啟發式搜索在人工智慧中起著關鍵作用。在本章中，您將詳細了解它。

Concept of Heuristic Search in AI

啟發式是一條經驗法則，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是指數性質的，並且有許多可能的解決方案。你不知道哪些解決方案是正確的，檢查所有的解決方案將是非常昂貴的。

因此，啟發式的使用縮小了對解決方案的搜索範圍，並消除了錯誤的選項。在搜索空間中用啟發式方法引導搜索的方法稱爲啟發式搜索。啟發式技術是非常有用的，因爲當你使用它們的時候，搜索可以得到提升。

Difference between Uninformed and Informed Search

有兩種控制策略或搜索技術：不知情和知情。它們的詳細解釋如下所示;

Uninformed Search

它也被稱爲盲搜索或盲控制策略。之所以這樣命名是因爲只有關於問題定義的信息，而沒有關於狀態的其他額外信息。這種搜索技術會搜索整個狀態空間以獲得解。廣度優先搜索（BFS）和深度優先搜索（DFS）是非信息搜索的例子。

Informed Search

它也被稱爲啟發式搜索或啟發式控制策略。之所以這樣命名，是因爲有一些關於各州的額外信息。此額外信息對於計算要探索和展開的子節點之間的首選項非常有用。每個節點都有一個啟發式函數。最佳第一搜索（BFS）、A*、均值和分析是知情搜索的例子。

Constraint Satisfaction Problems (CSPs)

約束是指限制或限制。在人工智慧中，約束滿足問題是在一定約束條件下必須解決的問題。在解決此類問題時，必須注意不要違反約束。最後，當我們得到最終的解決方案時，CSP必須遵守這個限制。

Real World Problem Solved by Constraint Satisfaction

前面幾節討論了創建約束滿足問題。現在，讓我們把這個應用到現實世界的問題上。用約束滿足法解決現實問題的例子如下：;

Solving algebraic relation

藉助於約束滿足問題，我們可以求解代數關係。在本例中，我們將嘗試求解一個簡單的代數關係a*2=b。它將在我們定義的範圍內返回a和b的值。

在完成這個Python程序之後，您將能夠理解使用約束滿足來解決問題的基礎知識。

注意，在編寫程序之前，我們需要安裝名爲Python constraint的Python包。您可以使用以下命令安裝它−

pip install python-constraint

以下步驟向您展示了一個Python程序，用於使用約束滿足−

使用以下命令導入約束包−

from constraint import *

現在，創建一個名爲problem（）的模塊對象，如下所示−

problem = Problem()

現在，定義變量。注意，這裡我們有兩個變量a和b，我們定義10爲它們的範圍，這意味著我們得到了前10個數內的解。

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

接下來，定義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，使用以下命令創建getSolution（）模塊的對象−

solutions = problem.getSolutions()

最後，使用以下命令列印輸出−

print (solutions)

您可以觀察上述程序的輸出，如下所示;

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

Magic Square

幻方是一個正方形網格中不同數字（通常是整數）的排列，其中每一行、每一列中的數字和對角線中的數字加起來都是同一個數字，稱爲「幻方常數」。

下面是生成幻方的簡單Python代碼的逐步執行−

定義一個名爲magic_square的函數，如下所示−

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

下面的代碼顯示了正方形的垂直方向的代碼;

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

下面的代碼顯示了正方形的水平方向的代碼−

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

下面的代碼顯示了正方形水平線的代碼;

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，並檢查輸出結果;

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

您可以觀察到，由於總和不等於同一個數字，因此輸出將爲False。

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

您可以觀察到輸出值將是True，因爲和是同一個數字，這裡是15。