人工智能-一种现代的方法（第3版）——Chapter 3—通过搜索进行问题求解

受到一名大佬的启发，向大佬学习使用写博客的方式进行人工智能原理的学习，这是第一篇，希望能坚持下去，最后，向大佬致敬@dale丶无双

3.0 — 绪论

3.1&3.2 — 问题求解Agent -&-问题实例

1. 问题形式化：一个问题用5个部分进行形式化描述，以罗马尼亚案例为例说明

1.1 — 初始状态： In（Arad）
1.2 — 行动：ACTIONS(s)，即，给定一个状态s，ACTIONS(s)返回状态s下可以执行的动作的集合，例如状态s为 *In（Arad），ACTIONS(s)返回的行动为
1.3 — 转移模型：RESULT(s，a)，在状态s下，执行a动作后，达到的状态。也会使用后继状态表示从一给定状态出发，通过单步行动，可以达到的状态集合。例如

初始状态、行动和转移模型定义了问题的状态空间，即，从初始状态可以达到的所有状态的集合。罗马尼亚地图就可以解释为一个状态空间图，结点表示状态，结点之间的弧表示行动。状态空间中的一条路径指的是通过行动连接起来的一个状态序列。
1.4 — 目标测试：确定给定的状态是不是目标状态。有时，目标状态是一个显示集合（？什么是显示），测试只需要简单的检查给定状态是否在目标状态集合中。对罗马尼亚案例来说，目标状态集为：，有时候，目标状态不是一个显式可枚举的目标状态集合，而是具备某些特定抽象属性的状态。例如，国际象棋中，目标状态是指被将死的状态，即，对方国王在己方国王攻击得无路可逃必死无疑。
1.5 — 路径耗散：路径耗散函数为每条路径赋一个耗散值，即，边加权，罗马尼亚案例中，路径耗散可以是用公里数表示的路径长度。采用行动a从状态s走到状态s’所需要的单步耗散用c(s, a, s’)。

问题的解是从初始状态到目标状态的一组行动序列。解的质量由路径耗散函数衡量，路径耗散值最小的即为最优解

**2. 罗马尼亚案例的PEAS**

2.1 可观察的—Agent总是知道当前状态，Agent在罗马尼亚开车，每到达一个城市发现标识，表明该城市。
2.2 离散的 — 在任一给定状态，可选的行动是有限的，在罗马尼亚游玩时，每个城市只与其他一小部分城市相邻（应该是说与有限个城市相邻的意思，但是这个和离散有什么关系）。
2.3 已知的 — Agent知道每个行动达到的状态（因为有 地图）
2.4 确定的 — 每个行动的额结果只有一个