计算机博弈相关书籍读书报告.docx
- 文档编号:9041912
- 上传时间:2023-02-02
- 格式:DOCX
- 页数:26
- 大小:81.80KB
计算机博弈相关书籍读书报告.docx
《计算机博弈相关书籍读书报告.docx》由会员分享,可在线阅读,更多相关《计算机博弈相关书籍读书报告.docx(26页珍藏版)》请在冰豆网上搜索。
计算机博弈相关书籍读书报告
大类通识课程读书报告
题
目
计算机博弈
课程人工智能与认知科学
组别第十组
参与者13124207毛裕非
13120863舒于晋13124212李睿哲
13122854叶泽林12120946曹国锋
13124211张玉敏
教师杨丽华
日期2013年11月8日
CONTENT
专题一计算机博弈的发展与未来
第一章:
计算机博弈的发展与未来3
专题二计算机博弈原理探究
第二章:
空间状态搜索7
第三章:
启发式搜索12
专题三计算机博弈的应用
第四章:
计算机博弈在围棋方面的应用19
第五章:
计算机在象棋方面的应用23
第六章:
机器人足球27
第一章
计算机博弈
的
发展与未来
计算机博弈一直是人工智能的重要研究方向,那么,它究竟如何促进人工智能的发展?
而它又能给我们带来怎样的不同?
回顾它的发展历史,可以看到它的潜力与不足;展望它的未来,又充满了机遇与挑战。
计算机博弈的发展与未来
毛裕非13124207
阅读书目:
《人工智能:
一种现代方法》(第2版)
编者:
斯图尔特•罗素(Stuart.Russell)彼得•诺维格CPeter.Norvig)
出版社:
人民邮电出版社
阅读期刊文章:
《机器博弈研究面临的各种挑战》
---《智能系统学报》2008年04期
期刊文章作者:
徐心和邓志立王骄徐长明刘纪红马宗民
报告正文:
第6章:
对抗搜索
6.1:
博弈
人工智能中德博弈是数学博弈论中一个特殊种类,专指有完整信息,确定性的,轮流的行动的,有两个游戏者的零和游戏。
自人类文明产生以来,博弈便与人类智慧密切相关,因此自人工智能诞生以来便承担起博弈这一任务:
1950年来,计算机刚可开始编程时,图灵与香农等人就开始研究能下国际象棋的程序。
然而游戏不同于玩具问题,它难以求解而且不定因子太多,要求高效率,否则就被淘汰。
所以如何尽可能利用好时间一开始就是一个要考虑的问题。
思考与质疑:
计算机博弈,可以是人工智能体之间的博弈,也可以是人机之间的博弈,现在看来更多的是人机之间的博弈以评判机器程序在某方面的博弈发展水平。
智能体之间的博弈充满了智慧的较量,如同自然界的竞争捕食,双方都在博弈中进步,而机器人博弈则不是这样,它们依靠早已拟定好的程序来搜索下一步的,它们计算好了一切的可能,早已掌握全局。
但是拥有巨大的数据库和强大的搜索能力还是无法轻而易举地打败人类,原因何在?
不仅仅在棋类游戏或牌类游戏上,机器人博弈在机器人足球上也有发展。
可以说机器人博弈的水平由许多现在研究的算法,模式识别,机器的学习等方面综合决定,反过来说,机器人博弈的水平一定程度上反映了人工智能的发展水平。
6.6:
博弈程序的当前发展水平
计算机博弈在各个游戏方面的历史成就:
国际象棋:
1957年,赫伯特.西蒙预测10年之内计算机科技击败人类冠军。
1997年,基于Campbell与Hsu在卡梅隆大学开发的深思(DeepThought),由IBM人员开发的深蓝(DeepBlue)程序在表演赛中首次击败了国际象棋世界冠军——卡斯帕罗夫。
2002年程序FRITZ挑战世界冠军弗拉德米尔.克拉姆尼克,8局皆平局。
深蓝可以进行长期预测,原因是强大的数据库与搜索能力,这使人们相信:
计算机博弈的发展源自强大的硬件。
即容量大,读写能力强。
而实际上改进算法程序也可以使参与的人工智能变得更加强大。
西洋跳棋
1952年开始,IBM的阿瑟.萨缪尔(ArthurSamuel)利用业余时间研发了可以自己通过下棋学习评价函数的程序,它可以通过与对方下棋改进自己。
1990年,JonathanSchaeffer与其同事研发的利用α-β搜索的程序Chinook夺得美国公开赛的第二名。
接着,它使世界冠军MarionTinsley遭遇职业生涯的第4与第5盘输局。
1994年,Chinook夺得世界冠军赛的冠军。
奥赛罗
1997年,程序Logistello击败人类世界冠军TakeshiMurakami。
由于奥赛罗在程序中需要的搜索空间比国际象棋小,因此普遍认为人类无法在这一方面战胜计算机。
围棋
围棋的期盘是19×19型的,则分支因子初始即为361,这对常规搜索算法挑战极大,因此直到1997年都没有有竞争力的围棋程序。
现在存在的ChenZhixing的手谈(Goemate)与MichaelReissued的Go4++也都只相当于业余棋手的十级。
桥牌
它是一种多人参与(2人或4人)的游戏,其最优打法包含了许多概率与心理因素。
BridgeBaronTM(Smith等人)夺得1997年计算机桥牌赛冠军
GIB程序(Ginsberg)获得2000的冠军
思考与质疑
计算机博弈在棋类游戏中的应用最多,计算机下棋的办法和人类显然不同。
棋局都是固定的,而落子是不定的。
要想在规定时间内想象全局是不可能的,因此人们通过彼此之间的博弈获得经验并总结规律,这是短时间内无法完成的,必须拥有一定的理解记忆能力与一定的实战经验。
对于计算机则不同,它可以考虑到未来的发展:
甲在棋局的落子点有N种可能那么乙则有N-1种可能,依次类推,随着棋局不断发展,必定产生许多不同的组合与结果,所以计算机择优选择,搜索出能够导向对自己有利结局的落子点,而后又会产生很多种可能……所以这就完全依靠于计算机那强大的存储系统与搜索能力。
只有存储能力强,才能够网括那繁杂的树状棋局发展;只有搜索能力与方法得当,才可以迅速地万里挑一以赢得棋局。
因此若想在比赛中赢过人类,就要不断改善搜索程序与算法,如“剪枝”可以有效地除去与自己无关的走棋,从而缩短搜索所用时间。
到了牌类游戏中则有不同了。
牌类游戏也有许多种,很多都是4人游戏,那么拿到牌后,对方的牌有许多种不同可能,根据出牌顺序也会有不同方式结果;牌类游戏还是心理战术,并非有大过的牌就出手。
综合种种因素,我认为计算机要想在牌类游戏中取胜,还要进一步的发展。
我认为计算机博弈发展是紧密结合人工智能各种研究共同发展的。
在棋类,牌类博弈中需要学习能力,对棋局的分辨需要模式识别,在机器人足球中就要求更高。
《机器博弈研究面临的各种挑战》
机器博弈随着各种算法的提出与计算机硬件的发展已经取得很大的进步,但是仍然面临着许多挑战。
学术观念的分歧
机器博弈在国内不受重视很大原因上它的检验标准是国际比赛上的名次,那么关注点就被放到游戏,比赛上面去了,而非高等研究所涉及到的领域。
相比之下,机器人足球中的机器人若是取得进展,便是很大的成就了。
事实上,机器人的灵敏度不仅取决于硬件,很大还取决于软件,棋牌类游戏正式软件发展的平台。
计算机棋类博弈分析
计算机的搜索能力是计算机智能的重要体现,因此搜索算法是核心,亦是难点与研究的重点。
存储方式也需要改进,数据结构的选择可以提高存取效率。
计算机牌类博弈分析
棋类游戏与牌类游戏不同,棋类属于完备信息博弈,即知道对方的棋子,与可能着法,所以构造博弈树就可以构造后面的棋局。
然而牌类游戏大多重要信息都是未知,需要推测的,所以牌类游戏不能建立博弈树型。
故牌类游戏重点在于模式识别,机器学习。
这并非现今的一半简单智能体所能应付的。
机器博弈的军事应用—兵棋推演
象棋与围棋都是从两军对弈中抽离出来的游戏,因此计算机博弈可以用于作战模拟领域。
部队指挥在谋划战役前要熟悉对方与作战环境和突发事件等不确定事件。
以往的兵棋推演在地图或沙堆上进行,现今随着越来越多的高科技武器研发出来,越来越先进数字化的兵棋推演是必然趋势。
思考与质疑
本篇文章与之前我所推断猜想的有吻合之处。
动态的博弈带有极大的不确定性,这就需要比较计算机与人类的不同。
在棋类游戏上还可以建立庞大的树形图,然而到了牌类游戏甚至兵棋推演,就要考虑到人类的情感问题与身体问题,种种自然因素等不定量,因此建立相关算法又是极其困难的。
这就需要机器具有一些像人一样的思维方式,所以机器学习,模式识别等方面是研究重点。
计算机博弈如同人工智能学科的果蝇,它可以通过下一盘棋简单地对机器的智能程度进行测试。
想象到未来的计算机博弈会运用于兵棋推演,加之如今越来越先进的战争方式与武器,如无人机。
那么随着时代发展,今后如果有一些战争的话,岂不就是各国的武器与人工智能体的战役?
小结
通过阅读与查阅资料,我进一步了解了计算机博弈的历史与未来发展的无限潜能,同时也粗略了解了一些算法的运用。
机器人博弈自人工智能产生以来便是一个重要的研究方向,可以想象,人类作为智能体能够造出与自己几乎完全不同但算是智能体的个体自然令人十分激动,那么不断努力让人造智能向人类靠近甚至超越肯定是人类梦寐以求的,这样可以解放自己的双手,让人造智能体代替自己工作甚至完成人类自己无法完成的任务。
那么首先人类就要就在人工智能上超越自己,人类世界的智力游戏便是很好的评判工具,通过此类有输赢之分的竞争游戏,可以较好地为人工智能的智能打分排序。
但是实现这个目标还存在着很大的困难:
现在的科技水平造就的人工智能的智力水平完全取决与机器硬件与大部分代表编程者智慧的软件程序。
各种棋类有对应的博弈树型,计算机则只是存储它们并在对局中根据此数据库选择最优解。
如今的机器博弈发展很快,但是始终没有摆脱这种模式,所以需要人工智能的其他方面继续发展。
说到底,计算机博弈就是人工智能的各方面的综合应用,人工智能任一方面的发展都可能促进计算机博弈的发展,所以可以说计算机博弈的发展水平是检验人工智能智能程度的标准。
因此我想,计算机应该拥有人类的思维能力与方式,而这需要一定的结构基础。
想要实现模式识别,机器学习等就要建立并行操作系统,否则计算机博弈的进步就只是将人类的经验不断输入计算机的数据库而非本质上的突破,这也是人工智能发展进步的一大瓶颈。
中国已经认识到计算机博弈方面的研究的重要性,但是对待计算机博弈不应单单是将其看作人机之间的游戏,而是反映人工智能领域发展水平的评判与运用。
计算机博弈的发展还有很多路要走,在棋类游戏方面计算机凭借现在的模式很可以勉强超过人类中的世界冠军,但在变化更复杂,形式更多样的竞技中并不能发挥其效用。
在牌类游戏中,计算机可能需要语音识别来辨别对手语调中的内涵,需要模式识别来判断对方的表情变化,需要识别周围环境并及时做出反应……
回顾过去,计算机博弈确实经历了重大进步,经过不断的完善改进,从程序到世界冠军;但是可以看到,计算机博弈的未来道路还很长,并且充满着挑战。
事实上,每个与计算机博弈相关的人工智能领域都面临着挑战,它们的进步必将促进计算机博弈的进步;计算机博弈的发展也将反映出人工智能所存在的不足,可以指出各领域的发展方向。
所以我猜想,如果神经网络出现,那么计算机博弈也就会有一场质的飞跃!
而生物体的神经系统尚未明晰,那么神经网络的发明在近期是不可能的。
纵使计算机博弈的发展很快,但是没有一个聪慧的“大脑”,它就还是停步于改进算法和存储模式,在军事方面的应用也就只会是空想。
人类的智慧是无穷的,计算机博弈近期可能不会有很大的突破,但随着各个领域的不断相互促进发展,未来某一天,计算机博弈将不仅仅依赖于人类的智慧。
第二章
空间状态搜索
计算机博弈之状态空间搜索
姓名:
舒于晋学号:
13120863
阅读书目:
《人工智能复杂问题求解的结构和策略》
编者:
(美)GeorgeF.Luger著史忠植张银奎赵志崑等译
出版社:
机械工业出版社
报告正文:
第3章用以搜索状态空间的结构和策略
3.1图论
3.1.3问题的状态空间表示
状态空间搜索定义:
一个状态空间被表示为一个四元组[N,A,S,GD],其中:
N是图的结点或状态的集合。
图的结点对应于问题求解过程中的各个状态。
A是结点间弧(也就是连接)的集合。
圆图的弧对应于问题求解过程中的各个步骤。
S是N的非空子集,含有问题的起始状态。
GD是N的非空子集,含有问题的目标状态。
可以通过以下任一种方式来描述GD中的状态:
1)搜索中遇到的状态的一种可测量属性。
2)搜索中探索到的路径的一种属性,例如路径的弧的渡越成本(transitioncost)。
解路径是穿越图的一种特殊路径,它从S中的一个结点开始,在GD中的一个结点结束。
很多图都具有这样一个特征,即可以从不同的路径到达相同的状态,这是设计图搜索算法中经常遇到的问题之一。
例如,在图3-3中,从状态a到状态d的路径既可以经过b和c,又可以直接从a到d。
这使得根据问题的需要选取最佳路径尤其重要。
此外,到达一个状态的多条路径可能直接导致解路径上出现循环或回路,阻碍算法到达目标。
例如,以图3-3中状态e为目标的盲目搜索可能永不停止地搜索这个状态序列:
abcdabcdabcd……
如果要搜索的空间是树(例如图3-4所示),就不会发生循环问题。
因此,把状态空间是树的问题和状态空间可能含有回路的问题区别开来是很重要的。
通用的图搜索算法必须能够检测和消除潜在解路径上的循环,而树搜索免除了这种测试和相应的开销,从而可以达到更高的效率。
思考及质疑:
这段定义给我们做了个状态空间搜索的简单介绍。
也给我们说明了状态空间图和树,做了简单比较。
我想说的是,状态空间的这一定义其实也是和我们人解决问题一样,给计算机描述问题和给出问题框架。
当我们想要有效解决问题时都会首先考虑到这个问题的现状(起始状态)和要将它解决成什么样(目标状态),然后我们就会去寻找解决方法(路径),当找到最佳解决办法(解路径),就是我们要的结果了。
当然我们人不会笨到做无用功,不会像计算机一样去循环,所以我们就会给计算机一个方法,那就是状态空间树了,就会解除状态空间图上的解路径上的循环。
3.2用于状态空间搜索的策略
3.2.1数据驱动搜索和目标驱动搜索
在数据驱动搜索(data-drivensearch)(有时也称为正向追索(forwardchaining))中,问题求解程序从问题的给定事实和改变状态的合法移动和规则的集合入手。
然后把规则应用到事实产生新的事实,接下来新的事实又被规则用来产生更多新的事实,搜索便如此继续下去。
直到产生满足目标条件的一条路径。
也可以采用另一种策略:
从想要求解的目标着手。
先分析怎样使用合法移动来产生这个目标并求出要应用这些移动必须具有哪些条件。
这些条件成为要搜索的新目标,或者称子目标(subgoal)。
然后继续反向追溯相继的子目标,直到返回到问题中的事实。
这样便找到了从数据到目标的移动或规则链,但却是以相反顺序工作的。
这种方法称为目标驱动(goal-driven)推理,或者称反向追索(backwardchaining),它让我们想起了一种简单的儿童游戏,从终点到起点的反向寻找穿越迷宫的路线。
3.2.3深度优先搜索和宽度优先搜索
除了指定搜索方向(数据驱动还是目标驱动),搜索算法还必须决定按什么顺序来解析树上或图上的状态。
这一节介绍两种考虑图中结点的可能顺序:
深度优先(depth-first)搜索和宽度优先(breadth-first)搜索。
图3-15深度优先搜索和宽度优先搜索例子中所用的图
考虑图3-15所示的图。
我们用标签(A,B,C,…)标出了各个状态以便在下文的讨论中引用它们。
在深度优先搜索中,当分析一个结点时,在分析它的任何兄弟之前分析它的所有孩子和后代。
深度优先搜索尽可能地向搜索空间的更深层次前进。
只有找不到状态的后代时才会考虑到它的兄弟。
对于图3-15所示的图来说,深度优先搜索分析状态的顺序是A,B,E,K,S,L,T,F,M,C,G,N,H,O,P,U,D,I,Q,J,R。
第3.2.2节的回溯算法实现的就是深度优先搜索。
与深度优先搜索正好相反,宽度优先搜索一层一层地探索空间。
只有给定层上不再存在要搜索的状态时算法才转移到下一个层次。
对于3-15所示的图,宽度优先搜索分析状态的顺序是A,B,C,D,E,F,G,H,I,J,K,L,M,N,O,P,Q,R,S,T,U。
思考及质疑:
以上是状态空间搜索的几个策略。
这些不同的搜索策略我觉得各有优缺点,适合解决问题的不同方面。
数据驱动适合问题初始状态有所有或大部分数据,或者潜在的目标数量非常庞大,或者难以组成目标或假设等这类问题;目标驱动搜索适合目标或假设是在问题陈述中给出的,或者它们很容易被形式化,或者与问题事实匹配的规则数量非常多因而产生的结论或目标也越来越多,或者问题数据不是给定的,而是要由问题求解程序来获取的等这类问题;深度优先搜索可以不浪费时间搜索“浅层”状态,但是深度搜索有可能“迷失”,从而错过达到目标的更短路径,甚至陷入不能产生目标额无限长路径;宽度优先搜索总是能够找到达到目标结点的最短路径,但是如果各个状态都有很多个后代,那么这种组合爆炸可能使算法无法在现有空间条件下找到解,对于很深的搜索,这个问题可能变得非常棘手。
3.2.4迭代加深的深度优先搜索
平衡深度优先搜索和宽度优先搜索的一个很好折衷是对深度优先搜索使用一个界限。
一旦搜索的深度在某个层次以下,深度界限便强行停止对这条路径的搜索。
这形成一种对被搜索空间某个深度的“横扫”。
根据这种思想产生的算法弥补了深度优先搜索和宽度优先搜索二者的很多不足。
迭代加深的深度优先搜索(depth-firstiterativedeepening)(Korf1987)对空间进行一种深度界限为1的深度优先搜索。
如果它不能找到目标,它便进行另一个深度界限为2的深度优先搜索。
这样继续下去,每次迭代把深度界限加1。
在每一次迭代中,算法执行一次当前深度界限范围内的完全深度优先搜索。
在两次迭代之间不保存任何状态空间信息。
思考及质疑:
虽然迭代加深的深度优先搜索看似取了深度优先搜索和宽度优先搜索的有点,但是就时间上来说,差强人意,并没有降低时间的复杂度。
降低这一复杂度的唯一途径是采用启发来引导搜索。
小结
在计算机博弈这个大专题中,我针对计算机博弈原理这一小专题进行了一番学习了解。
因为我认为不管学什么,都要了解它的原理,了解它的根本,知其然更要知其所以然!
通过书籍的阅读和网络查阅,对状态空间搜索也有了大概了解,以上介绍了状态空间搜索的几个常用搜索算法,也是博弈原理的基本。
计算机博弈,历来是人工智能的一个重要的研究领域,而计算机博弈的原理更是计算机博弈中的核心,其中搜索算法也是博弈软件的重要部分。
计算机搜索算法就好比人们解决问题的思路和解法,是解决一个问题所必须的。
当然,解决问题的解决办法不是唯一的,因此计算机的搜索算法也不是唯一的。
问题求解的搜索算法的输出不是失败就是解(当然除掉一些陷入循环而永远不会返回输出的),而一个优秀的搜索算法应能保证找到问题的解,而且是最优解,花费的时间要少,在执行过程中使用的内存要少。
这样看来,深度优先搜索和宽度优先搜索只是提供了搜索算法的一种基本方法。
可以证明以上讨论的所有搜索策略——深度优先、宽度优先和迭代加深的深度优先——都显示出具有最糟糕的指数时间复杂度。
这一结论对于所有的无信息搜索算法来说都是正确的。
而解决这问题的最佳办法就是用启发来引导搜索,也就是启发式搜索。
鉴于小组分工,启发式搜索我在这就不做多的介绍了,当然,因为启发式搜索也是状态空间中的搜索,我也有了解过。
比起深度优先和宽度优先这样的穷举性的蛮力搜索技术可能无法再可行时间限度内找到解,启发更能高效地在短时间内找到解。
不幸的事,和所有有关发现和发明规律一样,启发式搜索也是很容易失误的,可能得到一个并非最优的解或根本找不到任何解。
综观所有搜索算法,我发现这些算法也都是人们思考问题的方式,然而现在只是换成电脑代替我们的大脑。
只要我们将思路告诉电脑,复杂的运算过程留给电脑做,这也是我们利用计算机解决问题的原因。
所以如今的人工智能基本上是朝着人的方面发展,逐步拟人化。
但是用目前水平的计算机来模拟人的思维功能是有限的。
更全面、更本质的模拟是“人工智能”学科的一个更高层次的目标。
近几十年来计算机发展十分迅速,人的思维也在不断地发展。
解决问题的方法不只一种,有思考、有想法,便会有更多的解决办法。
或许在将来,更高效更方便的解决办法就会出现,同时也会有相同的搜索算法出现,计算机就能更智能。
最后,我认为当我们的思维方式有更大的突破,未来的搜索方式必然会达到一个新的层次,计算机博弈也将会有更高的水平。
技术日趋成熟的今日,人工智能的发展前景是相当可观的。
参考文献:
[1]史忠植,张银奎,赵志崑.人工智能复杂问题求解的结构和策略.机械工业出版社
[2]杨丽华.人工智能与认知科学.上海大学出版社
第三章
启发式搜索
启发式搜索
李睿哲13124212
阅读书目:
《人工智能复杂问题求解的结构与策略》
编者:
Luger,G.F.
出版社:
机械工业出版社
报告正文:
第四章:
启发式搜索
第一节:
简介
在空间状态搜索中,一种相对有效的搜索方法便是启发式搜索。
对于启发一词,我的理解是面对问题时进行的一种有取舍、有评估的提示。
因此,当启发应用于搜索中时,它与盲目的蛮力搜索形成了鲜明的对比。
进而我们会问:
“为什么会产生启发式搜索呢?
”原因有以下几点:
1:
当计算机面对一个陈述不清晰或者自己所储备的该方面的数据很模糊时,便需要启发式搜索发挥作用。
2:
即便计算机对一个问题可以给出精准的答案,但得到这个答案需要付出几十倍的代价,这是仍然需要启发式搜索帮忙。
由此看出,计算机在很多情况下是十分需要启发式搜索的。
但我们也应该注意一个问题,启发毕竟是一种凭借经验或直觉进行的分析、推测,它并不是十分可靠的。
它不能够预判到很深的状态空间,其能力范围只是就近的几步。
而且,这种缺陷不会随着技术的改进而得到彻底解决。
由本节给出的九宫游戏实例可以看出,启发式搜索的运行方式是在一个结点进行评估,对不符合的情况连同上下分支一同删掉。
按照该步骤进行,直到到达目标。
思考与质疑:
对于计算机采用的这种搜索方式,我的疑问是计算机是否有一个足以解决大多数问题的数据库。
倘若没有一个足够大的数据库作为支撑的话,启发式搜索是不会真正发挥作用的。
第二节:
爬山法和动态规划法
第一条:
爬山
爬山作为启发式搜索中最简单的一种,其采用的方法是在一个结点上进行可能情况的搜索,进而对这些情况一一进行判断、分析。
在选择好最佳情况后再次按照这个方法进行,在此期间,那些不符合要求的情况连同其上下分支一起被剔除。
对于这种不保留删除记录的方法,其致命缺陷也在这里。
如果应用这种策略搜索时,有可能进入一个局部最优状态,但这个状态却与我们要需找的目标有差距。
然而这时,这一策略已经停止进行搜索,它将永远陷在这个局部最优解中,无法到达目的地。
随之而来的解决方案便是一个更好的评估策略。
书中以Samuel的程序进行改进。
这是一种将棋子的优势、位置、中心控制以及牺牲棋子换取优势的机会作为判断依据的策略,即一个适合解决问题的评估函数。
它的作用是尽可能的将每一种因素考虑在内,进行综合评价,最终找到最优解。
第二条:
动态规则
这个法则所用的方法是将一个大问题分成若干小问题,在一步步解决这些小问题时,不断重复使用前面已被解决的问题的方法来解决该问题。
书中给出了数组与最小编辑差别两个实例。
就数组而言,是通过动态地比较并给予一个分配数值的算法,进而找到相对周围数值较小的一组数,最终达到目的。
最小编辑差别问题同样运用了这一方法,即找出所输的字符中有几个字母需要插入、删除或替换。
这几个字母便是所差的距离。
它同样给定一种算法,在判断后赋予一些数值,在这个过程中,计算机移动的位置是动态的。
最终寻找出一列最小数值,这便是我们要找的字符。
思考与质疑
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 计算机 博弈 相关 书籍 读书 报告