Aprender la estructura de una red bayesiana y considerar la eficiencia y precisión del aprendizaje siempre ha sido un tema candente para los investigadores. Este artículo propone dos restricciones para resolver el problema de que el algoritmo A*, un algoritmo de aprendizaje exacto, no es lo suficientemente eficiente para buscar redes más grandes. Por un lado, las restricciones del conjunto padre-hijo reducen el número de posibles conjuntos de padres óptimos. Por otro lado, las restricciones del camino se obtienen a partir de los posibles conjuntos de padres óptimos para limitar el proceso de búsqueda del algoritmo A*. Ambas restricciones se proponen en base a los posibles conjuntos de padres óptimos. Los experimentos muestran que la eficiencia temporal del algoritmo A* puede mejorarse significativamente, y la capacidad del algoritmo A* para buscar redes bayesianas más grandes puede mejorarse con las dos restricciones. Además, en comparación con el aprendizaje de redes bayesianas globalmente óptimo utilizando programación lineal entera (GOBNILP) y el algoritmo de escalada de colina máx-min (MMHC), que son de última generación, el algoritmo A* mejorado por restricciones sigue funcionando bien en la mayoría de los casos.