啟發(fā)式搜索在人工智能中起著關(guān)鍵作用。在本章中，您將詳細(xì)了解它。

AI中的啟發(fā)式搜索的概念

啟發(fā)式是一個經(jīng)驗法則，它引導(dǎo)我們找到可能的解決方案。人工智能中的大多數(shù)問題具有指數(shù)性，并且具有許多可能的解決方案。您不確切知道哪些解決方案是正確的，并且檢查所有解決方案將非常昂貴。

因此，啟發(fā)式的使用縮小了對解決方案的搜索范圍并消除了錯誤的選項。使用啟發(fā)式在搜索空間中引導(dǎo)搜索的方法稱為啟發(fā)式搜索。啟發(fā)式技術(shù)非常有用，因為在使用它們時可以提高搜索速度。

不知情和知情搜索之間的區(qū)別

有兩種類型的控制策略或搜索技術(shù)：不知情和知情。這里給出了詳細(xì)解釋 -

不知情的搜索

它也被稱為盲目搜索或盲目控制策略。之所以這樣命名，是因為只有關(guān)于問題定義的信息，并且沒有關(guān)于狀態(tài)的其他額外信息。這種搜索技術(shù)將搜索整個狀態(tài)空間以獲得解決方案。廣度優(yōu)先搜索（BFS）和深度優(yōu)先搜索（DFS）是不知情搜索的示例。

知情搜索

它也被稱為啟發(fā)式搜索或啟發(fā)式控制策略。它的名字是因為有一些關(guān)于狀態(tài)的額外信息。此額外信息對于計算要探索和擴(kuò)展的子節(jié)點(diǎn)之間的首選項很有用。將存在與每個節(jié)點(diǎn)相關(guān)聯(lián)的啟發(fā)式功能。最佳首次搜索（BFS），A *，均值和分析是知情搜索的示例。

約束滿足問題（CSP）

約束意味著限制或限制。在人工智能中，約束滿足問題是在某些約束條件下必須解決的問題。重點(diǎn)必須是在解決此類問題時不要違反約束。最后，當(dāng)我們達(dá)到最終解決方案時，CSP必須遵守限制。

約束滿足解決現(xiàn)實問題

前面的部分涉及創(chuàng)建約束滿足問題?，F(xiàn)在，讓我們將其應(yīng)用于現(xiàn)實世界的問題。通過約束滿足解決的現(xiàn)實世界問題的一些例子如下 -

解決代數(shù)關(guān)系

在約束滿足問題的幫助下，我們可以解決代數(shù)關(guān)系。在這個例子中，我們將嘗試解決一個簡單的代數(shù)關(guān)系a * 2 = b。它將在我們定義的范圍內(nèi)返回a和b的值。

完成這個Python程序后，您將能夠理解解決約束滿足問題的基礎(chǔ)知識。

注意，在編寫程序之前，我們需要安裝名為python-constraint的Python包。您可以借助以下命令安裝它 -

pip install python-constraint

以下步驟顯示了使用約束滿足來解決代數(shù)關(guān)系的Python程序 -

使用以下命令導(dǎo)入約束包 -

from constraint import *

現(xiàn)在，創(chuàng)建一個名為problem（）的模塊對象，如下所示 -

problem = Problem()

現(xiàn)在，定義變量。注意，這里我們有兩個變量a和b，我們將10定義為它們的范圍，這意味著我們在前10個數(shù)字中得到了解。

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

接下來，定義我們要在此問題上應(yīng)用的特定約束。注意，我們在這里使用約束a * 2 = b。

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

現(xiàn)在，使用以下命令創(chuàng)建getSolution（）模塊的對象-

solutions = problem.getSolutions()

最后，使用以下命令打印輸出 -

print (solutions)

您可以按如下方式觀察上述程序的輸出 -

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

魔術(shù)廣場

幻方是在方形網(wǎng)格中排列不同數(shù)字（通常是整數(shù)）的排列，其中每行和每列中的數(shù)字以及對角線中的數(shù)字都加起來稱為“魔術(shù)常數(shù)”的相同數(shù)字。

以下是用于生成幻方的簡單Python代碼的逐步執(zhí)行 -

定義一個名為magic_square的函數(shù)，如下所示 -

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

以下代碼顯示了正方形的代碼 -

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

以下代碼顯示了正方形的水平代碼 -

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

以下代碼顯示了正方形水平的代碼 -

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

現(xiàn)在，給出矩陣的值并檢查輸出 -

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

您可以觀察到輸出將為False，因為總和不是相同的數(shù)字。

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

您可以觀察到輸出將為True，因為總和是相同的數(shù)字，即此處為15。

以上就是AI與Python啟發(fā)式搜索概念理解的詳細(xì)內(nèi)容，更多關(guān)于AI Python啟發(fā)式搜索的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論