人工智能及其应用

1：人工智能各学派的认知观         （填空）      P/9-10

(1) 符号主义   (2) 连接主义   (3) 行为主义

2：人类认知活动与计算机的比较                     P/11

人类：生理过程→初级信息处理→思维策略

计算机：计算机硬件→计算机语言→计算机程序

3：信息处理系统又叫符号处理系统或物理符号系统。

所谓符号就是模式。

4：一个完整的符号系统应具有下列6种基本功能     

                                （简答）        P/12

（1） 输入符号         （2）输出符号           

（3）存储符号          （4）复制符号

（5）建立符号结构：、、、、、       （6）条件性迁移：、、、、   

※ 5：人工智能研究的主要方法        （填空）     P/18-19

（1）功能模拟法  又称为  功能模拟学派

（2）结构模拟法  也可称  结构模拟学派

（3）行为模拟法  也可称  行为模拟学派

（4）集成模拟法

6：计算智能涉及神经计算、模糊计算、进化计算、粒群计算、自然计算、免疫计算和人工生命等研究领域。               P/21

第二章      知识表示方法

1：状态空间表示法                               P/28

这种基于解答空间的问题表示和求解法方法就是状态空间法，它是以状态和算法为基础来表示和求解问题的。

要完成某个问题的状态描述，必须确定3件事：      P/30

（1）该状态描述方式，特别是初始状态描述；

（2）操作符集合及其对状态描述的作用；

（3）目标状态描述的特性。

2：状态图示法                                    P/30  

图由节点的集合构成。

※ 如果某条弧线从节点ni指向节点nj，那么节点nj就叫做节点ni的后继节点或后裔，而节点ni叫做节点nj的父辈节点或祖先。

※3：问题归约表示可由以下3部分组成：    （简答）         P/31

（1）一个初始问题描述；

（2）一套把问题变换为子问题的操作符；

（3）一套本原问题描述。

※4：谓词逻辑表示       （ 选择 或 填空 ）          P/36

谓词逻辑的基本组成部分是谓词符号、变量符号、函数符号和常量符号，并用圆括弧、方括弧、花括弧和逗号隔开，以表示论域内的关系。

当一个原子公式含有变量符号时，对定义域内实体的变量可能有几个设定。对某几个设定的变量，原子公式取值T；而对另外几个设定的变量，原子公式则取值F。

本书用到的谓词演算为一阶谓词演算，不允许对谓词符号或函数符号进行量化。

5：谓词逻辑中，重要的推理规则       （填空）      P/39

（1）假元推理             （2）全称化推理

※  6：语义网络是知识的一种结构化图解表示，它由节点和弧线或链线组成。       （填空/简答）

语义网络表示由以下4个相关部分组成：              P/41

（1）词法部分            （2）结构部分

（3）过程部分            （4）语义部分

※  7：语义网络中的推理过程主要有两种，一种是继承，另一种是匹配。             （填空）        P/45

第三章     确定性推理

1：是否重新安排OPEN表，即是否安照某个试探值重新对未扩展节点进行排序，将决定该图搜索过程是无信息搜索或启发式搜索。   

2：不需要重新安排OPEN表的搜索叫做无信息搜索或盲目搜索，它包括宽度优先搜索、深度优先搜索和等代价搜素等。       P/

※ 宽度优先搜索：如果搜索是以接近起始节点的程度依次扩展节点的，那么这种搜索就叫做宽度优先搜索。                 P/65

※ 深度优先搜索：首先扩展最新产生的（即最深的）节点。 P/66 

等代价搜索：是宽度优先搜索的推广。                  P/68

3：利用启发信息来决定哪个是下一步要扩展的节点。这种搜索总是选择“最有希望”的节点作为下一个被扩展的节点。这种搜索叫做有序搜索。                                          P/70

※  4：消解原理        （大题目）              P/76-77

字句定义为由文字的析取组成的公式。（一个原子公式或其否定都是）

任何母式都可写成由一些谓词公式和谓词公式的否定的析取的有限集组成的合取。这种母式叫做合取范式。可以反复应用分配律。把任一母式化成合取范式。       （填空）

5：在所有基于规则系统中，每个if可能与某断言集中的一个或多个断言匹配。有时把该断言集称为工作内存。            P/84

6：在基于规则的系统中，无论是规则演绎系统或规则产生式系统，均有两种推理方式，即正向推理和逆向推理。          P/84

7：正向演绎系统能够处理任意形式的if表达式，但被在then表达式为由文字析取组成的一些表达式上。逆向演绎系统能够处理任意形式的then表达式，但被在if表达式为文字析取组成的一些表达式上。                                           P/92

8：正向和逆向组合系统是建立在两个系统相结合的基础上的。此组合系统的总数据库由表示目标和表示事实的两个与或图结构组成。这些与或图结构分别用正向系统的F规则和逆向系统的B规则来修正。

9：论域的知识分为两部分：                       P/93

（1）用事实表示静态知识，如事物、事件和它们之间的关系；

（2）用产生式规则表示推理过程和行为。

※ 10：产生式系统由3个部分组成，即数据库（或全局数据库），产生式规则和控制策略。                        P/93

11：总数据库有时也称为上下文、当前数据库或暂时存储器。总数据库是产生式规则的注意中心。                      P/94 

※ 12：控制策略的作用是说明下一步应该选用什么规则，也就是如何应用规则。通常从选择规则到执行操作分为3步：匹配、冲突解决和操作。        （填空）               P/94

13：这种单调系统不能很好地处理常常出现在现实问题领域中的3类情况，即不完全的信息、不断变化的情况以及求解复杂问题过程中生成的假设。                                      P/102

第四章     非经典推理

1：非经典逻辑和非经典推理与经典逻辑和经典推理的区别：

（1）  （2）  （3）  （4）  （5）              P/111

※ 2：不确定性推理中存在三种不确定性，即关于知识的不确定性、关于证据的不确定性和关于结论的不确定性。       P/111

3：不确定性的量度：  在确定量度方法及其范围时，必须注意到：

（1）量度要能充分表达相应知识和证据不确定性的程度。

（2）量度范围的指定应便于领域专家和用户对不确定性的估计。

（3）量度要便于对不确定性的传递进行计算，而且对结论算出的不确定性量度不能超出量度规定的范围。

（4）量度的确定应当是直观的，并有相应的理论依据。   P/112

4：概率推理

目前用得较多的不精确推理模型有概率推理、可信度方法、证据理论、贝叶斯推理和模糊推理等。                     P/114

※ 5：主观贝叶斯方法 （必考 计算 填空）        P/117-120

几率的取值范围为    [0，]        P/118

插值计算图                    P/120

※ 6：可信度因子CF（H，E）   作用域[-1，1]         P/123

CF（H，E）表示该证据增加了结论为真的程度

CF（H，E）表示该证据增加了结论为假的程度

CF（H，E）表示证据E和结论H没有关系。

第五章      计算智能

1：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到低层而已。

若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。                                         P/146

2：人工神经网络的特性：      （简答）            P/147

（1）并行分布处理。

（2）非线性映射。

（3）通过训练进行学习。

（4）适应与集成。

（5）硬件实现。

※ 3：人工神经网络的结构基本上分为两类，即递归网络和前馈网络P/148            （填空）

4：前馈网络的例子有多层感知器（MLP）、学习矢量量化（LVQ）网络、小脑模型连接控制（CMAC）网络和数据处理方法（GMDH）网络等。                （填空）                P/149

※ 5：人工神经网络的主要学习方法

（1）有师学习（有监督）

（2）无师学习（无监督）

（3）强化学习。                 （填空）         P/149

6：通常定义神经网络的泛化能力，也称推广能力，是指神经网络在训练完成之后输入其训练样本以外的新数据时获得正确输出的能力。

影响泛化能力的因素主要有：                        P/155

（2）训练样本的质量和数量

（2）网络结构            

（3）问题本身的复杂程度

7：编码方法：                                 P/162

（1）二进制编码      （2）浮点数编码     （3）格雷码

（4）符号编码方法

8：适应度函数：为了体现染色体的适应能力，引入了对问题中的每一个染色体都能进行量度的函数，叫做适应度函数。       P/162

※ 9：简单遗传算法的遗传操作主要有三种：选择、交叉、变异。

               （填空）           P/162

10：遗传算法的特点：              （简答）         P/1

（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他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。

课后习题答案

2-2  设有3个传教士和3个野人来到河边，打算乘一只船从右岸渡到左岸去。该船的负载能力为两人。在任何时候，如果野人人数超过传教士人数，那么野人就会把传教士吃掉。他们怎样才能用这条船安全地把所有人都渡过河去?

用Si(nC, nY) 表示第i次渡河后，河对岸的状态，nC表示传教士的数目，nY表示野人的数目，由于总人数的确定的，河对岸的状态确定了，河这边的状态也即确定了。考虑到题目的条件，要同时保证，河两岸的传教士数目不少于野人数目，故在整个渡河的过程中，允许出现的状态为以下3种情况：

1. nC=0

2. nC=3

3. nC=nY>=0 (当nC不等于0或3)

用di(dC, dY)表示渡河过程中，对岸状态的变化，dC表示，第i次渡河后，对岸传教士数目的变化，dY表示，第i次渡河后，对岸野人数目的变化。当i为偶数时，dC,dY同时为非负数，表示船驶向对岸，i为奇数时，dC, dY同时为非正数，表示船驶回岸边。

初始状态为S0(0, 0)，目标状态为S0(3, 3)，用深度优先搜索的方法可寻找渡河方案。

在此，用图求法该问题，令横坐标为nY, 纵坐标为nC，可行状态为空心点表示，每次可以在格子上，沿对角线移动一格，也可以沿坐标轴方向移动1格，或沿坐标轴方向移动2格。第奇数次数状态转移，沿右方，上方，或右上方移动，第偶数次数状态转移，沿左方，下方，或左下方移动。

从(0,0)开始，依次沿箭头方向改变状态，经过11步之后，即可以到达目标状态(3,3)，相应的渡河方案为：

d1(1,1)-- d2(-1,0)-- d3(0,2)-- d4(0,-1)-- d5(2,0)-- d6(-1,-1)-- d7(2,0)-- d8(0,-1)-- d9(0,2)-- d10(-1,0)-- d11(1,1)

2-7  用谓词演算公式表示下列英文句子(多用而不是省用不同谓词和项。例如不要用单一的谓词字母来表示每个句子。)

A computer system is intelligent if it can perform a task which, if performed by a human, requires intelligence.

先定义基本的谓词

INTLT(x) means x is intelligent

PERFORM(x,y) means x can perform y

REQUIRE(x) means x requires intelligence

CMP(x) means x is a computer system

HMN(x) means x is a human

上面的句子可以表达为

(任意x)

{ (存在t) (存在y) [ HMN(y) 合取 PERFORM(y,t) 合取 REQUIRE(t) 合取 CMP(x) 合取 PERFORM(x,t) ]   INTLT(x) }

3-6 用宽度优先搜索求图3.33所示迷宫的出路。

第一步          第二步               第三步

S A B         B H                 H G

                 B C                 C F

最终路径为S A B C F

5-10 什么是模糊集合和隶属函数或隶属度？

论域U

模糊子集F

隶属函数

序偶

P119

5-11 模糊集合有哪些运算，满足哪些规律？

并(取max)，交(取min)，补

幂等律，交换律，结合律，分配律，吸收律，同一律，Demorgan律，复原律，对偶律，互补律不成立

5-14 试述遗传算法的基本原理，并说明遗传算法的求解步骤。

基本原理？

求解步骤：

(1) 随机产生一个由确定长度的特征字符串组成的初始种群体

(2) 对该字符串种群迭代地执行下步的步骤[1]和步骤[2]，直到满足停止准则为止：

   [1] 计算种群中每个个体字符中的适应值

   [2] 应用复制，交叉和变异等遗传算子产生下一代种群

(3) 把在后代中出现的最好个体字符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。