人工智能复习

人工智能理论课复习资料

题型 选择1X10 填空1X10 判断1X10 简答 6X5 大题 10X3

综述题10X1

第一章

1.1956年正式提出人工智能这个术语。

2.人工智能的定义：人工智能是一门研究如何构造智能机器（智能计算机）或智能系统，使它能模拟、延伸、扩展人类智能的学科。

3.人工智能研究的基本内容：

知识表示 

机器感知 

机器思维

机器学习

4.人工智能的主要研究领域：

自动定理证明 

博弈

模式识别

机器视觉

自然语言理解

智能信息检索

数据挖掘与知识发现

专家系统（4-5个即可）

6.（可能简答）什么是人工智能？它有哪些特点？

人工智能是一门研究如何构造智能机器（智能计算机）或智能系统，使它能模拟、延伸、扩展人类智能的学科。

特点：具有感知能力

具有记忆与思维能力

具有学习能力

具有行为能力

第二章（出大题 综合题）

1知识表示的方法

（1）一阶谓词逻辑表示法

（2）产生式表示法

（3）框架表示法

（4）语义网络表示法

（5）状态空间表示法

2.一阶谓词逻辑表示法（重点看 课本25页）

3.一阶谓词逻辑知识表示方法的一般步骤（掌握）课本32页例2.1

（1）定义谓词及个体，确定每个谓词及个体的确切定义

（2）根据要表达的事物或概念，为谓词中的变元赋以特定的值

（3）根据语义用适当的连接符号将各个谓词连接起来，形成谓词公式

重点题目（课本47页2.1）

设有下列语句，请用相关的谓词公式把他们表示出来：

（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）他每天下午都去玩足球。

（3）所有人都有饭吃。

（4）喜欢玩篮球的人必喜欢玩排球。

（5）要想出国留学，必须通过外语考试。**

第三章（考大题 鲁滨逊归结原理）（课本64页）

掌握课本68 69页3.9和3.10 答案过程必须要画归结树

3.9某公司招聘工作人员，A,B,C**三人应试，经面试后公司表示如下想法：

（1）三人中至少录取一人

（2）如果录取A而不录取B，则一定录取C

（3）如果录取B,则一定录取C。

求证：公司一定录取C。

3.10已知如下信息。

规则1：任何人的兄弟不是女性。

规则2：任何人的姐妹必是女性。

事实：Marry是Bill的姐妹。

求证：Marry不是Tom的兄弟。

第四章（考大题）

1.可信度方法 公式必须记住（课本80页）

公式 4.3 CF(H)=CF(H,E) X
max{0,CF(E)}

公式4.4 课本82页

掌握例题4.1 课本82页

4.1 设有如下一组知识：

r1: IF  E1   THEN   H   (0.8)

r2: IF  E2   THEN   H   (0.6)

r3: IF  E3   THEN   H   (-0.5)

r4: IF  E4   AND   (E5   OR   E6)    THEN    E1   (0.7)

r5: IF  E7   AND   E8   THEN    E3   (0.9)

*已知：CF(E2)=0.8,CF(E4)=0.5,CF(E5)=0.6,CF(E6)=0.7,CF(E7)=0.6,CF(E8)=0.9***。求CF(H)

2.     模糊推理方法和随机推理方法的区别（看课本90页）

在模糊逻辑中，给集合中每一个元素赋予一个介于0或1之间的实数，描述其属于一个集合的程度，该实数称为元素属于一个集合的隶属度。集合中所有元素的隶属度全体构成集合的隶属函数。

（章节思考题）

1.什么是不确定性推理？有哪几类不确定性推理方法？不确定性推理中需要解决的基本问题有哪些？

不确定性推理是从不确定性的初始证据出发，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但却合理或者近乎合理的结论的思维过程。

分类：

（1）知识的不确定性

（2）证据的不确定性

基本问题：

（1）知识与证据不确定性的表示与度量

（2）不确定性匹配算法及阈值

（3）组合证据不确定性的算法

（4）不确定性的传递算法

（5）结论不确定性的合成

4.2什么是可信度？由可信度因子CF(H,E)**的定义说明它的含义。

定义：根据经验对一个事物或现象为真的相信程度称为可信度

解释：CF（H,E）实际上就是在前提条件对应的证据为真时结论H的可信度。

4.7什么是模糊性？它与随机性有什么区别？试举出几个日常生活中的模糊概念**。

所谓模糊，是指边界不清楚，既在质上没有确切的含义，在量上没有明确的界限，这种边界不清的模糊概念，不是由于人的主观认识达不到客观实际造成的，而是事物一种客观属性，是事物的差异之间存在着中间过渡过程的结果。

区别：随机性与必然性相对。指事件本身的定义是确定的，但事件是否发生不确定。

模糊性与精确性相对。指对事件本身的认知不确定。

随机性：是偶然性的一种形式，是介于必然事件不可能事件之间的现象和过程，具有某一概率的事件集合中的各个事件所表现出来的不确定性。

日常生活中的模糊概念：老人、早晨、上午、傍晚、下午。

4.8模糊推理的一般过程是什么？**

（1）比较输入变量和隶属函数从而获得每个语言标识的隶属值——模糊化。

（2）对初始部分的隶属函数作并运算（通常是乘或最小化），得到每个规则的激活权。

（3）依赖于激活权产生每一个规则的有效结果（模糊或清晰）。

（4）叠加所有有效的结果产生一个明确的输出—–去模糊化。

例题4.1 4.2（课本102页）

4.1设有如下一组推理规则

r1: IF  E1   THEN   E2   (0.6)

r2: IF  E2   AND   E3    THEN    E4   (0.8)

r3: IF  E4   THEN   H   (0.7)

r4: IF  E5   THEN   H  (0.9)

且已知CF(E1)=0.5,CF(E3)=0.6,CF(E5)=0.4,结论H的初始可信度一无所知。求CF(H)为多少？

4.2已知规则可信度为

r1: IF  E1   THEN   H1   (0.7)

r2: IF  E2   THEN   H1   (0.6)

r3: IF  E3   THEN   H1   (0.4)

r4: IF  (H1  AND E4)   THEN    H2   (0.2)

证据可信度为：CF(E1)=CF(E2)=CF(E3)=CF(E4)=0.5,H1的初始可信度一无所知，H2的初始可信度CF0(H2)=0.3,计算结论H2的可信度CF(H2)。

第五章

**1.**会区分盲目搜索和启发式搜索

盲目搜索是指在对特定问题不具有任何有关信息的条件下，按固定的步骤（依次或随机调用操作算子）进行的搜索，它能快速地调用一个操作算子

启发式搜索则是考虑特定问题领域可应用的知识，动态地确定调用操作算子的步骤，优先选择较合适的操作算子，尽量减少不必要的搜索，以求尽快地到达结束状态，提高搜索效率。

**2.**盲目的图搜索策略包括

回溯策略

宽度优先搜索策略（积木问题）

广度优先搜索策略（卒子穿阵）

思考题（简答）

5.2****什么是启发式搜索？什么是启发信息？

启发式搜索则是考虑特定问题领域可应用的知识，动态地确定调用操作算子的步骤，优先选择较合适的操作算子，尽量减少不必要的搜索，以求尽快地到达结束状态，提高搜索效率。

启发信息：在具体求解中，能够利用与该问题有关的信息来简化搜索过程，称此类信息为启发信息，而称这种利用启发信息的搜索过程为启发式搜索。

5.3什么是盲目搜索？主要有几种盲目搜索策略？

定义：盲目搜索是在不具有对特定问题的任何有关信息的条件下，按固定的步骤（依次或随机调用操作算子）进行的搜索。

回溯策略 宽度优先搜索策略 广度优先搜索策略

5.7宽度优先搜索策略与深度优先搜索有何不同？分析深度和宽度优先的优缺点。在什么情况下宽度优先搜索策略优于深度优先搜索策略？在何种情况下，深度优先搜索策略优于宽度优先搜索策略？

宽度优先搜索策略是由S0生成新状态，然后依次扩展这些状态，再生成新状态，该层扩展完之后，在进入下一层，如此一层一层的扩展下去，直到搜索到目的状态（如果目的状态存在）

优点：总能找到最好的解。

缺点：当图的分支太多，即状态的后裔数的平均值较大，这种组合爆炸就会使算法耗尽资源，从而在可利用的空间找不到解。

优点：深度优先搜索策略能尽快的深入下去，深度优先搜索在搜索有大量分支的状态空间时有相当高的效率，它不需要把某一层上的所有结点都进行扩展。

缺点：深度优先搜索会在搜索的深处“迷失方向”，找不到通向目的的更短路径或陷入一个不通往目的的无限长的路径中。

当寻找最短路径时应使用宽度优先搜索策略，如果已知解题路径很长时，应使用深度优先搜索策略。

第六章

1.课本156页 粒子群优化算法流程图

2.粒子群优化算法（重点）

第七章

1.专家系统的定义

专家系统是一种智能的计算机程序，它运用知识和推理来解决只有专家才能解决的复杂问题

2.专家系统的特点

（1）具有专家水平的专业知识

（2）能进行有效的推理

（3）具有启发性

（4）具有灵活性

（5）具有透明性

（6）具有交互性

3.专家系统的核心是知识库和推理机

拔高题（课上补充）

1.  KNN算法（有监督学习中的分类算法）

原理：当预测一个新的值x的时候，根据它的距离最近的K个点是什么类别来判断x属于哪个类别。

优点：简单易用，模型训练时间快，预测效果好，对异常值不敏感。

2.  K-means算法（无监督学习中的聚类算法）

原理：将相似的样本自动归到一个类别中。假定给定数据样本X,包含了n个对象X={X1,X2,X3,…,Xn},其中每个对象都有M个维度的属性。该算法的目标是将n个对象依据对象间的相似聚集到指定的k个类簇中，每个对象属于且仅属于一个其到类簇中心距离最小的类簇中。

优点：理解容易，聚类效果不错，处理大数据集的时候，该算法可以保证较好的伸缩性和高效率，当簇近似高斯分布时，效果非常不错。

缺点：K值的选取对结果影响较大，对初始簇中心点是敏感的，离群点对模型影响较大。

3.   支持向量机算法

支持向量机是找到一个超平面将数据划分为一类与其他类的一种二类分类模型。