人工智能复习更新.docx
《人工智能复习更新.docx》由会员分享，可在线阅读，更多相关《人工智能复习更新.docx（32页珍藏版）》请在冰豆网上搜索。
人工智能复习更新
人工智能复习
（2012/6/2更新）
一、概念4
第0章概论4
1.什么是智能？
4
2.人工智能的定义？
4
3.图灵实验内容4
4.人工智能三大学派4
5.人工智能三大学派对人工智能发展历史的不同看法5
6.人工智能的研究与应用领域5
7.什么是专家系统5
8.专家系统特点?
5
9.专家系统的优点?
5
第一章搜索6
1.基本的盲目搜索算法有两种？
6
2.什么是状态空间法，什么是评价函数6
3.比较宽度优先搜索与深度优先搜索？
6
4.启发式搜索6
5.什么是启发式搜索的启发信息？
可分哪几种？
6
6.什么是A*算法？
7
7.比较A算法与A*算法的特点。
7
第二章与或树7
1.什么是与或图的终止节点？
什么是能解节点？
什么是解树？
7
2.什么是解树的代价？
7
3.什么是希望树？
7
4.判断下图各节点的能解性，并确定解树。
7
5.指出下图的解树，并计算每个解树的代价，以及希望树。
8
6.什么是博弈树？
有什么特点8
7.α－β剪枝的条件是什么？
9
8.剪枝的概念9
第三章谓词逻辑9
1.子句（子句集）9
2.反演9
3.可满足性9
4.归纳9
5.归结9
6.原子公式10
7.谓词公式10
8.指导变量10
9.辖域10
10.约束出现10
11.自由出现10
12.换名规则10
13.合一10
14.合取范式10
15.常用推理定律10
16.谓词11
第四章知识表示方式11
1.知识的定义11
2.什么是知识表示？
11
3.对知识表示有哪些要求？
11
4.常用的知识表示方法有哪些？
11
5.状态空间法三要点11
6.产生式规则的基本形式11
7.什么是产生式系统？
12
8.产生式系统的构成？
12
9.产生式表示法的优缺点12
10.什么是语义网络？
12
11.框架理论的基本观点？
12
12.框架表示法的优缺点？
12
13.规则13
14.知识获取13
第五章不确定推理13
1.说明不确定推理的基本方法13
2.什么是不确定性推理13
3.什么是贝叶斯定理13
4.不确定性表现在那几个方面13
5.什么是贝叶斯网络？
14
6.CF（B,A）的特殊值的含义14
第六章机器学习14
1.说明机器学习概念及学习的方法14
2.试述变型空间方法的思路14
3.试问单层人工神经网络能解决"异或"问题吗？
三层以上人工神经网络可以解决吗？
14
4.产生式系统主要分哪几种类型14
5.机器学习分类14
6.以ID3算法为例，说明决策树学习方法的基本思想是什么？
15
7.试述遗传算法的基本原理，并说明遗传算法的求解步骤。
15
二、应用问题：
16
第一章搜索16
第二章与或图搜索17
第三章谓词逻辑18
第四章知识表示21
第五章不确定推理方法22
第六章机器学习24
一、概念
第0章概论
1.什么是智能？
智能是脑特别是人脑的属性或者说产物
智能的基础是知识（没有知识的智能不可想象）
2.人工智能的定义？
人工智能（学科）是计算机科学中涉及研究、设计和应用智能机器的一个分支。
它的近期主要目标在于研究用机器来模仿和执行人脑的某些智力功能，并开发相关理论和技术。
人工智能（能力）是智能机器所执行的通常与人类智能有关的智能行为，如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动。
3.图灵实验内容
Turing提出的智能实验，参加者是计算机、被实验的人以及主持实验的人。
由主持人提出问题，计算机和被实验的人来回答，被实验者在回答问题时尽可能地向主持人表示他是"真正的"人，计算机也尽可能逼真地模仿人的思维。
如果主持人通过听取对问题的回答分辨不出哪个是人的回答时，便可认为被试验的计算机是有智能的了。
有人对这样设计的实验提出了疑义：
认为这种实验只反映了结果的比较而没有涉及思维的过程，而且也没明确此人是个孩子还是有良好素质的成年人参加了实验。
4.人工智能三大学派
符号主义，连接主义，行为主义
（1）符号主义主要特征
●立足于逻辑运算和符号操作，适合于模拟人的逻辑思维过程，解决需要逻辑推理的复杂问题
●知识可用显式的符号表示，在已知基本规则的情况下，无需输入大量的细节知识
●便于模块化，当个别事实发生变化时，宜于修改
●能于传统的符号数据库进行连接
●可对推理结论进行解释，便于对各种可能性进行选择
缺点：
●可以解决逻辑思维，但对于形象思维难于模拟
●信息表示成符号后，在处理和转换时有丢失的情况
（2）连接主义主要特征
●通过神经元直接的并行协作实现信息处理，处理过程具有并行性，动态性和全局性
●可以实现联想的功能，便于对有噪声的信息进行处理
●可以通过对神经元之间连接强度的调整实现学习和分类等
●适合模拟人的形象思维过程
●求解问题时，可以较快的得到一个近似解
缺点
●不适合解决逻辑思维
5.人工智能三大学派对人工智能发展历史的不同看法
符号主义认为人工智能源于数理逻辑。
符号主义仍然是人工智能的主流派。
这个学派的代表有纽厄尔、肖、西蒙和尼尔逊（Nilsson）等。
联结主义认为人工智能源于仿生学，特别是人脑模型的研究。
行为主义认为人工智能源于控制论。
这一学派的代表作首推布鲁克斯（Brooks）的六足行走机器人，它被看做新一代的“控制论动物”，是一个基于感知－动作模式的模拟昆虫行为的控制系统。
6.人工智能的研究与应用领域
●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
●模式识别
●机器视觉
●智能控制
●智能检索（搜索）
●智能调度与指挥
●分布式人工智能与Agent
●计算智能与进化计算
●数据挖掘与知识发现
●人工生命
7.什么是专家系统
是一个含有大量的某个领域专家水平的知识与经验智能计算机程序系统，能够利用人类专家的知识和解决问题的方法来处理该领域问题。
简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。
8.专家系统特点?
启发性：
专家系统能运用专家的知识与经验进行推理、判断和决策。
透明性：
专家系统能够解释本身的推理过程和回答用户提出的问题，以便让用户能够了解推理过程，提高对专家系统的信赖感。
灵活性：
专家系统能不断地增长知识，修改原有知识，不断更新。
9.专家系统的优点?
（1）专家系统能够高效率、准确、周到、迅速和不知疲倦地进行工作。
（2）专家系统解决实际问题时不受周围环境的影响，也不可能遗漏忘记。
（3）可以使专家的专长不受时间和空间的限制，以便推广珍贵和稀缺的专家知识与经验。
（4）专家系统能促进各领域的发展。
（5）专家系统能汇集多领域专家的知识和经验以及他们协作解决重大问题的能力。
（6）军事专家系统的水平是一个国家国防现代化的重要标志之一。
（7）专家系统的研制和应用，具有巨大的经济效益和社会效益。
（8）研究专家系统能够促进整个科学技术的发展。
第一章搜索
1.基本的盲目搜索算法有两种？
宽度优先搜索
深度优先搜索
如果问题存在最优解，广度优先搜索必然可以得到该最优解。
2.什么是状态空间法，什么是评价函数
状态空间表示法是用“状态”和“算符”表示问题的一种方法
用于评价节点重要性的函数称为估价函数.记为
f（x）=g（x）+h（x）
g（x）为从初始节点S0到节点x已经实际付出的代价
h（x）是从节点x到目标节点Sg的最优路径的估价代价,体现了问题的启发性信息,称为启发函数
f（x）表示从初始节点经过节点x到达目标节点的最优路径的代价估价值,其作用是用来评估OPEN表中各节点的重要性,决定其次序
3.比较宽度优先搜索与深度优先搜索？
宽度优先搜索特点：
1）当问题有解时，一定能找到解
2）当问题为单位耗散值，且问题有解时，一定能找到最优解
3）方法与问题无关，具有通用性
4）效率较低
深度优先搜索
1）一般不能保证找到最优解
2）当深度限制不合理时，可能找不到解，可以将算法改为可变深度限制
3）最坏情况时，搜索空间等同于穷举
4）是一个通用的与问题无关的方法
4.启发式搜索
是一种试探性的、不精确的、模糊的依于经验知识的搜索方法，常能明显化简问题求解的复杂性。
5.什么是启发式搜索的启发信息？
可分哪几种？
启发信息：
进行搜索技术一般需要某些有关具体问题领域的特性的，与具体问题求解过程有关的，并可指导搜索过程朝着最有希望方向前进的控制信息，把此种信息叫做启发信息。
启发信息按其用途可分为下列3种：
（1）用于决定要扩展的下一个节点，以免像在宽度优先或深度优先搜索中那样盲目地扩展。
（2）在扩展一个节点的过程中，用于决定要生成哪一个或哪几个后继节点，以免盲目地同时生成所有可能的节点。
（3）用于决定某些应该从搜索树中抛弃或修剪的节点。
6.什么是A*算法？
采用h*（x）的下界h（x）为启发函数的A算法，称为A*算法。
7.比较A算法与A*算法的特点。
答：
A算法为一种启发式搜索算法，当A算法的启发函数满足h（x）≤h*（x）时，该A算法即为A*算法。
A*算法可以保证搜索取得最优解。
第二章与或树
1.什么是与或图的终止节点？
什么是能解节点？
什么是解树？
答：
本原问题对应的节点为终止节点；
当一个节点满足以下三个条件时，该节点为能解节点：
1）该节点为终止节点；2）当该节点为与节点时，当且仅当其所有子节点能解；3）当该节点为或节点时，只要其任一子节点能解皆可。
解树是在一个与或图中从初始节点到目标节点的图或树形路径。
2.什么是解树的代价？
答：
解树的代价即树根的代价，是从树叶开始自下而上逐层计算而求得的。
3.什么是希望树？
答：
希望树是当前与或图中具有最小代价的解树。
4.判断下图各节点的能解性，并确定解树。
5.指出下图的解树，并计算每个解树的代价，以及希望树。
答：
解树1：
{Q0，A，t1，t2}
g（t1）=g（t2）=0,g（A）=11,g（Q0）=13
解树2：
{Q0，B，D，G，t4，t5}
g（t4）=g（t5）=0,g（G）=3,g（D）=4,g（B）=6,g（Q0）=8
所以，解树2为最优解树，即希望树
6.什么是博弈树？
有什么特点
若把双人完备信息博弈过程用图表示出来，就得到一棵与/或树，这种与/或树被称为博弈树。
博弈树的特点
（1）博弈的初始状态是初始节点；
（2）博弈树中的“或”节点和“与”节点是逐层交替出现的；
（3）整个博弈过程始终站在某一方的立场上，例如MAX方。
所有能使自己一方获胜的终局都是本原问题，相应的节点是可解节点；所有使对方获胜的终局都是不可解节点。
7.α－β剪枝的条件是什么？
回答:
α剪枝：
若任一极小值层节点的β值小于或等于它任一先辈极大值节点的α值，即α（先辈层）≥β（后继层），则可中止该极小值层中这个MIN节点以下的搜索过程。
这个MIN节点最终的倒推值就确定为这个β值。
β剪枝：
若任一极大值层节点的α值大于或等于它任一先辈极小值层节点的β值，即α（后继层）≥β（先辈层），则可以中止该极大值层中这个MAX节点以下的搜索过程。
这个MAX节点的最终倒推值就确定为这个α值。
8.剪枝的概念
极大极小过程是先生成与/或树，然后再计算各节点的估值，这种生成节点和计算估值相分离的搜索方式，需要生成规定深度内的所有节点，因此搜索效率较低。
如果能边生成节点边对节点估值，并剪去一些没用的分枝，这种技术被称为α-β剪枝。
第三章谓词逻辑
1.子句（子句集）
逻辑公式，是一些文字的析取（子句的集合）。
2.反演
采用证明A∧～B的不可满足性来证明A—>B，是一种反演（反驳）证明法。
3.可满足性
指一个逻辑公式，若在某个解释下取值为真，便说这个公式是可满足的。
4.归纳
是一种由实例得出一般性结论的推理。
5.归结
是定理证明的一种方法。
设C1,C2是子句集中的两个子句，如果C1中的文字L1与C2中文字L2互补，则可以从C1和C2中分别消去文字L1和文字L2，并将中余下的部分按析取关系构成一个新子句C12，这个过程就叫归结。
如子句：
C1=P∨Q,C2=~P∨W，
归结式：
C12=W∨Q
性质：
归结式C12是亲本子句C1和C2逻辑结论。
6.原子公式
单个谓词就是原子公式。
7.谓词公式
简单说就是由原子公式、连接词、否定符号以及量词构成的式子。
8.指导变量
量词后面的变量称为指导变量。
x、y
9.辖域
就是量词管辖的区域。
10.约束出现
在辖域内，受量词约束的变量是约束出现。
11.自由出现
在辖域内，不受量词约束的变量是约束出现。
12.换名规则
将量词辖域中某个约束出现的个体变量改成在此辖域中未出现过的个体变量符号。
xP（x,y）∧R（x,y）
13.合一
合一可以简单地理解为“寻找相对变量的置换，使两个谓词公式一致”。
定义：
设有公式集F＝{F1，F2，…，Fn}，若存在一个置换，可使F1＝F2＝…=Fn，则称是F的一个合一。
同时称F1，F2，...，Fn是可合一的。
14.合取范式
仅由有限个简单析取式组成的合取式。
15.常用推理定律
附加：
Ａ=>（Ａ∨Ｂ）
简化：
（Ａ∧Ｂ）=>Ａ
析取三段论:
┓A，A∨B⇒B
假言三段论:
A→B，B→C⇒A→C
等价三段论:
A↔B，B↔C⇒A↔C
构造性二难:
A→C，B→D，A∨B⇒C∨D
假言推理:
A,A→B⇒B
拒取式:
┓B，A→B⇒┓A
16.谓词
用于刻画个体词的性质或个体词之间的关系的词
第四章知识表示方式
1.知识的定义
知识是人们在长期的生活及社会实践中积累起来的对客观世界的认识与经验，人们把实践中获得的信息关联在一起，就获得了知识。
2.什么是知识表示？
所谓知识的表示实际上是对知识的一种描述，或者说一种约定，一种计算机可以接受的用于描述知识的数据结构。
3.对知识表示有哪些要求？
充分性：
能够将问题求解所需的知识正确有效的表达出来；
可理解性：
所表达知识简单、明了、易于理解；
可利用性：
能够有效地利用所表达的知识；
可扩充性：
能够方便、灵活的对所表达的知识进行维护和扩充；
4.常用的知识表示方法有哪些？
一阶谓词逻辑表示法
状态空间法
框架表示法
语义网络表示法
面向对象表示
剧本（script）表示
5.状态空间法三要点
状态（state）：
表示问题解法中每一步问题状况的数据结构；
算符（operator）：
把问题从一种状态变换为另一种状态的手段；
状态空间方法：
基于解答空间的问题表示和求解方法，它是以状态和算符为基础来表示和求解问题的。
6.产生式规则的基本形式
基本形式：
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，用于指出当前题P所指示的条件被满足时，应该得出的结论和应该执行的操作。
整个产生式的含义是：
如果前提P所指示的条件被满足时，则可得出结论Q或者执行Q所规定的操作。
7.什么是产生式系统？
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。
在产生式系统中，通常从选择规则到执行操作分三步：
匹配、冲突消解和推理
8.产生式系统的构成？
1）全局数据库（事实库、黑板、上下文）：
存放有关事实的叙述性知识
2）规则库：
存放产生式规则
3）控制系统（推理机）：
选择控制策略，进行匹配和推理，一般由一组程序组成
9.产生式表示法的优缺点
优点：
1.自然性
2.模块性
3.有效性
4.清晰性
不足：
1.效率不高
2.不能表达具有结构性的知识
10.什么是语义网络？
语义网络由节点和节点间的弧组成；节点表示各种事物，概念，情况，属性，动作，状况等；弧表示各种语义联系，指明他所连接的节点间的各种语义联系。
11.框架理论的基本观点？
框架理论认为，人们对现实世界中各种事物的认识都是以一种类似于框架的结构存储在记忆中的，当面临一种新事物时，就从记忆中找出一个合适的框架并根据实际情况对其细节加以修改、补充，从而形成对当前事物的认识。
12.框架表示法的优缺点？
优点：
（1）结构性
（2）深层性
（3）继承性
（4）自然性
缺点：
（1）缺乏框架的形式理论
（2）缺乏过程性知识表示
（3）清晰性难以保证
13.规则
一种形式为"如果A那么B"的语句为规则，专家系统中通过使用规则进行推理，即若条件A成立，使用这条规则便可推得出B。
非单调推理一种非标准逻辑下的推理方法，随知识的增加原有结论不一定随之增加，甚至会减少，就是非单调推理要研究的内容。
14.知识获取
从书本、专家等信息源寻求有用的知识便是知识获取，是知识工程的三大任务（知识获取、知识表示和知识利用）之一。
第五章不确定推理
1.说明不确定推理的基本方法
1）Bayes
2）Bayes网络
3）主观Bayes方法
4）确定性方法
5）证据理论
2.什么是不确定性推理
不确定性推理就是从不确定性的初始事实（证据）出发，通过运用不确定性的知识，最终推出具有一定程度的不确定性却是合理或者近乎合理的结论的思维过程。
3.什么是贝叶斯定理
•设A，B1，B2，…，Bn为一些事件，P（A）>0，B1，B2，…，Bn互不相交，P（Bi）>0,i=1,2,…,n，且
，则对于k=1,2,…,n，
4.不确定性表现在那几个方面
1）不确定性的表示
2）不确定性的匹配
3）组合证据的不确定性的计算
4）不确定性的更新
5）不确定性结论的合成
5.什么是贝叶斯网络？
答：
贝叶斯网络是一种以随机变量为节点,以条件概率为节点间关系强度的有向无环图（DirectedAcyclicGraph,DAG）。
它描述事物之间的因果关系或依赖关系，是一种直观的图形表示。
6.CF（B,A）的特殊值的含义
1）CF（B,A）=1，前提真，结论必真
2）CF（B,A）=-1，前提真，结论必假
3）CF（B,A）=0，前提真假与结论无关
第六章机器学习
1.说明机器学习概念及学习的方法
机器学习就是让计算机模拟人的学习行为，或者说计算机也具有学习的能力。
人工智能中的机器学习主要是指机器对自身的行为的修正或性能的改善和机器对客观规律的发现。
2.试述变型空间方法的思路
答：
变型空间方法以整个规则空间为初始的假设规则集合H。
依据施教例子中的信息，对H进而进行一般化或特殊化处理，逐步缩小集合H。
最后使H收敛为只含有要求的规则
3.试问单层人工神经网络能解决"异或"问题吗？
三层以上人工神经网络可以解决吗？
答：
不可以；可以
4.产生式系统主要分哪几种类型
答：
前向推理，逆向推理，双向推理
5.机器学习分类
1、基于学习策略的分类
１）机械学习（Rotelearning）
学习者无需任何推理或其它的知识转换，直接吸取环境所提供的信息。
如塞缪尔的跳棋程序，纽厄尔和西蒙的LT系统。
这类学习系统主要考虑的是如何索引存贮的知识并加以利用。
系统的学习方法是直接通过事先编好、构造好的程序来学习，学习者不作任何工作，或者是通过直接接收既定的事实和数据进行学习，对输入信息不作任何的推理。
２）示教学习（Learningfrominstruction或Learningbybeingtold）。
学生从环境（教师或其它信息源如教科书等）获取信息，把知识转换成内部可使用的表示形式，并将新的知识和原有知识有机地结合为一体。
所以要求学生有一定程度的推理能力，但环境仍要做大量的工作。
教师以某种形式提出和组织知识，以使学生拥有的知识可以不断地增加。
这种学习方法和人类社会的学校教学方式相似，学习的任务就是建立一个系统，使它能接受教导和建议，并有效地存贮和应用学到的知识。
目前，不少专家系统在建立知识库时使用这种方法去实现知识获取。
示教学习的一个典型应用例是FOO程序。
3）演绎学习（Learningbydeduction）。
学生所用的推理形式为演译推理。
推理从公理出发，经过逻辑变换推导出结论。
这种推理是"保真"变换和特化（specialization）的过程，使学生在推理过程中可以获取有用的知识。
这种学习方法包含宏操作（macro-operation）学习、知识编辑和组块（Chunking）技术。
演绎推理的逆过程是归纳推理。
4）类比学习（Learningbyanalogy）。
利用二个不同领域（源域、目标域）中的知识相似性，可以通过类比，从源域的知识（包括相似的特征和其它性质）推导出目标域的相应知识，从而实现学习。
类比学习系统可以使一个已有的计算机应用系统转变为适应于新的领域，来完成原先没有设计的相类似的功能。
类比学习需要比上述三种学习方式更多的推理。
它一般要求先从知识源（源域）中检索出可用的知识，再将其转换成新的形式，用到新的状况（目标域）中去。
类比学习在人类科学技术发展史上起着重要作用，许多科学发现就是通过类比得到的。
例如著名的卢瑟福类比就是通过将原子结构（目标域）同太阳系（源域）作类比，揭示了原子结构的奥秘。
５）基于解释的学习（Explanation-basedlearning,EBL）。
学生根据教师提供的目标概念、该概念的一个例子、领域理论及可操作准则，首先构造一个解释来说明为什该例子满足目标概念，然后将解释推广为目标概念的一个满足可操作准则的充分条件。
EBL已被广泛应用于知识库求精和改善系统的性能。
著名的EBL系统有迪乔恩（G.DeJong）的GENESIS,米切尔（T.Mitchell）的LEXII和LEAP,以及明顿（S.Minton）等的PRODIGY。
６）归纳学习（Learningfrominduction）。
归纳学习是由教师或环境提供某概念的一些实例或反例，让学生通过归纳推理得出该概念的一般描述。
这种学习的推理工作量远多于示教学习和演绎学习，因为环境并不提供一般性概念描述（如公理）。
从某种程度上说，归纳学习的推理量也比类比学习大，因为没有一个类似的概念可以作为"源概念"加以取用。
归纳学习是最基本的，发展也较为成熟的学习方法，在人工智能领域中已经得到广泛的研究
升级会员 