，计算每个子节点x的函数值h(x)，并将所有子节点配以指向N的返回指针后放入OPEN表中，再对OPEN表中的所有子节点按其函数值大小以升序排序，转步2。,例4.5 用全局择优搜索法解八数码难题。初始棋局和目标棋局同例3。解 设启发函数h(x)为节点x的格局与目标格局相比数码不同的位置个数。以这个函数制导的搜索树如图47所示。图中节点旁的数字就是
13、该节点的估价值。由图可见此八数问题的解为：,八数码问题的全局择优搜索,2) 局部择优搜索局部择优搜索与全局择优搜索的区别是，扩展节点N后仅对N的子节点按启发函数值大小以升序排序，再将它们依次放入OPEN表的首部。,2,1,7,8,6,3,4,5,S,0,2,1,7,8,6,3,4,5,2,1,7,8,6,3,4,5,2,1,7,8,6,3,4,5,2,1,7,8,6,3,4,5,4,4,S,1,5,5,2,1,7,8,6,3,4,5,2,1,7,8,6,3,4,5,5,4,2,1,7,8,6,3,4,5,4,2,1,7,8,6,3,4,5,2,1,7,8,6,3,4,5,S,g,5,4,2.分
14、支界限法(最小代价优先法)g(x):从初始点S0到x的代价；其基本思想是：每次从OPEN表中选出g(x)值最小的节点进行考察，而不管这个节点在搜索树的什么位置上。可以看出，这种搜索法与前面的最好优先法（即全局择优法）的区别仅是选取扩展节点的标准不同，一个是代价值g(x)（最小），一个是启发函数值h(x)（最小）。这就是说，把最好优先法算法中的h(x)换成g(x)即得分支界限法的算法。,4.1.5 加权状态图搜索最近择优法(瞎子爬山法)1. 加权状态图与代价树例4.6 设A城是出发地，E城是目的地，边上的数字代表两城之间的交通费。试求从A到E最小费用的旅行路线。,交通图及其代价树,可以看出，这个
15、图与前面的状态图不同的地方是边上附有数值。它表示边的一种度量（此例中是交通费，当然也可以是距离）。一般地，称这种数值为权值，而把边上附有数值的状态图称之为加权状态图或赋权状态图。,加权状态图的搜索与权值有关，并且要用权值来导航。具体来讲，加权状态图的搜索算法，要在一般状态图搜索算法基础上再增加权值的计算与传播过程，并且要由权值来确定节点的扩展顺序。为简单起见，先考虑树型的加权状态图代价树的搜索。所谓代价，可以是两点之间的距离、交通费用或所需时间等等。用g(x)表示从初始节点S0到节点x的代价，用c(xi,xj)表示父节点xi到子节点xj的代价，即边(xi,xj)的代价。从而有g(xj)g(xi
16、)c(xi,xj)而 g(S0)0,也可以将加权状态图转换成代价树来搜索，其转换方法是，从初始节点起，先把每一个与初始节点相邻的节点作为该节点的子节点；然后对其他节点依次类推，但对其他节点x，不能将其父节点及祖先再作为x的子节点。例如，把图48(a)所示的交通图转换成代价树如图48(b)所示。,同上面的情形一样，这种方法实际同局部择优法类似，区别也仅是选取扩展节点的标准不同，一个是代价值g(x)（最小），一个是启发函数值h(x)（最小）。这就是说，把局部择优法算法中的h(x)换成g(x)就可得最近择优法的算法。 现在我们用代价树搜索求解例4.6中给出的问题。我们用分支界限法得到的路径为ACDE
17、这是一条最小费用路径(费用为8)。,4.1.6 启发式图搜索的A算法和A*算法前面我们介绍了图搜索的一般算法，并着重讨论了树型图的各种搜索策略。本节给出图搜索的两种典型的启发式搜索算法。1.估价函数利用启发函数h(x)制导的启发式搜索，实际是一种深度优先的搜索策略。虽然它是很高效的，但也可能误入歧途。,所以，为了更稳妥一些，人们把启发函数扩充为估价函数。估价函数的一般形式为f(x)g(x)h(x)其中g(x)为从初始节点S0到节点x已经付出的代价，h(x)是启发函数。即估价函数f(x)是从初始节点S0到达节点x处已付出的代价与节点x到达目标节点Sg的接近程度估计值之总和。有时估价函数还可以表示
18、为f(x)d(x)h(x),2. A算法A算法是基于估价函数f(x)的一种加权状态图启发式搜索算法。其具体步骤如下：步1 把附有f(S0)的初始节点S0放入OPEN表；步2 若OPEN表为空，则搜索失败，退出。步3 移出OPEN表中第一个节点N放入CLOSED表中，并冠以顺序编号n；步4 若目标节点Sg=n，则搜索成功，结束。步5 若n不可扩展，则转步2； 步6 扩展n，生成一组附有f(n)的子节点,将所有子节点配以指向n的返回指针后放入OPEN表中，再对OPEN表中的所有子节点按其函数值大小以升序排序，转步2。,3. A*算法如果对上述A算法再限制其估价函数中的启发函数h(x)满足：对所有的
19、节点x均有h(x)h*(x)其中h*(x)是从节点x到目标节点的最小代价(若有多个目标节点则为其中最小的一个)，则它就称为A*算法。,3. 启发函数： f(x)=d(x)+h(x) h(x)=不在目标位置的数符个数,2,1,7,8,6,3,4,5,3,2,1,7,8,6,3,4,5,2,1,7,8,6,3,4,5,2,1,7,8,6,3,4,5,2,1,7,8,6,3,4,5,5,5,6,6,2,1,7,8,6,3,4,5,2,1,7,8,6,3,4,5,2,1,7,8,6,3,4,5,2,1,7,8,6,3,4,5,5,3,5,4,S,2,2,1,7,8,6,3,4,5,2,S,3,2,1,
20、7,8,6,3,4,5,2,1,7,8,6,3,4,5,S,g,0,3,4.1.7 状态图搜索策略小结上述的状态图搜索策略可归纳如下： 树式搜索穷举式广度优先深度优先有界深度优先启发式搜索全局择优（最好优先，基于启发函数h(x)）局部择优分支界限（全局最小代价优先，基于代价函数g(x)）最近择优（瞎子爬山，局部最小代价优先，基于g(x)）A算法（基于估价函数f(x)g(x)h(x)）A*算法（最佳图搜索，h(x)h*(x)）：可以证明：如果解存在，A*一定能够找到最优解,4.2 状态图问题求解,4.2.1 问题的状态图表示1.状态状态就是问题在任一确定时刻的状况，它表征了问题特征和结构等。状态
21、在状态图中表示为节点。状态一般用一组数据表示。在程序中用字符、数字、记录、数组、结构、对象等表示。,2.状态转换规则状态转换规则就是能使问题状态改变的某种操作、规则、行为、变换、关系、函数、算子、过程等等。状态转换规则也称为操作，问题的状态也只能经定义在其上的这种操作而改变。状态转换规则在状态图中表示为边。在程序中状态转换规则可用数据对、条件语句、规则、函数、过程等表示。,3. 状态图表示一个问题的状态图是一个三元组（S,F,G）其中S是问题的初始状态集合，F是问题的状态转换规则集合，G是问题的目标状态集合。一个问题的全体状态及其关系，就构成一个空间，称为状态空间。所以，状态图也称为状态空间图
22、。,例：迷宫问题的状态图表示。以例迷宫为例。每个格子作为一个状态，并用其标识符作为其表示。那么，两个标识符组成的序对就是一个状态转换规则。于是，该迷宫的状态图表示为S：S0F：(S0,S4),(S4,S0)(S4,S1),(S1,S4),(S1,S2),(S2,S1),(S2,S3),(S3,S2),(S4,S7),(S7,S4),(S4,S5),(S5,S4),(S5,S6),(S6,S5),(S5,S8),(S8,S5),(S8,S9),(S9,S8),(S9,Sg)G：Sg,例4.8 八数码难题的状态图表示。我们将棋局,用向量A (X0,X1,X2,X3,X4,X5,X6,X7,X8)表
23、示，Xi为变量，Xi的值就是方格Xi内的数字。于是，向量 A 就是该问题的状态表达式。设初始状态和目标状态分别为S0(0,2,8,3,4,5,6,7,1)Sg(0,1,2,3,4,5,6,7,8)易见，数码的移动规则就是该问题的状态变换规则，即操作。经分析，该问题共有24条移码规则，可分为9组。 分别描述空格(X0)在不同位置时的移动规则:,0组规则(空格在中央): r1(X0=0)(X2=n) X0 nX2 0; r2(X0=0)(X4=n) X0 nX4 0; r3(X0=0)(X6=n) X0 nX6 0; r4(X0=0)(X8=n) X0 nX8 0; 1组规则: (空格左上角) r
24、5(X1=0)(X2=n)X1 nX2 0; r6(X1=0)(X8=n)X1 nX8 0;,2组规则: r7(X2=0)(X1=n) X2 nX1 0; r8(X2 =0)(X3=n) X2 nX3 0; r9(X2 =0)(X0=n) X2 nX0 0; 8组规则: r22(X8=0)(X1=n) X8 nX1 0; r23(X8=0)(X0=n) X8 nX0 0; r24(X8=0)(X7=n) X8 nX7 0;,于是，八数码问题的状态图可表示为（S0,r1,r2,r24,Sg）当然，上述24条规则也可以简化为4条:即空格上移、下移、左移、右移。不过，这时状态(即棋局)就需要用矩阵来
25、表示：八数码问题状态图初始仅给出了初始节点和目标节点，并未给出其余节点。而其余节点需用状态转换规则来产生。类似于这样表示的状态图称为隐式状态图，或者说状态图的隐式表示。,例 2阶梵塔问题 设用二元组(SA,SB)表示问题的状态，SA表示金盘A所在的杆号，SB表示金盘B所在的杆号，这样，全部可能的状态有9种，可表示如下： (1,1),(1,2),(1,3)(2,1),(2,2),(2,3)(3,1),(3,2),(3,3)如图所示。,这里的状态转换规则就是金盘的搬动规则，分别用A(i,j)及B(i,j)表示：A(i,j)表示把A盘从第i号杆移到第j号杆上;B(i,j)表示把B盘从第i号杆移到第j
26、号杆上。经分析，共有12个操作，它们分别是：A(1,2),A(1,3),A(2,1),A(2,3),A(3,1),A(3,2)B(1,2),B(1,3),B(2,1),B(2,3),B(3,1),B(3,2),二阶梵塔问题可用状态图表示为（(1,1),A(1,2),B(3,2),(3,3)由这9种可能的状态和12种操作，二阶梵塔问题的状态空间如图所示。,例4.10 旅行商问题(TravelingSalesmanProblem，简称TSP)。设有n个互相可直达的城市，某推销商准备从其中的A城出发，周游各城市一遍，最后又回到A城。要求为该推销商规划一条最短的旅行路线。该问题的状态为以A打头的已访问
27、过的城市序列:AS0:A。Sg:A,A。其中“”为其余n-1个城市的一个序列。状态转换规则：规则1 如果当前城市的下一个城市还未去过，则去该城市，并把该城市名排在已去过的城市名序列后端。规则2 如果所有城市都去过一次，则从当前城市返回A城，把A也添在去过的城市名序列后端。,4.3 与或图搜索,4.3.1 与或图例： 如图所示，设有四边形ABCD和ABCD，要求证明它们全等。,图411 四边形ABCD和ABCD,分析：分别连接B、D和B、D，则原问题可分解为两个子问题： Q1：证明ABDABD Q2：证明BCDBCD于是，原问题的解决可归结为这两个子问题的解决。换句话说，原问题被解决当且仅当这两
28、个子问题都被解决。进一步，问题Q1还可再被分解为 Q11：证明ABAB Q12：证明ADAD Q13：证明AA,或 Q 11：证明ABAB Q 12：证明ADAD Q 13：证明BDBD 问题Q2还可再被分解为 Q 21：证明BCBC Q 22：证明CDCD Q 23：证明CC 或 Q 21：证明BCBC Q 22：证明CDCD Q 23：证明BDBD,现在考虑原问题与这两组子问题的关系，我们便得到下图。图中的弧线表示所连边为“与”关系，不带弧线的边为或关系。这个图中既有与关系又有或关系，因此被称为与或图。但这个与或图是一种特殊的与或图，称为与或树。,图 一个典型的与或图未必是树,可以看出，从
29、与、或关系来看，前面的状态图，实际就是或图。这就是说，与或图是状态图的推广，而状态图是与或图的特例。为了叙述方便，引入以下概念：直接可解的简单问题称为本原问题 ，本原问题对应的节点称为终止节点，在与或图（树）中无子节点的节点称为 端节点，一个节点的子节点如果是“与”关系，则该节点便称为与节点，一个节点的子节点如果是“或”关系，则该节点便称为或节点。注意，终止节点一定是端节点，但端节点不一定是终止节点。,4.3.2 与或图搜索1. 搜索方式，解图（树）同状态图(即或图)的搜索一样，与或图搜索也分为树式和“线”式两种类型。对于树式搜索来讲，其搜索过程也是不断地扩展节点，并配以返回指针，而形成一棵不
30、断生长的搜索树。,2.可解性判别判断一个节点可解性的判别准则：(1)一个节点是可解，则节点须满足下列条件之一:终止节点是可解节点；一个与节点可解，当且仅当其子节点全都可解；一个或节点可解，只要其子节点至少有一个可解。(2)一个节点是不可解，则节点须满足下列条件之一: 非终止节点的端节点是不可解节点； 一个与节点不可解，只要其子节点至少有一个不可解； 一个或节点不可解，当且仅当其子节点全都不可解。,3.搜索策略与或图搜索也分为盲目搜索和启发式搜索两大类。前者又分为穷举搜索和盲目碰撞搜索。穷举搜索又分为深度优先和广度优先两种基本策略。 4.搜索算法同一般状态图搜索一样，一般与或图搜索也涉及一些复杂
31、的处理。这里仅讨论特殊的与或图与或树的搜索算法。与或树的树式搜索过程可概括为以下步骤：,步1 把初始节点S0放入OPEN表；步2 移出OPEN表的第一个节点N放入CLOSED表，并冠以序号n；步3 若节点N可扩展，则做下列工作：(1)扩展N,将其子节点配上指向父节点的指针后放入OPEN表；(2)考察这些子节点中是否有终止节点。 (3) 删去OPEN表中那些具有可解先辈的节点（因为其先辈节点已经可解，故已无再考察该节点的必要），转步2；,步4 若N不可扩展，则做下列工作：(1)标记N为不可解节点，然后由它的不可解返回推断其先辈节点的可解性，并对其中的不可解节点进行标记。如果初始节点S0也被标记为
32、不可解节点，则搜索失败，退出。(2)删去OPEN表中那些具有不可解先辈的节点（因为其先辈节点已不可解，故已无再考察这些节点的必要），转步2；同状态图搜索一样，搜索成功后，解树已经记录在CLOSED表中。这时需按指向父节点的指针找出整个解树。,其中1号节点为初始节点，t1、t2、t3、t4均为终止节点，A和B是不可解的端节点。采用广度搜索策略，搜索过程如下：(1)扩展1号节点，得2号和3号节点，依次放入OPEN表尾部。由于这两个节点都非终止节点，所以接着扩展2号节点。此时OPEN表中只有3号节点。(2)2号节点扩展后，得4号节点和t1节点。此时OPEN表中依次有3号、4号和t1节点。(3)扩展3
33、号节点，得5号节点和B节点。两者均非终止节点，所以继续扩展4号节点。,例： 设有与或树如图4-14，实施广度优先搜索,(4) 4号节点扩展后得节点A和t2。t2是终止节点，标记为可解节点，放入CLOSED表。其先辈4,2均可解，但1未确定。A从OPEN表中删除。(5) 扩展5号节点得t3和t4。由于t3和t4都为终止节点(放入CLOSED表)，故可推得节点5、3、1均为可解节点。搜索成功，结束。,4.3.3 启发式与或树搜索广度优先搜索及深度优先搜索都是盲目搜索，其共同点是：(1)搜索从初始节点开始，先自上而下地进行搜索，寻找终止节点及端节点，然后再自下而上地进行可解性标记，一旦初始节点被标记
34、为可解节点或不可解节点，搜索就不再继续进行。(2)搜索都是按确定路线进行的，当要选择一个节点进行扩展时，只是根据节点在与或树中所处的位置，而没有考虑要付出的代价，因而求得的解树不一定是代价最小的解树，即不一定是最优解树。,1.解树的代价解树的代价是树根的代价。树根的代价是从树叶开始自下而上逐层计算而求得的。而解树的根对应的是初始节点S0。这就是说，在与或树的搜索过程中，代价的计算方向与搜索树的生长方向相反，计算过程如下：设g(x)表示节点x的代价，c(x,y)表示节点x到其子节点y的代价(即边的代价)，则(1)若x是终止节点，g(x)0；(2)若x是或节点 g(x)=minc(x,y)+g(y
35、)|y是x的子节点 (3)若x是与节点x，则有两种计算公式:a. 和代价： b. 最大代价： g(x)=maxc(x,y)+g(y)|y是x的子节点(4)对非终止的端节点x，g(x),例：如图所示的与或树，其中包括两棵解树，一棵解树由S0,A,t1和t2组成；另一棵解树由S0,B,D,G,t4和t5组成。在此与或树中，t1,t2,t3,t4,t5为终止节点；E,F是端节点，其代价均为；边上的数字是该边的代价。由右边的解树可得：按和代价：g(A)=11,g(S0)=13按最大代价：g(A)=6,g(S0)=8 左边的解树可得：按和代价：g(G)=3,g(D)=4,g(B)=6,g(S0)=8按最
36、大代价：g(G)=2,g(D)=3,g(B)=5,g(S0)=7按和代价计算，左边的解树是最优解树，其代价为8;按最大代价计算，左边的解树仍然是最优解树，其代价是7。但有时用不同的计算代价方法得到的最优解树不相同。,2. 希望树无论是用和代价法还是最大代价法，当要计算任一节点x的代价g(x)时，都要求已知其子节点yi的代价g(yi)。但是，搜索是自上而下进行的，即先有父节点，后有子节点，除非节点x的全部子节点都是不可扩展节点，否则子节点的代价是不知道的。解决方法：根据问题本身的启发信息构造启发函数对g(x)进行估计。 设y是x的子节点，c(x,y)已知，则对g(x)的估计实际上 是对x的所有子
37、节点y的代价g(y)的估计。当y被扩展后，重新计算的g(y)值可能与原先的估计不同，这时应该用后计算的g(y)值取代之，从而导致y的所有先辈节点x的g(x)值重新计算。因此每扩展一个新节点时要求自下而上的重新计算该节点所有先辈节点的g值。最优树：代价最小的解树。要求搜索过程中任一步骤上求出的部分解树都是最小的。因此每次应该挑选有希望成为最优树组成的节点进行扩展。这种每次由最优树部分节点扩展产生的与或树称为希望树。,希望树的定义： (1) 初始节点S0在希望树T中; 如果x是希望树T中的节点， 当x是具有子节点y1,yn的或节点，则具有的节点也应该在希望树T中； 当x是与节点,则x的全部子节点也
38、在希望树T,3.与或树的有序搜索过程与或树的有序搜索过程是一个不断选择、修正希望树的过程。如果问题有解，则经有序搜索将找到最优解树。其搜索过程如下：(1)把初始节点S0放入OPEN表中。(2)求出希望树T，即根据当前搜索树中节点的代价g求出以S0为根的希望树T。(3)依次把OPEN表中T的端节点N选出放入LOSED表中。,(4)如果节点N是终止节点，则做下列工作：标示N为可解节点。对T应用可解标记过程，把N的先辈节点中的可解节点都标记为可解节点。若初始节点S0能被标记为可解节点，则T就是最优解树，成功退出。否则，从OPEN表中删去具有可解先辈的所有节点。,(5)如果节点N不是终止节点，且它不可
39、扩展，则做下列工作：标示N为不可解节点。对T应用不可解标记过程，把N的先辈节点中的不可解节点都标记为不可解节点。若初始节点S0也被标记为不可解节点，则失败退出。否则，从OPEN表中删去具有不可解先辈的所有节点。,(6)如果节点N不是终止节点，但它可扩展，则做下列工作：扩展节点N，产生N的所有子节点。把这些子节点都放入OPEN表中，并为每一个子节点配置指向父节点（节点N）的指针。计算这些子节点的g值及其先辈节点的g值。(7)转(2)。,例4.18 举例说明上述搜索过程。设初始节点为S0，每次扩展两层，并设S0经扩展后得到如图416(a)所示的与或树，其中子节点B，C，E，F用启发函数估算出的g值
40、分别是g(B)=3，g(C)=3，g(E)=3，g(F)=2若按和代价计算，则得到g(A)=8，g(D)=7，g(S0)=8(注:边代价按1计算，下同)此时，S0的右子树是希望树。下面将对此希望树的节点进行扩展。,设对节点E扩展两层后得到如图416(b)所示的与或树，节点旁的数字为用启发函数估算出的g值。则按和代价法计算得到g(G)=7,g(H)=6,g(E)=7,g(D)=11此时，由S0的右子树算出的g(S0)=12。但是，由左子树算出的g(S0)=9。显然，左子树的代价小，所以现在改取左子树作为当前的希望树。,假设对节点B扩展两层后得到如图416(c)所示的与或树，节点旁的数字是对相应节
41、点的估算值，节点L的两个子节点是终止节点，则按和代价法计算得到g(L)=2,g(M)=6,g(B)=3,g(A)=8由此可推算出g(S0)=9。这时，左子树仍然是希望树，继续对其扩展。该扩展节点C。假设节点C扩展两层后得到如图416(d)所示的与或树，节点旁的数字是对相应节点的估算值，节点N的两个子节点是终止节点。按和代价计算得到g(N)=2,g(P)=7,g(C)=3,g(A)=8由此可推算出g(S0)=9。另外，由于N的两个子节点都是终止节点，所以N和C都是可解节点。再由前面推出的B是可解节点，可推出A和S0都是可解节点。这样就求出了代价最小的解树，即最优解树图416(d)中粗线部分所示。
42、该最优解树是用和代价法求出来的，解树的代价为9。,图416 与或树有序搜索,4.4 与或图问题求解,4.4.1 问题的与或图表示与或图是描述问题求解的另一种有向图。与或图一般表示问题的变换过程（而不是状态变换）。具体讲，它是从原问题出发，通过运用某些规则不断进行问题分解（得到与分支）和变换（得到或分支），而得到一个与或图。换句话说，与或图的节点一般代表问题。那么，整个图也就表示问题空间。与或图中的父节点,与其子节点之间服从逻辑上的与、或运算关系。所以，与或图表示的问题是否有解，要进行逻辑判断，与或图的搜索也受逻辑的制约。与或图也是一个三元组（Q0 , F , Qn）,例4.19 三阶梵塔问题。
43、对于梵塔问题，可以这样考虑：为把1号杆上的n个盘子搬到3号杆，可先把上面的n-1个盘子搬到2号杆上；再把剩下的一个大盘子搬到3号杆；然后再将2号杆上的n-1个盘子搬到3号杆。这样，就把原来的一个问题分解为三个子问题。这三个子问题都比原问题简单，其中第二个子问题已是直接可解的问题。对于第一和第三两个子问题，可用上面n个盘子的方法，做同样的处理。根据这一思想，我们可把三阶梵塔问题分解为下面的三个子问题：,(1)把A、B盘从1号杆移到2号杆。(2)把C盘从1号杆移到3号杆。(3)把A、B盘从2号杆移到3号杆。其中子问题(1)、(3)又分别可分解为三个子问题。于是，我们可得到三阶梵塔问题的与或树表示：
44、,三元组 (i, j, k)：i代表金盘C所在的杆号;j代表金盘B所在的杆号，k代表金盘A所在的杆号。上图所示的与或树中，共有七个终止节点，对应于七个本原问题，它们是通过“分解”得到的。若把这些本原问题的解按从左至右的顺序排列，就得到了原始问题的解：,(1,1,1) (1,1,3) (1,1,3) (1,2,3) (1,2,3) (1,2,2) (1,2,2) (3,2,2) (3,2,2) (3,2,1) (3,2,1) (3,3,1) (3,3,1) (3,3,3),4.5 博弈树搜索,诸如下棋、打牌、竞技、战争等一类竞争性智能活动称为博弈。其中最简单的一种称为“二人零和、全信息、非偶然”
45、博弈。(1)对垒的A，B双方轮流采取行动，博弈的结果只有三种情况：A方胜，B方败；B方胜，A方败；双方战成平局。 (2)在对垒过程中，任何一方都了解当前的格局及过去的历史。(3)任何一方在采取行动前都要根据当前的实际情况，进行得失分析，选取对自己最为有利而对对方最为不利的对策，不存在“碰运气”的偶然因素。即双方都是很理智地决定自己的行动。,4.5.1 博弈树的概念在博弈过程中，任何一方都希望自己取得胜利。因此，当某一方当前有多个行动方案可供选择时，他总是挑选对自己最为有利而对对方最为不利的那个行动方案。 如果站在某一方(如A方) ，把上述博弈过程用图表示出来，则得到的是一棵“与或树”, 它有如
46、下特点：(1)博弈的初始格局是初始节点。(2)在博弈树中，“或”节点和“与”节点是逐层交替出现的。自己一方扩展的节点之间是“或”关系，对方扩展的节点之间是“与”关系。双方轮流地扩展节点。(3)所有己方获胜的终局都是本原问题，相应的节点是可解节点；所有使对方获胜的终局都是不可解节点。,4.5.2 极小极大分析法在二人博弈问题中，为了从众多可供选择的行动方案中选出一个对自己最为有利的行动方案，最常使用的分析方法是极小极大分析法。其基本思想是：(1)设博弈的双方中一方为A，另一方为B。为一方(如A)寻找最优行动方案。(2)为了找到当前的最优行动方案，需要对各个可能的方案所产生的后果进行比较。(3)为
47、计算得分，需要根据问题的特性信息定义一个估价函数，用来估算当前博弈树端节点的得分。,(4)当端节点的估值计算出来后，再推算出父节点的得分，方法是：对“或”节点，选其子节点中一个最大的得分作为父节点的得分，这是为了使自己在可供选择的方案中选一个对自己最有利的方案；对“与”节点，选其子节点中一个最小的得分作为父节点的得分，这是为了立足于最坏的情况。 (5)如果一个行动方案能获得较大的倒推值，则它就是当前最好的行动方案。图418给出了计算倒推值的示例。,图418 倒推值的计算,例4.22 一字棋游戏。设有如图419(a)所示的九个空格，由A，B二人对弈，轮到谁走棋谁就往空格上放一只自己的棋子，谁先使
48、自己的棋子构成“三子成一线”谁就取得了胜利。,图419 一字棋,设A的棋子用“a”表示，B的棋子用“b”表示。为了不致于生成太大的博弈树，假设每次仅扩展两层。估价函数定义如下：设棋局为P，估价函数为e(P)。(1)若P是A必胜的棋局，则e(P)=+。(2)若P是B必胜的棋局，则e(P)=-。(3)若P是胜负未定的棋局，则e(P)=e(+P)-e(-P),其中e(+P)表示棋局P上有可能使a成为三子成一线的数目；e(-P)表示棋局P上有可能使b成为三子成一线的数目。例如，对于所示棋局:e(P)=6-4=2另外，我们假定具有对称性的两个棋局算作一个棋局。还假定A先走棋，我们站在A的立场上。,一字棋
49、极小极大搜索,如图给出了A的第一着走棋生成的博弈树。图中节点旁的数字分别表示相应节点的静态估值或倒推值。由图可以看出，对于A来说最好的一着棋是S3，因为S3比S1和S2有较大的倒推值。,4.5.3 剪枝技术上述的极小极大分析法,实际是先生成一棵博弈树,然后再计算其倒推值。缺点是效率较低。在极小极大分析法的基础上,提出了剪枝技术: 对于一个与节点MIN,若能估计出其倒推值的上确界,并且这个值不大于MIN的父节点(一定是或节点)的估计倒推值的下确界,即,则就不必再扩展该MIN节点的其余子节点了(因为这些节点的估值对MIN父节点的倒推值已无任何影响) 剪枝。 (2)对于一个或节点MAX,若能估计出其倒推值的下确界,并且这个值不小于MAX的父节点(一定是与节点)的估计倒推值的上确界,即,则就不必再扩展该MAX节点的其余子节点了(因为这些节点的估值对MAX父节点的倒推值已无任何影响) 剪枝。,
