第二讲 搜索求解的要点如下：1. 启发式搜索 定义：启发式搜索利用与问题相关的辅助信息，通过启发函数计算从当前节点到目标节点的路径最小代价。 核心：启发函数的选择至关重要，它决定了搜索的方向和效率。 优化：A*算法是启发式搜索的一种，通过确保启发函数的可容性和一致性来保证搜索的最优性。2. 对抗搜索 适用场景：适用于博弈场景，如象棋、围棋等，智能体通过竞争实现相反的利益。 核心算法：Minimax搜索和AlphaBeta剪枝搜索。Minimax算法通过枚举局面和计算赢棋概率选择最优后续局面，而AlphaBeta剪枝搜索则在极大极小算法中减少搜索树节点，提高搜索效率。 特点：在零和游戏中表现尤为出色，能够平衡进攻和防守策略。3. 蒙特卡洛树搜索 定义：蒙特卡洛树搜索结合了探索与利用，通过模拟大量随机走步来评估每个节点的价值。 核心步骤：选举、扩展、模拟、反向传播。这四个步骤共同构成了蒙特卡洛树搜索的完整流程。 优化算法：UCB策略和UCT算法被广泛应用于蒙特卡洛树搜索中，以优化搜索过程。4. AlphaGo算法 核心思想：将每个状态视为图像，通过训练策略网络和价值网络来实现对围棋等复杂游戏的高水平智能决策。 关键技术：深度学习与搜索算法的结合。策略网络用于生成走步建议，而价值网络则用于评估当前局面的胜负概率。 创新点：AlphaGo算法展现了人工智能在解决复杂决策问题上的强大能力，特别是通过结合深度学习和搜索算法，实现了对围棋这一传统智力游戏的突破。