Python人工智慧 – 啟發式搜尋

啟發式搜尋在人工智慧中扮演著關鍵角色。本章將詳細講解它。

人工智慧中啟發式搜尋的概念

啟發式是一種經驗法則，它引導我們找到可能的解決方案。人工智慧中的大多數問題都具有指數級性質，並且有許多可能的解決方案。你無法確切知道哪些解決方案是正確的，並且檢查所有解決方案將非常昂貴。

因此，使用啟發式可以縮小解決方案的搜尋範圍並消除錯誤的選項。使用啟發式來引導搜尋空間中搜索的方法稱為啟發式搜尋。啟發式技術非常有用，因為在使用它們時可以加快搜索速度。

無資訊搜尋和有資訊搜尋的區別

有兩種型別的控制策略或搜尋技術：無資訊搜尋和有資訊搜尋。它們將在此詳細解釋：

無資訊搜尋

它也稱為盲目搜尋或盲目控制策略。之所以這樣命名，是因為只有關於問題定義的資訊，而沒有關於狀態的任何其他額外資訊。這種搜尋技術將搜尋整個狀態空間以獲得解決方案。廣度優先搜尋 (BFS) 和深度優先搜尋 (DFS) 是無資訊搜尋的例子。

有資訊搜尋

它也稱為啟發式搜尋或啟發式控制策略。之所以這樣命名，是因為有一些關於狀態的額外資訊。這些額外資訊可用於計算子節點之間的優先順序以進行探索和擴充套件。每個節點都將關聯一個啟發式函式。最佳優先搜尋 (BFS)、A*、均值和分析是有資訊搜尋的例子。

約束滿足問題 (CSP)

約束意味著限制。在人工智慧中，約束滿足問題是在某些約束下必須解決的問題。在解決此類問題時，必須注意不要違反約束。最終，當我們達到最終解決方案時，CSP 必須遵守限制。

約束滿足解決的現實世界問題

前面的章節討論了建立約束滿足問題。現在，讓我們將其應用於現實世界問題。透過約束滿足解決的現實世界問題的一些例子如下：

求解代數關係

藉助約束滿足問題，我們可以求解代數關係。在這個例子中，我們將嘗試求解一個簡單的代數關係a*2 = b。它將返回我們在定義的範圍內a和b的值。

完成這個 Python 程式後，你將能夠理解使用約束滿足解決問題的基礎知識。

請注意，在編寫程式之前，我們需要安裝名為 python-constraint 的 Python 包。你可以使用以下命令安裝它：

pip install python-constraint

以下步驟展示了使用約束滿足解決代數關係的 Python 程式：

使用以下命令匯入constraint包：

from constraint import *

現在，建立一個名為problem()的模組物件，如下所示：

problem = Problem()

現在，定義變數。請注意，這裡我們有兩個變數 a 和 b，我們將其範圍定義為 10，這意味著我們可以在前 10 個數字中找到解決方案。

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

接下來，定義我們想要應用於此問題的特定約束。注意，這裡我們使用約束a*2 = b。

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

現在，使用以下命令建立getSolution()模組的物件：

solutions = problem.getSolutions()

最後，使用以下命令列印輸出：

print (solutions)

你可以觀察到上述程式的輸出如下：

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

幻方

幻方是將不同的數字（通常是整數）排列在正方形網格中的一種排列，其中每一行、每一列和對角線上的數字加起來都等於同一個數字，稱為“幻數”。

以下是生成幻方的簡單 Python 程式碼的分步執行：

定義一個名為magic_square的函式，如下所示：

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

以下程式碼顯示了垂直方塊的程式碼：

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

以下程式碼顯示了水平方塊的程式碼：

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

以下程式碼顯示了水平方塊的程式碼：

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

現在，給出矩陣的值並檢查輸出：

print(magic_square([[1,2,3], [4,5,6], [7,8,9]]))

你可以看到輸出將為False，因為總和不相等。

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

你可以看到輸出將為True，因為總和相同，這裡為15。

列印頁面