人工智能中的均值-末端分析

本文概述

我们已经研究了可以向前或向后推理的策略，但是两个方向的混合适用于解决复杂而又大的问题。这种混合策略使得首先解决一个问题的主要部分，然后返回并解决在合并大部分问题时出现的小问题成为可能。这种技术称为均值-末端分析。
均值分析是人工智能中用于限制AI程序中搜索的问题解决技术。
它是向后搜索技术和向后搜索技术的混合。
MEA技术是由Allen Newell和Herbert A. Simon于1961年在他们的问题解决计算机程序中首次引入的，该程序被称为通用问题解决程序（GPS）。
MEA分析过程的重点是评估当前状态和目标状态之间的差异。

均值端分析过程可以递归地解决问题。这是在解决问题中控制搜索的一种策略。以下是描述MEA技术解决问题的主要步骤。

在MEA过程中，我们检测到当前状态和目标状态之间的差异。一旦出现这些差异，我们就可以应用运算符来减小差异。但是有时可能无法将运算符应用于当前状态。因此，我们创建了当前状态的子问题，可以在其中应用运算符，在这种情况下，选择了运算符，然后建立子目标以建立运算符的前提条件，即“反向子链化”。

让我们将“当前状态”作为“当前”，将“目标状态”作为“目标”，然后是MEA算法的步骤。

步骤1：将CURRENT与GOAL进行比较，如果两者之间没有差异，则返回Success和Exit。
步骤2：否则，请选择最大的差异并通过执行以下步骤来减小差异，直到成功或失败发生为止。选择一个适用于当前差值的新运算符O，如果没有这样的运算符，则信号失败。尝试将运算符O应用于CURRENT。描述两种状态。 i）O-开始，满足O？的先决条件的状态。 ii）O结果（O-start）中应用O时的状态。如果（第一部分<—— MEA（电流，O-START）和（最后部分<—– MEA（O-结果，GOAL）成功，则发出成功信号并返回结果FIRST-PART，O和LAST-PART的组合。

上面讨论的算法更适合于简单的问题，而不适用于解决复杂的问题。

让我们举一个例子，我们知道初始状态和目标状态，如下所示。在此问题中，我们需要通过找到初始状态和目标状态之间的差异并应用运算符来获得目标状态。

为了解决上述问题，我们将首先找到初始状态和目标状态之间的差异，并针对每个差异生成一个新状态并应用运算符。我们拥有此问题的运营商是：

1.评估初始状态：第一步，我们将评估初始状态，并将初始状态和目标状态进行比较，以找出两个状态之间的差异。

2.应用Delete运算符：由于我们可以检查到的第一个区别是，在目标状态下，初始状态下不存在点符号，因此，首先，我们将应用Delete运算符删除该点。

3.应用Move运算符：应用Delete运算符后，将出现新状态，我们将再次与目标状态进行比较。比较这些状态后，还有另一个区别是正方形在圆之外，因此，我们将应用“移动”运算符。

4.应用扩展运算符：现在，在第三步中生成了一个新状态，我们将把该状态与目标状态进行比较。比较状态后，仍然存在一个差异，即正方形的大小，因此，我们将应用Expand运算符，最后，它将生成目标状态。