人工智能.docx
《人工智能.docx》由会员分享，可在线阅读，更多相关《人工智能.docx（10页珍藏版）》请在冰豆网上搜索。
人工智能
第一章
1.什么是人工智能？
它有哪些特点？
它的研究目的是什么？
答：
人工智能就是用人工的方法在机器（计算机）上实现的智能；或者说是人们使用机器模拟人类智能。
由于人工智能是在机器上实现的，因此又可称之为机器智能。
研究内容：
如何从现实世界中获取知识、如何将已获得的知识以计算机内部代码的形式表示加以合理的表示以存储，以及如何运用这些知识进行推理以解决实际问题，即知识的获取、知识的表示和运用知识进行推理是人工智能学科主要研究的3个主要问题。
2.人工智能是何时、何地、怎么诞生的？
答：
人工智能于1956年夏季在美国达特茅斯（Dartmouth）大学诞生。
3.人工智能有哪些主要研究领域？
答：
目前，人工智能研究及应用领域很多，大多是结合具体领域进行的，主要有问题求解、专家系统、机器学习、模式识别、自动定论证明、自然语言解释、人工神经网络、机器人学、智能信息检索、智能控制等。
4.人工智能有哪几个主要学派？
各自特点是什么？
答：
从人工智能的研究途径来看，目前主要有3种观点。
第一种观点主张运用计算机科学的方法进行人工智能的研究，通过研究逻辑演绎在计算机上的实现方法，实现人类智能在计算机上的模拟，称为符号主义。
第二种观点主张用仿生学的方法进行研究，通过研究人脑的工作模式，搞清楚人类智能的本质，称为联结主义。
第三种观点主张应用进化论的思想进行人工智能的研究，通过对外界事物的动态感知与交互，是计算机智能模拟系统逐步进化，提高智能水平，称为行为主义。
5.什么是以符号处理为核心的方法？
答：
符号主义学派的研究方法是以符号处理为核心，通过处理来模拟人类求解问题的心理过程。
研究的内容就是基于逻辑的知识表示和推理机制。
基于逻辑知识表示方法的研究主要是研究如何用谓语逻辑表示知识，而这种知识是一种确定性知识。
6.什么是以网络连接为主的连接机制方法？
答：
联结主义学派的研究方法是以网络连接为主的连接机制方法，属于非符号处理范畴，所研究的内容实际就是神经网络。
第二章
1.什么是知识？
它有哪些特性？
有哪几种分类方法？
答：
知识是人们把实践中获得的信息关联在一起所形成的信息结构，是构成智能的基础。
知识是用信息表达的，信息则是数据表达的。
有格式的数据经过处理、解释过程会形成信息，而把有关的信息关联到一起，经过处理就形成了知识。
知识的特性有：
相对正确性、不确定性、可表示性、可利用性
对知识分类有如下几种方法：
（1）以知识的应用范围来划分：
常识性知识和领域性知识
（2）就知识的作用及表示来划分：
事实性知识、规则性知识、控制性知识和元知识
（3）以知识的确定性划分：
确定知识和不确定知识
（4）按照人类思维及认识方法来分：
逻辑性知识和形象性知识
2.何谓知识表示？
在选择知识的表示方法时，应该考虑哪些主要因素？
答：
知识表示是研究用机器表示知识的可行性、有效性的一般方法，是一种数据结构与控制结构的统一体，既考虑知识的存储又考虑知识的使用。
知识表示实际就是对人类知识的一种描述，以人类知识表示成计算机能够处理的数据结构。
对知识进行表示的过程就是把知识编码成某种数据结构的过程。
在选择知识表示方法时，应该考虑以下几个因素：
（1）是否能充分表示相关的领域知识。
（2）是否有利于对知识的利用。
（3）是否便于对知识的组织、维护和管理。
（4）是否有利于理解和实现。
3.一阶谓词逻辑表示法适合于表示哪种类型的知识？
它有哪些特点？
叙述其步骤？
答：
一阶谓词逻辑表示法适合于表示确定性知识。
它具有自然性、确定性、严密性以及易实现等特点。
步骤如下：
（1）定义谓词及个体，确定每个谓词及个体的确切含义。
（2）根据所要表达的事物或概念，为每个谓词中的变元赋予特定的值。
（3）根据所要表达的知识的语义，用适当的连接符号将各个谓词连接起来，形成为此公式。
4.产生式的基本形式是什么？
何谓产生式系统？
它有哪几部分组成？
产生式系统中，推理机的推理方式有哪几种？
在产生式推理过程中，如果发生策略冲突，如何解决？
答：
产生式的基本形式是P→Q或者IFPTHENQ
其中P是产生式的前提，用于指出该产生式是否可用的条件；Q是一组结论或操作，用于指出前提。
把一组产生式放在一起，让它们互相配合，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，这样的系统成为产生式系统。
产生式系统一般由3个基本部分组成：
规则库、综合数据库和推理机。
产生式系统推理机的推理方式有正向推理、反向推理和双向推理3种。
在产生式推理过程中，如果发生规则冲突，则要利用冲突解决策略进行启用规则的选择，专一性排序、规则排序、规模排序、和就近排序等。
5.何谓语义网络？
语义网路表示法的特点是什么？
语义网络表示法与产生表示法、谓词逻辑答：
表示法之间的关系如何？
（见练习册）
语义网络是通过概念及其语义关系来表示知识的一种网络图，它是一个带标注的有向图。
其中有向图的各节点用来表示各种概念、事物、属性、情况、动作、状态等，节点上的标注用来区分各个节点所表示的不同对象，每个节点可以带有若干个属性，以表征其所代表的对象之特性；弧是有方向的、有标注的，方向用来体现节点间的主次关系，而其上的标注则表示被连接的两个节点间的各种语义联系或语义关系。
特点：
结构性、自然性、联想性、非严格性。
6.何谓框架？
框架的一般表示形式是什么？
框图表示法有何特点？
请叙述框图表示法表示知识的步骤。
答：
框架是一种描述所论对象属性的数据结构。
所论的对象可以是一个事物、一个事件或者一个概念。
框架一般可表示成如下形式：
框架名
<槽名1>
<侧面11>
<值111>…<值11k1>
...
<侧面1n1>
<值1n11>…<值1n1kn1>
<槽名2>
<侧面12>
<值121>…<值1211>
...
<侧面1n2>
<值1n21>…<值1n2kn2>
…
特点：
（1）结构性。
框架表示法最突出的特点是他善于表达结构性的知识，能够把知识的内部结构关系及知识间的联系表示出来，是一结构化的知识表示方法。
（2）继承性。
在框架网络中，下层框架可以继承上层框架的槽值，也可以进行补充和修改，这样不仅减少了知识的冗余，而且较好的保证了知识的一致性。
（3）自然性。
框架表示法体现了人们观察事物时的思维活动，与人们的知识活动是一致的。
步骤：
（1）分析待表达知识中的对象及其属性，对框架中槽进行合理设置
（2）对各对象间的各种联系进行考察。
使用一些常用的或根据具体需要定义一些表达关系的槽名，来描述上下层框架间的联系。
（3）对各层对象的“槽”及“侧面”进行合理的组织安排，避免信息描述的重复。
7.什么是状态空间？
状态空间是怎样构成的？
步骤。
答：
由表示一个问题的全部状态及一切可用算符构成的集合称为该问题的状态空间。
它一般由3部分构成：
问题的所有可能出事状态集合S；算符集合F；目标状态集合G。
即（S,F,G）表示问题的状态空间。
步骤：
（1）定义状态的描述形式
（2）用所定义的状态描述形式吧问题的所有可能的状态都表示出来，并确定问题的厨师状态集合描述和目标状态集合描述。
（3）定义一组算符。
使得利用这组算符可把问题由一种状态转变成为另一种状态。
第三章
1.什么是范式？
写出前束型范式与Skolem范式的形式。
答：
范式就是标准型。
谓词演算中，一般由两种范式，一种叫前束型范式，另一种叫Skolem范式。
一个谓词公式，如果它的所有量词均非否定地出现在公式的最前面，且它的辖域一直延伸到公式之末，同时公式中不出现连接词→和↔,这种形式的公式称作前束型范式。
它的一般形式
（Q1x1）（Q2x2）…（Qnxn）M（x1x2…xn）
其中，Qi（i=1,2,…n）是存在量词或全称量词，母式M（x1x2…xn）不含有量词。
从前束型范式中消去全部存在量词所得到的公式称为Skolem标准型，它的一般形式是
（Vx1）（Vx1）…（Vx1）M（x1x2…xn）
2.什么是推理？
推理的方法及分类。
答：
推理是指从已知事实出发，运用已掌握的知识，推导出其中蕴含的事实性结论或归纳出某些新的结论的过程。
推理所用的事实可分为两种情况，一种是与求解问题有关的厨师证据；另一种是推理过程中所的中间结论，这些中间结论可以作为进一步推理的已知事实或证据。
按照推理的逻辑基础分类：
演绎推理（从一般到特殊）、归结推理（从特殊到一般）、默认推理（从假设出发推理）
按所用知识的确定性分类：
确定性推理和不确定性推理。
按推理过程的单调性：
单调推理（不存在知识加入的反复）或非单调推理（从假设出发，可能存在反复情况）
3.推理的控制策略包含哪些？
推理冲突消除策略有哪些？
答：
推理的控制策略包含正向推理、反向推理和混合推理
推理冲突消除策略包括按就近原则排序、按知识特殊性排序、按上下文限制排序、按知识的新鲜性排序、按知识的差异性排序、按领域问题的特点排序、按规则的次序排序、按前提条件的规模排序等。
4.归结控制策略包含哪些?
答：
归结策略大致可以分为两大类：
删除策略和限制策略
归结控制策略包含删除策略（纯文字删除法、重言式删除法、包孕删除法）、线性归结策略、单文字（单元）归结策略、输入归结策略
第四章
1.什么是不确定性推理？
有哪几类不确定性推理方法？
不确定性推理中需要解决的基本问题有哪些？
答：
所谓不确定性推理即使指从具有不确定性的证据出发，运用知识（或规则）库中的不确定性知识，最终推出具有一定程度的不确定性，但却是合理的或近乎合理的结论的思维过程。
目前，不确定推理方面可以分为两大类：
一类称为模型方法、另一类称为控制方法
不确定性推理中需要解决的基本问题有：
不确定性的表示问题，包括不确定性证据的表示和不确定性知识的表示；不确定性的推理计算问题，包括不确定性的传递计算算法、组合证据不确定性算法和结论不确定性更新或合成算法；不确定性的度量问题，也就是用一定的数值来表示知识、证据和结论的不确定程度是，这种数值的取值方法和取值范围。
第五章
1.什么是搜索？
有哪两大类不同的搜索方法？
两者区别是什么？
答：
搜索时一种求解问题的方法，是寻找从问题初始事实到最终答案的推理路线的一种过程。
利用这种方法在求解问题时，要按照一定的策略，从知识库中寻找可利用的知识，从而构造出一条是问题获得解决的推理路线。
有两大类搜索方法：
盲目搜索和启发式搜索。
盲目搜索又称无信息搜索，在搜索过程中，只按照预先规定的搜索控制策略进行搜索，而没有任何中间信息来改变这些控制策略，即问题本身的特性对搜索控制策略没有任何影响，搜索带有盲目性，效率不搞。
而启发式搜索又称有信息搜索，它是指在搜索求解过程中，根据问题本身的特性或搜索过程中产生的一些信息来不断地改变或调整搜索方向，使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。
启发式搜索的求解效率更高，更易于求解复杂问题。
2.用状态空间法表示问题时，什么是问题的解？
求解过程的本质是什么？
什么是最优解？
最优解唯一吗？
答：
用状态空间法表示问题时，问题的解就是有向图中从某一节点（初始状态节点）到另一节点（目标状态节点）的路径。
求解过程的本质就是对状态空间图的搜索，即在状态空间图上寻找一条从初始状态到目标状态的路径。
在不考虑搜索的代价时，即假设状态空间图中各个节点之间的有向边的代价相同时，最优解就是路径中长度最短的那条路径，在考虑搜索代价时，最优解则是解路径中代价最小的那条路径。
因为在状态空间图中，可能存在几条长度或者代价相等的最短路径，所以，最优解可能会不唯一。
3.请写出状态空间图的一般搜索过程。
在索索过程中OPEN表和CLOSED表的作用分别是什么？
答：
状态空间图的一般搜索过程参见算法5.1。
在搜索过程中OPEN表用于存放未扩展节点，而CLOSE表用于存放已扩展节点。
OPEN表提供了待扩展点，当OPEN表空且未找到目标节点时，搜索失败。
而CLOSE表在搜索成功时为回溯球解路径提供依据。
4.什么是盲目搜索？
主要有哪几种盲目搜索策略？
答：
盲目搜索又称无信息搜索，即在搜索过程中，只按照预先规定的搜索控制策略进行搜索，而没有任何中间信息来改变这些控制策略。
主要的盲目搜索策略有：
宽度优先搜素、深度优先搜索、有界深度优先搜索、代价树的宽度优先搜索和代价树的深度优先搜索。
5.宽度优先搜索与深度优先搜索有何不同？
在何种情况下，宽度优先搜索优于深度优先搜索？
在何种情况下，深度优先搜索优于宽度优先搜索？
答：
深度优先搜索与宽度优先搜索的区别在于：
在对节点n进行扩展时，其后续节点在OPEN表中的存放位置。
宽度优先搜索时将后续节点放入OPEN表的末端，而深度优先搜索则是将后续节点放入OPEN表的前端。
即宽度优先搜索按照
“先扩展出的节点先被考察”的原则进行搜索，而深度优先搜索则按照“后扩展出的节点先被考察”的原则进行搜索。
宽度优先搜索是一种完备搜索，即只要问题有解一定能够求出，而深度优先搜索是不完备搜素。
在不要求求解速度且目标节点的层次较深的情况下，宽度优先搜索优于深度优先搜索，应为宽度优先搜索效率低，但却一定能够求出问题的解；在要求求解速度和目标节点的层次较浅的情况下，深度优先搜索则优于宽度优先搜索。
因为当搜索算法在一个宽展的很深但又没有解的分支上，进行搜索是一种无效搜索，降低了求解的效率，有时甚至不一定能求得问题的解。
6.什么是启发式搜索？
什么是启发信息？
答：
启发式搜索又称有信息搜索，它指在搜索求解过程中，根据问题本身的特性或搜索过程中产生的一些信息来不断地改变或调整搜索的方向，使得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。
可用于指导搜索过程且与具体问题求解有关的控制性信息称为启发信息。
7.什么是估价函数？
在估价函数中，g（x）和h（x）各起什么作用？
答：
估价函数是一种用来表示和度量搜索树中节点的“希望”程度的一种函数，其任务是估计待搜索节点的重要程度，为它们排定次序。
在估价函数中，g（x）为初始节点S0到节点x已实际付出的代价。
h（x）是从节点x到目标节点Sg的最优路径的估价代价，搜索的启发信息主要由h（x）来体现，所以h（x）成为启发函数。
g（x）项体现了搜索的宽度优先趋势，这是有利于搜索算法的完备性，但却影响搜索效率。
h（x）项体现了搜索的深度优先趋势，这会有利于搜索效率的提高，但影响搜索算法的完备性。
8.什么是最佳优先搜索？
局部最佳优先搜索与全局最佳优先搜索有何不同？
答：
最佳优先搜索总是选择最有希望的节点作为下一个要扩展的节点，而这种最有希望的节点是按估价函数f（x）的值来挑选的，一般估价函数的值越小，它的希望越大。
局部最佳优先搜素是一种类似于深度优先搜索的启发式搜索方法，在对某以俄国节点扩展之后，只在后续节点的范围内选择下一个要考察的节点，范围比较小，所以成为局部最佳优先搜索。
全局最佳搜索是一种类似于宽度优先搜索的启发式搜索方法，在确定下一个扩展节点时，选择的范围是OPEN表中的全部节点，所以成为全局最佳优先搜索。
9.什么A*算法？
它的估值函数是如何确定的？
A*算法与A算法的区别是什么？
答：
A*算法是一种启发式搜索方法，利用这种算法进行搜索式，对扩展节点的选择方法做了一些限制，依据估价函数f（x）=g（x）+h（x）对OPEN表中的节点进行排序，并且要求启发函数h（x）是h*（x）的以一个下届，即h（x）≤h*（x）。
h*（x）则是从x节点到目标节点的最小代价路径上的代价。
A*算法与A算法的区别就是A算法不要求启发函数h（x）是h*（x）的一个下界，即不限制条件h（x）≤h*（x）。
10.A*算法有哪些性质？
它们的意义如何？
答：
A*算法具有下列一些性质：
可采纳性、单调性、信息性
A*算法具有可采纳性，是指对一个可求解的状态空间图，即从状态空间的初始节点到目标节点存在路径，则该算法一定能在有限步内找到一条最佳路径，即最佳解，并在此路径上结束。
A*算法的单调性是指对其估价函数中的h（x）部分即启发性函数，加了适当的单调性限制条件，使得它对所扩展的一系列节点的估价函数值单调递增（或非递减），从而减少对OPNE表或CLOSED表的检查和调整，提高搜索效率。
A*算法的信息性是指其估价函数中的启发函数h（x），在满足h（x）≤h*（x）的前提下，h（x）的值越大越好。
h（x）的值越大，表明它携带的与求解问题相关的启发信息越多，搜索过程就会在启发信息指导下朝着目标节点前进，所走的弯路越少，搜索效率就会越高。
第十章
1.什么是智能Agent?
它应具备哪些基本特征？
智能Agent技术与传统分布式问题求解有何主要区别？
答：
Agent是一种处于一定环境下包装的计算机系统，为实现设计目的，它能在那种环境下灵活地、自主地活动。
一个Agent（不管它是软件或者硬件系统）的最基本的特性应当包括：
反应性、自治性、社交能力、自发行为，还要求有拟人性（移动性、长寿性、诚实性、善意性、推理能力、规划能力、学习和适应能力），自适应性、自启发性、自利性。
2.什么是Agent的体系结构？
就单个Agent来说，通常有哪几种体系结构？
答：
Agent可以看作一个黑箱，通过传感器感知环境，获取信息，经过Agent内部信息交互和处理，再通过效应器作用于环境。
Agent不仅要与环境发生交互作用，更主要的是处理和解释接收到的信息，达到自己的目的。
一旦Agent接受到外部信息，信息处理过程就变成了Agent的核心，因为他反应了Agent的真正功能。
信息处理的目的就是解释可用的数据，形成居第的动作规划。
由此看见，Agent可以定义为一个感知序列到Agent功能发出的动作序列的映射。
如果设S是Agent可以注意到的感知集合，D是Agent在外部世界能完成的可能动作集合，则AgentF可以表示为：
F：
S→D
人工智能的任务就是设计建造Agent程序，实现从感知到动作的映射。
单个Agent结构可分为思考型Agent、反应型Agent和混合型Agent。
3.试比较思考型Agent有反应型Agent体系结构的不同点及优缺点。
混合型Agent的体系结构有何特点？
答：
（1）思考型Agent
是一个显示表示的关于世界的符号模型，包括环境和智能行为的逻辑推理能力。
它保持了经典人工智能的传统，是一种基于知识的系统。
这意味着思考型Agent的设计应该遵循物理符合系统的假设，以符号AI的方法来实现Agent的表示和推理。
（2）反应型Agent
传统的符号AI的特点和种种限制几乎没有改变地反映在思考型Agent中，它结构僵硬，对外界变化反应速度慢，给思考型Agent带来很多尚未解决、甚至根本无法解决的问题，因为Agent工作在非常动态变化的环境中，它必须有能力基于当前环境来做出决策。
反应型Agent的智能取决于感知和运动（所以在AI领域也被称为行为主义），从而提出Agent智能行为的“感知-动作”模型。
反应型Agent不需要知识，不需要表示，不需要推理，可以像人类一样逐步进化，Agent的行为智能在现实世界与周围环境的交互作用中表现出来。
反映型Agent支持者还认为，符号AI对真实世界中客观事物及其行为工作模式的描述是过于简化的抽象，因而不可能是真实世界的客观反应。
（3）混合型Agent
虽然思考型Agent具有较高的智能，但却无法对环境的变化做出快速反应，而执行效率相对较低。
而反应型Agent虽然能及时而快速地对外来信息和环境做出响应，但其智能程度却又比较低，缺乏足够的灵活性。
混合型Agent试图将经典和非经典的人工智能融合在一起，使混合型Agent不但具有较高的智能，而且具有较强的灵活性和快速响应性。
通常被设计成包括两部分（或多部分）的层次结构：
高层次符号标号表示的世界模型认知层，它是一个思考型系统，用传统符号AI的方式处理规划和进行决策；低层是一个不经过复杂推理就能快速响应和处理环境中突发事件的反应层，它是一个反应型子系统，不使用任何符号表示和推理系统。
反应层通常被赋予更高的优先级，在对问题进行求解时，先有反应层进行处理，在必要时要与认知层进行交互，由认知层参与处理。
4.多Agent系统有和何特点？
联合负责模型有何作用？
它有哪些部分构成？
答：
与单个Agent相比，多Agent系统有如下特点：
系统中的每个成员Agent仅拥有不完全的信息和问题解决能力，不存在全局控制，数据是分散或分布的，计算过程是异步的、并发的或并行的。
联合负责模型，旨在制定实现多Agent协调合作的要求和准则，并给出应用该模型开发使用系统的途径。
联合负责模型的建立涉及相互新年、联合咪表和联谊意图等概念。
（素材和资料部分来自网络，供参考。
可复制、编制，期待您的好评与关注）
升级会员 