人工智能问题求解主要方法包括以下几种：
1. 启发式搜索算法：启发式搜索算法是一种基于问题解的启发式信息来指导搜索过程的方法。它通过评估问题的候选解，选择最优解或近似最优解。常见的启发式搜索算法有A*算法、Dijkstra算法、Bellman-Ford算法等。这些算法在求解复杂问题时具有较高的效率，但可能无法找到全局最优解。
2. 机器学习算法：机器学习算法是一种基于数据驱动的方法，通过训练模型来学习问题的特征和规律。常见的机器学习算法有支持向量机（SVM）、决策树、随机森林、神经网络等。这些算法可以处理非线性、高维和大规模的问题，但在实际应用中需要大量的数据和计算资源。
3. 优化算法：优化算法是一种通过迭代求解最优解的方法，常用的优化算法有梯度下降法、牛顿法、遗传算法、粒子群优化算法等。这些算法在求解优化问题时具有较高的效率，但通常需要较大的计算量和较长的运行时间。
4. 元启发式算法：元启发式算法是一种结合了启发式搜索和局部搜索的算法，通过评估问题的候选解，选择最优解或近似最优解。常见的元启发式算法有蚁群算法、模拟退火算法、遗传算法等。这些算法在求解复杂问题时具有较高的效率，但可能需要多次迭代才能找到满意的解。
5. 符号推理算法：符号推理算法是一种基于逻辑推理的方法，通过定义规则和模式来推断问题的答案。常见的符号推理算法有谓词逻辑、一阶谓词演算、二阶谓词演算等。这些算法在处理知识表示和推理问题时具有较高的效率，但通常需要复杂的知识和规则。
总之，人工智能问题求解主要方法包括启发式搜索算法、机器学习算法、优化算法、元启发式算法和符号推理算法。这些方法各有优缺点，可以根据具体问题的特点选择合适的求解方法。
