江西财经大学-人工智能-历年考博真题及答案.docx

江西财经大学-人工智能-历年考博真题及答案.docx

《江西财经大学-人工智能-历年考博真题及答案.docx》由会员分享，可在线阅读，更多相关《江西财经大学-人工智能-历年考博真题及答案.docx（24页珍藏版）》请在冰豆网上搜索。

江西财经大学人工智能考博真题

2014-2017历年考博真题及答案

2014年

一、简答题

1．简述什么是人工智能？

v人工智能（学科）是计算机科学中涉及研究、设计和应用智能机器的一个分支。

它的近期主要目标在于研究用机器来模仿和执行人脑的某些智能功能，并开发相关理论和技术。

v人工智能（能力）是智能机器所执行的通常与人类智能有关的功能，如判断、推理、证明、识别、感知、理解、设计、思考、规划、学习和问题求解等思维活动。

2．目前人工智能有几大学派，分别是什么？

书上：

（1）符号主义（symbolicism），又称为逻辑主义（logicism）、心理学派（psychlogism）或计算机学派（computerism），其原理主要为物理符号系统假设和有限合理性原理。

（2）连接主义（connectionism），又称为仿生学派（biònicsism）或生理学派（physiologism）,其原理主要为神经网络及神经网络间的连接机制与学习算法。

（3）行为主义（actionism），又称进化主义（evolutionism）或控制论学派（cyberneticsism）,其原理为控制论及感知-动作型控制系统。

符号主义（Symbolicism）：

认为人类的智能的基本单元是符号，认知过程是符号表示下的符号运算，从而思维就成了符号运算。

大多数比较成功的专家系统是建立在符号主义的基础上（知识的表示）。

联结主义（Connectionism）：

认为人工神经网络的基本单元是神经元，而不是符号处理过程。

认知过程是由神经网络构成的，是并行分布的。

行为主义（Actionism）：

认为人工智能源于控制论。

智能取决于感知和行动，提出智能行为的“感知—动作”模式。

行为主义者认为智能不需要知识、不需要表示、不需要推理。

3．什么是宽度优先搜索，其优缺点？

以接近起始节点的程度逐层扩展节点的搜索方法（breadth-firstsearch）。

这种搜索是逐层进行的;在对下一层的任一节点进行搜索之前，必须搜索完本层的所有节点。

优点：

宽度优先搜索方法能够保证在搜索树中找到一条通向目标节点的最短途径。

缺点：

盲目搜索的效率低，耗费过多的计算空间与时间。

只适用于求解比较简单的问题。

4．简述模糊逻辑推理方法？

模糊逻辑推理是建立在模糊逻辑基础上的，它是一种不确定性推理方法，是在二值逻辑三段论基础上发展起来的。

这种推理方法以模糊判断为前提，动用模糊语言规则，推导出一个近似的模糊判断结论。

5．简述人工神经网络，并给出基本类型。

人工神经网络由神经元模型构成，这种由许多神经元组成的信息处理网络具有并行分布结构。

每个神经元具有单一输出，并且能够与其他神经元连接；存在许多（多重）输出连接方法，每种连接方法对应于一个连接权系数。

严格地说，人工神经网络是一种具有下列特性的有向图：

（1）对于每个节点i存在一个状态变量Xi;

（2）从节点i至节点j，存在一个连接权系数Wij;

（3）对于每个节点i，存在一个阈值θi

人工神经网络的结构基本上分为两类，即递归（反馈）网络和前馈网络，

6．什么是机器学习？

机器学习是研究机器模拟人类的学习活动、获取知识和技能的理论和方法，以改善系统性能的学科。

。

7．简述遗传算法及其特点？

遗传算法是模仿生物遗传学和自然选择机理，通过人工方式所构造的一类优化搜索算法，是对生物进化过程进行的一种数学仿真，是进化计算的最重要的形式。

遗传算法为那些难以找到传统数学模型的难题指出了一个解决方法。

进化计算和遗传算法借鉴了生物科学中的某些知识，这也体现了人工智能这一交叉学科的特点。

1.遗传算法的特点

（1）遗传算法是对参数集合的编码而非针对参数本身进行进化；

（2） 遗传算法是从问题解的编码组开始而非从单个解开始搜索；

（3） 遗传算法利用目标函数的适应度这一信息而非利用导数或其它辅助信息来指导搜索；

（4） 遗传算法利用选择、交叉、变异等算子而不是利用确定性规则进行随机操作。

8．什么是不确定性推理？

不确定性推理（reasoningwithuncertainty）也是一种建立在非经典逻辑基础上的基于不确定性知识的推理，它从不确定性的初始证据出发，通过运用不确定性知识，推出具有一定程度的不确定性的和合理的或近乎合理的结论。

二、计算题

P（h1）=0.4p（h2）=0.3p（h3）=0.3

P（e1|h1）=0.5p（E1|H2）=0.6p（E1|H3）=0.3

P（E2|H1）=0.7P（E2|H2）=0.9P（E2|H3）=0.1

Question1:

P（H2|E1）

Question2:

P（H3|E2）

Question3:

P（H1|E1E2）

1.P（E1）=sigma（P（E1|Hi）*P（Hi））=0.5*0.4+0.6*0.3+0.3*0.3=0.2+0.18+0.09=0.47

P（H2|E1）=p（H2）P（E1/H2）/P（E1）=0.3*0.6/0.47=0.383

2.P（E2）=P（E2|H1）P（h1）+P（E2|H2）p（h2）+P（E2|H3）p（h3）=0.7*0.4+

3.=p（H1）P（E1|H1）P（E2|H1）/sigmaP（E1|H1）P（E2|H1）P（H1）+P（E1|H2）P（E2|H2）P（H2）+P（）

Theformula:

三、搜索题

1．给出宽度优先搜索算法（流程图或伪代码）

1）把起始节点放到OPEN表中（如果该起始节点为一目标节点，则求得一个解答）。

2）如果OPEN是个空表，则没有解，失败退出；否则继续。

3）把第一个节点（节点n）从OPEN表移出，并把它放入CLOSED的扩展节点表中。

4）扩展节点n。

如果没有后继节点，则转向上述第

（2）步。

5）把n的所有后继节点放到OPEN表的末端，并提供从这些后继节点回到n的指针。

6）如果n的任一个后继节点是个目标节点，则找到一个解答，成功退出；否则转向第

（2）步。

2．给出深度优先搜索算法（流程图或伪代码）

3．若采用深度优先搜索算法，写出到达目标节点K所经历的节点序列

四、论述题

1．论述机器学习的主要策略和基本结构

按照学习中使用推理的多少，机器学习所采用的策略大体上可分为4种———机械学习、传授学习、类比学习和示例学习。

机械学习（死记硬背）

传授学习（灌输；推理、翻译、转化）

类比学习（模仿；寻找相似的案例）

示例学习（举一反三,归纳，抽象）

机械学习就是记忆，是最简单的学习策略。

这种学习策略不需要任何推理过程。

外界输入知识的表示方式与系统内部表示方式完全一致，不需要任何处理与转换。

虽然机械学习在方法上看来很简单，但由于计算机的存储容量相当大，检索速度又相当快，而且记忆精确、无丝毫误差，所以也能产生人们难以预料的效果。

塞缪尔的下棋程序就是采用了这种机械记忆策略。

为了评价棋局的优劣，他给每一个棋局都打了分，对自己有利的分数高，不利的分数低，走棋时尽量选择使自己分数高的棋局。

这个程序可记住53000多棋局及其分值，并能在对弈中不断地修改这些分值以提高自己的水平，这对于人来说是无论如何也办不到的。

比机械学习更复杂的是示教学习策略。

对于使用示教学习策略的系统来说，外界输入知识的表达方式与内部表达方式不完全一致，系统在接受外部知识时需要一点推理、翻译和转化工作。

MYCIN、DENDRAL等专家系统在获取知识上都采用这种学习策略。

类比学习系统只能得到完成类似任务的有关知识，因此，学习系统必须能够发现当前任务与已知任务的相似之点，由此制定出完成当前任务的方案，因此，比上述两种学习策略需要更多的推理。

采用示例学习策略的计算机系统，事先完全没有完成任务的任何规律性的信息，所得到的只是一些具体的工作例子及工作经验。

系统需要对这些例子及经验进行分析、总结和推广，得到完成任务的一般性规律，并在进一步的工作中验证或修改这些规律，因此需要的推理是最多的。

此外，还有基于解释的学习、决策树学习、增强学习和基于神经网络的学习等。

图7.1表示学习系统的基本结构。

环境向系统的学习部分提供某些信息，学习部分利用这些信息修改知识库，以增进系统执行部分完成任务的效能，执行部分根据知识库完成任务，同时把获得的信息反馈给学习部分。

在具体的应用中，环境、知识库和执行部分决定了具体的工作内容，学习部分所需要解决的问题完全由上述3部分确定。

下面分别叙述这3部分对设计学习系统的影响。

影响学习系统设计的最重要因素是环境向系统提供的信息，或者更具体地说是信息的质量。

知识库是影响学习系统设计的第二个因素。

知识的表示有特征向量、一阶逻辑语句、产生式规则、语义网络和框架等多种形式。

选择知识表达方式的四原则：

（1）表达能力强.

（2）易于推理。

（3）容易修改知识库。

（4）知识表示易于扩展。

2．论述经典推理和非经典推理

长期以来，形式逻辑和数理逻辑的研究和应用一直处于主导地位。

然而，这两种逻辑存在一些局限性，无法解决面临的一些应用问题，从而出现了一-些新的逻辑学派。

人们把这些新的逻辑学派称为非经典逻辑，其相应的推理方法则叫做非经典推理。

与此相应地把传统的逻辑学派及其推理方法称为经典逻辑和经典推理。

可从如下5点来说明非经典逻辑和非经典推理与经典逻辑和经典推理的区别:

（1）在推理方法上，经典逻辑采用演绎逻辑推理，而非经典逻辑采用归纳逻辑推理。

（2）在辖域取值上，经典逻辑都是二值逻辑，即只有真（True）和假（False）两种，而非经典逻辑都是多值逻辑，如三值、四值和模糊逻辑等。

（3）在运算法则上，两者也不大相同。

属于经典逻辑的形式逻辑和数理逻辑，它们的许多运算法则在非经典逻辑中就不能成立。

例如，三值逻辑就不遵循谓词逻辑中的双重否定法则---（-P）=p。

又如，狄·摩根定律在-些多值逻辑中也不再成立。

这些例子说明，非经典逻辑背弃了经典逻辑的一些重要特性。

（4）在逻辑算符上，非经典逻辑具有更多的逻辑算符。

例如，谓词逻辑具有∨、∧、→、~、≡5个连词以及∀、∃两个量词。

由这些逻辑算符组成的谓词合式（逻辑）公式，只能回答"什么是真?

"和"什么是假?

"的是非判断问题，而无法处理"什么可能真?

""什么必然假?

''''什么应该真?

""什么允许假?

"之类的问题。

非经典逻辑引用了附加算符（一般叫做模态算符或算子）来解决上述面临的问题。

（5）在是否单调上，两者也截然有别。

经典逻辑是单调的，即已知事实（定理）均为充分可信的，不含随着新事实的出现而使原有事实变为假。

这是人的认识的单调性。

由于现实生活中的许多事实是在人们来不及完全掌握其前提条件下初步认可的，而当客观情况发生变化或人们对客观情况的认识有了深化时，一些旧的认识就可能被修正以至否定。

这就是人的认识的非单调性。

引用非单调逻辑进行非单调推理是非经典逻辑与经典逻辑的又一重要区别。

3．论述人工智能研究的主要方法

长期以来，由于研究者的专业和研究领域的不同以及他们对智能本质的理解有异，因而形成了不同的人工智能学派，各自采用不同的研究方法。

与符号主义、连接主义和行为主义相应的人工智能研究方法为功能模拟法、结构模拟法和行为模拟法。

此外，还有综合这3种模拟方法的集成模拟法。

1.功能模拟法

符号主义学派也可称为功能模拟学派。

他们认为:

智能活动的理论基础是物理符号系统，认知的基元是符号，认知过程是符号模式的操作处理过程。

功能模拟法是人工智能最早和应用最广泛的研究方法。

功能模拟法以符号