電子發燒友App
人工智能之技術與算法
這篇文章更類似于科普貼，它完全可以作為你學習人工智能的入門文章，我的目的是用通俗的語言概括人工智能領域的各項技術，從而讓讀者有個直觀淺顯的認識
隨機（Random）
隨機是智能的基礎，人工智能的很多技術都需要用到隨機，因此有必要把這個提到前面談談
一考慮基于C/C++，般我們都是使用的rand（）等函數實現隨機，當然我們也有吊炸天的boost提供了各種分布范圍的隨機：
#include 《boost/random.hpp>
uniform_int《> distribution（1， 100） ;
mt19937 engine ;variate_generator《mt19937，uniform_int《> > myrandom （engine， distribution）;
// uniform_smallint：在小整數域內的均勻分布
// uniform_int：在整數域上的均勻分布
// uniform_01：在區間［0，1］上的實數連續均勻分布
// uniform_real：在區間［min，max］上的實數連續均勻分布
// bernoulli_distribution：伯努利分布
// binomial_distribution：二項分布
// cauchy_distribution：柯西（洛倫茲）分布
// gamma_distribution：伽馬分布
// poisson_distribution：泊松分布
// geometric_distribution：幾何分布
// triangle_distribution：三角分布
// exponential_distribution：指數分布
// normal_distribution：正態分布
// lognormal_distribution：對數正態分
// uniform_on_sphere：球面均勻分布
但是這個取到的數據都是偽隨機數，或依靠系統時間，或依靠日期等，顯然這個對于人工智能是不夠的，我們需要真隨機，C++11的std ：：random_device給了我們希望，如名這個的隨機石使用的硬件，linux是讀取dev/urandom硬件設備，但是windows居然還是調用的rand_s（）函數！這個沒什么太多說的，買點專業硬件即可。
狀態空間啟發式搜索-A尋路算法（A* Search Algorithm）
A尋路算法是A*的退化，所以我不考慮說什么，當然如果你想學習A星，先學A是一個不錯的選擇，為此我特意寫了一篇文章詳細講解各種尋路搜索策略http://blog.csdn.net/racaljk/article/details/18887881
狀態空間啟發式搜索-A星尋路算法（A* Search Algorithm）
其實這個標題是我自己寫得到，原翻譯顯然沒有”尋路“這兩個字，因為A星算法包括但不僅限于存在于人工智能的尋路中，但是既然標題是人工智能，這樣也無傷大雅，在說A*之前有必要說所深度優先搜索算法DFS和廣度優先搜索算法BFS，假設一個map上面，有諸多障礙，目前機器人需要做的就是在這個有限的地圖上沒有其他信息支持，需要從起點出發找到終點，如上所說，這個地圖里面的障礙時允許嘗試的，如果我們使用深度有限算法，他會從起點出發走一條路并一直走下去，直到遇到障礙或者沒有達成條件-到終點，于是返回重新走，顯然他不會愚蠢到走與之前同樣的錯誤路線，DFS比較耗時，但是如果成功了也就執行了這條路線（沒有人為干擾的情況下），而BFS則在遇到障礙時就會向四周試探性的走幾步，一旦試探成功就繼續走，如此遞歸，直到成功（如果在有限的map下，且存在正確路徑，則必然會成功），簡單來說，我們的理論都是基于二叉樹的條件下，BFS是沿著樹的寬度進行完全變遍歷，而DFS是沿著數的一條分支一直走下去，直到成功，A*結合這兩個算法的優點，從而實現快速尋路
下面這個更直觀：
假設這個是一個地圖，左#表示起點，右#表示終點，@@表示障礙
00000000000
000000@0000
#0000@@000#
000000@0000
00000000000
如果用DFS他會像掃描儀一樣從左至右掃描到終點，如果用DFS他會像掃描一樣從中間向兩邊掃描掃描，而A*則結合這兩個算法的優勢，從而實現最快的尋路，關于A*算法的源碼請自行百度
下面是一個A*的一個動畫演示
?
D星尋路算法（Dynamic A* Search Algorithm）
顧名思義d*也就是動態A*尋路算法，區別僅在于A*是局限于A*是生成一條路就一直走下去，但實際情況下有很多突發情況，比如生成的那條路被堵了，就需要重新生成新的路線，這就需要D*了，D*也就是說動態生成A*路線。
狀態機（Finite-State Machine）
FSM看似很高端，的確我當初也被嚇著了，不過看了下面的內容就會覺得很簡單，細分狀態機分為有限狀態機和模糊狀態機，也加同步狀態機和異步狀態機，兩種狀態機的區別在于有限狀態機在一個時段只能處于一種狀態，而模糊（也即異步）狀態機有一個權重值，根據這個權重值我們可以分配給不同的狀態不同的權重，比如一個人，有限狀態機允許人去喝水，模糊狀態機允許80%去喝水，20%接水。你甚至可以理解為FSM是單線程，FμSM是多線程。有關狀態機的資料可以參見：http://zh.wikipedia.org/wiki/%E6%9C%89%E9%99%90%E7%8A%B6%E6%80%81%E6%9C%BA
為了便于理解，現復制一下基本概念：
狀態（State）指的是對象在其生命周期中的一種狀況，處于某個特定狀態中的對象必然會滿足某些條件、執行某些動作或者是等待某些事件。
事件（Event）指的是在時間和空間上占有一定位置，并且對狀態機來講是有意義的那些事情。事件通常會引起狀態的變遷，促使狀態機從一種狀態切換到另一種狀態。
轉換（Transition）指的是兩個狀態之間的一種關系，表明對象將在第一個狀態中執行一定的動作，并將在某個事件發生同時某個特定條件滿足時進入第二個狀態。
動作（Action）指的是狀態機中可以執行的那些原子操作，所謂原子操作指的是它們在運行的過程中不能被其他消息所中斷，必須一直執行下去。
看不懂上面可以看下面：
?
這里盜用一張UML（http://www.cnblogs.com/ywqu/archive/2009/12/17/1626043.html這是關于UML比較詳細的介紹）圖片來解釋一下，黑圓圈表示初始狀態，非規則長方形表示一個狀態，Active表示狀態條件，也就是這種狀態需要什么條件，Reset表示轉換事件
我們結合boost：：statechart可以很容易寫出上述圖片的代碼
#include《boost/statechart/state_machine.hpp>
#include《boost/statechart/simple_state.hpp>
class Mchine_Initiate;//模板必須有一個class作為初始化后的狀態
class Machine ： boost：：statechart：：state_machine《Machine， Mchine_Initiate>{
public：
Machine（）{std：：cout 《《 “Machine class”;};
};
class Mchine_Initiate{
public：
Mchine_Initiate（）{std：：cout 《《 “in”;};
~ Mchine_Initiate（）{std：：cout 《《 “out~”};
};
決策樹（Decision Tree）
這個大家應該都不陌生，當我們遇到一個問題時會有多種處理方法，這符合一個樹狀態結構，
我們會選擇最佳策略進行處理，同樣，人工智能也有類似實現名為決策樹，我們會發現者似乎與FSM有聯系，恭喜你你的發現時正確的，這其實算是靜態FSM，FSM應該冠名為動態FSM才是最佳的，當然這是我個人看法，何謂靜態，就是既定的方案，這個樹枝都有權重值，50%A樹枝，50%B樹枝，機器人可以按照這個既定的方案執行，因此決策樹可以存儲并分享，而FSM是動態選擇，有關決策樹的概念就這么多了，詳細實現大家可以去百度一下。這里提供一篇算法，遺憾的是里面專業術語比較多，理解較困難。
博弈論（Game Theroy）
這是我最感喜歡的部分，某種程度上說沒有博弈論體系的AI算不上AI，博弈論在人工智能中廣泛用于最優化策略，從原英文中我們就看得出這個與游戲有關，對象是單體，著名的例子就是簡化的囚徒困境：
兩個囚徒甲和已違法被抓，分別關押，有如下選擇：
如果兩個人都承認，那么都判10年
如果一人不承認，另一人承認并指認同伙，那么這個人將無罪釋放，而被指認的那個人將被判20年
如果兩個人都不承認，將只是非法帶槍罪判1年。
從單體出發，假設我是甲，我心里會想：如果我認罪，10年，不認罪20年，10《20，認罪最好。對方認罪我0年，對方不認罪1年，0《1認罪最后
以類同，因此選擇認罪各10年
在人工智能中我們要窮舉所有可能，并計算最終收益，最后讓收益最大化，這就是人工智能的博弈論理論，博弈論博大精深，這里只是十分基礎的認識
人工智能領域的博弈論我們需要考慮兩個東西：期望收益、規則設定。比如我們的規則設定是機器人比賽，然后機器人要選擇收益最大化，因此我們就要窮舉各種可以執行的策略，并最終從這些策略對比使收益最大化，再如田忌賽馬這個強拉硬扯算是博弈論，規則是上中下等馬比賽，上>中，中>下，然后計算機就要窮舉所有策略，優上>良上，優上>良中。..。，最終更加這些策略對比使收益最大化，我們可以把這些作為一個樹狀結構實現，稱之為博弈樹，博弈樹廣泛引用于各種棋牌游戲的AI，很多算法如alpha-beta搜索都是基于博弈樹實現的
最大最小搜索算法（Max-min search algorithm）
最大最小搜索算法基于博弈樹，廣泛應用于棋盤較小的棋牌游戲AI中，詳細請看我的文章http://blog.csdn.net/racaljk/article/details/18842545
神經網絡（Artificial Neural Networks）
神經網絡同上是人工智能的智能所在，神經網絡類似于抽象了人類的歷史，請不要反駁遠古時期人類沒有手機這句話，人類的聰明是經驗所得，試想一下，假設機器人前面有一個障礙，這個障礙堵塞了路，機器人就會不斷使用尋路算法嘗試，顯然，這是沒有效果的，因為沒有正確的道路，想想如果是你你會怎么做，你會跳過去，是的，這就是一個神經網絡的實現，你早就經歷過這種事情，現在你需要做的就是運用之前的經驗來解決這個”新“情況。要想智能，沒有這種經驗的學習都是紙上談兵（當然前提是你得置入跳的動作代碼），當機器人用A*嘗試5次都失敗的情況下它就會改變策略，調整腳部神經元閥值，當調節為1，發現跳不過，就調節為8，如此在一定的區間內隨機直到成功
置信網絡（Belief Network）
從分類中可以看出置信網絡從屬于深度學習，而深度學習父級是神經網絡，也就是說置信技術是以神經網絡為基礎的在其基礎上優化的一門機器學習技術。
置信技術把人工智能推向了極致，他與博弈論、神經網絡遺傳算法構成了AI的核心體系。
之前我們的神經網絡和遺傳算法使用窮舉進行嘗試和篩選，而置信網絡總結數據并試圖發現規律，這看起來多麼偉大，同時也多麼不容易，把客觀世界object的規律映射到智能機器，即使是人類也不一定做好
同樣是上面走路的例子，我們假設了神經網絡的閥值必須要是偶數*2才能通過，貝葉斯智信網絡則是用來總結得出這個規律，他需要前面的數據并進行分析，并把抽象數據轉化為客觀規律
?
上圖就是一個經典的置信網絡，其中紅色圓圈表示未知規律，藍色為表象
置信網絡可以極大優化神經網絡，減少嘗試次數，比如利用置信網絡總結出結果在偶數*2中間，通過其他信息比如數量是家庭垃圾物體數，神經網絡便可在一個較小的范圍類進行偶數*2的嘗試
遺傳算法（Genetic Algorithm）
遺傳算法的理論基礎是達爾文的進化論，他模擬實現凈化論中的自然選擇和遺傳機制，神經網絡無法吸取上次失敗的教訓，只是一味的嘗試，遺傳算法由此而生解決這個問題，它吸取群體的智慧于一生，結合神經網絡實現了更高層次的智能，遺傳算法模擬培養第一代基因，神經網絡進行嘗試，然后進行優勝劣汰，如此遞歸，當到了一個很高的層次都無法解決問題的時候他就會考慮基因重組，也就是雜交，因為他認為第一代的優秀基因本身就是錯誤的方向，只是錯誤的方向上的優秀基因，因此他選擇其他方向的基因用神經網絡嘗試，遺傳算法優勝劣汰
?
工商網監
評論