AI与Python人工智能启发式搜索概念理解

2024-07-29 10:21:46

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，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。使用启发式在搜索空间中引导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。它的名字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 *，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，让我们将其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 -

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。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 -

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我们其它相关文章！

Python调用百度AI实现人像分割详解

目录一.原始视频截图二.提取人像三.和背景图合并四.合成视频一.原始视频截图 import cv2 cap=cv2.VideoCapture(r"[小仙若]shake it !冬日也要活力满满! (P1. shake it).mp4") ret,frame=cap.read() i =0 timeF=3 j=0 num=0 while 1: i=i+1 if (i%timeF==0): j=j+1 cv2.imwrite("./pictures/"+str
Python调用百度AI实现身份证识别

目录一.安装baidu-aip模块二.获取百度AI接口密钥三.调用百度接口识别身份证一.安装baidu-aip模块按win+R打开cmd,在里面输入 pip3 install baidu-aip 若出现如下界面,即成功安装了baidu-aip模块: 如果想快速了解识别营业执照代码原理,可以跳过第二部分,先看第三部分的内容. 二.获取百度AI接口密钥在应用python识别身份证的过程中,有三行代码使用了百度AI接口密钥,故先阐述如何获得该密钥.首先,进入如下百度AI官方网站:https
AI与Python人工智能遗传算法

目录什么是遗传算法? 如何使用GA进行优化问题? GA机制优化过程的阶段安装必要的软件包使用遗传算法实现解决方案生成位模式符号回归问题本章详细讨论了人工智能的遗传算法. 什么是遗传算法? 遗传算法(GA)是基于自然选择和遗传概念的基于搜索的算法.GA是更大的计算分支的子集,称为进化计算. GA由John Holland及其密歇根大学的学生和同事开发,最着名的是David E. Goldberg.从那以后,已经尝试了各种优化问题并取得了很大的成功. 在GA中,我们有一组可能的解决方案来
Python调用百度AI实现颜值评分功能

目录一.调用百度接口进行人脸属性识别二.根据年龄和性别对颜值进行评价三.批量识别人脸属性四.自定义窗口语音播报颜值得分五.明星颜值评价一.调用百度接口进行人脸属性识别安装好baidu-aip模块,获取了百度AI接口密钥后,即可调用百度接口进行人脸属性识别了.首先以杨紫的图片为例进行年龄.性别.颜值的识别. 具体python代码如下:‍ import os import base64 from aip import AipFace os.chdir(r'F:\公众号\28.人脸识别'
Python与AI分析时间序列数据

目录简介序列分析或时间序列分析的基本概念安装实用软件包 Pandas hmmlearn PyStruct CVXOPT Pandas:处理,切片和从时间序列数据中提取统计数据示例处理时间序列数据切片时间序列数据提取来自时间序列数据的统计数据平均值最大值最小值一次性获取所有内容重新采样使用mean()重新采样 Re -sampling with median() 滚动平均值通过隐马尔可夫分析顺序数据模型(HMM) 隐马尔可夫模型(HMM) 状态(S) 输出符号(O) 状
AI与Python人工智能启发式搜索概念理解

目录 AI中的启发式搜索的概念不知情和知情搜索之间的区别不知情的搜索知情搜索约束满足问题(CSP) 约束满足解决现实问题解决代数关系魔术广场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,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
人工智能(AI)首选Python的原因解析

一.为何人工智能(AI)首选Python? 读完这篇文章你就知道了.我们看谷歌的TensorFlow基本上所有的代码都是C++和Python,其他语言一般只有几千行 .如果讲运行速度的部分,用C++,如果讲开发效率,用Python,谁会用Java这种高不成低不就的语言搞人工智能呢? Python虽然是脚本语言,但是因为容易学,迅速成为科学家的工具(MATLAB也能搞科学计算,但是软件要钱,且很贵),从而积累了大量的工具库.架构,人工智能涉及大量的数据计算,用Python是很自然的,简单高效. P
为何人工智能(AI)首选Python？读完这篇文章你就知道了（推荐）

为何人工智能(AI)首选Python?读完这篇文章你就知道了.我们看谷歌的TensorFlow基本上所有的代码都是C++和Python,其他语言一般只有几千行 .如果讲运行速度的部分,用C++,如果讲开发效率,用Python,谁会用Java这种高不成低不就的语言搞人工智能呢?Python虽然是脚本语言,但是因为容易学,迅速成为科学家的工具(MATLAB也能搞科学计算,但是软件要钱,且很贵),从而积累了大量的工具库.架构,人工智能涉及大量的数据计算,用Python是很自然的,简单高效.Python
关于对python中进程的几个概念理解

目录进程僵尸进程孤儿进程守护进程互斥锁总结进程第一,进程是一个容器.每一个进程都有它自己的地址空间,一般情况下,包括文本区域( text region).数据区域(data region)和堆栈(stack region). 文本区域存储处理器执行的代码;数据区城存储变量和进程执行期间使用的动态分配的内存;堆栈区域存储看活动过程调用的指令和本地变量. 第二,进程是一个"执行中的程序".程序是一个没有生命的实体,只有处理器赋予程序生命时(操作系统执行之),它才能成为一个
Python人工智能语音合成实现案例详解

目录正文一. 注册百度AI平台应用二. 编写Python代码正文今天给大家介绍一下基于百度的AI语音技术SDK实现语音合成的案例,编程语言采用Python,希望对大家能有所帮助! 一. 注册百度AI平台应用 ai.baidu.com/ 首先登陆自己的百度账户,打开百度的AI开发平台页面搜索找到离线语音合成,然后点击立即使用,进入百度智能云页面. 创建应用选择语音技术,默认为全部勾选创建后可以在应用列表可以看到刚刚创建的语音应用. 主要信息是AppID.API Key.Secret
python的多重继承的理解

python的多重继承的理解 Python和C++一样,支持多继承.概念虽然容易,但是困难的工作是如果子类调用一个自身没有定义的属性,它是按照何种顺序去到父类寻找呢,尤其是众多父类中有多个都包含该同名属性. 对经典类和新式类来说,属性的查找顺序是不同的.现在我们分别看一下经典类和新式类两种不同的表现: 经典类: #! /usr/bin/python # -*- coding:utf-8 -*- class P1(): def foo(self): print 'p1-foo' class P2(
Python人工智能之路 jieba gensim 最好别分家之最简单的相似度实现

简单的问答已经实现了,那么问题也跟着出现了,我不能确定问题一定是"你叫什么名字",也有可能是"你是谁","你叫啥"之类的,这就引出了人工智能中的另一项技术: 自然语言处理(NLP) : 大概意思就是让计算机明白一句话要表达的意思,NLP就相当于计算机在思考你说的话,让计算机知道"你是谁","你叫啥","你叫什么名字"是一个意思这就要做 : 语义相似度接下来我们用Python大法来实
Python字典的概念及常见应用实例详解

本文实例讲述了Python字典的概念及常见应用.分享给大家供大家参考,具体如下: 字典的介绍字典的概念字典的创建 1. 我们可以通过{}.dict()来创建字典对象. 2. 通过 zip()创建字典对象 3. 通过 fromkeys 创建值为空的字典字典元素的访问 1. 通过 [键] 获得"值".若键不存在,则抛出异常. 2. 通过 get()方法获得"值".推荐使用.优点是:指定键不存在,返回 None:也可以设 3. 列出所有的键值对 4. 列出所有的键,
Python人工智能实战之对话机器人的实现

目录背景用到的技术主要流程代码模块 Joke对象爬虫抓取笑话代码实现保存到sqlite数据库抓取笑话并保存到数据库背景当我慢慢的开在高速公路上,宽敞的马路非常的拥挤!这时候我喜欢让百度导航的小度给我讲笑话,但她有点弱,每次只能讲一个. 百度号称要发力人工智能,成为国内人工智能的领军企业.但从小度的智商和理解能力上,我对此非常怀疑. 所以我们干脆用Python来开发一个可以讲笑话的机器人,可以自由定制功能,想讲几个笑话就讲几个笑话. 用到的技术本文用到以下技术: 爬虫 - 抓