人工智能復(fù)習(xí)參考

1、一、填空題01.構(gòu)成產(chǎn)生式系統(tǒng)的基本元素有（綜合數(shù)據(jù)庫）（產(chǎn)生式規(guī)則）（控制系統(tǒng)）， 控制策略按執(zhí)行規(guī)則的方式分為（正向推理）（反向推理）（雙向推理）三類。02.歸結(jié)過程中控制策略的作用是給出控制策略，以使僅對選擇合適的子句間方 可做歸結(jié)，避免（多余的不必要的歸結(jié)式）。常見的控制策略有（采用支撐集） （線性歸結(jié)）（單元歸結(jié)）（輸入歸結(jié)）。03.公式G和公式的子句集并不等值，但在（不可滿足）的意義下是一致的。04.與或圖的啟發(fā)式搜索算法（AO*算法）的兩個過程分別是（圖生成過程即擴(kuò) 展節(jié)點）和（計算耗散值的過程）。05.人工智能的研究途徑主要有兩種不同的觀點，一種觀點稱為（符號主義）， 認(rèn)為智能

2、的基本單元是（符號）。另一種觀點稱為（連接主義），認(rèn)為智能的基本 單元是（神經(jīng)元）。06.集合P（a,x,f（g（y）, P（z,f（z）,f（u）的 mgu （最一般合一置換）為（z/a, f（x）/x, u/g（y）。07.語義網(wǎng)絡(luò)是對知識的（有向圖）表示方法，一個最簡單的語義網(wǎng)絡(luò)是一個形 如（節(jié)點1、弧、節(jié)點2）的三元組，語義網(wǎng)絡(luò)可以描述事物間多種復(fù)雜的語義 關(guān)系、常用ISA、AKO弧表示節(jié)點間具有（類屬）的分類關(guān)系。語義網(wǎng)絡(luò)下的 推理是通過（繼承和匹配）實現(xiàn)的。08.按綜合屬性分類，機(jī)器學(xué)習(xí)可分為（連接學(xué)習(xí)）（歸納學(xué)習(xí)）（分析學(xué)習(xí)）和 遺傳算法與分類器系統(tǒng)。一個機(jī)器學(xué)習(xí)系統(tǒng)應(yīng)有（環(huán)境）

3、（知識庫）（學(xué)習(xí)環(huán)節(jié)） （執(zhí)行環(huán)節(jié)）四個基本部分組成。09.常用的知識表示法有邏輯表示法和（產(chǎn)生式規(guī)則表示法）（語義網(wǎng)絡(luò)表示法） （框架理論表示法）（過程表示法）等。有兩個A*算法A1和A2，若A1比A2有較多啟發(fā)信息，則h1（n）（大于） h2（n）。關(guān)于A算法與A*算法，若規(guī)定h（n）N0，并且定義啟發(fā)函數(shù):f*（n）=g*（n）+h*（n） 表示初始狀態(tài)S0經(jīng)點n到目標(biāo)狀態(tài)Sg最優(yōu)路徑的費用。其中g(shù)*（n）為S0到n 的最小費用，h*（n）為n到Sg的實際最小費用。若令h（n）三0，則A算法相當(dāng) 于（寬度優(yōu)先），因為上一層節(jié)點的（搜索費用）一般比下一層小。若（g（n）三 h（n）三0）則

4、相當(dāng)于隨機(jī)算法。若（g（n）三0），則相當(dāng)于最佳優(yōu)先算法。特別是當(dāng) 要求（h（n）忍h*（n）則稱這種A算法為A*算法。群智能是指無智能或簡單智能的主體通過任何形式的聚集協(xié)同而表現(xiàn)出智能 行為的特性。群智能潛在的兩大特點是（并行性）和（分布式）。其典型算法有（蟻群算法）和（粒子群算法）。已有的群智能理論的研究和應(yīng)用證明群智能方 法是一種能夠有效解決（大多數(shù)優(yōu)化問題）的新方法。蟻群算法是模擬自然界中螞蟻尋找從巢穴到食物的最佳路徑的行為而設(shè)計的， 螞蟻在遇到食物返回的路上會分泌（信息素），信息素會隨著時間慢慢揮發(fā)，且 關(guān)鍵路徑上的信息素相對濃度（大）,蟻群算法已被廣泛應(yīng)用于許多優(yōu)化問題中， 其中有

5、（聚類問題）（路由算法設(shè)計）（圖著色）（車輛調(diào)度）（機(jī)器人路徑規(guī)劃）。粒子群優(yōu)化算法是模擬（鳥群）或（蜂群）的覓食行為而設(shè)計的，其基本思 想是通過群體中（個體間的協(xié)作）和（信息共享）來尋找最優(yōu)解。粒子群優(yōu)化算 法的應(yīng)用領(lǐng)域有（車輛路徑問題）（郵政投遞）（火車汽車調(diào)度）（裝卸集裝箱）。遺傳算法是以達(dá)爾文的自然選擇學(xué)說為基礎(chǔ)發(fā)展起來的。遺傳算法的三種基 本操作是（復(fù)制）（交叉）（變異）；在遺傳算法中，衡量個體優(yōu)劣的尺度是（適 應(yīng)度），它決定某些個體是繁殖或是消亡，同時也是驅(qū)動遺傳算法的動力。蟻群算法是模擬自然界中螞蟻尋找從巢穴到食物的最佳路徑的行為而設(shè)計的， 依據(jù)蟻群算法的基本原理，蟻群算法中的行

6、為因子有（覓食規(guī)則）（移動規(guī)則）（避礙規(guī)則）（信息素規(guī)則）（范圍）（環(huán)境）。近年有學(xué)者提出的人工魚群算法是模仿自然界中魚群的行為而提出來的解決 問題的算法，從模擬魚群的（聚集行為）（覓食行為）（跟隨行為）（移動行為） 等方面來模擬自然界中的魚群行為。遺傳算法將“優(yōu)勝劣汰，適者生存”的（生物進(jìn)化原理）引入優(yōu)化參數(shù)形成 的編碼串群體中，按所選擇的（適應(yīng)度函數(shù)）并通過遺傳中的（復(fù)制）（交叉）（變異）對個體進(jìn)行（篩選），（適應(yīng)度高）的個體被保留下來，組成新的群體， 新的群體既繼承了上一代的信息，又優(yōu)于上一代。決策樹是一種知識概念表示方法，能表示（與或）規(guī)則；是一種（圖形符號）。 而人工神經(jīng)網(wǎng)絡(luò)是（非圖

7、形符號）表示法，又是一種函數(shù)表示法；即從大量的數(shù) 據(jù)中（抽取規(guī)則函數(shù)）。人工神經(jīng)網(wǎng)絡(luò)對于訓(xùn)練數(shù)據(jù)中的“錯誤”數(shù)據(jù)的（錯誤 健壯性很好）。人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)過程中有一個稱為“學(xué)習(xí)速率n ”的常 數(shù)，n取值過大會（漂移），n取值過小會（收斂過慢、學(xué)習(xí)效率低）。多層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程中有一種是反向傳播算法，其基本思想是利用（輸 出單元的誤差再計算上一層單元的誤差），依次向上傳播，俗稱反向傳播。又稱（逆推學(xué)習(xí)算法）。歸納學(xué)習(xí)需要的預(yù)先假定，稱為歸納偏置，歸納學(xué)習(xí)算法隱含了歸納偏置， 候選消除算法的歸納偏置是（目標(biāo)概念可以在假設(shè)空間找到），所以又稱限定偏 置。ID3是一種典型的決策樹學(xué)習(xí)方法，ID3

8、的歸納偏置有兩點，分別是（較短 的樹比較長的樹優(yōu)先），（得到局部最優(yōu)未必全局最優(yōu)）。自然語言處理是研究用機(jī)器處理人類語言的理論和技術(shù)，又叫（語言信息處 理），它研究能實現(xiàn)人與計算機(jī)之間用自然語言進(jìn)行有效通信的各種理論和方法， 自然語言處理研究面臨的兩大困難是（歧義）和（病構(gòu)），其中歧義分為（注音 歧義）（分詞歧義）（短語歧義）（詞義歧義）（語用歧義）五個方面。貝葉斯網(wǎng)是一個在弧的連接關(guān)系上加入（連接強(qiáng)度）的因果關(guān)系網(wǎng)絡(luò)。由兩 個部分組成，其一是DAG,即（有向無環(huán)圖）；其二是CPT,即（條件概率表）。貝葉斯網(wǎng)絡(luò)通常使用三種推理是（因果推理）（診斷推理）（辯解推理）。在確定性推理模型中的可信度因

9、子CF（H,E）（知識靜態(tài)強(qiáng)度）的取值范圍為 （-1,+1）；主觀Bayes方法中規(guī)定規(guī)則的靜態(tài)強(qiáng)度LS,LN的值應(yīng)（0,8）。二、證明題01.設(shè)公理集：（Vx）（R（x）rL（x）, （Vx）（D（x）TL（x）, （3x）（D（x）aI（x）o求證：Qx）（I（x）aR（x）（給出歸結(jié)步驟并畫出歸結(jié)樹）02.現(xiàn)定義如下謂詞（其中X,Y,Z皆為全稱變量）Thief（X）某人X是賊Likes（X,Y）某人X喜歡某物YMay_steal（X,Y）某人X可能會偷竊某物Y（1）用子句集表示下列刑偵知識。趙三是賊錢六喜歡酒（wine）錢六也喜歡奶酪（cheese）如果錢六喜歡某物則趙三也喜歡某物如果某

10、人X是賊，而且喜歡某物，則就有可能偷竊該物（2）求解結(jié)論：趙三可能會偷竊了什么？03.用歸結(jié)法證明：人a氣a A3 r B即B是A1、A2、A3的有效結(jié)論。A = (Vx)(P(x) A -Q(x) r(3y)(W (x, y) a V (y)A2 = (3x)(P(x) A U (x) A (Vy)(W (x, y) r U (y)A = -(3x)(Q(x) a U(x)3B = (3x)(V (x) a U(x)三、簡答題01.人工智能方法與傳統(tǒng)程序的不同有哪些？人工智能首先研究的是符號表示的知識，而不是數(shù)值的研究對象采用啟發(fā)式推理的方法，而不是常規(guī)的算法控制結(jié)構(gòu)和領(lǐng)域知識是分離的，允許

11、出現(xiàn)相對正確的答案02.在與或圖的問題求解過程中，哪幾類節(jié)點稱為能解節(jié)點？終節(jié)點是能解節(jié)點若非終節(jié)點有“或”子節(jié)點時，當(dāng)且僅當(dāng)其子節(jié)點至少有一能解時，該非 終節(jié)點才能解若非終節(jié)點有“與”子節(jié)點時，當(dāng)且僅當(dāng)其子節(jié)點均能解時，該非終節(jié)點 才能解03.寬度優(yōu)先搜索和深度優(yōu)先搜索有何不同？在何種情況下寬度優(yōu)先搜索優(yōu)于深 度優(yōu)先搜索？在何種情況下深度優(yōu)先搜索優(yōu)于寬度優(yōu)先搜索？兩種搜索策略是 否都是完備的？寬度優(yōu)先搜索是逐層窮舉搜索，深度優(yōu)先搜索是分支優(yōu)先搜索待搜索問題的解存在且關(guān)鍵路徑較短時寬度優(yōu)先搜索優(yōu)于深度優(yōu)先搜索， 待搜索問題的解存在且關(guān)鍵路徑較長且深度優(yōu)先搜索過程中優(yōu)先發(fā)展的正好是 解所在的路徑

12、時深度優(yōu)先搜索優(yōu)于寬度優(yōu)先搜索寬度優(yōu)先搜索是完備的，深度優(yōu)先搜索不是完備的04.簡要說明粒子群優(yōu)化算法與遺傳算法的共性和差異。共性(1)都屬于仿生算法(2)都屬于全局優(yōu)化方法(3)都屬于隨機(jī)搜索算法(4) 都隱含并行性(5 )根據(jù)個體的適應(yīng)信息進(jìn)行搜索，因此不受函數(shù)約束條件的限 制，如連續(xù)性、可導(dǎo)性等(6)對高維復(fù)雜問題，往往會遇到早熟收斂和收斂性 能差的缺點，都無法保證收斂到最優(yōu)點 差異(1) PSO有記憶，所有粒子都保存較優(yōu)解的知識，而GA以前的知識隨著種群 的改變被改變(2) PSO中的粒子是一種單向共享信息機(jī)制。而GA中的染色體 之間相互共享信息，使得整個種群都向最優(yōu)區(qū)域移動(3) G

13、A需要編碼和遺傳 操作，而PSO沒有交叉和變異操作，粒子只是通過內(nèi)部速度進(jìn)行更新，因此原 理更簡單、參數(shù)更少、實現(xiàn)更容易05.影響算法A啟發(fā)能力的重要因素有哪些。路徑的耗散值，求解路徑時擴(kuò)展的節(jié)點數(shù)，計算h所需的工作量06.決策樹學(xué)習(xí)法與神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)法的區(qū)別。決策樹是一種圖形符號表示，能表示與或規(guī)則，形象直觀地圖形符號ANNs非圖形符號表示法，是一種函數(shù)表示法，從大量的數(shù)據(jù)中抽取規(guī)則函數(shù)07.為什么說遺傳算法是一種“智能式搜索”，又是一種“漸進(jìn)式優(yōu)化搜索”。 遺傳算法執(zhí)行搜索的依據(jù)是適應(yīng)度，即目標(biāo)函數(shù)。利用適應(yīng)度，使遺傳算法逐步 逼近目標(biāo)值，所以是“智能式搜索”。遺傳算法利用復(fù)制、交換、突變等

14、操作，使新一代的結(jié)果優(yōu)于舊一代，通過不斷 迭代，逐漸得出最優(yōu)的結(jié)果，所以是“漸進(jìn)式優(yōu)化搜索”。08.簡述a -P過程的剪枝規(guī)則。極大節(jié)點的下界為a，極小節(jié)點的上界為6祖先節(jié)點的a值后輩節(jié)點的6值時，a剪枝祖先節(jié)點的6值忍后輩節(jié)點的a值時，6剪枝09.簡述關(guān)于群智能理論(算法)研究存在那些問題。數(shù)學(xué)理論基礎(chǔ)相對薄弱，涉及的各種參數(shù)設(shè)置沒有確切的理論依據(jù)帶有隨機(jī)性，每次的求解不一定一樣，當(dāng)處理突發(fā)事件時，系統(tǒng)的反映可能是不 可預(yù)測的，這在一定程度上增加了其應(yīng)用風(fēng)險舉例說明決策樹如何代表實例屬性值約束的合取的析取式，即從樹根到樹葉 的每一條路徑對應(yīng)一組屬性測試的合取，樹本身對應(yīng)這些合取的析取。R1:

15、 If (Outlook=Sunny) A (Humidity=High) Then Outing=NoR2: If (Outlook=Sunny) A (Humidity=Normal) Then Outing=YesR1或者R2表示的是合取規(guī)則，而R1VR2表示的是析取規(guī)則在主觀貝葉斯方法中，為什么LS, LN不能同時大于1或小于1，但可以出現(xiàn)LS, LN 等于1的情況。LS1 =禹% 1 = P(A|B) P(A|B) = 1-P(A|B) 1 - P(A|B) 1在確定性方法(CF方法)的推理模型中，規(guī)則A 一 B的可信度表示為CF(B, A)。分析CF(B,人)取值范圍及表示的意義。

16、-1 忍 CF(B, A) W 1證據(jù)為真時相對于P(B) = 1 - P(B)來說，A對B為真的支持程度。即A發(fā)生更 支持B發(fā)生，此時CF(B, A)N 0?；蛘呦鄬τ赑(B)來說，A對B為真的不支持 程度。即A發(fā)生不支持B發(fā)生，此時CF(B, A) 0。在證據(jù)理論的推理模型中信任區(qū)間函數(shù)f的定義如下：牌)=阮3+呂-阮陷)I。I依據(jù)定義分別解釋f(1,1)，f(0,0)，f(0,1)，f(1,0)所代表的實際意義。f(1,1)： A 為真f(0,0)： A 為假f(0,1):對A 一無所知f(1,0):不可能成立在遺傳算法中，交叉率Pc,變異率Pm,復(fù)制概率Pt分別起到的作用是什 么？依據(jù)

17、經(jīng)驗三種概率一般的取值范圍是多少。復(fù)制概率Pt用于控制復(fù)制與淘汰的個體數(shù)目交叉率Pc是參加交叉運算的染色體個數(shù)占全體染色體總數(shù)的比例，取值范圍一 般為0.40.99變異率Pm是指發(fā)生變異的基因位數(shù)所占全體染色體的基因總位數(shù)的比例，取 值范圍一般為0.00010.1回顧關(guān)于產(chǎn)生式系統(tǒng)描述的例子（野人傳教士問題、走迷宮問題等）給出粒子群優(yōu)化算法的“速度”和“位置”更新公式，并對公式的每部分給 出解釋。有=/心+ G S - M）+弓1曲（%危-就） 以_應(yīng)二+1 - LM，風(fēng)d -偵_,W w稱為慣性權(quán)重，c1和c2稱為加速因子“慣性部分”，對自身運動狀態(tài)的信任“認(rèn)知部分”，對粒子本身的思考，來源

18、于自身經(jīng)驗的部分“社會部分”，粒子間的信息共享，來源于群體中的其它粒子的經(jīng)驗在粒子群優(yōu)化算法的“速度”更新公式中有加速常數(shù)（又稱加速因子）c1 和c2，一般將c1和c2統(tǒng)一為一個控制參數(shù)，件c1+c2。如果9很?。ㄈ?.1 ）， 粒子群運動軌跡將非常緩慢；如果9很大（如100），則粒子群位置變化非?？?； 請對這種現(xiàn)象結(jié)合“速度”更新公式給出你的解釋分析。如果？很?。ㄈ?.1），則“認(rèn)知部分”和“社會部分”的變化會很小，所以粒子 群運動軌跡將非常緩慢；如勒很大（如100），則“認(rèn)知部分”和“社會部分” 的變化會很大，所以粒子群位置變化非?？旌喪鋈褐悄軆?yōu)化算法與進(jìn)化計算相同點和不同點。相同均為概率搜索算法目的都是為了模擬自然現(xiàn)象，利用它們的某些特點去解決實際問題不同智能優(yōu)化算法的靈感來源于群居動物的社會行為，強(qiáng)調(diào)對社會系統(tǒng)中個體之間相 互協(xié)作的模擬下圖是貝茲德克于1994年提出的一種A，B，C智能模型，用于表示神經(jīng)網(wǎng) 絡(luò)、模式識別和智能之間的關(guān)系，根據(jù)你的理解對該模型給出分析解釋。計算智能是一種