人工智能中的启发式可以提供快速的解决方案 但不能提供准确的解决方案

烟燃烟灭つ
阅读

人工智能中的启发式可以提供快速的解决方案 但不能提供准确的解决方案

人工智能中的启发式方法具有巨大的潜力,但它们并不总是 100% 正确。

启发式是解决方案的捷径。人工智能中启发式方法的想法是基于认知科学或对人类思维方式的研究。事实上,人类一直在使用启发式方法来做出决定和解决问题。同样,启发式算法通常用于人工智能中,以使计算机找到近似解决方案而不是精确解决方案。启发式方法并不总能降低成本。但是,那些没有高估解决方案的真实成本或可能的最低成本的方法称为可接受的启发式方法。这一特性可以保证解的最优性。通过根据约束简化原始问题,将其简化为约束较少的问题,可以找到可接受的启发式算法。

虽然启发式过程用于找到最有可能奏效或正确的答案和解决方案,但它们并不总是正确或最准确的。基于启发式的判断和决策足以满足在信息不完整的不确定情况下的迫切需求。

启发式有助于及时做出决策。每个行业的分析师都使用经验法则,例如智能猜测、反复试验、排除过程、过去的公式和历史数据分析来解决问题。启发式方法通过捷径和足够好的计算使决策更简单、更快。使用启发式方法需要权衡取舍,这会使该方法容易产生偏见和判断错误。用户的最终决定可能不是最优或最佳解决方案。或者做出的决定可能不准确,并且选择的数据可能不足(从而导致问题的解决方案不精确)。例如,

AI 中的启发式搜索通常使用不同的技术:

直接启发式搜索(知情搜索)

知情搜索算法具有有关目标状态的信息,这有助于在逻辑上具有能力。收集此信息作为衡量状态与目标状态的接近程度的限制。它的显着余地是它的熟练度很高,并且能够在比无知的搜索更短的时间内发现安排。它包含一系列知识,例如我们与目标的距离、路径成本、如何到达目标节点等。这些数据帮助代理探索更少的搜索空间并更有效地找到目标节点。它同样比受过教育的追求更实惠。它的模型包括:

1. A*搜索

A* 搜索是最常见的最佳优先兴趣类型。它使用启发式限制 h(n),以及从最早的起始点状态 g(n) 出现在中心点 n 的成本。它巩固了UCS的特性和永不满足的最佳优先请求,从而能够很好地处理问题。A* 搜索计算使用启发式限制找到通过追逐空间的最短路径。这个追逐计数扩展了更少的兴趣树,并提供了一个更快速的完美结果。A* 计数类似于 UCS,除了它使用 g(n)+h(n) 而不是 g(n)。它是用加权图制定的,这表明它可以找到在距离和时间方面成本最低的最简单路径。这使得 AI 中的 A* 算法成为最佳优先搜索的明智搜索算法。

2.贪婪的最佳优先搜索

贪心的最佳优先搜索算法总是选择当时最好的路径。在最佳优先搜索算法中,我们扩展离目标节点最近的节点,因此最接近的成本是由启发式函数估计的。这种搜索可靠地选择到那时看起来最好的方式。它是 BFS 和 DFS 的混合体。它使用启发式限制和搜索。BFS 允许我们利用这两种估计。

弱启发式搜索(不知情的搜索)

不知情的搜索算法除了麻烦的定义中给出的之外,没有关于目标中心点的额外信息,所以它也被称为盲搜索。从最早的起点状态出现在目标状态的计划仅根据请求和练习的长度而有所不同。不知情的搜索可以是一类以蛮力方式操作的通用搜索算法。实现比受过教育的追求更不可预测,因为在无知的探究中没有使用信息。不知情搜索的实例是-

1.广度优先搜索

BFS 是启发式搜索中的一种方法,用于绘制数据图表或浏览树或交叉结构。该估计以精确的广度结构访问并表示图中的所有关键中心是有利可图的。

2.统一成本搜索

基本上,它在增加通往中心点的路径费用方面进行策划。此外,它可靠地开发成本最低的中心点。统一成本搜索扩展与它们从基础节点的路径成本一致的节点。它通常用于解决需要最佳成本的任何图/树。尽管如果每个进度都有一个比较成本,那么它与广度优先追逐的方式是模糊的。研究了成本扩展招标的课程。

3. 深度优先搜索

它依赖于后进先出的可能性,因为它与后进先出有关。以类似的方式,使用 LIFO 堆栈数据结构完成递归。沿着这些思路,它被用来从广度优先程序中制定一个模糊的中心行动过程,只是在不同的需求中。

4. 迭代深化深度优先搜索

迭代深化深度优先搜索 (IDDFS) 是一种策略,其中 DFS 的循环以不断增长的截止点持续运行,直到我们找到目标。IDDFS 与 BFS 一样完美,但使用的内存却大大减少。

阅读
本文由用户上传,如有侵权请联系删除!

撰写回复
更多知识