搜索是人工智能很重要的一种解决问题的途径，以下对各种搜索进行一个分类总结。
首先是搜索的定义，我们要解决一个问题，要经过很多步骤才能达到最终的目标，搜索就是要找到这些步骤，即解决问题的方法。
搜索有其局限性，它必须依赖于现有的知识，它不能自己学习知识，人工智能解决问题的另外一种途径就是学习，通过学习可以创造或者吸取新的知识。
下面是正文
搜索（Search）
求解一个问题就是一系列动作，并且搜索是为达到目标寻找这些动作的过程。
针对不同数据结构：
-
图搜索
-
树搜索
经典搜索（Classic Search）
-
无信息搜索（uninformed search 即盲目搜索，没有除定义之外的信息）
按照节点的扩展顺序区分
-
宽度优先（breadth-first），用FIFO队列实现
-
深度优先（depth-first）：拓展最深的未扩展节点，用LIFO队列实现
-
深度受限搜索（depth-limited）：限制搜索深度
-
迭代加深搜索（iterative deepening）：结合深度优先与宽度优先的优势
-
-
一致代价搜索（uninform-cost）：扩展最低代价的未扩展节点
-
双向搜索（bidirectional ）
无信息搜索的策略评价
-
完备性：是否总能找到一个存在的解
-
时间复杂性
-
空间复杂性
-
最优性：是否总能找到最优的解
-
-
有信息搜索（informed search 亦称启发式搜索，采用问题定义外的信息，能够找到比无信息搜索更有效的解）
-
最佳优先搜索（best-first）：基于评价函数选择最优拓展节点，大多数该类算法还包括一个启发式函数
-
贪心搜索
-
A*搜索
-
-
以上的搜索是经典搜索，它们的特点是
-
可观测
-
确定性
-
已知环境
经典搜索保留搜索的路径，其路径就是问题的解
但在很多问题中，到达目标的路径不重要，因此就有了超越经典搜索
有路径-->无路径
超越经典搜索（Beyond Classical Search）
分为局部搜索与群体智能
-
局部搜索（local search）
不关注路径，搜索后不保留路径，其优点为
1.占用内存小
2.能在大的或者无限的空间中找到合理的解
-
爬山法（hill-climbing）：一种迭代算法，开始时随机选取一解，对其不断优化
-
随机爬山法（Stochastic hill-climbing）：向上移动的过程中随机选择，收敛速度慢
-
首选爬山法（First-choice hill-climbing）：随机生成后继节点，直到出现更好的
-
随机重启爬山法（Random-restart hill-climbing）：完备性高，接近于1
-
-
局部束搜索（Local Beam Search）
-
随机束搜索（Stochastic Beam Search）
-
-
禁忌搜索（Tabu Search）
三种策略
-
禁止策略（Forbidding strategy）
-
释放策略（Freeing strategy）
-
短期策略（Short-term strategy）
-
-
模拟退火（Simulated Annealing）：一种在大搜索空间逼近全局最优解的元启发方法
-
遗传算法（Genetic Algorithms）：一种模仿自然选择过程的启发式算法
-
-
群体智能（Swarm Intelligence）
通过大量智能体通过合作实现，它是分布式的、自组织的、在一个环境内分布的。
-
蚁群优化（Colony Optimization）：受蚁群寻炸食物的行为的启发，用于发现一个图上的最佳路径
-
粒子群优化（Particle Swarm Optimization）：受鱼类，鸟类群体行为的社会行为启发
单智能体-->多智能体
-
对抗搜索（Adversarial Search）
我们在针对其他智能体做规划时，那些智能体有可能也在做着规划
以上搜索针对单智能体，而对抗搜索针对多智能体
-
博弈（Game）
-
零和博弈（Zero sum games）：智能体之间完全对立
-
非零和博弈（Non-zero sum games）：智能体之间是自主的方式
-
完全信息（Perfect information）/不完全信息（Imperfect information）
-
确定性（Deterministic）/随机性（Stochastic）
-
剪枝 （Alpha-Beta Pruning）
博弈树的大小往往呈指数增加，通过剪枝，可以减小博弈树，加快搜索时间
-
启发评价函数（Heuristic Evaluation Function）
尽管通过剪枝可以去掉博弈树的大部分，但是搜索的深度依然很深，因此用评价函数计算在指定位置该博弈的期望值
-
随机博弈（Stochastic Game）
一种有一定概率转换的动态博弈
-
蒙特卡罗方法（Monte-Carlo Methods）
凭借重复随机采样来获得数值结果
-
蒙特卡罗树搜索（MCTS Monte-Carlo Tree Search）
将蒙特卡洛仿真与博弈树搜索相结合
-
约束满足问题（Constraint Satisfaction Problem）
状态必须满足若干约束的对象
标准搜索中状态不可分割，GSP中状态用因子表示，是一系列变量。
GSP问题通常复杂性很高
范畴
-
有限/无限
-
离散/连续
约束
-
线性/非线性
-
1元/多元
-
回溯搜索（Backtracking Search）
标签：Search,博弈,人工智能,路径,智能,搜索,随机 来源： https://www.cnblogs.com/zhanghad/p/12483761.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。