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。
AI中的启发式搜索的概念
启发式是一个经验法则,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具有指数性,并且具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将非常昂贵。
因此,启发式的使用缩小了对解决方案的搜索范围并消除了错误的选项。使用启发式在搜索空间中引导搜索的方法称为启发式搜索。启发式技术非常有用,因为在使用它们时可以提高搜索速度。
不知情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:不知情和知情。这里给出了详细解释 -
不知情的搜索
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,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)是不知情搜索的示例。
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关于状态的额外信息。此额外信息对于计算要探索和扩展的子节点之间的首选项很有用。将存在与每个节点相关联的启发式功能。最佳首次搜索(BFS),A *,均值和分析是知情搜索的示例。
约束满足问题(CSP)
约束意味着限制或限制。在人工智能中,约束满足问题是在某些约束条件下必须解决的问题。重点必须是在解决此类问题时不要违反约束。最后,当我们达到最终解决方案时,CSP必须遵守限制。
约束满足解决现实问题
前面的部分涉及创建约束满足问题。现在,让我们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例子如下 -
解决代数关系
在约束满足问题的帮助下,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。它将在我们定义的范围内返回a和b的值。
完成这个Python程序后,您将能够理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。您可以借助以下命令安装它 -
1
|
pip install python - constraint |
以下步骤显示了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 -
1
|
from constraint import * |
现在,创建一个名为problem()的模块对象,如下所示 -
1
|
problem = Problem() |
现在,定义变量。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个数字中得到了解。
1
2
|
problem.addVariable( 'a' , range ( 10 )) problem.addVariable( 'b' , range ( 10 )) |
接下来,定义我们要在此问题上应用的特定约束。注意,我们在这里使用约束a * 2 = b。
1
|
problem.addConstraint( lambda a, b: a * 2 = = b) |
现在,使用以下命令创建getSolution()模块的对象-
1
|
solutions = problem.getSolutions() |
最后,使用以下命令打印输出 -
1
|
print (solutions) |
您可以按如下方式观察上述程序的输出 -
1
|
[{'a': 4, 'b': 8}, {'a': 3, 'b': 6}, {'a': 2, 'b': 4}, {'a': 1, 'b': 2}, {'a': 0, 'b': 0}] |
魔术广场
幻方是在方形网格中排列不同数字(通常是整数)的排列,其中每行和每列中的数字以及对角线中的数字都加起来称为“魔术常数”的相同数字。
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 -
1
2
3
|
def magic_square(matrix_ms): iSize = len (matrix_ms[ 0 ]) sum_list = [] |
以下代码显示了正方形的代码 -
1
2
|
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的水平代码 -
1
|
sum_list.extend([ sum (lines) for lines in matrix_ms]) |
以下代码显示了正方形水平的代码 -
1
2
3
4
5
6
7
8
9
10
11
|
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 -
1
|
print (magic_square([[ 1 , 2 , 3 ], [ 4 , 5 , 6 ], [ 7 , 8 , 9 ]])) |
您可以观察到输出将为False,因为总和不是相同的数字。
1
|
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,即此处为15。
以上就是AI与Python启发式搜索概念理解的详细内容,更多关于AI Python启发式搜索的资料请关注服务器之家其它相关文章!
原文链接:https://blog.csdn.net/weixin_42238387/article/details/89049553