搜索是人工智能很重要的一種解決問題的途徑，以下對各種搜索進行一個分類總結。
首先是搜索的定義，我們要解決一個問題，要經過很多步驟才能達到最終的目標，搜索就是要找到這些步驟，即解決問題的方法。
搜索有其局限性，它必須依賴於現有的知識，它不能自己學習知識，人工智能解決問題的另外一種途徑就是學習，通過學習可以創造或者吸取新的知識。
下面是正文
搜索（Search）
求解一個問題就是一系列動作，並且搜索是為達到目標尋找這些動作的過程。
針對不同數據結構：
-
圖搜索
-
樹搜索
經典搜索（Classic Search）
-
無信息搜索（uninformed search 即盲目搜索，沒有除定義之外的信息）
按照節點的擴展順序區分
-
寬度優先（breadth-first），用FIFO隊列實現
-
深度優先（depth-first）：拓展最深的未擴展節點，用LIFO隊列實現
-
深度受限搜索（depth-limited）：限制搜索深度
-
迭代加深搜索（iterative deepening）：結合深度優先與寬度優先的優勢
-
-
一致代價搜索（uninform-cost）：擴展最低代價的未擴展節點
-
雙向搜索（bidirectional ）
無信息搜索的策略評價
-
完備性：是否總能找到一個存在的解
-
時間復雜性
-
空間復雜性
-
最優性：是否總能找到最優的解
-
-
有信息搜索（informed search 亦稱啟發式搜索，采用問題定義外的信息，能夠找到比無信息搜索更有效的解）
-
最佳優先搜索（best-first）：基於評價函數選擇最優拓展節點，大多數該類算法還包括一個啟發式函數
-
貪心搜索
-
A*搜索
-
-
以上的搜索是經典搜索，它們的特點是
-
可觀測
-
確定性
-
已知環境
經典搜索保留搜索的路徑，其路徑就是問題的解
但在很多問題中，到達目標的路徑不重要，因此就有了超越經典搜索
有路徑-->無路徑
超越經典搜索（Beyond Classical Search）
分為局部搜索與群體智能
-
局部搜索（local search）
不關注路徑，搜索后不保留路徑，其優點為
1.占用內存小
2.能在大的或者無限的空間中找到合理的解
-
爬山法（hill-climbing）：一種迭代算法，開始時隨機選取一解，對其不斷優化
-
隨機爬山法（Stochastic hill-climbing）：向上移動的過程中隨機選擇，收斂速度慢
-
首選爬山法（First-choice hill-climbing）：隨機生成后繼節點，直到出現更好的
-
隨機重啟爬山法（Random-restart hill-climbing）：完備性高，接近於1
-
-
局部束搜索（Local Beam Search）
-
隨機束搜索（Stochastic Beam Search）
-
-
禁忌搜索（Tabu Search）
三種策略
-
禁止策略（Forbidding strategy）
-
釋放策略（Freeing strategy）
-
短期策略（Short-term strategy）
-
-
模擬退火（Simulated Annealing）：一種在大搜索空間逼近全局最優解的元啟發方法
-
遺傳算法（Genetic Algorithms）：一種模仿自然選擇過程的啟發式算法
-
-
群體智能（Swarm Intelligence）
通過大量智能體通過合作實現，它是分布式的、自組織的、在一個環境內分布的。
-
蟻群優化（Colony Optimization）：受蟻群尋炸食物的行為的啟發，用於發現一個圖上的最佳路徑
-
粒子群優化（Particle Swarm Optimization）：受魚類，鳥類群體行為的社會行為啟發
單智能體-->多智能體
-
對抗搜索（Adversarial Search）
我們在針對其他智能體做規划時，那些智能體有可能也在做着規划
以上搜索針對單智能體，而對抗搜索針對多智能體
-
博弈（Game）
-
零和博弈（Zero sum games）：智能體之間完全對立
-
非零和博弈（Non-zero sum games）：智能體之間是自主的方式
-
完全信息（Perfect information）/不完全信息（Imperfect information）
-
確定性（Deterministic）/隨機性（Stochastic）
-
剪枝 （Alpha-Beta Pruning）
博弈樹的大小往往呈指數增加，通過剪枝，可以減小博弈樹，加快搜索時間
-
啟發評價函數（Heuristic Evaluation Function）
盡管通過剪枝可以去掉博弈樹的大部分，但是搜索的深度依然很深，因此用評價函數計算在指定位置該博弈的期望值
-
隨機博弈（Stochastic Game）
一種有一定概率轉換的動態博弈
-
蒙特卡羅方法（Monte-Carlo Methods）
憑借重復隨機采樣來獲得數值結果
-
蒙特卡羅樹搜索（MCTS Monte-Carlo Tree Search）
將蒙特卡洛仿真與博弈樹搜索相結合
-
約束滿足問題（Constraint Satisfaction Problem）
狀態必須滿足若干約束的對象
標准搜索中狀態不可分割，GSP中狀態用因子表示，是一系列變量。
GSP問題通常復雜性很高
范疇
-
有限/無限
-
離散/連續
約束
-
線性/非線性
-
1元/多元
-
回溯搜索（Backtracking Search）