《学习式搜索》求取 ⇩

第一章基本的搜索算法1

第一节问题的表示1

一、典型的智能问题1

目 录1

二、问题状态空间的形式表示：图、与／或图和广义与／或图6

第二节基本的最优优先搜索算法18

一、最优优先启发式搜索及搜索复杂度18

二、无信息的搜索策略21

三、启发式搜索策略28

第二章启发式搜索的发展61

第一节算法B：向A*的最优性提出挑战的算法61

第二节动态改变启发函数的算法B′68

一、可采纳搜索算法最坏复杂度的下界71

第三节算法S达到了可采纳搜索算法71

最坏复杂度的下确界71

二、搜索算法S的最坏复杂度72

三、关于“无普遍最优算法”的重新证明78

四、结论80

第四节广义与／或图搜索的改进80

一、广义与／或图（GAOG）的概念80

二、GAOG的启发函数82

三、图和广义与／或图（GAOG）的关系84

四、GAOG搜索中的A算法——AO.A*算法85

五、算法AO.A*的可采纳性86

六、关于GAOG搜索复杂度的定义89

第一节学习式搜索及其研究内容92

第三章搜索与学习92

第二节从例子中学习启发式96

一、例子的识别97

二、LEx——启发式学习的双向途径100

第三节学习搜索控制知识——Prodigy系统108

一、基于解释学习的基本思想109

二、Prodigy的系统结构113

三、Prodigy的基于解释学习115

第四节组块学习与通用智能系统SOAR120

一、认知科学中的组块学习理论120

二、SOAR的系统结构123

三、SoAR的组块学习130

第五节宏操作学习132

一、什么是宏操作133

二、用宏操作解题134

三、宏操作的学习138

第四章基于操作分析的问题求解142

第一节问题求解中的操作142

第二节操作分析与问题分解145

一、河内塔问题的操作分析145

二、基于操作分析的问题分解147

第三节操作分析后的搜索153

第四节例子及实验结果分析155

第五节适用性分析及相关研究工作160

第六节面向子目标的宏操作学习162

第五章基于规划岛策略的学习式搜索166

一、多次性搜索的问题模型167

第一节学习式搜索算法GLSA167

二、GLSA的问题状态空间的层次结构168

三、GLSA的学习169

四、GLSA的知识表达语言173

五、搜索算法GLSA175

六、GLSA的算法性能分析177

第二节清晰类搜索GLSB——双向的GLSA搜索181

一、清晰类搜索的描述181

二、清晰类搜索的性能分析185

一、问题状态空间的划分189

二、清晰类子空间中的问题求解189

第三节基于GLSA、GLSB搜索的问题求解189

三、模糊类子空间中的问题求解190

第四节GLSA的学习机制192

第五节AMO.GLSA——基于类比的多目标196

GLSA搜索算法196

一、多目标GLSA搜索算法196

二、AMo.GLSA搜索算法199

第六节PGLSA——并行GLSA搜索算法203

一、PGLSA搜索算法203

二、PGLSA算法的性能分析204

三、讨论206

第六章基于模式分类的学习式搜索207

第一节搜索的一个结构模型208

一、搜索的学习机制211

第二节搜索的学习分类机制211

二、搜索的分类机制212

三、搜索的学习分类机制213

第三节基于自适应分类的学习式搜索222

一、SALS中的分类器223

二、SALS中的路径特征获取器227

三、SALS中的分类器训练策略229

四、路径分类器的初级训练230

五、基于自适应分类的学习式搜索算法SALS232

六、反复加深的SALS算法ID-SALS238

七、算法ID-SALS的并行化243

八、算法ID-SALS的实时化245

第四节基于序贯分类的学习式搜索246

一、SCDF中的分类器247

二、SCDF中的路径特征获取器247

三、SCDF中的分类器训练策略248

四、基于序贯分类的学习式搜索算法SCDF249

第五节基于人工神经元网络的学习式搜索256

一、NNSA中的神经元网络256

二、NNSA中的学习训练策略257

三、NNSA中的分类器260

四、NNSA中的路径特征获取器261

五、NNSA中的状态选择器262

六、基于神经元网络的学习式搜索算法NNSA264

参考文献267