【学习】人工智能：一种现代的方法

推荐专栏：https://blog.csdn.net/weixin_39278265/column/info/24474 前面的内容很详细，有助于理解
其实我是在看planning那一节看得一知半解的，结果搜到博主的专栏把前面都温习了一遍，前面写的超级详细，之前自己看的时候知识点很混乱，看完稍微有了点章节的框架，不过看到我很需要的内容那里作者写得比较简略，很多东西还是没搞懂，所以记录一下。

待完成

作者分享了 JADE（Java Agent DEvelopment Framework）

一个很酷的在Java上进行Agent开发的框架。你可以用这个框架很轻易的搭建一个MAS（多智能体系统），在这些系统中，各个Agent是自治的，而且可以互相通信，很酷诶！

研究一下合取范式和 dpll 的python代码

不理解的地方

1 如何表示状态及其转换？

虽然举了例子，但还是很抽象？
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 结构化表示
　　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 ﬁrst order logic, knowledge-based learning and natural language understanding. [1]

2.关于A*算法

关于一致理解的还不透彻，有关A* 复杂度这块也不理解，这个复杂度相对谁而言？关于最后一条h2>h1有效降低搜索空间理解的不是很透彻
最优性：如果 A* 是可采纳的，那么A* 的树搜索版本是最优的，如果h(n)是一致的，那么图搜索的 A* 算法是最优的。
缺点：A* 的时间复杂度比较高，严重依赖于对状态空间所做的假设。而且内存保留了所有已生成的节点，使得 A* 算法常常在计算完之前就耗尽了自己的内存。
对于两个启发式函数h1，h2，如果对于任何节点n，h2(n)>h1(n),那么就说h2比h1占优势。优势可以直接转化为效率。

3.连续空间中的局部搜索

有点质疑第一句话的正确性
在讨论过的算法里面，除了首选爬山法和模拟退火，没有一个能够处理连续的状态和动作空间，因为连续空间的分支因子是无限的。

重要的知识点

约束问题

csp 约束满足问题绝对约束
cop 约束优化问题偏好约束
变量个数任意的约束称为全局约束。
- 1）Alldiff约束：表示所有相关变量必须取不同的值。
- 2）atmost约束（另一个重要的高阶约束）：也叫资源约束。
变量顺序
1）选择“合法”取值最少的变量——称为最少剩余值（MRV）启发式。（做一个强有力的引导，方便提早遇到失败，从而剪枝）
2）度启发式：通过选择与其他未赋值变量约束最多的变量来试图降低未来的分支因子。（用来打破僵局，如选择第一个着色区域）
取值顺序
最少约束至：优先选择的赋值是给邻居变量留下更多的选择（为了找到一个解，所以没必要排序，二十要最少约束）

逻辑

逻辑推理：用蕴含推导出结论
模型检验：通过枚举所有可能的模型来检验KB为真的情况下α都为真，即M(KB)含于M（α）
可靠的：只导出蕴含句的推理算法被称为可靠的
完备性：如果推理算法可以生成任一蕴含句，则完备。（在有限的情况下确实完备咯，但是常常不完备）
SAT问题：命题逻辑语句的可满足性判定。是第一个被证明为NP完全的问题。（如CSP，就是询问在某个赋值下约束是否满足的）