人工智能大作业.docx
《人工智能大作业.docx》由会员分享，可在线阅读，更多相关《人工智能大作业.docx（13页珍藏版）》请在冰豆网上搜索。
人工智能大作业
第一章
1.3什么是人工智能？
它的研究目标是什么？
人工智能（ArtificialIntelligence），英文缩写为AI。
它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
研究目标：
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
1.7人工智能有哪几个主要学派？
各自的特点是什么？
主要学派：
符号主义，联结主义和行为主义。
1.符号主义：
认为人类智能的基本单元是符号，认识过程就是符号表示下的符号计算，从而思维就是符号计算；
2.联结主义：
认为人类智能的基本单元是神经元，认识过程是由神经元构成的网络的信息传递，这种传递是并行分布进行的。
3.行为主义：
认为，人工智能起源于控制论，提出智能取决于感知和行动，取决于对外界复杂环境的适应，它不需要只是，不需要表示，不需要推理。
1.8人工智能有哪些主要研究和应用领域？
其中有哪些是新的研究热点？
1.研究领域：
问题求解，逻辑推理与定理证明，自然语言理解，自动程序设计，专家系统，机器学习，神经网络，机器人学，数据挖掘与知识发现，人工生命，系统与语言工具。
2.研究热点：
专家系统，机器学习，神经网络，分布式人工智能与Agent，数据挖掘与知识发现。
第二章
2.8用谓词逻辑知识表示方法表示如下知识：
（1）有人喜欢梅花，有人喜欢菊花，有人既喜欢梅花又喜欢菊花。
三步走：
定义谓词，定义个体域，谓词表示
定义谓词
P（x）：
x是人
L（x,y）：
x喜欢y
y的个体域：
{梅花，菊花}。
将知识用谓词表示为：
（∃x）（P（x）→L（x,梅花）∨L（x,菊花）∨L（x,梅花）∧L（x,菊花））
（2）不是每个计算机系的学生都喜欢在计算机上编程序。
定义谓词
S（x）：
x是计算机系学生
L（x,pragramming）：
x喜欢编程序
U（x,computer）：
x使用计算机
将知识用谓词表示为：
¬（∀x）（S（x）→L（x,pragramming）∧U（x,computer））
2.18请用语义网络表示如下知识：
高老师从3月到7月给计算机系的学生讲“计算机网络”课。
（天气预报框架）
例如有以下一段天气预报：
“哈尔滨地区今天白天多云，雾霾，偏北风≤3级，最高气温9º，最低气温0º，降水概率25%。
”。
Frame<天气预报>
地域：
哈尔并
时段：
今天
天气：
多云
风向：
北风
风力：
＜3级
气温：
0-9°
降水概率：
25%
第三章
3.13（6）判断以下子句是否为不可满足
{P（x）∨Q（x）∨R（x）,﹁P（y）∨R（y）,﹁Q（a）,﹁R（b）}
采用归结反演，存在如下归结树，故该子句集为不可满足。
3.14（3）证明G是F的逻辑结论
F:
（∃x）（∃y）（P（f（x））∧（Q（f（b）））
G:
P（f（a））∧P（y）∧Q（y）
先将F和¬G化成子句集：
S={P（a,b）,¬P（x,b）}
再对S进行归结：
{a/x}
所以，G是F的逻辑结论
3.18设有子句集
{P（x）∨Q（x,b）,P（a）∨﹁Q（a,b）,﹁Q（a,f（a））,﹁P（x）∨Q（x,b）}
请用祖先过滤策略求出其归结式
解：
支持集策略不可用，原因是没有指明哪个子句是由目标公式的否定化简来的。
删除策略不可用，原因是子句集中没有没有重言式和具有包孕关系的子句。
单文字子句策略的归结过程如下：
{b/f（a）}
{a/x}
{b/f（a）}
用线性输入策略（同时满足祖先过滤策略）的归结过程如下：
{a/x}
{a/x}
{b/f（a）}
第四章
4.10何谓估价函数，在估价函数中，g（n）和h（n）各起什么作用？
1.估价函数是用来估计节点重要性的函数。
。
3.g（n）是从初始节点
到节点n的实际代价；
4.h（n）是从节点n到目标节点
的最优路径的估价代价。
4.11设有如下结构的移动将牌游戏：
其中，B表示黑色将牌，W表是白色将牌，E表示空格。
游戏的规定走法是：
（1）任意一个将牌可移入相邻的空格，规定其代价为1；
（2）任何一个将牌可相隔1个其它的将牌跳入空格，其代价为跳过将牌的数目加1。
游戏要达到的目标什是把所有W都移到B的左边。
对这个问题，请定义一个启发函数h（n），并给出用这个启发函数产生的搜索树。
你能否判别这个启发函数是否满足下界要求？
在求出的搜索树中，对所有节点是否满足单调限制？
解：
设h（x）=每个W左边的B的个数，f（x）=d（x）+3*h（x），其搜索树如下：
第五章
5-15用遗传算法求f（x）=x﹒sin（10π﹒x）+1.0的最大值,其中x∈[-1,2]。
（选作）
5-19设有论域
U={u1,u2,u3,u4,u5}
并设F、G是U上的两个模糊集，且有
F=0.9/u1+0.7/u2+0.5/u3+0.3/u4
G=0.6/u3+0.8/u4+1/u5
请分别计算F∩G，F∪G，﹁F。
解：
F∩G=（0.9∧0）/u1+（0.7∧0）/u2+（0.5∧0.6）/u3+（0.3∧0.8）/u4+（0∧1）/u5
=0/u1+0/u2+0.5/u3+0.3/u4+0/u5
=0.5/u3+0.3/u4
F∪G=（0.9∨0）/u1+（0.7∨0）/u2+（0.5∨0.6）/u3+（0.3∨0.8）/u4+（0∨1）/u5
=0.9/u1+0.7/u2+0.6/u3+0.8/u4+1/u5
﹁F=（1-0.9）/u1+（1-0.7）/u2+（1-0.5）/u3+（1-0.3）/u4+（1-0）/u5
=0.1/u1+0.3/u2+0.5/u3+0.7/u4+1/u5
5.21设有如下两个模糊关系：
请写出R1与R2的合成R1οR2。
解：
R（1,1）=（0.3∧0.2）∨（0.7∧0.6）∨（0.2∧0.9）=0.2∨0.6∨0.2=0.6
R（1,2）=（0.3∧0.8）∨（0.7∧0.4）∨（0.2∧0.1）=0.3∨0.4∨0.1=0.4
R（2,1）=（1∧0.2）∨（0∧0.6）∨（0.4∧0.9）=0.2∨0∨0.4=0.4
R（2,2）=（1∧0.8）∨（0∧0.4）∨（0.4∧0.1）=0.8∨0∨0.1=0.8
R（3,1）=（0∧0.2）∨（0.5∧0.6）∨（1∧0.9）=0.2∨0.6∨0.9=0.9
R（3,2）=（0∧0.8）∨（0.5∧0.4）∨（1∧0.1）=0∨0.4∨0.1=0.4
因此有
第六章
6.8设有如下一组推理规则:
r1:
IFE1THENE2（0.6）
r2:
IFE2ANDE3THENE4（0.7）
r3:
IFE4THENH（0.8）
r4:
IFE5THENH（0.9）
且已知CF（E1）=0.5,CF（E2）=0.6,CF（E3）=0.7。
求CF（H）=?
解：
（1）先由r1求CF（E2）
CF（E2）=0.6×max{0,CF（E1）}
=0.6×max{0,0.5}=0.3
（2）再由r2求CF（E4）
CF（E4）=0.7×max{0,min{CF（E2）,CF（E3）}}
=0.7×max{0,min{0.3,0.6}}=0.21
（3）再由r3求CF1（H）
CF1（H）=0.8×max{0,CF（E4）}
=0.8×max{0,0.21）}=0.168
（4）再由r4求CF2（H）
CF2（H）=0.9×max{0,CF（E5）}
=0.9×max{0,0.7）}=0.63
（5）最后对CF1（H）和CF2（H）进行合成，求出CF（H）
CF（H）=CF1（H）+CF2（H）+CF1（H）×CF2（H）
=0.692
6.15设
U=V={1，2，3，4，5}
且有如下推理规则：
IFxis少THENyis多
其中，“少”与“多”分别是U与V上的模糊集，设
少=0.9/1+0.7/2+0.4/3
多=0.3/3+0.7/4+0.9/5
已知事实为
xis较少
“较少”的模糊集为
较少=0.8/1+0.5/2+0.2/3
请用模糊关系Rm求出模糊结论。
Rm（1,1）=（0.9∧0）∨（1-0.9）=0.1
Rm（1,2）=（0.9∧0.3）∨（1-0.9）=0.3
Rm（1,3）=（0.9∧0.7）∨（1-0.9）=0.7
Rm（1,4）=（0.9∧0.9）∨（1-0.9）=0.7
Rm（2,1）=（0.7∧0）∨（1-0.7）=0.3
Rm（2,2）=（0.7∧0.3）∨（1-0.7）=0.3
Rm（2,3）=（0.7∧0.7）∨（1-0.7）=0.7
Rm（2,4）=（0.7∧0.9）∨（1-0.7）=0.7
Rm（3,1）=（0.4∧0）∨（1-0.4）=0.6
Rm（3,2）=（0.4∧0.3）∨（1-0.4）=0.6
Rm（3,3）=（0.4∧0.7）∨（1-0.4）=0.6
Rm（3,4）=（0.4∧0.9）∨（1-0.4）=0.6
Rm（4,1）=（0∧0）∨（1-0）=1
Rm（4,2）=（0∧0.3）∨（1-0）=1
Rm（4,3）=（0∧0.7）∨（1-0）=1
Rm（3,4）=（0∧0.9）∨（1-0）=1
即：
因此有（y应为小写）
即，模糊结论为：
Y’={0.3,0.3,0.7,0.8}
第七章
7.9假设w1（0）=0.2,w2（0）=0.4,θ（0）=0.3,η=0.4，请用单层感知器完成逻辑或运算的学习过程。
解：
根据“或”运算的逻辑关系，可将问题转换为：
输入向量：
X1=[0,0,1,1]
X2=[0,1,0,1]
输出向量：
Y=[0,1,1,1]
由题意可知，初始连接权值、阈值，以及增益因子的取值分别为：
w1（0）=0.2,w2（0）=0.4,θ（0）=0.3，η=0.4
即其输入向量X（0）和连接权值向量W（0）可分别表示为：
X（0）=（-1,x1（0）,x2（0））
W（0）=（θ（0）,w1（0）,w2（0））
根据单层感知起学习算法，其学习过程如下：
设感知器的两个输入为x1（0）=0和x2（0）=0，其期望输出为d（0）=0，实际输出为：
y（0）=f（w1（0）x1（0）+w2（0）x2（0）-θ（0））
=f（0.2*0+0.4*0-0.3）=f（-0.3）=0
实际输出与期望输出相同，不需要调节权值。
再取下一组输入：
x1（0）=0和x2（0）=1，其期望输出为d（0）=1，实际输出为：
y（0）=f（w1（0）x1（0）+w2（0）x2（0）-θ（0））
=f（0.2*0+0.4*1-0.3）=f（0.1）=1
实际输出与期望输出相同，不需要调节权值。
再取下一组输入：
x1（0）=1和x2（0）=0，其期望输出为d（0）=1，实际输出为：
y（0）=f（w1（0）x1（0）+w2（0）x2（0）-θ（0））
=f（0.
升级会员 