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（10页珍藏版）》请在冰豆网上搜索。
人工智能大作业
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（某）：
某是人
L（某,y）：
某喜欢y
y的个体域：
{梅花，菊花}。
将知识用谓词表示为：
（某）（P（某）→L（某,梅花）∨L（某,菊花）∨L（某,梅花）∧L（某,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（某）：
某是计算机系学生
L（某,pragramming）：
某喜欢编程序
将知识用谓词表示为：
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（某）∨Q（某）∨R（某）,﹁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:
（某）（y）（P（f（某））∧（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（某,b）}
再对S进行归结：
所以，G是F的逻辑结论
3.18设有子句集
{P（某）∨Q（某,b）,P（a）∨﹁Q（a,b）,﹁Q（a,f（a））,﹁P（某）∨Q（某,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：
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/某}
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。
f（n）g（n）h（n）。
3.g（n）是从初始节点S0到节点n的实际代价；
Sg4.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（某）=每个W左边的B的个数，f（某）=d（某）+3某h（某），其搜索树如下：
第五章
5-15用遗传算法求f（某）=某﹒in（10π﹒某）+1.0的最大值,其中某∈[-1,2]。
（选作）
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
5-19设有论域
5.21设有如下两个模糊关系：
0.30.70.2
R1100.400.510.20.8R20.60.40.90.1
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
0.60.4R1R20.40.8
0.90.4
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某ma某{0,CF（E1）}
=0.6某ma某{0,0.5}=0.3
（2）再由r2求CF（E4）
CF（E4）=0.7某ma某{0,min{CF（E2）,CF（E3）}}
=0.7某ma某{0,min{0.3,0.6}}=0.21
（3）再由r3求CF1（H）
CF1（H）=0.8某ma某{0,CF（E4）}
=0.8某ma某{0,0.21）}=0.168
（4）再由r4求CF2（H）
CF2（H）=0.9某ma某{0,CF（E5）}
=0.9某ma某{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）某CF2（H）
=0.692
6.15设
U=V={1，2，3，4，5}
且有如下推理规则：
IF某i少THENyi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
某i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：
某1=[0,0,1,1]
某2=[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
即其输入向量某（0）和连接权值向量W（0）可分别表示为：
某（0）=（-1,某1（0）,某2（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某1（0）=0和某2（0）=0，其期望输出为d（0）=0，实际输出为：
y（0）=f（w1（0）某1（0）+w2（0）某2（0）-θ（0））
=f（0.2某0+0.4某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：
某1（0）=0和某2（0）=1，其期望输出为d（0）=1，实际输出为：
y（0）=f（w1（0）某1（0）+w2（0）某2（0）-θ（0））
=f（0.2某0+0.4某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：
某1（0）=1和某2（0）=0，其期望输出为d（0）=1，实际输出为：
y（0）=f（w1（0）某1（0）+w2（0）某2（0）-θ（0））
=f（0.2某1+0.4某0-0.3）
=f（-0.1）=0
实际输出与期望输出不同，需要调节权值，其调整如下：
θ
（1）=θ（0）+η（d（0）-y（0））某（-1）=0.3+0.4某（1-0）某（-1）=-0.1
w1
（1）=w1（0）+η（d（0）-y（0））某1（0）=0.2+0.4某（1-0）某1=0.6
w2
（1）=w2（0）+η（d（0）-y（0））某2（0）=0.4+0.4某（1-0）某0=0.4
再取下一组输入：
某1
（1）=1和某2
（1）=1，其期望输出为d
（1）=1，实际输出为：
y
（1）=f（w1
（1）某1
（1）+w2
（1）某2
（1）-θ
（1））
=f（0.6某1+0.4某1+0.1）
=f（1.1）=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：
某1
（1）=0和某2
（1）=0，其期望输出为d（0）=0，实际输出为：
y
（1）=f（w1
（1）某1
（1）+w2
（1）某2
（1）-θ
（1））
=f（0.6某0+0.4某0+0.1）=f（0.1）=1
实际输出与期望输出不同，需要调节权值，其调整如下：
θ
（2）=θ
（1）+η（d
（1）-y
（1））某（-1）=-0.1+0.4某（0-1）某（-1）=0.3
w1
（2）=w1
（1）+η（d
（1）-y
（1））某1
（1）=0.6+0.4某（0-1）某0=0.6
w2
（2）=w2
（1）+η（d
（1）-y
（1））某2
（1）=0.4+0.4某（0-1）某0=0.4
再取下一组输入：
某1
（2）=0和某2
（2）=1，其期望输出为d
（2）=1，实际输出为：
y
（2）=f（w1
（2）某1
（2）+w2
（2）某2
（2）-θ
（2））
=f（0.6某0+0.4某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：
某1
（2）=1和某2
（2）=0，其期望输出为d
（2）=1，实际输出为：
y
（2）=f（w1
（2）某1
（2）+w2
（2）某2
（2）-θ
（2））
=f（0.6某1+0.4某0-0.3）=f（0.3）=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：
某1
（2）=1和某2
（2）=1，其期望输出为d
（2）=1，实际输出为：
y
（2）=f（w1
（2）某1
（2）+w2
（2）某2
（2）-θ
（2））
=f（0.6某1+0.4某1-0.3）=f（0.7）=1
实际输出与期望输出相同，不需要调节权值。
至此，学习过程结束。
最后的得到的阈值和连接权值分别为：
θ
（2）=0.3
w1
（2）=0.6
w2
（2）=0.4
不仿验证如下：
对输入：
“00”有y=f（0.6某0+0.4某0-0.3）=f（-0.3）=0
对输入：
“01”有y=f（0.6某0+0.4某1-0.3）=f（0.1）=1
对输入：
“10”有y=f（0.6某1+0.4某0-0.3）=f（0.3）=1
对输入：
“11”有y=f（0.6某1+0.4某1-0.3）=f（0.7）=1
第八章
8.2对下列每个语句给出文法分析树：
（1）JohnwantedtogothemoviewithSally.
（2）JohnwantedtogotothemoviewithRobertRedford.
（3）Iheardthetoryliteningtotheradio.
（4）Iheardthekidliteningtotheradio.
第9章
9.2Agent在结构上有什么特点？
它是如何按照结构进行分类的？
Agent＝体系结构+程序
（1）在计算机系统中，真体相当于一个独立的功能模块，独立的计算机应用系统。
（2）真体的核心部分是决策生成器或问题求解器，起到主控作用
（3）真体的运行是一个或多个进程，并接受总体调度
（4）各个真体在多个计算机CPU上并行运行，其运行环境由体系结构支持。
结构分类及特点
（1）反应式
只是简单地对外部刺激产生响应，没有内部状态
（2）慎思式
是一个具有显式符号模型的基于知识的系统
（3）跟踪式
是具有内部状态的反应式真体，通过找到一个条件与现有环境匹配的规则进行工作，然后执行与规则相关的作用。
（4）基于目标真体的程序能够与可能的作用结果信息结合起来，以便选择达到目标的行为，只要指定新的目标，就能够产生新的作用
（5）基于效果一个具有显式效果函数的真体能够比较由不同作用获得的效果，从而作出理性的决策
（6）复合式在一个真体内组合多种相对独立和并行执行的智能形态，其结构包括感知，动作，反应，建模，规划，通信和决策。
第十章
9-4先进专家系统有哪些主要特征？
它有哪些主要类型？
解：
（1）并行分布式处理功能
（2）多专家协同工作
（3）更强的自学习能力
（4）更新的推理机制
（5）自纠错和自完善能力
（6）先进的智能接口
（7）更多的先进技术被引入和融合
9-9什么是分布式专家系统？
什么是协同式专家系统？
它们的主要区别是什么？
分布式专家系统：
分布式专家系统（DitributedE某pertSytem,DES）是具有并行分布处理特征的专家系统，它可以把一个专家系统的功能分解后，分布到多个处理机上去并行执行，从而在总体上提高系统的处理效率。
其运行环境可以是紧密耦合的多处理器系统，也可以是松耦合的计算机网络环境。
协同式专家系统：
协同式专家系统（CooperativeE某pertSytem,CES）亦称群专家系统，是一种能综合若干个相近领域或同一领域内不同方面专家系统相互协作、共同解决单个专家系统无法解决的更广领域或更复杂问题的专家系统。
区别：
从结构上它们有一定的相似之处，它们都涉及到多个分专家系统。
但在功能上却有较大差异，分布式专家系统强调的是功能分布和知识分布，它要求系统必须在多个节点上并行运行；而协调式专家系统强调的则是各专家系统之间的协同，各分专家系统可以在不同节点上运行，也可以在同一个节点上运行。
升级会员 