启发式技术

本文将讨论启发式技术以及一些示例，以帮助您更清楚地理解启发式技术。

什么是启发式？

启发式是一种比经典方法更快地解决问题的方法。当经典方法不起作用时，这些技术用于找到问题的近似解。启发式是指能够快速得出实际解决方案的问题解决方法。

启发式是基于过去处理类似问题的经验而产生的策略。启发式使用实际的方法和捷径来产生可能最优也可能非最优的解决方案，但这些解决方案在有限的时间内是足够的。

历史

心理学家丹尼尔·卡尼曼和阿莫斯·特沃斯基在 20 世纪 70 年代和 80 年代发展了人类决策中的启发式研究。然而，这个概念最早是由诺贝尔奖得主赫伯特·A·西蒙提出的，他的主要研究对象是问题解决。

我们为什么需要启发式？

启发式用于需要短期解决方案的情况。在面对资源和时间有限的复杂情况时，启发式可以通过捷径和近似计算帮助公司快速做出决策。大多数启发式方法都涉及心理捷径，以便根据过去的经验做出决策。

启发式方法可能不总能提供最佳解决方案，但它能确保我们在合理的时间内找到一个好的解决方案。

根据上下文，可能会有不同的启发式方法与问题的范围相关。最常见的启发式方法是——试错法、猜测、排除法、历史数据分析。这些方法涉及简单可用的信息，这些信息不特定于问题，但最合适。它们可能包括代表性启发式、情感启发式和可得性启发式。

人工智能（AI）中的启发式搜索技术

我们可以将启发式技术分为两类

AI 中的直接启发式搜索技术

它包括盲目搜索、无信息搜索和盲目控制策略。这些搜索技术并不总是可行的，因为它们需要大量的内存和时间。这些技术会搜索完整的空间以找到解决方案，并使用任意的操作顺序。

直接启发式搜索技术的例子包括广度优先搜索（BFS）和深度优先搜索（DFS）。

AI 中的弱启发式搜索技术

它包括有信息搜索、启发式搜索和启发式控制策略。当这些技术正确应用于正确的任务类型时，它们会很有帮助。它们通常需要领域特定的信息。

弱启发式搜索技术的例子包括最佳优先搜索（BFS）和 A*。

在描述某些启发式技术之前，让我们先看看下面列出的一些技术

• 双向搜索
• A* 搜索
• 模拟退火
• 爬山法
• 最佳优先搜索
• 束搜索

首先，我们来谈谈人工智能中的爬山法。

爬山算法

这是一种用于优化数学问题的技术。爬山法在有良好启发式的情况下被广泛使用。

它是一种局部搜索算法，它不断地向着海拔/值增加的方向移动，以找到山顶或问题的最佳解决方案。当它到达一个没有邻居值更高的峰值时，它就会停止。旅行商问题是爬山算法的一个广泛讨论的例子，在该问题中，我们需要最小化旅行商的行程距离。

它也被称为贪婪局部搜索，因为它只关注其良好的即时邻近状态，而不关注更远的状态。简单的爬山算法步骤如下

步骤 1：评估初始状态。如果它是目标状态，则返回成功并停止。

步骤 2：循环直到找到解决方案或没有剩余操作符可应用。

步骤 3：选择一个操作符并将其应用于当前状态。

步骤 4：检查新状态

如果它是目标状态，则返回成功并退出。

否则，如果它优于当前状态，则将新状态指定为当前状态。

否则，如果它不如当前状态，则返回步骤 2。

步骤 5：退出。

最佳优先搜索（BFS）

该算法总是选择当时看起来最好的路径。它是深度优先搜索和广度优先搜索算法的结合。它让我们能够利用这两种算法的优点。它使用启发式函数和搜索。通过最佳优先搜索，在每一步，我们可以选择最有希望的节点。

最佳优先搜索算法

步骤 1：将起始节点放入 OPEN 列表。

步骤 2：如果 OPEN 列表为空，则停止并返回失败。

步骤 3：从 OPEN 列表中删除 h(n) 值最低的节点 n，并将其放入 CLOSED 列表。

步骤 4：展开节点 n，并生成节点 n 的后继节点。

步骤 5：检查节点 n 的每个后继节点，并找出是否有任何节点是目标节点。如果任何后继节点是目标节点，则返回成功并停止搜索，否则继续下一步。

步骤 6：对于每个后继节点，算法会检查评估函数 f(n)，然后检查该节点是否在 OPEN 或 CLOSED 列表中。如果节点既不在两个列表中，则将其添加到 OPEN 列表。

步骤 7：返回步骤 2。

A* 搜索算法

A* 搜索是最佳优先搜索最常见的形式。它使用启发式函数 h(n) 和从起始状态到节点 n 的成本 g(n)。它结合了 UCS 和贪婪最佳优先搜索的特性，从而有效地解决了问题。

它使用启发式函数通过搜索空间找到最短路径。此搜索算法展开的搜索树更少，并更快地提供最佳结果。

A* 搜索算法

步骤 1：将起始节点放入 OPEN 列表。

步骤 2：检查 OPEN 列表是否为空。如果列表为空，则返回失败并停止。

步骤 3：从 OPEN 列表中选择评估函数值 (g+h) 最小的节点。如果节点 n 是目标节点，则返回成功并停止，否则。

步骤 4：展开节点 n 并生成其所有后继节点，然后将 n 放入 CLOSED 列表。对于每个后继节点 n'，检查 n' 是否已在 OPEN 或 CLOSED 列表中。如果不在，则计算 n' 的评估函数并将其放入 OPEN 列表。

步骤 5：否则，如果节点 n' 已经在 OPEN 和 CLOSED 列表中，则应将其附加到反映最低 g(n') 值的反向指针。

步骤 6：返回步骤 2。

日常生活中的启发式例子

启发式的一些现实生活中的例子，人们用它们来解决问题

• 常识：这是一种启发式，用于根据个人观察来解决问题。
• 经验法则：在启发式中，我们也使用“经验法则”这个术语。这种启发式允许个人在不进行详尽搜索的情况下进行估算。
• 逆向工作：它允许个人假设问题已经解决，然后在脑海中倒推，以查看解决方案是如何达成的。
• 可得性启发式：它允许一个人根据快速想到的类似情况的例子来判断一种情况。
• 熟悉度启发式：它允许一个人基于对同一情况的熟悉程度来处理问题，因此一个人应该像以前在同一情况下那样行事。
• 有根据的猜测：它允许一个人在不进行详尽搜索的情况下得出结论。通过使用它，一个人会考虑他们过去观察到的情况，并将其应用于尚未确定明确答案的情况。

启发式类型

有多种启发式类型，包括可得性启发式、情感启发式和代表性启发式。每种启发式类型在决策中都起着作用。让我们讨论可得性启发式、情感启发式和代表性启发式。

可得性启发式

可得性启发式是指人们根据快速想到的信息来判断事件可能性的判断。在做决定时，人们通常依赖于过去对事件的知识或经验。它允许一个人根据快速想到的类似情况的例子来判断一种情况。

代表性启发式

当我们根据一个事件与另一个事件的相似性来评估该事件的概率时，就会发生这种情况。

示例：我们可以通过产品包装的例子来理解代表性启发式，因为消费者倾向于将产品的质量与产品的外部包装联系起来。如果一家公司包装的产品让您想起高质量且知名的产品，那么消费者就会认为该产品具有与品牌产品相同的质量。

因此，顾客不是根据产品的质量来评估产品，而是根据包装的相似性来关联产品的质量。

情感启发式

它基于与特定刺激相关联的负面和正面感觉。它包括基于过去信念的快速感觉。其理论是，一个人对刺激的情感反应会影响个人的决策。

当人们花一点时间仔细评估情况时，他们可能会根据情感反应做出决定。

示例：情感启发式可以通过广告的例子来理解。广告可以影响消费者的情绪，从而影响消费者的购买决策。广告最常见的例子是快餐广告。当快餐公司投放广告时，他们希望获得积极的情感反应，从而促使您积极地看待他们的产品。

如果有人仔细分析食用快餐的利弊，他们可能会认为快餐不健康。但人们很少花时间评估他们看到的一切，通常会根据他们的自动情感反应做出决定。因此，快餐公司通过依赖此类情感启发式来产生积极的情感反应，从而促进销售。

启发式的局限性

除了好处之外，启发式也有一些局限性。

• 尽管启发式可以加快我们的决策过程并帮助我们解决问题，但它们也可能引入错误，仅仅因为某件事过去一直有效，并不意味着它将来也会有效。
• 如果我们总是依赖现有的解决方案或启发式，就很难找到替代的解决方案或想法。

结论

以上是本文的全部内容。因此，在本文中，我们讨论了启发式技术，即能够快速得出实际解决方案的问题解决方法。我们还讨论了一些算法和示例，以及启发式的局限性。