引言
这是最优化的内容，我们用状态（包含很多参数）描述一个对象。把这些参数作为坐标轴就会获得一个超空间（函数定义域）。超空间里的点分别对应了某个函数值，我们在空间里找函数的最大值。
后面会介绍各种算法，但是核心是找上一节课的h(n)——一个描述状态分数的函数。
局部搜索算法
所谓局部就是只关心状态，不关心路径，从一个点到其他点。
爬山法
就是梯度下降法，只不是找最大值。就是找参数在状态空间临近区域的最优解。相信大家都会。
显然有很多时候无法找到全局最优解。
比如到了一个平坦的区域，往哪个方向最大值都不会变化，这时候可以有随机爬山法，比如说随机选择后继直到上升。
但这样也不行，可能会被困在局部最优解。可以采用这样一种方式，随机生成一个初始点，爬山法找到解的概率为p，那么重复进行1/p次爬山法，基本可以找到最优解。也就是反复随机生成初始点进行爬山。
模拟退火
给一个初始点，在他周围随机找点，如果比他更优则更新到这个点，否则以概率p接收这个点，每次接受“更差”的点时，p的值以指数下降。
我这里记录一下我对这个算法的理解
如果使温度（接收概率）下降够慢，找到全局最优解的概率区域1
我们考虑特殊情况，如果我的温度不下降，始终以百分之五十的概率接收，也就是存粹的随机算法，那么在时间趋于无穷时，一定会找到全局最优解。但是事实上我们并没有无限次尝试的机会，我们必须让结果收敛，这种操作会使得找到全局最优解的可能性降低，但是性能大大提高。
时间和精准程度处在一种矛盾的平衡当中，将这个概率从1降低到0.999，但是却可以使得时间消耗从无限变为有限。模拟退火可以说是完全随机的一种妥协。
局部束搜索
随机选择k个点，搜索所有k个点生成的状态，取最好的k个，重复此过程。这和遗传算法有点像，但是没有k个点之间的交叉，所以是无性繁殖。
遗传算法
随机生成k个状态，给状态编码，然后用某种算法（最简单交换一部分），然后会得到很多新的状态作为“孩子”，从这些“孩子”中选k个最好的，重复过程。
说得简单，具体比较复杂，但是思想比较容易理解。
连续空间中的局部搜索
连续空间的搜索难度在于每种状态接下来的分支是无限的。基本的思想还是梯度法，但是由于自变量多，方程的梯度=0无法求出封闭式解（就是列的方程没有通解，每次都要经过数值推理），但是可以使用局部梯度（对某个参数求导），然后沿着这个方向爬。
也有更快的爬法，这些可以去看最优化算法，什么牛顿法、共轭梯度法、拟牛顿法啥的，有空再整理一下。
使用不确定动作搜索
在同样的条件下，一个状态可能转移为多个状态。那么整个过程不再是一棵树，而是一个序列。
就像你开车，大路短但可能堵车，小路长但是比较通畅。你的决策产生的结果还依赖于你不可观测的外在条件。这种时候你的策略也被叫做应急策略。
通常来说，我们想要找的是一个稳定可以达到目标的解，我们最终的解应该是一棵树，无论在树的分叉路口如何走，最终都会到达满足的状态点。
还是普通的搜索，只不过一个需要抉择的节点，需要在所有子树中都找到解，这个点才能在最后的解答中。
由于搜索过程中会出现循环，你可以把它理解成一棵无限生长的树（或者一张有环图）。在搜索树的过程中把状态hash，如果遇到相同的状态就是遇到循环，也不需要再继续搜索了。
使用部分可观察信息搜索
- 先是无观察信息搜索
即便我根本不知道自己身处什么状态，也可以找出最好的决策。
来波很不恰当的但是我相信很能说明问题的例子。你肚子疼，你应该去做身体检查，然后确定自己吃什么药。但是你怕检查完你直接痛死了，于是你吃了所有治疗肚子疼的药，然后你也不知道，总之有一个药让你肚子不疼了。
这个例子当然是在胡说八道，但是却告诉我们，即便我们根本不知道处在什么状态，也可能做出走到目标点的决策。
比如说状态（1，1，0）代表得了病1、2，没有病3，那么所有状态一共有8种，但是通过吃所有药都可以变为（0，0，0）的状态。
求解方法比较魔幻，因为状态太多了。可以先求解满足一个状态的路径，然后一个个看这些路是不是满足其他状态；也可以把这些状态统一打包编码不管内部情况；或者使用巧妙的动态状态描述，比如说一个药吃了能治疗某四种病，不用（0，0，0，0）表述，而是直接打包成一种某类病0。
- 然后是可观察搜索/部分观察
我慢慢觉得没啥好写的，无非是状态定义和转移的问题，我越来越觉得这本书只可意会不可言传。
联机搜索问题
失去上帝视角，走一步看一步。我（智能体）出生在了一个迷宫中，我现在要出去，我只有前后左右四个方向可以走，和一个标志和我位置的传感器，但我不知道迷宫长什么样子。
还是一棵树，但是只有到了某个节点才能看到之后的节点，那显然就是一个一直回朔的过程。最差情况每个点要走两次（dfs）
- 随机行走算法
爬山法，这回是真爬山，爬到了一个小坡上面（局部最优）。按之前的再随机一个出生点再爬，但是不行，因为这是真爬山。那我就随便走走，往右走走虽然变低了但是却可以看到一座可能更高的山（启发式函数h(n)这里我当作目测山高），那我就会往那里走。
总结
我发现这门课越来越玄学，真的全靠感受。给的都只是思想，细节实现要靠自己，也要根据实际问题。