目錄：

1>單體人工智慧

>隨機數(Random)

>>狀態空間盲目搜尋

>>>深度優先搜尋(Depth-First-Search)

>>>廣度優先搜尋(Breadth-First-Search)

>>狀態空間啟發式搜尋

>>>A搜尋演算法(A Search Algorithm)

>>>A*尋路(A* Search Algorithm)

>>>D*尋路(Dymamic A* Search Algorithm)

>狀態機機制(Finite-State Machine)

>決策樹機制(Decision Tree)

>博弈論(Game Theroy)

>>最大最小搜尋演算法(Max-min search algorithm)

>>剪枝搜尋演算法(Alpha-beta search algorithm)

>神經網路（Artificial Neural Networks）

>>深度學習(Deep Learning)

>>置信網路(Belief Network)

>>卷積神經網路(Convolutional Neural Network)

>退火演算法（Simulate Anneal Arithmetic）//empty

2>群體人工智慧

>遺傳演算法(Genetic Algorithm)

>群聚技術//empty

其實這篇文章更類似於科普貼，它完全可以作為你學習人工智慧的入門文章，我的目的是用通俗的語言概括人工智慧領域的各項技術，從而讓讀者有個直觀淺顯的認識

隨機(Random)

隨機是智慧的基礎，人工智慧的很多技術都需要用到隨機，因此有必要把這個提到前面談談

一考慮基於C/C++，般我們都是使用的rand()等函式實現隨機，當然我們也有吊炸天的boost提供了各種分佈範圍的隨機：

1. #include <boost/random.hpp>
2. ...  
3. uniform_int<> distribution(1, 100) ;  
4. mt19937 engine ;variate_generator<mt19937,uniform_int<> > myrandom (engine, distribution);  
5. // uniform_smallint：在小整數域內的均勻分佈  
6. // uniform_int：在整數域上的均勻分佈  
7. // uniform_01：在區間[0,1]上的實數連續均勻分佈  
8. // uniform_real：在區間[min,max]上的實數連續均勻分佈  
9. // bernoulli_distribution：伯努利分佈  
10. // binomial_distribution：二項分佈  
11. // cauchy_distribution：柯西（洛倫茲）分佈  
12. // gamma_distribution：伽馬分佈  
13. // poisson_distribution：泊松分佈  
14. // geometric_distribution：幾何分佈  
15. // triangle_distribution：三角分佈  
16. // exponential_distribution：指數分佈  
17. // normal_distribution：正態分佈  
18. // lognormal_distribution：對數正態分 
19. // uniform_on_sphere：球面均勻分佈

但是這個取到的資料都是偽隨機數，或依靠系統時間，或依靠日期等，顯然這個對於人工智慧是不夠的，我們需要真隨機，C++11的std ::random_device給了我們希望，如名這個的隨機石使用的硬體，linux是讀取dev/urandom硬體裝置，但是windows居然還是呼叫的rand_s()函式！這個沒什麼太多說的，買點專業硬體即可。

狀態空間啟發式搜尋-A尋路演算法(A* Search Algorithm)

狀態空間啟發式搜尋-A星尋路演算法(A* Search Algorithm)

D星尋路演算法(Dynamic A* Search Algorithm)

顧名思義d*也就是動態A*尋路演算法，區別僅在於A*是侷限於A*是生成一條路就一直走下去，但實際情況下有很多突發情況，比如生成的那條路被堵了，就需要重新生成新的路線，這就需要D*了，D*也就是說動態生成A*路線。

狀態機(Finite-State Machine)

這裡盜用一張UML（http://www.cnblogs.com/ywqu/archive/2009/12/17/1626043.html這是關於UML比較詳細的介紹）圖片來解釋一下，黑圓圈表示初始狀態，非規則長方形表示一個狀態，Active表示狀態條件，也就是這種狀態需要什麼條件，Reset表示轉換事件我們結合boost::statechart可以很容易寫出上述圖片的程式碼

1. #include<boost/statechart/state_machine.hpp>
2. #include<boost/statechart/simple_state.hpp>
3. class Mchine_Initiate;//模板必須有一個class作為初始化後的狀態
4. class Machine : boost::statechart::state_machine<Machine, Mchine_Initiate>{  
5. public:  
6.     Machine(){std::cout << "Machine class";};  
7. };  
8. class Mchine_Initiate{  
9. public:  
10.     Mchine_Initiate(){std::cout << "in";};  
11. ~   Mchine_Initiate(){std::cout << "out~"};  
12. };  

決策樹(Decision Tree)

博弈論(Game Theroy)

人工智慧領域的博弈論我們需要考慮兩個東西：期望收益、規則設定。比如我們的規則設定是機器人比賽，然後機器人要選擇收益最大化，因此我們就要窮舉各種可以執行的策略，並最終從這些策略對比使收益最大化，再如田忌賽馬這個強拉硬扯算是博弈論，規則是上中下等馬比賽，上>中，中>下，然後計算機就要窮舉所有策略，優上>良上，優上>良中....，最終更加這些策略對比使收益最大化，我們可以把這些作為一個樹狀結構實現，稱之為博弈樹，博弈樹廣泛引用於各種棋牌遊戲的AI，很多演算法如alpha-beta搜尋都是基於博弈樹實現的

最大最小搜尋演算法(Max-min search algorithm)

最大最小搜尋演算法基於博弈樹，廣泛應用於棋盤較小的棋牌遊戲AI中，詳細請看我的文章http://blog.csdn.net/racaljk/article/details/18842545

神經網路(Artificial Neural Networks)

置信網路(Belief Network)

上圖就是一個經典的置信網路，其中紅色圓圈表示未知規律，藍色為表象

置信網路可以極大優化神經網路，減少嘗試次數，比如利用置信網路總結出結果在偶數*2中間，通過其他資訊比如數量是家庭垃圾物體數，神經網路便可在一個較小的範圍類進行偶數*2的嘗試

遺傳演算法(Genetic Algorithm)