Python人工智能 – 启发式搜索

启发式搜索在人工智能中扮演着关键角色。本章将详细讲解它。

人工智能中启发式搜索的概念

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级性质，并且有许多可能的解决方案。你无法确切知道哪些解决方案是正确的，并且检查所有解决方案将非常昂贵。

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。使用启发式来引导搜索空间中搜索的方法称为启发式搜索。启发式技术非常有用，因为在使用它们时可以加快搜索速度。

无信息搜索和有信息搜索的区别

有两种类型的控制策略或搜索技术：无信息搜索和有信息搜索。它们将在此详细解释：

无信息搜索

它也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，而没有关于状态的任何其他额外信息。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。

有信息搜索

它也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。这些额外信息可用于计算子节点之间的优先级以进行探索和扩展。每个节点都将关联一个启发式函数。最佳优先搜索 (BFS)、A*、均值和分析是有信息搜索的例子。

约束满足问题 (CSP)

约束意味着限制。在人工智能中，约束满足问题是在某些约束下必须解决的问题。在解决此类问题时，必须注意不要违反约束。最终，当我们达到最终解决方案时，CSP 必须遵守限制。

约束满足解决的现实世界问题

前面的章节讨论了创建约束满足问题。现在，让我们将其应用于现实世界问题。通过约束满足解决的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，我们可以求解代数关系。在这个例子中，我们将尝试求解一个简单的代数关系a*2 = b。它将返回我们在定义的范围内a和b的值。

完成这个 Python 程序后，你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。你可以使用以下命令安装它：

pip install python-constraint

以下步骤展示了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 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，我们将其范围定义为 10，这意味着我们可以在前 10 个数字中找到解决方案。

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

接下来，定义我们想要应用于此问题的特定约束。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)

你可以观察到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

幻方是将不同的数字（通常是整数）排列在正方形网格中的一种排列，其中每一行、每一列和对角线上的数字加起来都等于同一个数字，称为“幻数”。

以下是生成幻方的简单 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 = []

以下代码显示了垂直方块的代码：

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

以下代码显示了水平方块的代码：

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

以下代码显示了水平方块的代码：

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]]))

你可以看到输出将为False，因为总和不相等。

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

你可以看到输出将为True，因为总和相同，这里为15。

打印页面