Artificial Intelligence With Python 简明教程

AI with Python – Heuristic Search

启发式搜索在人工智能中扮演着关键角色。在本章中，您将详细了解它。

Concept of Heuristic Search in AI

启发式是一种经验法则，它将我们引向可能的解决方案。人工智能中的大多数问题本质上呈指数增长并且有很多可能的解决方案。您不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搜索范围并消除错误的选项。使用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，因为在使用它们时可以增强搜索。

Difference between Uninformed and Informed Search

有两种控制策略或搜索技术：无信息的和有信息的。这里对其进行详细解释 −

Uninformed Search

它也被称为盲目搜索或盲目控制策略。之所以这么命名是因为只有关于问题定义的信息，并且没有其他关于状态的额外信息。此类搜索技术将搜索整个状态空间以获取解决方案。广度优先搜索 (BFS) 和深度优先搜索 (DFS) 是无信息搜索的示例。

Informed Search

它也被称为启发式搜索或启发式控制策略。之所以这么命名是因为有一些关于状态的额外信息。此额外信息有助于计算要探索和扩展的子节点之间的偏好。每个节点将有一个启发式函数。最佳优先搜索 (BFS)、A*、平均值和分析是有信息搜索的示例。

Constraint Satisfaction Problems (CSPs)

约束意味着限制。在人工智能中，约束满足问题是必须在某些约束下解决的问题。解决此类问题时，重点必须是不违反约束。最后，当我们达到最终解决方案时，CSP 必须遵守该限制。

Real World Problem Solved by Constraint Satisfaction

前几节讨论了如何创建约束满足问题。现在让我们将其应用到现实世界的问题中。以下是通过约束满足解决的现实世界问题的示例 −

Solving algebraic relation

在约束满足问题的帮助下，我们可以解决代数关系。在本例中，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。

完成此 Python 程序后，您将能够了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。您可以借助以下命令安装它 −

pip install python-constraint

以下步骤向您展示了一个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，并且我们定义 10 作为它们的范围，这意味着我们在前 10 个数字中找到了解决方案。

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。请注意，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)

您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}]

Magic Square

幻方是一种独特的数字排列，通常是整数，排列在一个正方形网格中，其中每一行、每一列和对角线上的数字相加都得到相同的数字，称为“幻方常数”。

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正方形的代码−

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正方形的代码−

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]]))

你可以观察到，由于总和尚未达到相同的数字，因此输出将为 False 。

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

你可以观察到，由于总和是相同的数字，即此处的 15 ，因此输出将为 True 。