人工智能总结矿大版东哥.docx

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

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，