推薦專欄：https://blog.csdn.net/weixin_39278265/column/info/24474 前面的內(nèi)容很詳細(xì)，有助于理解
其實(shí)我是在看planning那一節(jié)看得一知半解的，結(jié)果搜到博主的專欄把前面都溫習(xí)了一遍，前面寫(xiě)的超級(jí)詳細(xì)，之前自己看的時(shí)候知識(shí)點(diǎn)很混亂，看完稍微有了點(diǎn)章節(jié)的框架，不過(guò)看到我很需要的內(nèi)容那里作者寫(xiě)得比較簡(jiǎn)略，很多東西還是沒(méi)搞懂，所以記錄一下。

待完成

• 作者分享了 JADE（Java Agent DEvelopment Framework）

一個(gè)很酷的在Java上進(jìn)行Agent開(kāi)發(fā)的框架。你可以用這個(gè)框架很輕易的搭建一個(gè)MAS（多智能體系統(tǒng)），在這些系統(tǒng)中，各個(gè)Agent是自治的，而且可以互相通信，很酷誒！

• 研究一下合取范式和 dpll 的python代碼

不理解的地方

1 如何表示狀態(tài)及其轉(zhuǎn)換？

雖然舉了例子，但還是很抽象？
1）Atomic representation 原子表示
The state is stored as black box, i.e. without any internal structure.
例子：
　　For example, for Roomba(a robotic vaccum cleaner), the internal state is a patch already vaccumed, you don’t have to know anything else. As depicted in the image, such representation works for model and goal based agents and used in various AI algorithms such as search problems and adversarial games.
2）Factored Representation 要素化表示
　　The state, in this representation, is no longer a black box. It now has attribute-value pairs, also known as variables that can contain a value.
例子
　　For example, while finding a route, you have a GPS location and amount of gas in the tank. This adds a constraint to the problem. As depicted in the image, such representation works for goal based agents and used in various AI algorithms such as constraint satisfaction and bayesian networks.
3）Structured Representation 結(jié)構(gòu)化表示
　　In this representation, we have relationships between the variables/ factored states. This induces（引起 cause） logic in the AI algorithms.
例子
　　For example, in natural language processing, the states are whether the statement contains a reference to a person and whether the adjective in that statement represents that person. The relation in these states will decide, whether the statement was a sarcastic one. This is high level Artificial Intelligence, used in algorithms like ?rst order logic, knowledge-based learning and natural language understanding. [1]

2.關(guān)于A*算法

關(guān)于一致理解的還不透徹，有關(guān)A* 復(fù)雜度這塊也不理解，這個(gè)復(fù)雜度相對(duì)誰(shuí)而言？關(guān)于最后一條h2>h1有效降低搜索空間理解的不是很透徹
最優(yōu)性：如果 A* 是可采納的，那么A* 的樹(shù)搜索版本是最優(yōu)的，如果h(n)是一致的，那么圖搜索的 A* 算法是最優(yōu)的。
缺點(diǎn)：A* 的時(shí)間復(fù)雜度比較高，嚴(yán)重依賴于對(duì)狀態(tài)空間所做的假設(shè)。而且內(nèi)存保留了所有已生成的節(jié)點(diǎn)，使得 A* 算法常常在計(jì)算完之前就耗盡了自己的內(nèi)存。
對(duì)于兩個(gè)啟發(fā)式函數(shù)h1，h2，如果對(duì)于任何節(jié)點(diǎn)n，h2(n)>h1(n),那么就說(shuō)h2比h1占優(yōu)勢(shì)。優(yōu)勢(shì)可以直接轉(zhuǎn)化為效率。

3.連續(xù)空間中的局部搜索

有點(diǎn)質(zhì)疑第一句話的正確性
在討論過(guò)的算法里面，除了首選爬山法和模擬退火，沒(méi)有一個(gè)能夠處理連續(xù)的狀態(tài)和動(dòng)作空間，因?yàn)檫B續(xù)空間的分支因子是無(wú)限的。

重要的知識(shí)點(diǎn)

約束問(wèn)題

• csp 約束滿足問(wèn)題 絕對(duì)約束
• cop 約束優(yōu)化問(wèn)題 偏好約束
• 變量個(gè)數(shù)任意的約束稱為全局約束。
  • 1）Alldiff約束：表示所有相關(guān)變量必須取不同的值。
  • 2）atmost約束（另一個(gè)重要的高階約束）：也叫資源約束。
• 變量順序
  1）選擇“合法”取值最少的變量——稱為最少剩余值（MRV）啟發(fā)式。（做一個(gè)強(qiáng)有力的引導(dǎo)，方便提早遇到失敗，從而剪枝）
  2）度啟發(fā)式：通過(guò)選擇與其他未賦值變量約束最多的變量來(lái)試圖降低未來(lái)的分支因子。（用來(lái)打破僵局，如選擇第一個(gè)著色區(qū)域）
• 取值順序
  最少約束至：優(yōu)先選擇的賦值是給鄰居變量留下更多的選擇（為了找到一個(gè)解，所以沒(méi)必要排序，二十要最少約束）

邏輯

• 邏輯推理：用蘊(yùn)含推導(dǎo)出結(jié)論
• 模型檢驗(yàn)：通過(guò)枚舉所有可能的模型來(lái)檢驗(yàn)KB為真的情況下α都為真，即M(KB)含于M（α）
• 可靠的：只導(dǎo)出蘊(yùn)含句的推理算法被稱為可靠的
• 完備性：如果推理算法可以生成任一蘊(yùn)含句，則完備。（在有限的情況下確實(shí)完備咯，但是常常不完備）
• SAT問(wèn)題：命題邏輯語(yǔ)句的可滿足性判定。是第一個(gè)被證明為NP完全的問(wèn)題。（如CSP，就是詢問(wèn)在某個(gè)賦值下約束是否滿足的）

總結(jié)

以上是生活随笔為你收集整理的【学习】人工智能：一种现代的方法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。