AI Python启发式搜索

启发式搜索在人工智能中起着关键作用。在本章中，您将详细了解它。

AI中的启发式搜索的概念

启发式是一个经验法则，它引导我们找到可能的解决方案。人工智能中的大多数问题具有指数性，并且具有许多可能的解决方案。您不确切知道哪些解决方案是正确的，并且检查所有解决方案将非常昂贵。

因此，启发式的使用缩小了对解决方案的搜索范围并消除了错误的选项。使用启发式在搜索空间中引导搜索的方法称为启发式搜索。启发式技术非常有用，因为在使用它们时可以提高搜索速度。

不知情和知情搜索之间的区别

有两种类型的控制策略或搜索技术：不知情和知情。这里给出了详细解释 -

不知情的搜索

它也被称为盲目搜索或盲目控制策略。之所以这样命名，是因为只有关于问题定义的信息，并且没有关于状态的其他额外信息。这种搜索技术将搜索整个状态空间以获得解决方案。广度优先搜索（BFS）和深度优先搜索（DFS）是不知情搜索的示例。

知情搜索

它也被称为启发式搜索或启发式控制策略。它的名字是因为有一些关于状态的额外信息。此额外信息对于计算要探索和扩展的子节点之间的首选项很有用。将存在与每个节点相关联的启发式功能。最佳首次搜索（BFS），A *，均值和分析是知情搜索的示例。

约束满足问题（CSP）

约束意味着限制或限制。在人工智能中，约束满足问题是在某些约束条件下必须解决的问题。重点必须是在解决此类问题时不要违反约束。最后，当我们达到最终解决方案时，CSP必须遵守限制。

约束满足解决现实问题

前面的部分涉及创建约束满足问题。现在，让我们将其应用于现实世界的问题。通过约束满足解决的现实世界问题的一些例子如下 -

解决代数关系

在约束满足问题的帮助下，我们可以解决代数关系。在这个例子中，我们将尝试解决一个简单的代数关系a * 2 = b。它将在我们定义的范围内返回a和b的值。

完成这个Python程序后，您将能够理解解决约束满足问题的基础知识。

注意，在编写程序之前，我们需要安装名为python-constraint的Python包。您可以借助以下命令安装它 -

pip install python-constraint

以下步骤显示了使用约束满足来解决代数关系的Python程序 -

使用以下命令导入约束包 -

from constraint import *

现在，创建一个名为problem（）的模块对象，如下所示 -

problem = Problem()

现在，定义变量。注意，这里我们有两个变量a和b，我们将10定义为它们的范围，这意味着我们在前10个数字中得到了解。

problem.addVariable('a', range(10))
problem.addVariable('b', range(10))

接下来，定义我们要在此问题上应用的特定约束。注意，我们在这里使用约束a * 2 = b。

problem.addConstraint(lambda a, b: a * 2 == b)

现在，使用以下命令创建getSolution（）模块的对象-

solutions = problem.getSolutions()

最后，使用以下命令打印输出 -

print (solutions)

您可以按如下方式观察上述程序的输出 -

[{'a': 4, 'b': 8}, {'a': 3, 'b': 6}, {'a': 2, 'b': 4}, {'a': 1, 'b': 2}, {'a': 0, 'b': 0}]

魔术广场

幻方是在方形网格中排列不同数字（通常是整数）的排列，其中每行和每列中的数字以及对角线中的数字都加起来称为“魔术常数”的相同数字。

以下是用于生成幻方的简单Python代码的逐步执行 -

定义一个名为magic_square的函数，如下所示 -

def magic_square(matrix_ms):
   iSize = len(matrix_ms[0])
   sum_list = []

以下代码显示了正方形的代码 -

for col in range(iSize):
   sum_list.append(sum(row[col] for row in matrix_ms))

以下代码显示了正方形的水平代码 -

sum_list.extend([sum (lines) for lines in matrix_ms])

以下代码显示了正方形水平的代码 -

dlResult = 0
for i in range(0,iSize):
   dlResult +=matrix_ms[i][i]
sum_list.append(dlResult)
drResult = 0
for i in range(iSize-1,-1,-1):
   drResult +=matrix_ms[i][i]
sum_list.append(drResult)
if len(set(sum_list))>1:
   return False
return True

现在，给出矩阵的值并检查输出 -

print(magic_square([[1,2,3], [4,5,6], [7,8,9]]))

您可以观察到输出将为False，因为总和不是相同的数字。

print(magic_square([[3,9,2], [3,5,7], [9,1,6]]))

您可以观察到输出将为True，因为总和是相同的数字，即此处为15。