AI 均方根分析
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问题的主要部分然后返回并解决在合并问题的大部分时出现的小问题成为可能。这种技术称为均值-终点分析。
均值分析是人工智能中用于限制AI程序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结合。
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与目标状态之间的差异。
均值分析是如何工作的:
均值分析过程可以递归地应用于问题。这是在解决问题中控制搜索的策略。以下是描述MEA技术解决问题的主要步骤。
首先，评估初始状态和最终状态之间的差异。
选择可应用于每个差异的各种运算符。
在每个差异处应用运算符，从而减小当前状态和目标状态之间的差异。
操作员子目标化
在MEA流程中，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，那么我们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先决条件称为
Operator Subgoaling 。
均值-终点分析算法:
让我们将"当前状态"作为"当前"，将"目标状态"作为"目标"，接下来是MEA算法。
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，选择最显着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。
试图将运算符O应用于CURRENT。描述两个状态。
i)O-Start，满足O？的先决条件的状态。
ii)O-Result，如果在O-start中应用O，将导致的状态。
如果(第一部分<------MEA(电流，O-START) 和(最后部分<----MEA(O-结果，目标)成功，然后发出成功信号并返回将FIRST-PART，O和LAST-PART合并的结果。
上面讨论的算法更适合于简单的问题，不适用于解决复杂的问题。
均值分析示例:
让我们举一个例子，我们了解初始状态和目标状态，如下所示。在这个问题中，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。
解决方案:
为解决上述问题，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。我们为该问题准备的运营商为:
移动
删除
展开
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，以找出这两种状态之间的差异。
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，我们首先将
Delete运算符应用于删除此点。
3、应用移动运算符: : 应用删除运算符后，会出现新状态，我们将再次与目标状态进行比较。比较完这些状态后，还有另一个区别是正方形在圆的外面，因此，我们将应用
移动算子。
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，最后将生成目标状态。
