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

启发式法则是一种经验法则，它使我们找到了可能的解决方案。人工智能中的大多数问题都是指数性质的，并且有许多可能的解决方案。您不确定确切的解决方案是正确的，因此检查所有解决方案将非常昂贵。

因此，使用启发式方法缩小了对解决方案的搜索范围，并消除了错误的选择。使用启发式在搜索空间中进行搜索的方法称为启发式搜索。启发式技术非常有用，因为当您使用它们时可以增强搜索。

知情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：无知和知情。他们在这里详细解释-

不知情的搜索

也称为盲目搜索或盲目控制策略。之所以这样命名，是因为仅存在有关问题定义的信息，而没有其他有关状态的信息。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)是无信息搜索的示例。

知情搜索

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。此额外信息对于计算要探索和扩展的子节点之间的偏好很有用。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示例。

约束满足问题(CSP)

约束表示限制或限制。在AI中，约束满足问题是必须在某些约束下解决的问题。在解决此类问题时，重点必须是不违反约束。最后，当我们达成最终解决方案时，CSP必须遵守这一限制。

约束满足解决的现实世界问题

前面的部分涉及创建约束满足问题。现在，让我们将其也应用于现实世界中的问题。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

借助于约束满足问题，我们可以解决代数关系。在此示例中，我们将尝试求解简单的代数关系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，您将能够了解使用约束满足条件解决问题的基础。

请注意，在编写程序之前，我们需要安装名为python-constraint的Python包。您可以在以下命令的帮助下安装它-

pip install python-constraint

以下步骤显示了一个使用约束满足度解决代数关系的Python程序-

使用以下命令导入约束包-

from constraint import *

现在，创建一个名为issue()的模块的对象，如下所示-

problem = Problem()

现在，定义变量。请注意，这里有两个变量a和b，我们将10定义为它们的范围，这意味着我们在前10个数字之内得到了解决方案。

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

接下来，定义我们要对此问题应用的特定约束。观察到这里我们使用约束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)

您可以观察到上述程序的输出，如下所示：

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

魔术广场

魔术正方形是在正方形网格中不同数字(通常是整数)的排列，其中每一行，每一列中的数字以及对角线上的数字加起来等于一个相同的数字，称为“魔术常数”。 €。

以下是用于生成魔术方块的简单Python代码的逐步执行-

定义一个名为magic_square的函数，如下所示-

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

以下代码显示正方形垂直的代码-

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格的代码-

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

以下代码显示了水平正方形的代码-

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]]))

您可以观察到输出为True，因为总和是相同的数字，此处为15 。