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，我们来详细地了解它。

启发式是一条经验法则，它将我们引向可能的解决方案。 人工智能中的大多数问题具有指数性，并且有许多可能的解决方案。并不确切知道哪些解决方案是正确的，检查所有解决方案会非常昂贵。

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。 启发式引导搜索空间中的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效率。

有两种控制策略或搜索技术:不知情和知情。这里给出的详细解释如下 -

不知情的搜索它也被称为盲搜索或盲控制策略。 它的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)是非信息搜索的示例。

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额外的状态信息。 这些额外的信息对计算子节点之间的偏好以便探索和扩展很有用。 将会有与每个节点相关的启发式功能。 Best First Search(BFS)，A *，Mean和Analysis是知情搜索的例子。

约束满足问题(CSP)约束意味着限制或限制。 在人工智能中，约束满足问题是一些约束条件下必须解决的问题。 重点必须是在解决这些问题时不要违反约束条件。 最后，当我们达成最终解决方案时，CSP必须遵守限制。

前面的部分涉及创建约束满足问题。 现在将它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，可以求解代数关系。 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。 它会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，需要安装名为python-constraint的Python包。使用以下命令安装它 -

以下步骤向您展示了一个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 -

现在，创建一个名为problem()的模块对象，如下所示 -

现在，定义变量。请注意，这里有两个变量a和b，并且将定义10为它们的范围，这意味着在前10个数字范围内得到解决。

接下来，定义应用于这个问题的特定约束。 请注意，这里使用约束a * 2 = b。

现在，使用以下命令创建getSolution()模块的对象 -

最后，使用以下命令打印输出 -

可以观察上述程序的输出如下 -

魔幻正方形一个神奇的正方形是一个正方形网格中不同数字(通常是整数)的排列，其中每行和每列中的数字以及对角线上的数字加起来就是所谓的“魔术常数”。

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 -

以下代码显示了垂直方块的代码 -

以下代码显示了水平方块的代码 -

水平方块的代码实现 -

现在，给出矩阵的值并查看输出结果 -

可以观察到由于总和未达到相同数字，输出将为False。

可以观察到输出将为True，因为总和是相同的数字，即15。