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质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。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*，平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，让我们将它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 -
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 -
现在，创建一个名为 problem（） 的模块对象，如下所示 -
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。
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 。
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 -
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
幻方是一个方形网格中不同数字（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垂直代码 -
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 原文
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
