Computer science 单调性和启发式的可接受性之间有什么区别？

我正在阅读我的人工智能教科书，我很好奇启发式的单调性和可接受性之间的区别（我知道它们不是相互排斥的）

据我所知，一个可接受的启发式简单地意味着，如果一个解决方案存在的话，你可以得到最短的路径

我正在努力解决的是单调性的概念。有人能用我能理解的方式向我描述一下吗

类似地，如何确定给定的启发式是否单调/可容许？书中给出的一个例子是8块滑动拼图。我正在考虑的一个启发是“不合适的瓷砖”，直觉上我可以说我知道它是可接受的，但我没有正式的方法来证明它是否是可接受的/单调的。

说：

第二种解决方案是确保到达任何重复状态的最佳路径始终是遵循的第一条路径，就像均匀成本搜索一样。如果我们对

h（n）

施加额外的要求，即一致性要求（也称为单调性要求），则该属性成立

当你谈论函数时，单调意味着一个函数增加或减少，但不是两者都增加或减少。换句话说，该范围内的顺序在整个域内保持不变。由于这个原因，在您的问题中，无论您从哪一步开始，解决方案都会保持最短路径

---

启发式的可接受性意味着实现目标的成本永远不会被高估（即，它是乐观的）（第98页）。单调学习是指一个代理可能不会学习到任何与其已知知识相矛盾的知识。例如，它不能用否定替换语句。因此，知识库只能以单调的方式随着新的事实而增长。单调学习的优点是：

1.大大简化了真相维护

2.学习策略的更多选择

非单调学习是指代理人可能学习与其已知知识相矛盾的知识。因此，如果它认为有足够的理由这样做，它可能会用新知识取代旧知识。非单调学习的优点是：

1.增加了对实际领域的适用性

2.在学习事物的顺序上有更大的自由

一个相关的属性是知识的一致性。如果架构必须保持一致的知识库，那么它使用的任何学习策略都必须是单调的

可采性：

当一个解存在时，如果一个搜索算法保证找到一条通向该解的最小路径，则该算法是可容许的。广度优先搜索是允许的，因为它在考虑n+1级的任何状态之前，先查看n级的每个状态

单调性： 这个属性询问一个算法是否是局部可容许的——也就是说，它总是低估搜索空间中任意两个状态之间的代价。回想一下，A*并不要求g（n）=g*（n）。一个启发式函数，h是单调的，如果：

---

1.对于所有的ni和nj州，nj是ni，h（ni）-h（nj）的后代，并且来自同一本书，他们在NxN滑动面板游戏中使用曼哈顿距离很好地举例说明了可接受性。这是理解启发法的一个重要章节。神智正常的达纳的帖子应该会有很大帮助。为了证明它的可接受性，只需证明你的启发式算法总是猜测一个比实际最优路径步骤更少的解决方案。对于滑动拼图，以及“瓷砖错位”启发式，它就像说一块错位的东西必须移动才能到达它的位置一样简单，因此我的启发式猜测必须是最优的，或者猜测它需要比实际更少的步骤。要证明不可接受，请给出一个反例（对于不可接受的启发式，很难快速找到一个反例）。要进一步讨论单调性（也称为一致性）和可接受性之间的区别以及它们不重叠的上下文，请参见我的回答：。这与StackOverflow相关吗？听起来更像是cs.stackexchangequestions@Imray，当这个问题被问到时（2009年），cs.stackexchange.com并不存在。我想你可能没有注意到“知识”和“信念”之间的区别。为什么一个特工改变了自己的信念，从红绿灯变成了绿绿灯？两者之间的矛盾是两种知识之间的矛盾吗？人工智能中通常使用的术语是“信念修正”。