人工智能(全套课件739P).ppt

人工智能(全套课件739P).ppt

《人工智能(全套课件739P).ppt》由会员分享，可在线阅读，更多相关《人工智能(全套课件739P).ppt（24页珍藏版）》请在冰豆网上搜索。

这里“行动”应广义地理解为采取行动，或制定行动的决策，而不是肢体动作物质的本质，宇宙的起源，生命的本质，智能的产生从智能产生的认知过程来理解：

人脑的智能都是某种心理活动或思维过程的结果；从智能的外在表现来理解：

智能是人类和一些动物所特有的在解决具体问题时所表现出的智力或行为能力。

实际上现在的计算机都很难通过图灵测试。

利用计算机难以通过图灵测试的特点，可以解决一些难以解决的问题。

比如为了防止利用程序对网络系统进行恶意攻击，在系统登录的时候要判断登录者是机器还是人。

这是一件困难的事情，但是有人逆向地利用图灵测试，非常巧妙地解决了这一问题。

在登录界面上，系统随机地产生一些变形的英文单词，并加上比较复杂的背景。

在登录的时候，要求回答这些符号是什么，只有当正确输入这些单词的时候，系统才允许登录。

由于目前的模式识别技术难以正确识别复杂背景下变形比较验证的单词，而人类却很容易做到。

这样就巧妙解决了判断登录者是人还是机器的问题。

1974尼尔逊划分体系巴贝奇在1812/1813年初次想到用机械来计算数学表；后来，制造了一台小型计算贝奇的计算器贝奇的计算器机，能进行8位数的某些数学运算。

1823年得到政府的支持，设计一台容量为20位数的计算机。

它的制造要求有较高的机械工程技术。

于是巴贝奇专心从事于这方面的研究。

他于1834年发明了分析机（现代电子计算机的前身）的原理。

在这项设计中，他曾设想根据储存数据的穿孔卡上的指令进行任何数学运算的可能性，并设想了现代计算机所具有的大多数其他特性，但因1842年政府拒绝进一步支援，巴贝奇的计算器未能完成。

斯德歌尔摩的舒茨公司按他的设计于1855年制造了一台计算器。

便真正的计算机则至到电子时代才制成。

巴贝奇在24岁时就被选为英国皇家学会会员。

他参与创建了英国天文学会和统计学会，并且是天文学会金质奖章获得者。

他还是巴黎伦理科学院、爱尔兰皇家学会和美国科学学院的成员图灵1945年他在为英国ACE计算机提出一份长达50页的设计说明书中，进一步阐述了他对电子数字计算机的设计思想，但这些思想在当时并未被采纳，直到1977年应用计算机学报才透露说图灵1945年设计思想的21种特点中，已有15种由别人重新提出并在机器上实现了，如变址寄存器，微程序设计，虚拟存贮器。

为找到最优解，可增设一个表（G），每找到一个目标节点Sg后，就把它放入到G的前边，并令dm等于该目标节点所对应的路径长度，然后继续搜索。

由于后求得的解的路径长度不会超过先求得的解的路径长度，所以最后求得的解一定是最优解。

f（n）中的g（n）有利于搜索的横向发展（因为g（n）越小，说明节点n越靠近初始节点S0），因而可提高搜索的完备性，但影响搜索效率；h（n）则有利于搜索的纵向发展（h（n）越小，说明节点n越接近于目标节点），因而可提高搜索效率，但影响完备性，所以f（n）是一个折中。

当在确定f（n）时，要权衡利弊，使g（n）与h（n）的比重适当。

可将f（n）=g（n）+wh（n），通过调整w的值，使结果偏重效率或偏重完备性。

H（x）对解得信息的估计，在估计信息合理的情况下，提高效率在博弈问题中，着重考虑对未来信息的估计，看重h（x），在规划问题中注重已经付出的代价，着重g（x）分支界限法具有完备性和可采纳性H（x）不同的问题启发函数的定义不同，相同的问题也可以定义出不同的启发函数建议放到全局择优后最大代价法适用场合：

安装多个路灯需要梯子的高度，等于最高处路灯的高度设初始节点为S0，每次扩展两层，并设S0经扩展后得到如图416（a）所示的与或树，其中子节点B，C，E，F用启发函数估算出的g值分别是g（B）=3，g（C）=3，g（E）=3，g（F）=2若按和代价计算，则得到g（A）=8，g（D）=7，g（S0）=8（注:

这里把边代价一律按1计算，下同。

）此时，S0的右子树是希望树。

下面将对此希望树的节点进行扩展。

设对节点E扩展两层后得到如图（b）所示的与或树，节点旁的数字为用启发函数估算出的g值。

则按和代价法计算得到g（G）=7,g（H）=6,g（E）=7,g（D）=11此时，由S0的右子树算出的g（S0）=12。

但是，由左子树算出的g（S0）=9。

显然，左子树的代价小，所以现在改取左子树作为当前的希望树。

假设对节点B扩展两层后得到如图416（c）所示的与或树，节点旁的数字是对相应节点的估算值，节点L的两个子节点是终止节点，则按和代价法计算得到g（L）=2,g（M）=6,g（B）=3,g（A）=8由此可推算出g（S0）=9。

这时，左子树仍然是希望树，继续对其扩展。

该扩展节点C。

g（G）=7,g（H）=6,g（E）=7,g（D）=11此时，由S0的右子树算出的g（S0）=12。

但是，由左子树算出的g（S0）=9。

显然，左子树的代价小，所以现在改取左子树作为当前的希望树。

假设节点C扩展两层后得到如图（d）所示的与或树，节点旁的数字是对相应节点的估算值，节点N的两个子节点是终止节点。

按和代价计算得到由此可推算出g（S0）=9。

另外，由于N的两个子节点都是终止节点，所以N和C都是可解节点。

再由前面推出的B是可解节点，可推出A和S0都是可解节点。

这样就求出了代价最小的解树，即最优解树图416（d）中粗线部分所示。

该最优解树是用和代价法求出来的，解树的代价为9。

g（N）=2,g（P）=7,g（C）=3,g（A）=8囚徒困境的故事讲的是，两个嫌疑犯作案后被警察抓住，分别关在不同的屋子里接受审讯。

警察知道两人有罪，但缺乏足够的证据。

警察告诉每个人：

如果两人都抵赖，各判刑一年；如果两人都坦白，各判八年；如果两人中一个坦白而另一个抵赖，坦白的放出去，抵赖的判十年。

于是，每个囚徒都面临两种选择：

坦白或抵赖。

然而，不管同伙选择什么，每个囚徒的最优选择是坦白：

如果同伙抵赖、自己坦白的话放出去，不坦白的话判一年，坦白比不坦白好；如果同伙坦白、自己坦白的话判八年，不坦白的话判十年，坦白还是比不坦白好。

结果，两个嫌疑犯都选择坦白，各判刑八年。

如果两人都抵赖，各判一年，显然这个结果好。

但这个帕累托改进办不到，因为它不能满足人类的理性要求。

囚徒困境所反映出的深刻问题是，人类的个人理性有时能导致集体的非理性聪明的人类会因自己的聪明而作茧自缚。

例子未改，书上例3.11dolphinSLD（有选择的线性）归结（有选择的线性）归结确定性理论是肖特里菲等在1975年提出的一种不精确推理模型，在专家系统MYCIN中得到了应用。

（3）词性歧义，如：

这只会测水温的鸭子，挺有用的。

这只会测水温的鸭子，没什么用。

第一句“只”是量词，第二句“只”是副词。

（4）句法结构歧义，如：

咬死了猎人的狗。

有两种结构，咬死了猎人的狗。

咬死了猎人的狗。

“”“”括起来的部分优先结合。

三个大学的老师。

有两种结构，三个大学的老师，“三个”修饰“大学”。

三个大学的老师，“三个”修饰“老师”。

（5）词义歧义，如：

他说：

“她这个人真有意思（funny）”。

她说：

“他这个人真怪有意思（funny）的”。

于是人们以为他们有了那种意思（wish），并让他向她意思意思（express）。

他火了：

“我根本没有那个意思（thought）”！

她也生气了：

“你们这么说是什么意思（intention）”？

事后有人说，“真有意思（funny）”。

也有人说：

“真没意思（nonsense）”。

（原文见生活报1994.11.13.第六版）“意思”这个词有多个义项，区分每一次出现到底是哪个义项（括号中的英文代表该义项）就是一个歧义消解的过程。

（5）词义歧义，如：

他说：

“她这个人真有意思（funny）”。

她说：

“他这个人真怪有意思（funny）的”。

于是人们以为他们有了那种意思（wish），并让他向她意思意思（express）。

他火了：

“我根本没有那个意思（thought）”！

她也生气了：

“你们这么说是什么意思（intention）”？

事后有人说，“真有意思（funny）”。

也有人说：

“真没意思（nonsense）”。

（原文见生活报1994.11.13.第六版）“意思”这个词有多个义项，区分每一次出现到底是哪个义项（括号中的英文代表该义项）就是一个歧义消解的过程。

一词多义在各种语言中都是非常普遍的现象。

如，英语中的bank，意思可以是银行，也可以是河岸。

汉语中的“打”，仅动词义项就25个，还能用作介词和量词。

词义消歧是让计算机根据上下文语境自动确定词语用的是哪一个义项。

例如，“仪表”这个词在现代汉语词典（第5版）中有两个义项：

（1）人的外表（包括容貌、姿态、风度等，指好的）：

堂堂

（2）测定温度、压力、电量等各种物理量的仪器。

词义消歧就是确定下面两句话中的“仪表”分别属于哪一个义项。

（1）我国仪器仪表事业取得了长足的发展。

（2）酒店要求服务员仪表端庄大方。

第一句中“仪表”跟“仪器”一起出现，属于义项2。

第二句中“仪表”修饰的是人，因此属于义项1。

计算机实现词义消歧一般需要词义知识库的支持，以说明词语有几个义项，每一个义项的定义等知识。

另外，基于统计的词义消歧还需要词义标注语料库的支持。