人工智能复习资料

1. 人工智能的定义

人工智能(Artificial Intelligence) ，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。 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作出反应的智能机器，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 定义1 智能机器

能够在各类环境中自主地或交互地执行各种拟人任务(anthropomorphic tasks)的机器。 定义2 人工智能(学科)

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。 定义3 人工智能(能力)

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。

为了让读者对人工智能的定义进行讨论，以便更深刻地理解人工智能，下面综述其它几种关于人工智能的定义。

定义4 人工智能是一种使计算机能够思维，使机器具有智力的激动人心的新尝试（Haugeland,1985）。 定义5 人工智能是那些与人的思维、决策、问题求解和学习等有关活动的自动化（Bellman,1978）。 定义6 人工智能是用计算模型研究智力行为（Charniak和McDermott,1985）。 定义7 人工智能是研究那些使理解、推理和行为成为可能的计算（Winston,1992）。 定义8 人工智能是一种能够执行需要人的智能的创造性机器的技术（Kurzwell,1990）。 定义9 人工智能研究如何使计算机做事让人过得更好（Rick和Knight,1991）。

定义10 人工智能是一门通过计算过程力图理解和模仿智能行为的学科（Schalkoff,1990）。

定义11 人工智能是计算机科学中与智能行为的自动化有关的一个分支（Luger和Stubblefield,1993）。

2. 人工智能的主要研究和应用领域是什么？其中，哪些是新的研究热点？

答：人工智能的应用领域有：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、 机器人视觉、智能控制、智能检索、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 。

其中新的研究热点为：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。

3.状态空间法、问题归纳法、谓语动词法和语义网络法等知识表示方法的要点是什么？他们有何关系？ 状态空间法是一种基于解答空间的问题表示和求解方法，它是以状态和操作符为基础的。

问题归纳法是从目标出发，逆向推理，通过一系列变换把初始问题变换为问题集合和子问题集合，直至最后归纳为一个平凡的本原问题集合。状态空间法是问题归纳法的一种特例。

谓语动词法采用谓语合式公式和一阶谓词演算把要解决的问题变为一个有待证明的问题，然后采用消解原理和消解反演来证明一个新语句是从已知的正确语句导出的，从而证明这个新语句也是正确的。 语义网络法是一种结构化表示方法，它由节点和弧线或链线组成，节点表示物体、概念和状态，弧线表示节点间关系。

在求解问题过程中，往往不是一种方法就能解决问题，而需要几种方法混合使用。

现在人工智能有哪些学派？它们的任知观是什么？ 答：人工智能的学派及其认知观如下：

（１）符号主义 认为人工智能起源于数理逻辑；

（２）连接主义 认为人工智能起源于仿生学，特别是对人脑模型的研究； （３）行为主义 认为人工智能源于控制论。

4.什么是图搜索过程？A*算法？

搜索算法是来自于人工智能理论中问题的状态空间表示法；按照这种表示法，不同的问题求解过程可以统一地转化为在问题状态空间中寻找一条从初始状态到目标状态的道路的过程。

图搜索策略可看作一种在图中寻找路径的方法。初始节点和目标节点分别代表初始数据库和满足终止条件的数据库。求得把一个数据库变换为另一数据库的规则序列问题就等价于求得图中的一条路径问题 A*（A-Star)算法是一种静态路网中求解最短路最有效的方法。 公式表示为： f(n)=g(n)+h(n),

其中f(n) 是节点n从初始点到目标点的估价函数， g(n) 是在状态空间中从初始节点到n节点的实际代价， h(n)是从n到目标节点最佳路径的估计代价。

保证找到最短路径（最优解的）条件，关键在于估价函数h(n)的选取：

估价值h(n)<= n到目标节点的距离实际值，这种情况下，搜索的点数多，搜索范围大，效率低。但能得到最优解。

如果 估价值>实际值, 搜索的点数少，搜索范围小，效率高，但不能保证得到最优解。

估价值与实际值越接近，估价函数取得就越好。

例如对于几何路网来说，可以取两节点间欧几理德距离（直线距离）做为估价值，即f=g(n)+sqrt((dx-nx)*(dx-nx)+(dy-ny)*(dy-ny))；这样估价函数f在g值一定的情况下，会或多或少的受估价值h的制约，节点距目标点近，h值小，f值相对就小，能保证最短路的搜索向终点的方向进行。明显优于Dijstra算法的毫无无方向的向四周搜索。 conditions of heuristic

Optimistic (must be less than or equal to the real cost) As close to the real cost as possible 主要搜索过程：

创建两个表，OPEN表保存所有已生成而未考察的节点，CLOSED表中记录已访问过的节点。 遍历当前节点的各个节点，将n节点放入CLOSE中，取n节点的子节点X,->算X的估价值-> While(OPEN!=NULL) {

从OPEN表中取估价值f最小的节点n; if(n节点==目标节点) break; else {

if(X in OPEN) 比较两个X的估价值f //注意是同一个节点的两个不同路径的估价值 if( X的估价值小于OPEN表的估价值 )

更新OPEN表中的估价值; //取最小路径的估价值

if(X in CLOSE) 比较两个X的估价值 //注意是同一个节点的两个不同路径的估价值 if( X的估价值小于CLOSE表的估价值 )

更新CLOSE表中的估价值; 把X节点放入OPEN //取最小路径的估价值 if(X not in both) 求X的估价值;

并将X插入OPEN表中; //还没有排序 }

将n节点插入CLOSE表中;

按照估价值将OPEN表中的节点排序; //实际上是比较OPEN表内节点f的大小，从最小路径的节点向下进行。

启发式搜索其实有很多的算法，比如：局部择优搜索法、最好优先搜索法等等。当然A*也是。这些算法都使用了启发函数，但在具体的选取最佳搜索节点时的策略不同。象局部择优搜索法，就是在搜索的过程中选取“最佳节点”后舍弃其他的兄弟节点，父亲节点，而一直得搜索下去。这种搜索的结果很明显，由于舍弃了其他的节点，可能也把最好的节点都舍弃了，因为求解的最佳节点只是在该阶段的最佳并不一定是全局的最佳。最好优先就聪明多了，他在搜索时，便没有舍弃节点（除非该节点是死节点），在每一步的估价中都把当前的节点和以前的节点的估价值比较得到一个“最佳的节点”。这样可以有效的防止“最佳节点”的丢失。那么A*算法又是一种什么样的算法呢？其实A*算法也是一种最好优先的算法。只不过要加上一些约束条件罢了。由于在一些问题求解时，我们希望能够求解出状态空间搜索的最短路径，也就是用最快的方法求解问题，A*就是干这种事情的！

我们先下个定义，如果一个估价函数可以找出最短的路径，我们称之为可采纳性。A*算法是一个可采纳的最好优先算法。A*算法的估价函数可表示为： f'(n) = g'(n) + h'(n)

这里，f'(n)是估价函数，g'(n)是起点到终点的最短路径值，h'(n)是n到目标的最断路经的启发值。由于这个f'(n)其实是无法预先知道的，所以我们用前面的估价函数f(n)做近似。g(n)代替g'(n)，但 g(n)>=g'(n)

才可（大多数情况下都是满足的，可以不用考虑），h(n)代替h'(n)，但h(n)<=h'(n)才可（这一点特别的重要）。可以证明应用这样的估价函数是可以找到最短路径的，也就是可采纳的。我们说应用这种估价函数的最好优先算法就是A*算法。哈。你懂了吗？肯定没懂。接着看。

举一个例子，其实广度优先算法就是A*算法的特例。其中g(n)是节点所在的层数，h(n)=0，这种h(n)肯定小于h'(n)，所以由前述可知广度优先算法是一种可采纳的。实际也是。当然它是一种最臭的A*算法。 再说一个问题，就是有关h(n)启发函数的信息性。h(n)的信息性通俗点说其实就是在估计一个节点的值时的约束条件，如果信息越多或约束条件越多则排除的节点就越多，估价函数越好或说这个算法越好。这就是为什么广度优先算法的那么臭的原因了，谁叫它的h(n)=0，一点启发信息都没有。但在游戏开发中由于实时性的问题，h(n)的信息越多，它的计算量就越大，耗费的时间就越多。就应该适当的减小h(n)的信息，即减小约束条件。但算法的准确性就差了，这里就有一个平衡的问题。} 5.求取子句集遵循哪些步骤？结合例题加以应用。

?x?yP?x,y????y??Q?x,y??R?x,y?????解:?x?yP?x,y????y??Q?x,y??R?x,y????? ?x???yP?x,y????z???Q?x,z??R?x,z???? ?x??y?P?x,y???z??Q?x,z???R?x,z???? ?x?(?y?P?x,y???zQ?x,z?)?(?y?P?x,y???z?R?x,z?)? ?x?(?P?x,f(x)??Q?x,g(x)?)?(?P?x,f(x)???R?x,g(x)?)?所以子句集为{?P?x,f(x)??Q?x,g(x)?,?P?x,f(x)???R?x,g(x)?}

（1） 消去蕴涵符号

只用v和~符号，以~AvB代替A=〉B （2） 减少否定符号的辖域

~Av~B代替~（A∧B） ~A∧~B代替~（AvB） A代替~（~A）

（ x）{~A}代替~（ x）A

（ x）{~A}代替~（ x）A （3） 对变量标准化

（ x）A{P（x）（ x）Q（x）}变成

（ x）A{P（x）（ y）Q（y）} （4） 消去存在量词

（ y）（ x）P（x，y）被（ y）P（g（y），y）代替，g（y）为Skolem函数。 （5） 化为前束型

（6） 把母式化为合取范式：把Av{B∧C}化为{AvB}∧{AvC} （7） 消去全称量词

（8） 消去连词符号∧：用{A，B}代替（A∧B）

（9） 更换变量名称：用x1，x2，x3等代替子句中的x 例： 设已知：

(1)凡是清洁的东西就有人喜欢； (2)人们都不喜欢苍蝇； 试证明：苍蝇是不清洁的 解:

D(x) x是不清洁的L(x,y) x喜欢yF: 1?x(?D(y)?L(x,y)) 凡是清洁的东西就有人喜欢F2: ?x? L(x,a) 人们都不喜欢苍蝇G: D(a) 苍蝇是不清洁的(1)D(x)?L(x,y) (2)? L(x,a)(3)D(a)(4)L(x,a) (1)(3)(5)? (2)(4) 所以原命题成立 例：

设有如下关系：

–1)如果x是y的父亲，y又是z的父亲，则x是z的祖父。 –2)老李是大李的父亲 –3)大李是小李的父亲

–问：上述人员中谁和谁是祖孙关系?

解: F(x, y) x是y的父亲 G(x, y) x是以的祖父 F1 : ( F(x, y)? F(y, z))?G(x, z) 如果x是y的父亲, y是z的父亲,则x是z的祖父 F2: F(O, L) 老李是大李的父亲 F3: F(L ,S) 大李是小李的父亲 (1) ? F(x, y)?? F(y, z)? G(x, z) (2) F(O, L) (3) F(L ,S) (4) ? F(L, z)? G(O, z) (1)(2) (5) G(O, S) (3)(4) 所以老李是小李的祖父aaa

1 ．设有下列语句，请用相应的谓词公式把它们表示出来：

（ 1 ）有的人喜欢梅花，有的人喜欢菊花，有的人既喜欢梅花又喜欢菊花。 （ 2 ）他每天下午都去打篮球。 （ 3 ）西安市的夏天既干燥又炎热。 （ 4 ）并不是每一个人都喜欢吃臭豆腐。 （ 5 ）喜欢读《三国演义》的人必读《水浒》。 （ 6 ）欲穷千里目，更上一层楼。

Aaa

如何通过消解反演求取问题的答案？ （1） 否定L，得到~L； （2） 把~L添加到S中去；

（3） 把新产生的集合{~L，S}化成子句集；

（4） 应用消解原理，力图推导出一个表示矛盾的空子句。（手工加例子）

什么叫产生式系统？它由哪些部分组成？它是如何进行推理？（正向、逆向）

产生式系统用来描述若干个不同的以一个基本概念为基础的系统。这个基本概念就是产生式规则或产生式条件和操作对的概念。在产生式系统中，论域的知识分为两部分：用事实表示静态知识，如事物、事件和他们之间的关系；用产生式规则表示推理过程和行为。

在基于规则系统中，每个if可能与某断言(assertion)集中的一个或多个断言匹配，then部分用于规定放入工作内存的新断言。当then部分用于规定动作时，称这种基于规则的系统为反应式系统(reaction system)或产生式系统(production system)。

它由三个部分构成：总数据库、产生式规则和控制策略。 1.正向推理

从一组表示事实的谓词或命题出发，使用一组产生式规则，用以证明该谓词公式或命题是否成立。 一般策略：先提供一批事实（数据）到总数据库中。系统利用这些事实与规则的前提相匹配，触发匹配成功的规则，把其结论作为新的事实添加到总数据库中。继续上述过程，用更新过的总数据库的所有事实再与规则库中另一条规则匹配，用其结论再次修改总数据库的内容，直到没有可匹配的新规则，不再有新的事实加到总数据库中。 2.逆向推理

从表示目标的谓词或命题出发，使用一组产生式规则证明事实谓词或命题成立，即首先提出一批假设目标，然后逐一验证这些假设。

一般策略：首先假设一个可能的目标，然后由产生式系统试图证明此假设目标是否在总数据库中。若在总数据库中，则该假设目标成立；否则，若该假设为终叶（证据）节点，则询问用户。若不是，则再假定另一个目标，即寻找结论部分包含该假设的那些规则，把它们的前提作为新的假设，并力图证明其成立。这样反复进行推理，直到所有目标均获证明或者所有路径都得到测试为止。 3.双向推理

双向推理的推理策略是同时从目标向事实推理和从事实向目标推理，并在推理过程中的某个步骤，实现事实与目标的匹配。

已知下列事实：

（1） 小李（Li）喜欢容易的（Easy）课程（Course）； （2） 小李不喜欢难的（Difficult）课程； （3） 工程类（Eng）课程都很难； （4） 管理类（Mag）课程都很容易；

（5） 小吴（Wu）喜欢所有小李不喜欢的课程； （6） Mag200是管理类课程； （7） Eng300是工程类课程。 请用消解反演法回答下面问题：

小李喜欢什么课程？小吴喜欢Eng300课程吗？

什么是不确定性推理？为什么需要采用不确定性推理？不确定性推理可分为哪几种类型？

是一种建立在非经典逻辑基础上的基于不确定性知识的推理，他从不确定性的初始证据出发，通过应用不确定性知识，推出具有一定程度的不确定性的或近乎合理的结论。

不确定性推理方法在许多情况下，往往无法解决面临的现实问题，因而需要应用不确定性推理等高级知识推理方法，包括非单调推理、时序推理和不确定性推理等。 不确定性推理可分为：可信度方法、证据理论（D-S理论）等。

什么叫机器学习？

机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。这里所说的“机器”，指的就是计算机。机器学习所采用的策略大体上可分为4种——机械学习、通过传授学习、类比学习和通过事例学习。

计算智能的涵义是什么？他涉及哪些分支？

计算智能是一种智力方式的低层认知，它与人工智能的区别只是认知层次从中层下降至低层而已。中层系统含有知识（精品），低层系统则没有。

当一个系统只涉及数值（低层）数据，含有模式识别部分，不应用人工智能意义上的知识，而且能够呈现出： （1）计算适应性； （2）计算容错性； （3）接近人的速度； （4）误差率与人相近，

则该系统就是计算智能系统。

计算智能的主要方法有人工神经网络、遗传算法、遗传程序、演化程序、局部搜索、模拟退火等等。遗传算法、免疫算法、模拟退火算法、蚁群算法、微粒群算法都是一种仿生算法。

研究领域：神经计算、模糊计算、粗糙集理论、进化计算、人工生命、群优化以及自然计算。

试述计算智能（CI）、人工智能（AI）、生物智能（BI）的关系。

计算智能是一种智力方式的低层认知，它与人工智能的区别只是认知层次从中层下降至低层而已。当一个智能计算系统以非数值方式加上知识（精品）值，即成为人工智能系统。B－Biological， 表示物理的＋化学的＋（？？）＝生物的 CI∈AI∈BI

人工神经网络有何特点？应用在什么领域?（反馈式神经网络结构） 人工神经网络的特性:

（1）并行分布处理 神经网络具有高度的并行结构和并行实现能力，因而能够有较好的耐故障能力和较快的总体处理能力。

（2）非线性映射 神经网络具有固有的非线性特性，这源于其近似任意非线性映射（变换）能力。 （3）通过训练进行学习 神经网络是通过所研究系统过去的数据记录进行训练的。一个经过适当训练的神经网络具有归纳全部数据的能力。

（4）适应与集成 神经网络能够适应在线运行，并能同时进行定量和定性操作。神经网络的强适应和信息熔合能力使得网络过程可以同时输入大量不同的控制信号，解决输入信息间的互补和冗余问题，并实现信息集成和熔合处理。

（5）硬件实现 神经网络不仅能够通过软件而且可借助软件实现并行处理。近年来，一些超大规模集成电路实现硬件已经问世，而且可从市场上购到。

在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。

简述生物神经元及人工神经网络的结构和主要学习方法。 生物神经元模型（手工画）

人工神经网络的结构分两类： 递归网络：（手工画）

前馈网络：（手工画）

主要学习方法

（１）有师学习 有师学习算法能够根据期望的和实际的网络输出（对应于给定输入）间的差来调整神经元间连接的强度或权。因此，有师学习需要有个老师或导师来提供期望或目标输出信号。有师学习算法的例子包括Delta规则、广义Delta规则或反向传播算法以及ＬＶＱ算法等。

（２）无师学习 无师学习算法不需要知道期望输出。在训练过程中，只要向神经网络提供输入模式，神经网络就能够自动地适应连接权，以便按相似特征把输入模式分组聚集。无师学习算法的例子包括Kohonen算法和Carpenter-Grossberg自适应谐振理论（ＡＲＴ)等。

（３）强化学习 如前所述，强化（增强）学习是有师学习的特例。它不需要老师给出目标输出。强化学习算法采用一个“评论员”来评价与给定输入相对应的神经网络输出的优度（质量因数）。强化学习算法的一个例子是遗传算法（GA）。

试述遗传算法的基本原理，并说明遗传算法的求解步骤。

遗传算法是模仿生物遗传学和自然选择机理，通过人工方式构造的一类优化搜索算法，是对生物进化过程进行的一种数学仿真，是进化计算的一种最重要形式。 遗传算法的特点

遗传算法是一种基于空间搜索的算法，它通过自然选择、遗传、变异等操作以及达尔文适者生存的理论，模拟自然进化过程来寻找所求问题的解答。遗传算法具有以下特点： (1) 遗传算法是对参数集合的编码而非针对参数本身进行进化； (2) 遗传算法是从问题解的编码组开始而非从单个解开始搜索；

(3) 遗传算法利用目标函数的适应度这一信息而非利用导数或其它辅助信息来指导搜索； (4) 遗传算法利用选择、交叉、变异等算子而不是利用确定性规则进行随机操作。 一般遗传算法的主要步骤如下：

(1) 随机产生一个由确定长度的特征字符串组成的初始群体。

(2) 对该字符串群体迭代的执行下面的步(a)和(b)，直到满足停止标准： (a) 计算群体中每个个体字符串的适应值；

(b) 应用复制、交叉和变异等遗传算子产生下一代群体。

(3) 把在后代中出现的最好的个体字符串指定为遗传算法的执行结果，这个结果可以表示问题的一个解。

本文来源：https://www.bwwdw.com/article/pe4t.html