浙工大人工智能考博复习汇总.docx

1、浙工大人工智能考博复习汇总浙工大人工智能考博复习汇总2013年人工智能考博一、简笞题1.人工習能的基本研究容。1.知识表示知识表示：將人类知识形式化或吉模里化。知识表示方法：符号表示法、连接机制表示法。符号表示法：用各种包含具U含义的符号，以各种不冋的方式和顺序组合起来表示 知识的一类方法。例虬一阶谓词逆辑、产生式等。连接机制表示法：把各种物理对象以不间的方SKItlf连按起来，并在貝间互相传 递及u工各w色含具体意义的信息，以此来表示相关的槪念及a)Ro例如，神经网 络等。2.ft sea机器gffl：使机器(计算机)具有类0于人的感知能力。以机器視觉(machine vision) 与机器

2、听觉力壬。3.机器思维机器思维：对通过感知得来的外部信息及机器跚的各种工作信息进行有目的的处理。4.机器学习机器学习(machine learning )：研穽如何使计算机具有类似于人的学习能力,使它能 通11学习自动堆获取知识。1957年，Rosenblatt研制减功了感知机。5.M3行为 1器行为:廿算机的表达能力,RO M写等能力。2.专家系统和传缆程序的区别。(1 S程思想：传煤程序=数据结构+算法专家系统=知识+推理(2)传筑程序：关于间题求解的affiB含于程序中。 专家系统：知识单菽组ffifliR库，与推理机分SU(3)处理对象：传躱程序：数值廿算和数据处理。专家系鋭：符号处理

3、。(4)传统程序：不具有解SBto专家系统：具有解弹功能。(5)传统程序：产生正爾的答案。专家通常产生正确的答案，有时产生錯锲的答案。(6)系竦的体系结枸不同。3.什么是估价函数? A”搜索算垃的估价函数是如何定的?估价函數的任务就是ffiitft捜索结点的“有希里”程度，并依次给它们排定次序(在open 表中)。估价函数：U初始结自经过结点到ii目的结点的路径的最小代价估廿值，貝一般形 式是f(n) = g(n) + h(n)一般地，在f(n)中，g(n)ffj比重越大,越顷向于宽度优先捜索方式，而h(n)的ttl 越大，表示启发性能越强。其中f(n)是从初始状态经由状态n到目标狀态的代价估

4、计,g(n)是在状态空间中从初始状态到狀态n的实际代价，h(n)是从状态n到目标状态的最佳路径的估廿代价。(对于路径搜累冋題，状态就是图中的节点，代价就是卽离)h(n)的选取保if枝到最短路径(量优解的)条件，关建在于估价函数f(n)的选取(或者说h(n)的选 取)。ft K d(n)表达状态n到目标状态的阪离，那么h(n)的选取大致有如下三种18况:1.如果h(n)d(n),搜索的点数少，捜索围小,效率高，但不能保证得到最优解。 我们先下个定义,如果-个估价函数可以找出量短的路径，我0林之为可采纳性。A*算 沫是一彳、可采细的最好优先算法。A*算法的估价函数可表示为：f,(n) = g,(n

5、) + h*(n)这里,f(n)是估价函数,g(n)是起点到节点n的最短路径值,h)是n到目标的最矯路 经的启发個。由于这个f(n)其实是无法頂先知道的,们用前面的18价函%f(n) 近WoQ(n)代替(n),但g(n)=g(n)才可(大多数情况下胡是満足的，可以不用考處), h(n)代替h(n), ffi h(n)=h(n)才可(这一点特别的亶要)。可以征明应用曲样的估价函 数是可以找到晟短路径的，也就是可采纳的。我m说应用迪种估价因数的最好优先算法 就是片算法。4.遗传算法中的编玛是什么？有耶几种编码方法?编码是把一个冋題的可行解从其解空同转换到血传算法所能处理的搜索空间的转换方法。而 由

6、遗传算沫解空间向冋题空冋的转换称为解西。1-位串编码一绒染色It编矜方沫：将冋題空间的参数编矜为一錐孙列的染色体的方法。(1)28二进胃编码：用若干二进制敢表示一ff 11,將原间题的解空间映射列位串空间 民0, 1上，然后在位串空同上8(79传操作。优点：类做于生物染色U的组成，算法易干用生物遗传理论解释，遗传1*作如交叉、变异 等易实现；算法处理的模成数最多。缺点：1相弟整数的二进制编侶可能具有般大的Hamming更离，降ffiTiS传算子的搜索效 率。15： 01111 16： 100002要先给出求解的精度。3求解高维优化冋題的二进制编码串荒，算法的搜累效率低。(2)Gray 编円Gr

7、ay编码:将二堆剧编码通过一个变换flfilt换得到的编码2 实数编玛采用实数表达进不助进行数制转換，可肓接在解的表现型上进行逋传標作。多$的基本BS：把每个参数先进行二进闕编侶得到子串，再把迪些子 串连成一个完整的染色体。多参数映射编侶中的毎个子串对应各自的编码寥数，WW,可以有不同的串长度和 参致的取值围3.有序串编码有序冋题：目标因数的IB不仪与表示解的字符串的值有关，而目与其所在字符串的 位置有关。4,结构衣编码二、 利用IH结原9Sf?定理证明三、 将一个谓词公直化为不带存在量词的Skolem标准式四、 fJffl可信度方法it算CF(H)五、 模勵推理(书上的,温度和风门大小的模榊

8、推理)兀、离|ft Hopfield神经网络ft BP神经网络的输入层、输出层神经元个数，及非线性映射函 数。2009年期末一、单选最本题共8小题，每JS2分，#16分)1.在谓词公式中,连接词的优先级别列是(D )oA. , V , A ,o B. A , V , , C. , A , V ,D. , A , V , *,2.在培义网络中，用()来标明类与子类之间的关系。A.实例朕系B.泛化朕系 C聚集朕系D.囲性联系3.谓词公武G在 f0 ft K上是不可满足的，则该公式在个体变量MD是()。A.可满足的 B.不可满足的 C.无法确定设S为子旬集，则按下述方法构造的域HI称为海伯伦域，简记

9、为域。 (1 )令H0是S中所有个体常量的集合，若S中不包含f体常量，処令 凤)=刃，其中为Hgffi定的一个个体常量。(2)令,+1 = H, U S中所有元函数是/中的元素，其中,=0,1,2, o 定理3.2(海伯伦定理)：子旬集不可满足的充要条件是存在一彳、有限的不可满足的基子旬集。4.假设S是不可满足的，| ( A )一个旧结推理规则的从S到空子句的推理 il程。A.存在 B.不存在 C.无法确定5.在主观Bayes方法中,几率的取值围为()。A.-1,1 B. 0,1 C. -1,oo ) D. 0,-)。(心旦=几率(odds)函数： 7) i P(x)DZ (x)P(x)= I

10、B 率： 1 + g)P(x) e 0,1, O(x) e 0,8)。几率函数和槪率函数有相同的单调性。6.)W,前提F为真不支持在可信度方法中，CFH. F)的取值为(c结论为真。A. 1 B. 0 C. 0 CFIH, E 的取值 B：-1,1o若由于相应证据的出现増MSifc/为真曲可信度，剧CFIH, F）0, JI 摒的出现越是支持为真，瞅喪CF（比&曲值越大。反之，CFIH, F）1,LN 1B. LS1, LN1C.LS1D. LS 1 , Z/V1(2 ) 5 1 且 LN 1(2)LST(A) v T(C)。(NO)结论的否定力T(C)。 (3分)可得子旬集 1 ) -.T(

11、A)v-.T(B), 2) -.T(A)v-.T(C), 3) T(A)vT(B)vT(C) , 4) -T(B)vT(C), 5 ) -T(C)vT(B)v-TG4), 6 ) -.T(C) o (3 分) 显然,子旬3)和5) IH结，可得NIL。因而R0证。 一(2分)如果A说的是假话，则有:T(A) tT(B)v T(C )。同理,对B和C有：T(B) T(A) aT(C )-iT(B) tT(A)v T(C)T(C) T(A)v-, T(B)T(C)tT(A) aT(B)化为子句集S：(1k- T(A)g T(B)(2 )、T(A)g T(C )(3)、T(A)vT(B)vT(C)(

12、4 )、T(B)g T(C )(5 )、T(A)T(B)gT(C)五、（8分）设有如下一组推理规则A： IF THEN (0.5)血：IP AND THEN (0.8)6： IF E THEN H (0.7)Ai： IF 6 ORE THEN H (0.9)fl 已知 CFIE、 =0.5, CF(E.) =0.6 , CF(E, =0.5 ，用可信度方法廿算CF(H并画出推理网络。R1: CF(E2, E1) = 0.5 CF(E2) = 0.5 * 0.5 = 0.25R2: CF(E4) = 0.8 * MIN(CF ( E2 ) , CF(E3) = 0.8 * 0.25 = 0.2C

13、F(H)2 = 0.7 *0.2 = 0.14R4: CF(H, MAX(E3, E5) = CF(H, 0.6) = 0.9CF(H)1 = 0.9 * 0.6 = 0.54CF(H) = CF(H1) + CF(H2)-* =As （1 o分）用/r搜索算法求解丿1数侶难题，其朋始状态和目标状态分别血下 图所示。（1 ）试确定求解孩问题的/T算法的估价函数，给岀相应的搜索图（图中需标注 各状态的估价值）,以及冋題的最优解。（2）说明/T搜索算法与力搜索算法的区别。恥)2 3| 2p|318 4 16 4利用力搜索算法求解八数码冋题的搜索其估价函数定义为d(成态的深度，毎步为单位代价。 /(

14、n) = J(/?) + vv(n)讥股“不在位”的将牌数作为启发宿息的度量。畑:为状态到目的状态的最优路径的代价。.w(n) = Kn)g*(n)有了g*(n)和h*(n)的定义，如果我们 对A算法(全局择优的启发式搜索算法) 中的g(n)和h(n)分别提出如下限制：g(n)是对g*(n)的估计，且g(n)0；h(n)是对h*(n)的下界，即对任意节点 n均肴则称得到的算法为A*算法。h(n) /z*(n)0 0 0.2 0.6 1- + - + 一 + + - 1 2 3 4 5七、(10分)设有模糊控制规则：“如果富度低，則将风门开大”。设温度和风门开 度的论域为123,4,5。“温度低

15、”和“风门大”的模刪量可以表示为晋*尊+ ? + 9, b = “风门大“13 4* 5已知事实较ttT,可以表示为温度较低”=0.8 1 0.6 0.4 0一 + 一 + + + -1 2 3 4 5试用模糊推理爾定an开度。要求:（1） 确定模糊控制规则的组含关系兄（2） 确定“温度较高”时“风门开度”的模糊量（其中合成果用最大-最小合 成法）o（3） 给岀（2）所得模糊量的Zadeh表示，并用加权平均判决迭进行模刪决策， 给岀呗门开BT的渭晰量。 (1 ) R = 1 0.6 0.3 0 0 TO 0 0 0.2 0.6 1 =（3 ）所得模制量的Zadeh表示为歹=0/1+0/2+02

16、/3+06/4+08/5 , 用加权平均判决法进行模棚决N 14风n开度”的淸断量为0.2x3 + 0.6x4 + 0.8x50.2 + 0.6 + 0.8Ax （8分）已知离a Hopfield神经网络的连接权值矩阵为I 02_233 各神经元的鬭值取为0。任克给定一个初始状态140)=1-1,-1,11，请确定其所对应 的一个隐定状态。V2 =f( W*v(0)t) = f(2/3 -2/3) = f(0) = 1; v(1) = (-1,1,1V1 = f(-2/3+2/3) = f(0) = 1 ;v(2) = 1,1,1V3 = f(2/3 - 2=f(0) = 1; = 注意:是串

17、行-：假设HR Hopfield神经网络中个神经元状态的调整顺序为2-d-3,2 2IM v2(1) = /(-)x(-1) + 0x(-1) + (-)x 1 = /(0) = 1 ,因而 KD-1,1,1;2 2 4v,(2) = /0x(-1) + (-)x 1 + -x(-1) = /(-) = -1,因而 K2)=-1,1,1；2 2 4v3(3)= /l-x(-1)+ (-)xl + 0x(-l) = /(-) = -l,因而 K3)=-1,1,1;(6 分)J w.显然，卜1,1,1是KO)所对应的穩定状态。 一 (1ft)或解二：1B设与解一不同的神经元状态调整Si序,得到另一

18、稳定狀态1,-1,10九、(16分)已知一个非线性函数：f(xl9x2) = iO(x-x2)2 +(l-x,)20 x, 2.5 i = 1,21 )若用连续Hopfield神经网络(CHNN )求解其最小值，要求画出CHNN的网 络结沟图(图中需标注各神经元的输入连接权和岡值),给岀神经元的输出变换 函数，以及求解上述间题的廿算能量函U; (6分)X =兀/25（1分），神经元的输出变换因数可采用Sigmoid里因数，RP 十 ”其中Q = 1 （ 1分）。求解上述冋題的it算能量函数为（vpv2） = 10（2.5片尸一25冬2 +（1 2.5片尸（1分）2 ）用遗传算法（GA ） GA

19、 （ Genetic Algorithm）求解其最小值,若果用二进制编码, 试确定染色体的长度，设it GA 适应度函数，并说明适应度函数在GA中的 作用；（5分）2 5 02） 由1= 了 d分），可确定染色体的长度为2，即为10。（1分）（保证精度到小数点后一位，故每个xi至少2.5/0.1 = 25个二进制码）1GA的适应度因裁力/（、：、 ）+（，其中c为0的常数。（1分）适应度函数在GA中的作用:用于评价种特中个体的好坏，它是算法演化过程的鬼动力, 是进行自然选择的唯一依据。（2分）3） 分别给岀CHNN和GA求解上述冋題的主要求解步骤。（5分）用神经网络方法求解优化冋题的一 JR步

20、駅：（1） 将优化冋题的每一个可行解用换位矩阵表示。（2） 將换位拒阵与由个神经元构成的神经网络相对应：每一个可打解的换位矩阵的各元素与相应的神经元闻态输岀相对应。(3)构造能量函数，便其最小值对应于优化冋题的最优解，并满足约東条件。(4)用罚函数法构造目标函敷，与Hopfield神经网络的廿算能量函数表这衣 相等，簡定各堆接权和怕置参数。(5)给定网络初始状盗和网络参数等，使网络按动盗方程运打，直到務定状 态,并将它解犀为优化冋聶的解。CHNN求解约東优化问題的步骤(2分)(1)选择合适的冋題表示方法，使CHNN的输出与优化冋题的可行解破此对应；(2)用弭函数法写岀优化冋題的目标函数；(3)令目标函数和能量SSHl等，确定CHNN的连接权和悄置电浹，HKsU态方程；(4)给