偶发性问题

在环境中每个行动之后智能体能够从感知器得到新的信息，那么智能体面临的是偶发性问题。偶发性问题的解经常表现为树的形式，对树的分支的选择取决于树上节点接收到的感知信息。例如，假设智能体在墨菲法则世界里并且它有一个位置传感器和一个局部灰尘传感器，但是没有能够检查其它方格的灰尘的传感器。因此，感知对象[L, Dirty]意味着智能体所处的状态是{1，3}之一。智能体可以构造一个行动序列[Suck, Right, Suck]。吸尘将状态转换到{5，7}之一，然后右移将状态转换到{6，8}之一。在状态6下执行最后的Suck行动能够达到目标状态8，而在状态8下执行Suck行动有可能回到状态6（由于墨菲法则），这样的情况下计划就失败了。

通过检验这类问题的信念状态空间，不难判定没有一个固定的行动序列能保证得到这个问题的解。然而，如果我们不坚持使用一个固定的行动序列，还是有一个解的：

[Suck, Right, if [R, Dirty] then Suck]这种做法扩展了解空间，把在执行过程中出现的偶发情况的基础上选择行动的可能性包括进来。真实物理世界的许多问题都是偶发性问题，因为确切的预测是不可能的。由于这个原因，很多人在走路或者开车时都时刻留神。

偶发性问题有时允许纯粹的序列化解。例如，考虑一个完全可观察的墨菲法则世界。如果智能体在干净的方格执行Suck行动会产生偶发情况，因为灰尘有可能被留在方格上也有可能不被留下。但是只要智能体永远不这么做，偶发情况就不会产生，对于每个初始状态都有一个序列化解（习题3.18）。

偶发性问题的算法比本章中的标准搜索算法要复杂得多；它们将在第十二章中论及。偶发性问题同时也使智能体的设计有些不同，智能体在找到一个有保证的计划之前就可以行动。这一点是十分有用的，因为与其提前考虑也许在执行过程中会出现的每种可能的偶发情况，往往不如先行动并观察确实会出现什么偶发情况。智能体考虑了额外的信息之后能够继续对问题求解。这种搜索和执行的交互对探索问题（参见第4.5节）和博弈问题（参见第六章）也是很有用的。