基於搜尋的規劃方法依賴於幾個很強的假設：
如果這些假設滿足，且搜尋到目標狀態的時間允許，就能進行規劃，並執行乙個完整序列的動作，不需要任何環境的資訊反饋。
由於以下原因，上面的那些假設通常得不到滿足：
有兩種方法可以用來解決這些困難，同時又保留基於搜尋的計畫的主要特徵：
在這裡暫時先不討論正式的、基於概率的方法，而是提出乙個叫感知/計畫/動作的結構，在很多應用上避開了上述的一些複雜性。該結構的基本原理是即使動作偶爾產生了沒有預料的結果，或者agent有時不能決定它處於哪一種環境狀態下，但是通過保證agent從它執行環境中得到的連續的反饋，這些困難可以被充分的解決。
確保連續反饋的乙個方法是計畫乙個動作序列，只執行這個序列中的第乙個動作，感知結果環境狀態，重新計算開始節點，然後重複上述過程。這種方式，選擇動作的agent被叫做感知/計畫/動作agent。為了使這個方法有效，計算乙個計畫的時間必須比每個動作執行時間要少。
在孤島驅動（island-driven）搜尋中，來自問題領域的啟發知識被用於在搜尋空間中建立乙個「島節點」序列，假定有好的路徑通過這個搜尋空間。例如，在計畫通過有障礙的地形時，這些島就是相應的山。假如n0是開始節點，ng是目標節點，(n1,n2,......,nk)是這些島的乙個序列。我們用n0作為開始節點，n1作為目標節點開始乙個啟發式搜尋，當搜尋找到了一條到n1的路徑時，再用n1作為目標點開始另乙個搜尋，等等，直到我們發現了一條到達ng的路。
人工智慧學習之路
1人工智慧基礎 高等數學必須會 資料分析 概率倫 gai lv lun 線性代數及矩陣 凸優化 tu you hua 微積分 wei ji feng 古典模型 逼近輪 牛頓法 梯度下降 python 高階應用 容器 容器淺拷貝和深拷貝 高階函式 lambda表示式 約瑟夫環問題 模組和高階包 時間庫...
人工智慧學習筆記
人工智慧並非專家系統，但是卻或多或少的與專家系統有關係，可以說專家系統是人工智慧很早期的存在形式。專家系統 es,expert system 是一種模擬人類專家解決領域問題的電腦程式系統。專家系統具有如下的一些特點 1 知識的匯聚 2 啟發性推理 3 推理和解釋的透明性 4 知識的更新 典型的專家系...
如何學習人工智慧
從基礎的資料分析 線性代數及矩陣等等入門，只有打好了基礎，後面才好學，不能沒有邏輯的看一塊學一塊。python具有豐富和強大的庫，能夠把用其他語言製作的各種模組 尤其是c c 很輕鬆地聯結在一起。比如3d遊戲中的圖形渲染模組，效能要求特別高，就可以用c c 重寫，而後封裝為python可以呼叫的擴充...