weixin_61197809的博客

上一部分我们讲了确定性问题，确定性问题域是在知识表示中，使用精确的形式表达知识，如逻辑规则、数学公式等。在推理过程中，基于逻辑推理或数学推理规则进行推断，例如演绎推理或归纳推理。这种问题域的特点是结果是确定的，不涉及概率或不确定性，因此可以使用形式化的推理方法来解决问题。而对于不确定问题，是没办法的。而本章讲述的就是不确定性问题。

我觉得具体搜索策略的在该书有两点不足，一是伪代码难以理解，二是没有具体例子帮助理解。所以本文用python伪代码代替，以及收集一些例子供大家参考本文讲了具体搜索中无信息算法，并对比了无信息搜索策略性能对比。希望各位能仔细思考之间的关系与差别并深思我收集的例题。下篇文章将介绍有信息搜索算法，以及启发式函数。不要走开，马上回来，各位敬请期待。

竞争环境：每个Agent的目标之间是冲突的狭义理解，人工智能中的博弈，通常指在完全可观察的环境中，两个Agent轮流执行确定性动作的零和博弈在博弈搜索中，由于搜索图（树）庞大，A*搜索效率较低。为了提高搜索效率，引入剪枝和启发式评估函数。剪枝允许忽略不影响最终决策的部分，减少搜索空间；启发式评估函数通过估计状态的真实效用值，快速指导搜索方向。综合应用剪枝和启发式评估函数，可以加速博弈搜索，找到较优解决方案二人博弈两名玩家：MAX先手，MIN后手s：状态。

利用chatgpt理解人工智能原理，容易理解的例子，和丰富的插图。

KBA（knowledge based agent）与逻辑模型，有效性，可满足性，蕴含，推理过程如何证明KB蕴含a（模型检验，逻辑等价，推理规则）基于命题逻辑的Agent如何工作的。

在第三章中，环境是可观察的、确定的、已知的，问题的解是一个行动序列。本章将讨论放宽约束，本文所讲的部分是局部探索算法，考虑解的状态而不是到达该状态的路径，比如八皇后问题，不关心是怎么到目的状态的，只关心最终布局对不对，许多重要应用都有这样的性质，如作业空间调度，自动程序设计等。同时局部搜索也对最优化问题十分有用。

本部分本书的举例不老套，线索较完整。所以本人便大致依照本书的来讲的，但伪代码还是改为了python代码以便大家理解。本章介绍了在确定性的、 可观察的、静态的和完全可知的环境下,Agent 可以用来选择行动的方法。在这种情况下,Agent可以构造行动序列以达到目标;这个过程称为搜索。在这种环境下，问题由形式化由良定义问题和搜索树抽象为图的问题，再根据问题的规模和要求以及搜索策略的性质选择搜索策略求的解。

本文我们主要讲述了问题求解智能体的工作流程，良定义的问题和解，数据结构搜索树。这方面很重要的良定义的问题和解 和搜索树，现实中很多问题都可以抽象成图的问题，然后进行搜索求解，良定义的问题和解提供一种思路来如何抽象。同时搜索树也发挥出重要作用，将状态转化为节点，边作为动作可选动作，以及搜索策略：选择哪个结点进行扩展。接下来我们将继续讲述具体的搜索策略，敬请期待！！！