人工智能总结矿大版东哥.docx
《人工智能总结矿大版东哥.docx》由会员分享,可在线阅读,更多相关《人工智能总结矿大版东哥.docx(6页珍藏版)》请在冰豆网上搜索。
![人工智能总结矿大版东哥.docx](https://file1.bdocx.com/fileroot1/2022-11/18/d2fd8967-5a27-49be-9631-49bd82dc25ea/d2fd8967-5a27-49be-9631-49bd82dc25ea1.gif)
人工智能总结矿大版东哥
Preparedon21November2021
人工智能总结矿大版东哥
第一章
人工智能主要研究学派:
符号主义:
强调物理符号系统,思维过程是富符号模式的处理过程。
(适合逻辑思维,不适合形象思维)连接主义:
又称仿生学派,强调神经元的运作。
(不适合逻辑思维,适合形象思维)行为主义:
智能行为的基础是“感知-行动”,是在与环境的交互作用中表现出来的。
(只能模仿昆虫行为)
人工智能的主要研究领域:
机器学习、问题求解、专家系统、模式识别、自然语言处理、智能决策支持系统、人工神经网络、自动定理证明、机器人学
第二章:
知识:
人类认识自然界的精神产物,是人类进行智能活动的基础(按作用分:
描述性知识、判断性知识、过程性知识;按作用层次:
对象级知识、元级知识)
表示:
为描述世界所做的一组约定,是把知识符号化的过程
对知识表示要求:
(表示能力、可理解性、便于知识获取、便于搜索、便于推理)或(表示能力、可理解性、可访问性、可扩充性)
知识表示方法:
叙述性表示(知识、控制分开,控制部分留给计算机。
逻辑性强推理效率低)过程性表示(知识与控制结合,推理效率高)
知识表示:
是数据结构及其处理机制的综合;知识表示=符号(结构)+处理机制
基本的知识表示方式
(1)谓词逻辑
(2)产生式(3)语义网络(4)框架(5)脚本(6)状态空间(7)面向对象的知识
谓词逻辑(命题逻辑:
具有真假意义的陈述句谓词逻辑:
根据对象和对象上的谓词,通过使用连接词和量词来表示世界)
命题——不包含变量的谓词公式和逻辑语句;
命题逻辑——基于命题的谓词逻辑称为命题逻辑,命题逻辑是谓词逻辑的子集。
命题逻辑、谓词逻辑区别:
命题具有较大的局限性,它无法把它所描述的客观事物的结构及逻辑特征反映出来,也不能把不同事物的共同特征描述出来
谓词逻辑适用范围:
适合于表示事物的状态、属性、概念等事实性知识(析取符号:
V合取符号:
∧),或表示事物间具有确定因果关系的规则性知识(蕴涵符号:
→)。
一阶谓词逻辑表示法的特点
优点
(1)严密性
(2)自然性(3)通用性(4)知识易表达(5)易于实现;缺点:
(1)效率低
(2)灵活性差(3)组合爆炸
产生式规则通常用于表示事物间的因果关系;(适用于事实性知识、规则性知识)
【规则分类】①前提-结论型②条件-动作型:
(确定性规则、不确定性规则)
产生式系统的组成把一组产生式放在一起,让他们互相配合,协同作用,一个产生式生成的结论可以供另一个产生式作为已知事实使用,以求得问题的解决,这样的系统称为产生式系统。
基本组成部分
规则库:
用于描述某领域内知识的产生式集合,是某领域知识(规则)的存储器,其中的规则是以产生式形式表示的。
综合数据库(事实库)用于存放输入的事实、从外部数据库输入的事实以及中间结果(事实)和最后结果的工作区。
推理机:
是一个或一组程序,用来控制和协调规则库与综合数据库的运行,包含了推理方式和控制策略。
(匹配、冲突解决、操作)
产生式系统推理机的推理方式:
正向推理(数据驱动方式、自底向上的方式):
从已知事实出发,通过规则库求得结论:
反向推理(目标驱动方式、自顶向下的方式):
从目标(作为假设)出发,反向使用规则,求得已知事实;双向推理(既自顶向下又自底向上):
从两个方向同时进行,直至某个中间界面上两方向结果相符便成功结束
产生式特点:
(1)清晰性
(2)模块性(3)自然性;缺点:
难以扩展;规律选择效率低;控制策略不灵活;知识表示形式单一
语义网络:
描述事物间关系的有向图
AKO(A-Kind-of):
表示一个事物是另一个事物的一种类型。
ISA(Is-a):
表示一个事物是另一个事物的实例。
每个学生都学习了一门外语
语义网络特点
(1)结构性
(2)联想性(3)自索引性(4)自然性(5)非严格性
框架的一般表示结构
框架由描述事物各个方面属性的槽(slot)组成
框架更强调表示事物的内部结构;
语义网络节点更强调表示事物间的关系;
第三章
两大类搜索技术:
1、一般图搜索、启发式搜索2、基于问题归约的与或图搜索
两种典型的推理技术:
1、基于归结的演绎推理(归结反演)2、基于规则的演绎推理(正向演绎推理、逆向演绎推理)
搜索策略4大准则:
(1)完备性
(2)时间复杂性(3)空间复杂性(4)最优性
OPEN-存放待展扩节点的表;CLOSE-存放已被扩展的节点的表;
宽度优先(基本思想)——扩展当前节点后生成的子节点总是置于OPEN表的后端,即OPEN表作为队列使用,先进先出,使搜索优先向横广方向发展。
优缺点:
时间、空间复杂度高,搜索效率低,具有完备性、最优性;深度优先(基本思想)——扩展当前节点后生成的子节点总是置于OPEN表的前端,即OPEN表作为栈使用,后进先出,使搜索优先向纵深方向发展。
优缺点:
与宽度优先相反
盲目搜索共同优缺点:
(1)直接应用一般图搜索算法实现,简单易行
(2)节点排序的盲目性
提高一般图搜索效率的关键:
优化OPEN表中节点的排序方式
启发式搜索:
在搜索过程中加入了与问题有关的启发式信息,用于指导搜索朝着最有希望的方向前进,加速问题的求解并找到最优解。
A算法评价函数f(n)=g(n)+h(n);h(n):
启发式函数
n-搜索图G中最短解答路径的节点;
f(n)-s经节点n到ng的实际最短解答路径的路径代价;
g(n)-该路径前段(从s到n)的路径代价;
h(n)-该路径后段(从n到ng)的路径代价
可采纳性(最优性):
若一个搜索算法总能找到最短的解答路径
问题规约:
是由初始问题出发,运用操作算子产生一些子问题,对子问题再运用操作算子产生子问题的子问题,这样一直进行到产生的问题均为本原问题,则问题得解。
算法AO*与A*的比较
(1)AO*:
解图——A*:
解答路径
(2)AO*:
估计代价最小的局部解图加以优先扩展——A*:
OPEN表中f(n)最小的节点(3)AO*:
只考虑评价函数f(n)=h(n)——A*:
同时计算分量g(n)和h(n)(4)AO*:
应用LGS存放待扩展局部解图,并依据fi(n0)值排序——A*:
应用OPEN表和CLOSE表分别存放待扩展节点和已扩展节点,并依据f(n)值排序OPEN表。
博弈:
二人零和:
只有“敌、我”二方,双方的利益完全对立,其赢得函数之和为零;全信息:
博弈双方都了解当前的格局及过去的历史;非偶然:
博弈双方都可根据得失大小进行分析,选取我方赢得最大,敌方赢得最小的对策,而不是偶然的随机对策
极大极小过程MINMAX基本思想:
(1)当轮到MIN走步的节点时(取与时),MAX应考虑最坏的情况(即f(p)取极小值)。
(2)当轮到MAX走步的节点时(取或时),MAX应考虑最好的情况(即f(p)取极大值)。
(3)评价往回倒推时,相应于两位棋手的对抗策略,交替使用
(1)和
(2)两种方法传递倒推值。
α-β过程就是把生成后继和倒推值估计结合起来,及时剪掉一些无用分支,以此来提高算法的效率。
第四章
推理:
按某种策略由已知判断推出另一判断的思维过程
推理由程序程序实现,称为推理机
按判断推出的途径来划分:
演绎推理、归纳推理、默认推理
按推理时所用知识的确定性来划分:
确定性推理、不确定性推理
按推理过程中推出的结论是否单调地增加,或推出的结论是否越来越接近目标:
单调推理、非单调推理
演绎推理:
从全称判断推导出特称判断或单称判断的过程(三段论式:
大前提:
已知的一般性知识或假设;小前提:
关于所研究的具体情况或个别事实的判断;结论:
由大前提推出的适合于小前提所示情况的新判断)
归纳推理:
足够多的事例中归纳出一般性结论的推理过程,是一种从个别到一般的推理
默认推理(缺省推理):
在知识不完全的情况下假设某些条件已经具备所进行的推理
推理控制策略:
推理方向(正向推理、逆向推理、混合推理、双向推理)搜索策略、冲突消解策略(就近原则、已知事实的新鲜性、匹配度、领域问题特点、上下文限制、条件个数、
规则的次序)、求解策略、限制策略
自然演绎推理:
从一组已知的事实出发,直接运用命题逻辑或谓词逻辑中的推理规则推出结论的过程。
假言推理P,P→Q=>Q(避免肯定后件(Q)的错误)
拒取式推理Q,P→Q=>P(避免否定前件(P)的错误)
假言三段论:
P→Q,Q→R=>P→R
自然演绎推理优点:
定理证明过程自然,容易理解,而且它拥有丰富的推理规则,推理过程灵活,便于在它的推理规则中嵌入领域启发式知识。
缺点:
容易产生组合爆炸,推理过程中得到的中间结论一般呈指数形式递增。
合适公式的性质:
否定之否定(P)P;蕴涵式转化PQP∨Q;狄摩根定律(P∨Q)P∧Q、(P∧Q)P∨Q;分配律P∧(Q∨R)(P∧Q)∨(P∧R)、P∨(Q∧R)(P∨Q)∧(P∨R);交换律P∨QQ∨P、P∧QQ∧P;结合律(P∧Q)∧RP∧(Q∧R)、 (P∨Q)∨RP∨(Q∨R);逆否律PQQP;量词否定(x)P(x)(x)(P(x))、(x)P(x)(x)(P(x));量词分配(x)[P(x)∧Q(x)](x)P(x)∧(x)Q(x)、(x)[P(x)∨Q(x)](x)P(x)∨(x)Q(x)
合取范式的标准化过程①消去多余的量词(很少出现)②消去蕴涵符号③内移否定符号④变量换名⑤消去存在量词(Skolem变换)⑥全称量词前束化⑦消去全称量词⑧把母式转化为合取范式
归结反演的基本思路:
要从作为事实的公式集F证明目标公式W为真;①先将W取反~W,加入公式集F;②标准化F∧~W为子句集S;③通过归结演绎证明S不可满足,得出W为真的结论。
第五章
3种不确定推理方法(不同的确定性程度定义):
主观Bayes方法;可信度方法;证据理论
主观Bayes:
LS——充分性因子=1:
O(Q/P)=O(Q),P对Q无影响;>1:
O(Q/P)>O(Q),P支持Q;<1:
O(Q/P)LN——必要性因子=1:
O(Q/﹁P)=O(Q),﹁P对Q无影响;>1:
O(Q/﹁P)>O(Q),﹁P支持Q;
<1:
O(Q/﹁P)可信度定义:
CF(H)=CF(H,E)×max{0,CF(E)}
总结不确定性的组合
【1】CF1(H)≥0,CF2(H)≥0
CF(H)=CF1(H)+CF2(H)-CF1(H)×CF2(H)
【2】CF1(H)<0,CF2(H)<0
CF(H)=CF1(H)+CF2(H)+CF1(H)×CF2(H)
【3】CF1(H)与CF2(H)异号
信任函数Bel
Bel(A)=A的所有子集B的基本概率m(B)之和;
Bel(A)表示当前证据下,假设集A的综合信任度;
②似然(真)函数Pl
似然函数又称为不可驳斥函数或上限函数,Pl(A)表示对A为非假的信任度。
Pl({红})=1-Bel(┐{红})=1-Bel({黄,蓝})
类概率函数
其中|A|、|Ω|分别表示A和Ω中包含元素的个数。
第六章
人类智能根本特征:
学习能力;使机器具有智能的根本途径:
机器学习
学习:
是一个有特定目的的知识获取和能力增长的过程。
内在行为:
获得知识、积累经验、发现规律;外部表现:
改进性能、适应环境、实现自我完善
机器学习:
一门研究机器获取新知识和技能,并识别现有知识的学科。
机器学习系统特点
(1)具有适当的学习环境
(2)具有一定的学习能力(3)能用所学的知识解决问题(4)能提高系统的性能
学习系统的基本结构:
环境、知识库、学习环节、执行环节
知识表达方式要求
(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
机器学习采用策略
(1)机器学习
(2)示教学习(3)类比学习(4)示例学习
归纳学习:
是应用归纳推理进行学习的一种学习方法,