AI 与 Python – 启发式搜索

---

启发式搜索在人工智能中发挥着关键作用。在本章中，您将详细了解它。

人工智能启发式搜索的概念

启发式是一种经验法则，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都具有指数性质，并且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的成本将非常昂贵。

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

不知情搜索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：不知情的和知情的。它们的详细解释如下 -

不知情的搜索

也称为盲搜索或盲控制策略。之所以如此命名，是因为仅包含有关问题定义的信息，而没有有关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）是无信息搜索的例子。

知情搜索

它也称为启发式搜索或启发式控制策略。之所以如此命名，是因为有一些有关州的额外信息。此额外信息对于计算要探索和扩展的子节点之间的偏好非常有用。每个节点都会有一个启发式函数。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)

约束是指约束或限制。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。解决此类问题时，重点必须放在不违反约束上。最后，当我们得出最终解决方案时，CSP必须遵守限制。

通过约束满足解决现实世界问题

前面的部分讨论了创建约束满足问题。现在，让我们也将其应用于现实世界的问题。通过约束满足解决现实世界问题的一些例子如下 -

求解代数关系

借助约束满足问题，我们可以解决代数关系。在此示例中，我们将尝试求解一个简单的代数关系a*2 = b。它将返回我们定义的范围内的a和b的值。

完成此 Python 程序后，您将能够了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。您可以在以下命令的帮助下安装它 -

pip install python-constraint

以下步骤向您展示了一个使用约束满足来求解代数关系的 Python 程序 -

使用以下命令导入约束包 -

from constraint import *

现在，创建一个名为Problem()的模块对象，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，我们将它们的范围定义为 10，这意味着我们在前 10 个数字内得到了解。

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

接下来，定义我们要应用于该问题的特定约束。请注意，这里我们使用约束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)

您可以观察上述程序的输出，如下所示 -

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

魔方

魔方是不同数字（通常是整数）在方格网格中的排列，其中每行、每列中的数字以及对角线上的数字加起来都是同一个数字，称为“魔方常数” 。

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垂直的代码 -

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水平的代码 -

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

以下代码显示了水平正方形的代码 -

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，因为总和不等于相同的数字。

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，即此处的15。