AI与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中的启发式搜索概念

启发式是一条经验法则，它引导我们可能的解决方案.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.你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都会非常昂贵.

因此，启发式的使用缩小了搜索解决方案的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，因为当您使用它们时可以提高搜索效果.

不知情和知情搜索之间的差异

有两种类型的控制策略或搜索技巧:不知情和知情.它们在这里给出了详细的解释 :

Uninformed Search

它也被称为盲搜或盲控策略.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 *，平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.

约束满意度解决的真实世界问题

前面几节涉及创建约束满足问题.现在，让我们将它应用于现实世界的问题.通过约束满足解决的现实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.

完成此Python程序后，您将能够理解解决约束满足问题的基础知识.

请注意，在编写程序之前，我们需要安装名为python-constraint的Python包.你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和减去求解代数关系的Python程序;

使用以下命令导入约束包 :

from constraint import *

现在，创建一个对象名为 problem()的模块如下所示 :

problem = Problem()

现在，定义变量.请注意，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个数字中得到了解决方案.

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，打印输出使用以下命令 :

print (solutions)

你可以观察上述程序的输出如下 :

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

幻方

魔方是一种不同数字的排列，通常是整数，方格，其中每行和每列中的数字以及对角线中的数字都添加最多相同的数字称为"魔术常数".

以下是逐步执行简单的Python代码，用于生成幻方和减号;

定义名为 magic_square 的函数，如下所示 :

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

以下代码显示正方形的垂直代码 :

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

以下代码显示正方形和负数的水平代码;

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

以下代码显示正方形水平和负号的代码;

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 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 True ，因为总和是相同的数字，即 15 .