使用 Python 的 AI – 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。

人工智能中的启发式搜索概念

启发式是一种经验法则，它可以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。您不知道哪些解决方案是正确的，检查所有解决方案的成本非常高。

因此，使用启发式可以缩小解决方案的搜索范围并消除错误的选项。使用启发式引导搜索空间的方法称为启发式搜索。启发式技术非常有用，因为使用它们可以提高搜索速度。

无知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：无知搜索和知情搜索。它们在此处进行了详细说明 −

无信息搜索

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，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) 是不知情搜索的例子。

知情搜索

它也被称为启发式搜索或启发式控制策略。之所以这样命名，是因为有一些关于状态的额外信息。这些额外信息对于计算子节点之间探索和扩展的偏好很有用。每个节点都会有一个启发式函数。最佳优先搜索 (BFS)、A*、均值和分析是知情搜索的例子。

约束满足问题 (CSP)

约束意味着限制或局限。在人工智能中，约束满足问题是必须在某些约束条件下解决的问题。解决此类问题时，重点必须放在不违反约束上。最后，当我们得到最终解决方案时，CSP 必须遵守限制。

通过约束满足解决的现实世界问题

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。通过约束满足解决的现实世界问题的一些示例如下 −

解决代数关系

借助约束满足问题，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，您将能够理解使用约束满足解决问题的基础知识。

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

pip install python-constraint

以下步骤向您展示了一个使用约束满足解决代数关系的 Python 程序 −

使用以下命令导入 constraint 包 −

from constrain 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 10 定义为它们的范围，这意味着我们在前 10 个数字内得到了解决方案。

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

接下来，定义我们想要在此问题上应用的特定约束。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}]

魔方

魔方是不同数字的排列，通常在一个方格中，每行、每列和对角线上的数字相加都等于同一个数字，这个数字被称为"魔法常数"。

以下是生成魔方的简单 Python 代码的分步执行 −

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))

以下代码显示了正方形水平线减去的代码

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

以下代码显示了正方形水平线减去的代码

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。