人工智能启发式搜索的例子,人工智能搜索算法有哪些

　　本文主要为大家介绍AI和Python启发式搜索概念的详细讲解。有需要的朋友可以借鉴一下，希望能有所帮助。祝大家进步很大，早日升职加薪。

　　00-1010AI中启发式搜索的概念——不知情搜索与知情搜索的区别：不知情的搜索；约束满足问题(CSP)；约束满足；解决现实问题；求解代数关系；幻方启发式搜索在人工智能中起着关键作用。在这一章中，你会学到更多。

AI中的启发式搜索的概念

　　有两种控制策略或搜索技术：不知情的和知情的。这里给出了详细的解释-

不知情和知情搜索之间的区别

　　也称为盲搜索或盲控制策略。这样命名是因为只有关于问题定义的信息，没有关于状态的其他信息。这种搜索技术将搜索整个状态空间以得到一个解。广度优先搜索(BFS)和深度优先搜索(DFS)是无意识搜索的例子。

不知情的搜索

　　也称为启发式搜索或启发式控制策略。它的名字是因为它有一些关于状态的附加信息。这些附加信息对于计算要浏览和扩展的子节点之间的首选项非常有用。每个节点都有相关的启发式函数。最佳搜索(BFS)、A *、均值和分析都是知情搜索的例子。

知情搜索

　　意思是限制或约束。在人工智能中，约束满足是在一定约束条件下必须解决的问题。关键点一定是解决这类问题时不要违反约束。最后，当我们达成最终解决方案时，CSP必须遵守这些限制。

约束满足问题（CSP）

　　前一节处理创建约束满足问题。现在，让我们将它应用于现实世界的问题。通过约束满足解决现实世界问题的一些例子如下-

约束满足解决现实问题

　　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A和B在我们定义的范围内的值。

　　完成这个Python程序后，你将能够理解解决约束满足问题的基础。

　　注意，在编写程序之前，我们需要安装一个名为python-constraint的Python包。您可以借助以下命令来安装它-

　　pip安装python-约束

　　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-

　　从约束导入*

　　现在，创建一个名为problem()的模块对象，如下所示

　　问题=问题()

　　现在，定义变量。注意，这里我们有两个变量A和B，我们定义10为它们的值域，这意味着我们在前10个数中是已知的。

　　problem.addVariable(a ，范围(10))

　　problem.addVariable(b ，范围(10))

　　接下来，定义我们想要应用于这个问题的特定约束。注意，我们在这里使用了约束a * 2=b。

　　problem.addConstraint(lambda a，b: a * 2==b)

　　现在，使用下面的命令创建getSolution()模块的对象-

　　解决方案=problem.getSolution

　　s()

　　最后，使用以下命令打印输出 -

print (solutions)

　　您可以按如下方式观察上述程序的输出 -

[{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 -

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 -

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 -

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 -

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，因为总和不是相同的数字。

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盛行IT软件开发工作室其它相关文章！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。