1、搜索问题求解agent：信息处理的软件部分是搜索求解的算法，包含三个部分：形式化、搜索（得到seq，包含多个action，相当于行为序列）、执行

2、状态空间（初始状态、行动、转移模型）、目标、路径消耗

3、举例：真空吸尘器：
a、状态：机器人的位置和灰尘位置
b、初始状态：任何状态
c、行动：向左向右吸尘
d、转移模型：状态+行动->新状态
e、目标测试：检查所有位置是否干净
f、路径消耗：1）行动

4、树搜索算法：从初始状态/已知状态开始，通过行动不断地搜索其他状态，直到找到目标状态（成功）或者没有行动可执行为止（失败）。是一类基于树结构的搜索算法（如深度优先和广度优先等）。递归，注意终止条件
根节点：初始状态；连线：行动；节点：状态空间中的状态

5、图搜索：图搜索不会重复搜索节点，树搜索允许重复搜索节点。图搜索是特殊的树搜索。

6、前沿节点：当前的不重复的叶子节点，也可以理解为队列里没有出队的节点

7、节点数据结构：
a、对应状态空间中的状态（state）
b、节点的父节点（parent）
c、父节点生成该节点所采取的行动（action）
d、从初始状态到该节点的路径消耗（path-cost）

8、节点在队列中的排列顺序，决定了搜索算法的种类

9、搜索策略：
a、搜索策略是指搜索树节点选择的搜索顺序
①、FIFO：先进先出
②、LIFO：后进先出
③、优先级队列
b、哈希表：快速有效检测重复状态

10、算法性能：
a、性能评价标准：
①、完备性（如果问题存在解，算法即可以找到解）
②、最优性（找到的解释最优解）
③、时间复杂度（花费的时间）
④、空间复杂度（内存的消耗，而不是硬盘）
b、（树搜索）时间复杂度：入队的节点数量决定，即搜索过程中产生的节点数目
c、（树搜索）空间复杂度：队列存储最多的状态，即内存中存储的最多节点数量
d、（树搜索）时间空间复杂度通常小于状态空间数量|V|+|E|（点和边的和），因为一个只入队一次。

11、无信息搜索策略：
除了问题定义中提供的状态信息外没有任何附加信息，算法只能区分状态是不是目标状态，而无法比较非目标状态的好坏（即不知道是否靠近目标状态）
a、宽度优先搜索：是一个先进先出的队列，先扩展根结点，再扩展根结点的所有后继，然后再扩展它们的后继。
入队时做目标检测好，省时，因为当前节点如果确定是最优的，以后的节点就不需要再入队了；时间复杂度b^d，空间复杂度近似于时间而小于。类似广度优先搜索。
①、完备的，搜索所有节点
②、条件最优的，当树的代价与深度成正比是最优的
③、时间复杂度为b^d，高
④、空间复杂度为b^d，内存需求大
b、一致代价搜索：
①、扩展未扩展节点中代价最小的，这个代价是真实值。
②、实现：队列按照代价从小到大排列；代价小的先出队，代价大的后出队
③、出队时做目标检测；因为入队时不能保证是最优的，但出队时可以
④、时间复杂度高于宽度优先搜索，因为在插入队列时要对原队列中的节点比较
⑤、空间复杂度同宽度优先搜索
⑥、如果更新距离时距离变短，短于其前一个节点能否把节点往前移？
⑦、当入队节点代价小的时候，会放到队列前面，确保每次出队都是代价最小的。
⑧、类似贪心算法，就是广度优先与优先队列的结合。
队列为空时，一个节点入队，入队的时候对距离进行更新；
队列不为空时，一个节点出队，马上进行检测是不是目标节点，如果不是，将其子节点加入队列，同时要检测是否需要更新距离；
当检测到目标节点的时候停止。
入队的时候如果发现更好的距离就覆盖掉原来的距离。
c、深度优先搜索：
首先扩展最深的为扩展节点，用LIFO队列来存储节点。
①、不存在完备性
②、当深度有限的时候最优
③、空间复杂度小
d、深度受限搜索：
深度受限搜索设定一个最大深度dmax，当搜索深度大于dmax的时候立即回溯，从而避免了在无穷状态空间中陷入深度无限的分支。和宽度优先搜索基本没什么区别，在于设置不设置深度限制，即一开始有一个深度限制，每深入一层减一，减到0为止。
①、不能保证最优性
②、时间复杂度b^d
③、空间复杂度bd（分枝数量深度）
e、迭代加深的深度优先算法：
一个不断加深深度的深度优先算法。
不断加深深度，每一次都从根节点开始调用深度优先探索。
①、结合了深度优先搜索和宽度优先搜索
②、继承了宽度优先搜索能搜索到最优解的优势
③、空间复杂度同深度优先一样小
④、时间复杂度同深度优先在同一个数量级，大的不多。