fix: (#244)

* docs: update 3.5

* remove 3.6.5

* fix:

4.人工智能/4.11本章节内容的局限性.md

@@ -60,7 +60,7 @@ ZZM 曾经尝试过投入大量时间去钻研数学以及机器学习相关的
 
 联系 ZZM，我努力改
 ::: tip 邮箱
-1264517821@qq.com
+<1264517821@qq.com>
 :::
 
-<img src=https://cdn.xyxsw.site/boxcnfYSoVgoERduiWP0jWNWMxf.jpg width=200>
+<img src="https://cdn.xyxsw.site/boxcnfYSoVgoERduiWP0jWNWMxf.jpg" width=200>

4.人工智能/4.3.1.1程序示例——maze迷宫解搜索.md

@@ -198,6 +198,7 @@ class Maze:
 ![](https://cdn.xyxsw.site/UVssbyMxCoEQSuxvjh3caWAFnOb.png)
 
 根节点的值是多少？
+
    1. 2
    2. 3
    3. 4

4.人工智能/4.3.1搜索.md

@@ -98,7 +98,8 @@
 ### 最优解 (Optimal Solution)
 
     - 在所有解决方案中路径成本最低的解决方案。
-- 在搜索过程中，数据通常存储在<strong>节点 (Node)</strong> 中，节点是一种包含以下数据的数据结构：
+
+- 在搜索过程中，数据通常存储在**节点 (Node)** 中，节点是一种包含以下数据的数据结构：
 
 - 状态——state
 - 其父节点，通过该父节点生成当前节点——parent node
@@ -114,7 +115,7 @@
 
 然而，节点只是一个数据结构——它们不搜索，而是保存信息。为了实际搜索，我们使用了边域 (frontier)，即“管理”节点的机制。边域首先包含一个初始状态和一组空的已探索项目（探索集），然后重复以下操作，直到找到解决方案：
 
-重复:
+重复：
 
 1. 如果边域为空
    - 停止，搜索问题无解
@@ -321,22 +322,22 @@ def remove(self):
   - 最大化玩家在$Actions(s)$中选择动作$a$，该动作产生$Min-value(Result(s,a))$ 的最高值。
   - 最小化玩家在$Actions(s)$中选择动作$a$，该动作产生$Max-value(Result(s,a))$ 的最小值。
 
-  ```txt
-  Function Max-Value(state):
-    v=-∞
-    if Terminal(state):
-      return Utility(state)
-    for action in Actions(state):
-      v = Max(v, Min-Value(Result(state, action)))
-    return v
-  Function Min-Value(state):
-    v=+∞
-    if Terminal(state):
-      return Utility(state)
-    for action in Actions(state):
-      v = Min(v, Max-Value(Result(state, action)))
-    return v
-  ```
+```txt
+Function Max-Value(state):
+  v=-∞
+  if Terminal(state):
+    return Utility(state)
+  for action in Actions(state):
+    v = Max(v, Min-Value(Result(state, action)))
+  return v
+Function Min-Value(state):
+  v=+∞
+  if Terminal(state):
+    return Utility(state)
+  for action in Actions(state):
+    v = Min(v, Max-Value(Result(state, action)))
+  return v
+```
 
 不会理解递归？也许你需要看看这个：[阶段二：递归操作](../3.%E7%BC%96%E7%A8%8B%E6%80%9D%E7%BB%B4%E4%BD%93%E7%B3%BB%E6%9E%84%E5%BB%BA/3.6.4.2%E9%98%B6%E6%AE%B5%E4%BA%8C%EF%BC%9A%E9%80%92%E5%BD%92%E6%93%8D%E4%BD%9C.md)
 
@@ -350,6 +351,6 @@ def remove(self):
 
 ### 深度限制的极大极小算法 (Depth-Limited Minimax)
 
-  - 总共有$255168$个可能的井字棋游戏，以及有$10^{29000}$个可能的国际象棋中游戏。到目前为止，最小最大算法需要生成从某个点到<strong>终端条件</strong>的所有假设游戏状态。虽然计算所有的井字棋游戏状态对现代计算机来说并不是一个挑战，但目前用来计算国际象棋是不可能的。
+- 总共有$255168$个可能的井字棋游戏，以及有$10^{29000}$个可能的国际象棋中游戏。到目前为止，最小最大算法需要生成从某个点到**终端条件**的所有假设游戏状态。虽然计算所有的井字棋游戏状态对现代计算机来说并不是一个挑战，但目前用来计算国际象棋是不可能的。
 
 深度限制的 Minimax 算法在停止之前只考虑预先定义的移动次数，而从未达到终端状态。然而，这不允许获得每个动作的精确值，因为假设的游戏还没有结束。为了解决这个问题，深度限制 Minimax 依赖于一个评估函数，该函数从给定状态估计游戏的预期效用，或者换句话说，为状态赋值。例如，在国际象棋游戏中，效用函数会将棋盘的当前配置作为输入，尝试评估其预期效用（基于每个玩家拥有的棋子及其在棋盘上的位置），然后返回一个正值或负值，表示棋盘对一个玩家对另一个玩家的有利程度。这些值可以用来决定正确的操作，并且评估函数越好，依赖它的 Minimax 算法就越好。