人工智能中搜索策略的探讨

在介绍了一般搜索策略的前提下,对盲目搜索和启发式搜索进行了探讨,进而介绍了几种常用的搜索策略,并对各种搜索策略进行了比较。最后对实际应用提出了建议。     

浅析计算机人工智能启发式搜索函数

阐述了人工智能的核心问题及启发式搜索函数的基本概念,介绍了4种经典问题启发式搜索函数的选择及其研究中遇到的难题,并从中求解来探讨解决问题的思路。     

状态空间的启发式搜索方法研究

对人工智能中用于状态空间问题求解的启发式搜索方法--A算法和A*算法进行了详细分析,并指出了影响搜索算法启发能力的主要因素和提高搜索效率的措施.     

状态空间的启发式搜索方法研究

对人工智能中用于状态空间问题求解的启发式搜索方法－A算法和A^*算法进行了详细分析，并指出了影响搜索算法启发能力的主要因素和提高搜索效率的措施。     

人工智能问题求解中的启发式函数设计

启发式函数是人工智能研究领域的一个重要函数，本文以八数码问题为例，介绍人工智能问题求解中的启发式函数的设计与实现。     

浅谈人工智能领域中的搜索问题

人工智能是目前最前沿也是最尖端的计算机科学分支之一,它主要研究计算机与人类大脑的本质联系与差别,并通过对人类思维方式的研究使得计算机的工作效率实现革命性的提升。本文简要介绍了人工智能里面最核心的部分之一——搜索。读者需要对数据结构有所了解。     

启发式搜索问题研究

探讨了问题空间中的启发式搜索技术,给出了构造启发式函数的基本方法,指出提高启发能力的措施和影响启发式搜索效率的主要因素。     

AHS:一种基于类比的启发式搜索方法

将类比推理技术引入状态空间的搜索,提出了一种基于类比的启发式搜索方法AHS。该方法利用相似的过去问题的求解案例指导新问题的求解,提高了求解问题的效率。在简介基于类比的启发式搜索方法的基础上,重点讨论了实现这种方法需要解决的主要问题;然后针对状态空间的搜索,建立了一个类比求解模型ASM。论述了该求解模型的推理方法和过程;最后通过实验,验证了ASM模型的有效性。     

一种基于类比的启发式搜索方法

引言状态空间的启发式搜索一直是Al领域最主要的问题求解方法,过去己取得了不少成果,如A‘算法和AO“算法等。但是在实际应用中,这些启发式搜索方法所使用的启发信息大多是人们依据具体领域问题靠经验总结得来的,启发信息的获取十分困难,且其精确性和可靠性也难以保证。另一方面,目前的状态空间搜索方法大多是一次性搜索,将同一问题状态空间中的多次搜索视为彼此独立、毫无关系的过程     

启发式算法在搜索引擎的应用

本文对启发式搜索及其搜索过程,启发式搜索的估价函数和A*算法等作了介绍.提出使用人工智能中的启发式搜索来获取特定的信息,通过估价函数计算,对有用的链接进行遍历,以提高收集信息资源的查全率和查准率.     

基于改进局部搜索策略的人工蜂群算法

针对人工蜂群算法在函数优化问题求解过程中容易陷入局部最优,收敛速度慢的缺点,提出了一种基于改进局部搜索策略的人工蜂群算法。该算法中跟随蜂采用基于当前最优解的混沌局部搜索策略,侦查蜂采用基于当前最优解的自适应侦查策略,并使其局部搜索范围随着迭代次数的增加逐渐减小,从而提高了人工蜂群算法的局部搜索能力,有效地避免了其陷入局部最优。6个测试函数的仿真实验结果表明,与传统的人工蜂群算法相比,改进后算法的求解精度和收敛速度明显提升。     

一种改进搜索策略的人工蜂群算法

为克服人工蜂群算法原有搜索策略存在探索能力强而开采能力弱的缺点,受差分进化算法的启发,提出了一种新的搜索策略,在种群最优解的附近产生新的候选位置,有助于提高人工蜂群算法的开采能力.同时,为了平衡算法的探索和开采能力,将种群中的个体随机分成两组,每组采用不同的搜索策略同时寻优.对6个基准测试函数进行仿真的结果表明,改进的搜索算法相比基本人工蜂群算法能有效地改善寻优性能,增强算法摆脱局部最优的能力.     

计算机网络技术中人工智能的应用探讨

在经济社会及科技高速发展的背景下,人们已迈入以信息化为主的新时代,计算机网络技术获取了更进一步的发展,且在公众生产生活中获取了极为宽泛的运用。然而,伴同时间的推移,公众需求发生了较大变化,对计算机的需要已不单单是简单的运算及问题求解,对此需将人工智能与计算机网络技术相结合,为公众给予更好的服务。笔者先对人工智能进行了阐述,而后分析了计算机网络技术中应用人工智能的重要性,并对计算机网络技术中人工智能的具体运用进行了探讨。     

计算机网络技术中人工智能的运用探讨

随着互联网+时代的到来,计算机技术在各个行业中的运用更加广泛,为人们的生活带来了便利。但是在高速发展的社会背景下,社会大众对于计算机技术提出了更高的要求,以此满足自身发展的需要。此时计算机技术开始了质的飞跃,由以往单纯的基础功能开始向人工智能的发展方向过渡,人工智能开始在计算机网络技术中得到运用。笔者就计算机网络技术中人工智能的运用进行探讨。     

《人工智能》课程教学改革及实践探讨

人工智能在计算机、自动化等信息类专业的本科教学中占有重要地位。结合人工智能学科建设的实践。分析了教材、文献资料、实验指导及网络环境等教学条件的发展情况。针对该课程的教学方法、教学手段以及实践环节进行了探讨,总结当前人工智能教学与实践中的不足并提出进一步的解决途径。     

基于BDD的增量启发式搜索

增量搜索是一种利用先前的搜索信息提高本次搜索效率的方法,通常可以用来解决动态环境下的重规划问题.在人工智能领域,一些实时系统常常需要根据外界环境的变化不断修正自身,这样就会产生一系列变化较小的相似问题,此时应用增量搜索将会非常有效.另外,基于BDD(binary decision diagram)的启发式搜索,结合了基于BDD的搜索和启发式搜索这两种方法的优点.它既用BDD这一紧凑的数据结构来表示系统的状态空间,又通过使用启发信息来进一步压缩搜索树的大小.在介绍基于BDD的启发式搜索和增量搜索之后,结合这两种方法给出了基于BDD的增量启发式搜索算法--BDDRPA*.大量的实验结果表明,BDDRPA*算法是非常有效的,它可以被广泛地应用到智能规划、移动机器人问题等领域中.     

具有自适应搜索策略的混合人工蜂群算法

基本人工蜂群算法及其搜索策略侧重探索,为增强算法的开发能力,提出一种具有自适应搜索策略的混合人工蜂群算法。将目标函数值信息和最优解引导信息引入搜索策略,提出具有自适应机制、开发能力强的搜索策略;为防止“早熟”现象,利用三个不同随机食物源和高斯分布,设计出全局探索能力较强的搜索策略。将两个搜索策略在雇佣蜂阶段混合以平衡算法的探索与开发能力,在观察蜂阶段使用具有自适应机制、开发能力强的搜索策略以加快收敛。与基本及具有代表性的改进人工蜂群算法在20个标准测试函数中进行对比实验,结果表明所提算法具有更好的搜索能力和更快的收敛速度。     

基于启发式搜索算法的网格信息查询优化

如何提高网格信息系统的查询效率是提高网格性能的关键问题之一。在基于资源分类树(将计算资源按其属性和数值组织成平衡二叉树)的网格信息系统中,资源分类树深度过大,搜索效率就会降低。针对该问题,提出基于启发式搜索算法的查询优化方案并成功应用于原有的查询系统。给出具体的算法、实验步骤及结果分析。实验结果表明,采用启发式搜索可以提高网格查询系统的查询效率。