（人工智能）人工智能教案章知识表示概述
4.1概述
4.1.1知识的定义
很难给知识以明确的定义，只能从不同侧面加以理解，不同的人有不同的理解。
知识表示是人工智能研究中最基本的问题之壹。于知识处理中总要问到：如何表示知识，怎样使机器能懂这些知识，能对之进行处理，且能以壹种人类能理解的方式将处理结果告诉人们。
于AI系统中，给出壹个清晰简洁的有关知识的描述是很困难的。有研究报道认为。严格地说AI对知识表示的认真、系统的研究才刚刚开始。
下面是壹些专家的见法：
Feigenbaum：知识是经过消减、塑造、解释和转换的信息。
Bernstein：知识是由特定领域的描述、关系和过程组成的。
Hayes-roth：知识是事实、信念和启发式规则。
从知识库的观点见，知识是某领域中所涉及的各有关方面的壹种符号表示。
另外有壹种三维的描述方法：（范围，目的，有效性）,其中知识的范围由具体到壹般，知识的目的从说明到指定，知识的有效性从确定到不确定。例如，“今天下雨”这种知识是具体的、说明性、不确定的，而“要证A→B，只需证明A∧～B是不可满足的”这种知识是壹般性的、指示性、确定性的。
4.1.2知识的分类
从不同的角度、不同的侧面对知识有着不同的分类方法。
于此，我们根据知识表达的内容，将其简单地分为如下几类：事实性知识
知识的壹般直接表示，如果事实性知识是批量的、有规律的，则往往以表格、图册，甚至数据库等形式出现。
这种知识描述壹般性的事实，如凡是冷血动物均要冬眠，哺乳动物均是胎生繁殖后代等。
过程性知识
表述做某件事的过程。标准程序库也是常见的过程性知识，而且是系列化、配套的。
如电视机维修法，怎样烹制法国大餐等。
行为性知识
不直接给出事实本身，只给出它于某方面的行为。行为性知识经常表示为某种数学模型，从某种意义上讲，行为性知识描述的是事物的内涵，而不是外延。
如微分方程
实例性知识
只给出壹些实例。知识藏于实例中。感兴趣的不是实例本身，而是隐藏于大量实例中的规律性知识。
举例说明
类比性知识
既不给出外延，也不给出内涵，只给出它和其它事物的某些相似之处。类比性知识壹般不能完整地刻画事物，但它能够启发人们
于不同的领域中做到知识的相似性共享。
如比喻，心如刀绞，谜语等
元知识
有关知识的知识。最重要的元知识是如何使用知识的知识。例如，壹个好的专家系统应该知道自己能回答什么问题，不能回答什么问题，这就是关于自己知识的知识。
元知识是用于如何从知识库中找到想要的知识。
4.1.3知识的要素
知识的要素是指构成知识的必需元素。于这里，我们关心的是壹个人工智能系统所处理的知识的组成成分。壹般而言，人工智能系统的知识包含事实、规则、控制和元知识。
4.1.4知识表示定义
知识表示方法是研究用机器表示知识的可行性、有效性的壹般方法，是壹种数据结构和控制结构的统壹体，既考虑知识的存储又考虑知识的使用。知识表示可见成是壹组事物的约定，以把人类知识表示成机器能处理的数据结构。
事实：事物的分类、属性、事物间关系、科学事实、客观事实等。是有关问题环境的壹些事物的知识，常以“┅是┅”形式出现，也是最低层的知识。例如：雪是白色的，人有四肢。
规则：事物的行动、动作和联系的因果关系知识。
这种知识是动态的，常以“如果┅那么┅”形式出现。例如启发式规则，如果下雨，则出门带伞。
控制：当有多个动作同时被激活时，选择哪壹个动作来执行的知识。
是有关问题的求解步骤、规划、求解策略等技巧性知识
元知识：怎样使用规则、解释规则、校验规则、解释程序结构等知识。
是有关知识的知识，是知识库中的高层知识。元知识和控制知识有时有重叠。
知识表示有如下特性：
◇知识表示是智能推理的部分理论。
◇知识表示是有效计算的载体
◇知识表示是交流的媒介（如语义网络）
4.1.5选取知识表示的因素
选取何种知识表示方法来表示知识，不仅取决于知识类型，仍有很多其它因素的影响，例如：
表示知识的范围是否广泛
例如，数理逻辑表示是壹种广泛的知识表示办法，如果单纯用数字表示，则范围就有限制。
是否适于推理
人工智能只能处理适合推理的知识表示，因此所选用的知识表示必须适合推理。数学模型（拉格朗日插值法）适合推理，普通的数据库只能供浏览检索，但不适合推理。
是否适于计算机处理
计算机只能处理离散的、量化的byte字节流。因此，用文字表述的知识和连续形式表示的知识（如微分方程）不适合计算机处理。
是否有高效的求解算法
考虑到实用的性能，必须有高效的求解算法，知识表示才有意义。能否表示不精确知识
自然界的信息具有先天的模糊性和不精确性，能否表示不精确知识也是考虑的重要因素。许多知识表示方法往往要经过改造，如确定性方法、主观贝叶斯方法等对证据和规则引入了不确定性度量，就是为了表达不精确的知识。
能否于同壹层次上和不同层次上模块化
例如Prolog只有壹个全局知识库，不能模块化，这是它的缺点。知识和元知识能否用统壹的形式表示
知识和元知识是属于不同层次的知识，使用统壹的表示方法能够使知识处理简单。产生式表示法就能比较方便的表示这俩种层次的知识。
是否适合于加入启发信息
于已知的前提下，如何最快的推得所需的结论，以及如何才能推得最佳的结论，我们的认识往往是不精确的。因此，往往需要于元知识（控制知识）加入壹些控制信息，也就是通常所说的启发信息。
过程性表示仍是说明性表示
壹般认为，说明性的知识表示涉及细节少，抽象程度高，因此可靠性好，修改方便，但执行效率低。过程性知识表示的优缺点和说明性知识表示的相反。
表示方法是否自然
壹般于表示方法尽量自然和使用效率之间取得壹个折中。比如，对于推理来说，Prolog比高级语言如VisualC++自然，但显然牺牲了效率。
4.1.6知识表示方法的分类
表示方法种类繁多，而且分类的标准也不大相同，通常有：直接表示，逻辑表示，产生式规则表示法，语义网络表示法，框架表示法，脚本方法，过程表示，混合型知识表示方法，面向对象的表示方法等。壹些主要的知识表示方法彼此间关系可用右图表示：
图4-1知识表示方法体系
t4-1_swf.htm
总之，人工智能问题的求解是以知识表示为基础的。如何将已获得的有关知识以计算机内部代码形式加以合理地描述、存储、有效地利用，便是知识表示应解决的问题。知识表示的研究内容集中于俩个方面，其壹是表示观的研究，牵涉到认识论、本体论、知识工程等方面；其二就是表示方法的研究，各种表示方法的应用。
人工智能中知识表示研究的特点
◇智能行为所特有的灵活性问题。“常识问题”不能概括成壹类简洁的理论，表示方法的理论研究是大量小理论的集合。
◇人工智能的任务受到计算装置的约束。这就导致了所采用的“表示方法”必须同时满足“刻画智能现象”和“计算装置可接收”这俩个有时是矛盾的条件。
处理矛盾的方法不同导致了不同的表示观。
实验一：知识表示方法 一、实验目的 状态空间表示法是人工智能领域最基本的知识表示方法之一，也是进一步学习状态空间搜索策略的基础，本实验通过牧师与野人渡河的问题，强化学生对知识表示的了解和应用，为人工智能后续环节的课程奠定基础。 二、问题描述 有n个牧师和n个野人准备渡河，但只有一条能容纳c个人的小船，为了防止野人侵犯牧师，要求无论在何处，牧师的人数不得少于野人的人数(除非牧师人数为0)，且假定野人与牧师都会划船，试设计一个算法，确定他们能否渡过河去，若能，则给出小船来回次数最少的最佳方案。 三、基本要求 输入：牧师人数(即野人人数)：n；小船一次最多载人量：c。 输出：若问题无解，则显示Failed，否则，显示Successed输出一组最佳方案。用三元组(X1, X2, X3)表示渡河过程中的状态。并用箭头连接相邻状态以表示迁移过程：初始状态->中间状态->目标状态。 例：当输入n=2，c=2时，输出：221->110->211->010->021->000 其中：X1表示起始岸上的牧师人数；X2表示起始岸上的野人人数；X3表示小船现在位置(1表示起始岸，0表示目的岸)。 要求：写出算法的设计思想和源程序，并以图形用户界面实现人机交互，进行输入和输出结果，如： Please input n: 2 Please input c: 2 Successed or Failed?: Successed Optimal Procedure: 221->110->211->010->021->000
四、实验结果 四、实验心得 本次实验运用了状态空间表示法，这是人工智能领域最基本的知识表示方法之一，也是进一步学习状态空间搜索策略的基础，本实验强化我对知识表示的了解和应用，为人工智能后续环节的课程奠定基础。
第三章约束推理 约束的定义：一个约束通常是指一个包含若干变量的关系表达式，用以表示这些变量所必须满足的条件。 贪心算法：贪心法把构造可行解的工作分阶段来完成。在各个阶段，选择那些在某些意义下是局部最优的方案，期望各阶段的局部最优的选择带来整体最优。 回溯算法：有些问题需要彻底的搜索才能解决问题，然而，彻底的搜索要以大量的运算时间为代价，对于这种情况可以通过回溯法来去掉一 些分支，从而大大减少搜索的次数 第四章定性推理 定性推理的定义是从物理系统、生命系统的结构描述出发,导出行为描述, 以便预测系统的行为并给出原因解释。定性推理采用系统部件间的局部结构规则来解释系统行为, 即部件状态的变化行为只与直接相邻的部件有关 第六章贝叶斯网络 贝叶斯网络的定义： 贝叶斯网络是表示变量间概率依赖关系的有向无环图，这里每个节点表示领域变量，每条边表示变量间的概率依赖关系，同时对每个节点都对应着一个条件概率分布表(CPT) ，指明了该变量与父节点之间概率依赖的数量关系。 条件概率：条件概率:我们把事件B已经出现的条件下，事件A发生的概率记做为P(A|B)。并称之为在B出现的条件下A出现的条件概率，而称P(A)为无条件概率。 贝叶斯概率：先验概率、后验概率、联合概率、全概率公式、贝叶斯公式 先验概率： 先验概率是指根据历史的资料或主观判断所确定的各事件发生的概率，该类概率没能经过实验证实，属于检验前的概率，所以称之为先验概率 后验概率： 后验概率一般是指利用贝叶斯公式，结合调查等方式获取了新的附加信息，对先验概率进行修正后得到的更符合实际的概率 联合概率： 联合概率也叫乘法公式，是指两个任意事件的乘积的概率，或称之为交事件的概率。 贝叶斯问题的求解步骤 定义随机变量、确定先验分布密度、利用贝叶斯定理计算后验分布密度、利用计算得到的厚颜分布密度对所求问题作出推断 贝叶斯网络的构建 为了建立贝叶斯网络，第一步，必须确定为建立模型有关的变量及其解释。为此，需要：(1)确定模型的目标，即确定问题相关的解释；(2)确定与问题有关的许多可能的观测值，并确定其中值得建立模型的子集；(3)将这些观测值组织成互不相容的而且穷尽所有状态的变量。这样做的结果不是唯一的。第二步，建立一个表示条件独立断言的有向无环图第三步指派局部概率分布 p（xi|Pai）。在离散的情形，需要为每一个变量 Xi 的各个父节 点的状态指派一个分布。 第七章归纳学习 归纳学习是符号学习中研究得最为广泛的一种方法。给定关于某个概念的一系列已知的 正例和反例，其任务是从中归纳出一个一般的概念描述。 归纳学习能够获得新的概念，创立新的规则，发现新的理论。它的一般的操作是泛化和特化泛化用来扩展一假设的语义信息，以使其能够包含更多的正例，
一．简答题 1.在什么情况下需要采用不确定推理或非单调推理？ 答：一般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。 例如，当一个人打开电灯的开关而发现灯泡未亮时，就会根据以往的经验而觉得“停电了”。但当他打开另外一只灯的开关发现灯亮时，就否定了先前“停电了”的结论，想到也许是开关或者灯具出问题了。这个改变原先推导结论的过程其实就是一个非单调推理。即，随着信息与知识的增加，并没有在肯定原来的结论基础上，增加了更多并立的知识与结论， 而是否定了原先结论并有了新的看法。以下情况需要采用不确定推理：所需知识不完备,不精确所需知识描述模糊,多种原因导致同一结论,问题的背景知识不足,解题方案不唯一。不确定性推理，是指其推理过程中，由于各种偶然性误差、干扰以及证据的不确定性等因素，导致所获得的结果或结论本身具有未置可否的不确定性。 一般来说，出现不精确推理的原因和特征可能有： ①证据不足或称为证据的不确定性；②规则的不确定性；③研究方法的不确定性。 由于以上“三性”的存在，决定了推理的最后结果具有不确定但却近乎合理的特性，人们把这种性质的推理及其理论和方法总称为不确定推理 2．产生式系统有哪几种推理方式？各自特点为何？ 答：（1）正向推理（正向链接推理）：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。 （2）逆向推理（后向链接推理）：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。（其基本原理是从表示目标的谓词或命题出发，使用一组规则证明事实谓词或命题成立，即提出一批假设（目标），然后逐一验证这些假设。 （3）双向推理：又称为正反向混合推理，它综合了正向推理和逆向推理的长处，克服了两者的短处。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。 3．算法A*直到一个目标节点被选择扩展才会终止。然而，到达目标节点的一条路经可能在那个节点被选择扩展前早就找到了。一旦目标节点被发现，为什么不终止搜索呢？用一个例子说明你的答案。 4．结合你的研究方向，论述哪些人工智能技术可以得到应用？解决什么问题？ 答：人工智能目前总结出了对实现人工智能系统来说具有普遍意义的核心课题：知识的模型化和表示方法，启发式搜索理论，各种推理方法，人工智能系统结构和语言。主要研究和应用领域：机器学习，知识表示和推理，智能搜索，模糊逻辑，人工神经网络，遗传算法，自然语言理解，博弈论，知识发现和数据挖掘等。 5．在选择知识表示的方法时，应该考虑哪些因素？ 答：表示能力：能够将问题求解所需的知识正确有效地表达出来，可理解性：所表达的知
人工智能重点 绪论 ●人工智能的定义起源和发展其他概念稍微了解 1.什么是人工智能？试从能力和学科两方面加以说明。 答：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。其近期的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。 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。知识表示方法 2.人工智能的主要研究和应用领域有哪些？ 答：自然语言处理、自动定理证明、智能数据检索系统、机器学习、模式识别、视觉系统、问题求解、人工智能方法和程序语言以及自动程序设计等。 3、简述人工智能的发展状况 人工智能的现状和发展呈现如下特点：多种途径齐头并进，多种方法写作互补；新思想、新技术不断涌现，新领域、新方向不断开括;理论研究更加深入，应用研究更加广泛;研究队伍日益壮大，社会影响越来越大;以上特点展现了人工智能学科的繁荣景象和光明前景。它表明，虽然在通向其最终目标的道路上，还有不少困难、问题和挑战，但前进和发展毕竟是大势所趋。 4.简述知识发现过程和知识发现的方法。 答：过程：①数据选择；②数据预处理；③数据变换；④数据挖掘；⑤知识评价方法：①统计方法；②机器学习方法；③神经计算方法；④可视化方法 ● 2.1状态空间法（重点）看例题 状态空间法的三要素：状态、算符、状态空间方法（是一个表示该问题全部可能状态及其关系的图，它包含三种说明的集合，即三元状态（S，F，G）。S：所有可能的问题初始状态集合；F：操作符集合；G：目标状态集合。） 状态图示法：状态空间的图示形式称为状态空间图 各种问题都可用状态空间加以表示，并用状态空间搜索法来求解。下面简单介绍一种产生式系统描述的搜索算法 产生式系统由三部分:一个总数据库、一套规则、一个控制策略（程序） ● 2.2问题规约法（重点） 另外一种基于状态空间的问题描述与求解方法；实质：从目标出发逆向推理，建立子问题以及子问题的子问题，直到最后把初始问题归约为一个本原问题集合。 组成部分：初始问题描述、问题变换为子问题的操作符、一套本原问题描述 与或图；与或图的搜索：目的在于表明起始节点是有解的 问题规约法举例：汉诺塔问题
知识点一： 1、齿轮： 凸轮，棘轮 （一）凸轮： 凸轮指的是机械的回转或滑动件（如轮或轮的突出部分），它把运动传递给紧靠其边缘移动的滚轮或在槽面上自由运动的针杆，或者它从这样的滚轮和针杆中承受力。凸轮随动机构可设计成在其运动范围内能满足几乎任何输入输出关系一对某些用途来说，凸轮和连杆机构能起同样的作用（二学的取舍常随设计人而定——泽者注），对于两者都可以用的工作说，凸轮比连杆机构易于设计，并且凸轮还能做许多连杆机构所不能做的事情，从另一方面来说，凸轮构比连杆机易于制造。[ 凸轮机构（cam mechanism）一般是由凸轮、从动件（follower）和机架三个构件组成的高副机构。凸轮通常作连续等速转动，从动件根据使用要求设计使它获得一定规律的运动．凸轮机构能实现复杂的运动要求，广泛用于各种自动化和半自动化机械装置中。 简单凸轮结构 凸轮机构通常由两部份动件组成，即凸轮与从动子(follower)，两者均固定于座架上。凸轮装置是相当多变化的，故几乎所有任意动作均可经由此一机构产生。 凸轮可以定义为一个具有曲面或曲槽之机件，利用其摆动或回转，可以使另一组件—从动子提供预先设定的运动。从动子之路径大部限制在一个滑槽内，以获得往覆运动。在其回复的
行程中，有时依靠其本身之重量，但有些机构为获得确切的动作，常以弹簧作为回复之力，有些则利用导槽,使其在特定的路径上运动。[3] 作用 凸轮机构主要作用是使从动杆按照工作要求完成各种复杂的运动，包括直线运动、摆动、等速运动和不等速运动。 结构分类 凸轮是一个具有曲线轮廓或凹槽的构件。 一般按外形可分为三类： ①盘形凸轮：凸轮为绕固定轴线转动且有变化直径的盘形构件； ②移动凸轮：凸轮相对机架作直线移动； ③圆柱凸轮：凸轮是圆柱体，可以看成是将移动凸轮卷成一圆柱体。 按从动件的形状分类： ①顶尖式从动件； ②滚子式从动件； ③平底式从动件； 凸轮间歇分度机构 ④曲底式从动件。 按从动件的运动形式分类： ①直动从动件； ②摆动从动件。 按凸轮与从动件维持运动副接触的方式分类： ①力封闭方式； ②几何形封闭方式； 胶印机中应用最多的是盘形凸轮、滚子式从动杆凸轮。 用途应用 1.气阀杆的运动规律规定了凸轮的轮廓外形。当矢径变化的凸轮轮廓与气阀杆的平底接触时，气阀杆产生往复运动；而当以凸轮回转中心为圆心的圆弧段轮廓与气阀杆接触时，气阀杆将静止不动。因此，随着凸轮的连续转动，气阀杆可获得间歇的、按预期规律的运动。 2.当圆柱凸轮回转时，凹槽侧面迫使摆动从动件摆动，从而驱使与之相连的刀架运动。至于刀架的运动规律则完全取决于凹槽的形状。 注意问题
第五章状态空间搜索策略 搜索是人工智能的一个基本问题，是推理不可分割的一部分。搜索是求解问题的一种方法，是根据问题的实际情况，按照一定的策略或规则，从知识库中寻找可利用的知识，从而构造出一条使问题获得解决的推理路线的过程。搜索包含两层含义：一层含义是要找到从初始事实到问题最终答案的一条推理路线；另一层含义是找到的这条路线是时间和空间复杂度最小的求解路线。搜索可分为盲目搜索和启发式搜索两种。 1．1 盲目搜索策略 1．状态空间图的搜索策略 为了利用搜索的方法求解问题，首先必须将被求解的问题用某种形式表示出来。一般情况下，不同的知识表示对应着不同的求解方法。状态空间表示法是一种用 “状态”和“算符”表示问题的方法。状态空间可由一个三元组表示(S 0，F，S g )。 利用搜索方法求解问题的基本思想是：首先将问题的初始状态(即状态空间图中的初始节点)当作当前状态，选择一适当的算符作用于当前状态，生成一组后继状态(或称后继节点)，然后检查这组后继状态中有没有目标状态。如果有，则说明搜索成功，从初始状态到目标状态的一系列算符即是问题的解；若没有，则按照某种控制策略从已生成的状态中再选一个状态作为当前状态，重复上述过程，直到目标状态出现或不再有可供操作的状态及算符时为止。 算法5．1 状态空间图的一般搜索算法 ①建立一个只含有初始节点S 0的搜索图G，把S 放入OPEN表中。 ②建立CLOSED表，且置为空表。 ③判断OPEN表是否为空表，若为空，则问题无解，退出。 ④选择OPEN表中的第一个节点，把它从OPEN表移出，并放入CLOSED表中，将此节点记为节点n。
⑤考察节点n是否为目标节点，若是，则问题有解，并成功退出。问题的解即可从图G中沿着指针从n到S 的这条路径得到。 ⑥扩展节点n生成一组不是n的祖先的后继节点，并将它们记作集合M，将M中的这些节点作为n的后继节点加入图G中。 ⑦对那些未曾在G中出现过的(即未曾在OPEN表上或CLOSED表上出现过的)M中的节点，设置一个指向父节点(即节点n)的指针，并把这些节点加入OPEN表中；对于已在G中出现过的M中的那些节点，确定是否需要修改指向父节点(n节点)的指针；对于那些先前已在G中出现并且已在COLSED表中的M中的节点，确定是否需要修改通向它们后继节点的指针。 ⑧按某一任意方式或按某种策略重排OPEN表中节点的顺序。 ⑨转第③步。 2．宽度优先搜索策略 宽度优先搜索是一种盲目搜索策略。其基本思想是，从初始节点开始，逐层对节点进行依次扩展，并考察它是否为目标节点，在对下层节点进行扩展(或搜索)之前，必须完成对当前层的所有节点的扩展(或搜索)。在搜索过程中，未扩展节点表OPEN中的节点排序准则是：先进入的节点排在前面，后进入的节点排在后面(即将扩展得到的后继节点放于OPEN表的末端)。 宽度优先搜索的盲目性较大，搜索效率低，这是它的缺点。但宽度优先搜索策略是完备的，即只要问题有解，用宽度优先搜索总可以找到它的解。 3．深度优先搜索 深度优先搜索也是一种盲目搜索策略，其基本思想是：首先扩展最新产生的(即 开始，在其后继节点中选择一个节点，对其进行最深的)节点，即从初始节点S 考察，若它不是目标节点，则对该节点进行扩展，并再从它的后继节点中选择一个节点进行考察。依此类推，一直搜索下去，当到达某个既非目标节点又无法继续扩展的节点时，才选择其兄弟节点进行考察。
?人工智能的不同研究流派：符号主 义/逻辑主义学派--符号智能；连接主 义--计算智能；行为主义-低级智能。 人工智能的主要研究领域 （一）自动推理（二）专家系统（三）机器 学习（四）自然语言理解（五）机器人学和 智能控制（六）模式识别（七）基于模型的 诊断 产生式系统是人工智能系统中常用的一种 程序结构，是一种知识表示系统。 三部分组成：综合数据库:存放问题的状 态描述的数据结构,动态变化的。产生式规 则集、控制系统。 / 产生式规则集/ 控制系统 产生式规则形式： IF<前提条件> THEN<操作> 八数码难题的产生式系统表示 综合数据库：以状态为节点的有向图。 状态描述：3×3矩阵 产生式规则： IF<空格不在最左边>Then<左移空格>； 依次 控制系统： 选择规则:按左、上、右、下的顺序 移动空格。 终止条件：匹配成功。 产生式系统的基本过程: Procedure PROCUCTION 1.DATA←初始状态描述 2.until DATA 满足终止条件，do： 3.begin 4.在规则集合中，选出一条可用于 DATA的规则R（步骤4是不确定的， 只要求选出一条可用的规则R，至于这 条规则如何选取，却没有具体说明。） 5. DATA←把R应用于DATA所得的结果 6.End 产生式系统的特点：1.模块性强，2.产生式 规则相互独立，3.规则的形式与逻辑推理相近，易懂。 产生式系统的控制策略：1.不可撤回的控制 策略：优点是空间复杂度小、速度快；缺点 是多数情况找不到解 2.试探性控制策略： 回溯方式：占用空间小，多数情况下能找到解；缺点是如果深度限制太低就找不到解； 和图搜索方式：优点总能找到解，缺点时间 空间复杂度高。 产生式系统工作方式：正向、反向和双向产 生式系统 可交换产生式系统：1.可应用性，每一条对 D可应用的规则，对于对D应用一条可应用 的规则后，所产生的状态描述仍是可应用的。 2.可满足性，如果D满足目标条件，则对D 应用任何一条可应用的规则所产生的状态描 述也满足目标条件。3.无次序性，对D应用 一个由可应用于D的规则所构成的规则序列 所产生的状态描述不因序列的次序不同而改变。可分解的产生式系统：能够把产生式系统综 合数据库的状态描述分解为若干组成部分， 产生式规则可以分别用在各组成部分上，并 且整个系统的终止条件可以用在各组成部分 的终止条件表示出来的产生式系统，称为可 分解的产生式系统。基本过程： Procedure SPLIT 1.DATA ←初始状态描述 2.{Di} ← DATA的分解结果；每个Di看成 是独立的状态描述 3.until 对所有的Di ∈{Di}， Di都满足终 止条件，do: 4.begin 5. 在{Di}中选择一个不满足终止条件的D* 6. 从{Di}中删除D* 7.从规则集合中选出一个可应用于D*的规则 R 8.D ←把R应用于D*的结果 9.{di} ← D的分解结果 10.把{di}加入{Di}中 11.end 回溯算法BACKTRACK过程：Recursive Procedure BACKTRACK(DATA) 1.if TERM(DATA),return NIL; 2.if DEADEND(DATA),return FAIL; 3.RULES←APPRULES(DATA); 4.LOOP:if NULL(RULES),return FAIL; 5.R←FIRST(RULES); 6.RULES←TAIL(RULES); 7.RDATA←R（DATA）; 8.PATH←BACKTRACK(RDATA); 9．if PATH=FAIL,go PATH; 10.return CONS(R,PATH). Procedure GRAPHSEARCH 1．G←{s}， OPEN ←（s）． 2．CLOSED ←NIL． 3．LOOP：IF OPEN=NIL,THEN FAIL． 4． n ← FIRST(OPEN)，OPEN ← TAIL(OPEN),CONS(n, CLOSED) ． 5． IF TERM(n)，THEN 成功结束 （解路径可通过追溯G中从n到 s的指针获得）。 6．扩展节点n， 令M={m︱ m是n的子节点，且m不是n的祖先} ， G ←G ∪M 7．（设置指针，调整指针）对于m M, (1)若m CLOSED, m OPEN, 建立m 到n的指针，并CONS(m, OPEN). (2)(a)m OPEN, 考虑是否修改m的 指针. (b)m CLOSED,考虑是否修改m 及在G中后裔的指针。 8．重排OPEN表中的节点（按某一 任意确定的方式或者根据探索信息）。 9． GO LOOP 无信息的图搜索过程：深度优先搜索：排列OPEN表中的节点时按它们在搜索树中的深度 递减排序。深度最大的节点放在表的前面，
黑龙江大学计算机科学技术学院 1.智能 智能是一种认识客观事物和运用知识解决问题的综合能力。 2.什么叫知识？ 知识是人们在改造客观世界的实践中积累起来的认识和经验 3.确定性推理 指推理所使用的知识和推出的结论都是可以精确表示的，其真值要么为真、要么为假。 4.推理 推理是指按照某种策略从已知事实出发利用知识推出所需结论的过程。 5.不确定性推理 指推理所使用的知识和推出的结论可以是不确定的。所谓不确定性是对非精确性、模糊型和非完备性的统称。 6.人工智能 人工智能就是用人工的方法在机器（计算机）上实现的智能，或称机器智能 7.搜索 是指为了达到某一目标，不断寻找推理线路，以引导和控制推理，使问题得以解决的过程。 8.规划 是指从某个特定问题状态出发，寻找并建立一个操作序列，直到求得目标状态为止的一个行动过程的描述。 9.机器感知 就是要让计算机具有类似于人的感知能力，如视觉、听觉、触觉、嗅觉、味觉 10.模式识别 是指让计算机能够对给定的事务进行鉴别，并把它归入与其相同或相似的模式中。11.机器行为 就是让计算机能够具有像人那样地行动和表达能力，如走、跑、拿、说、唱、写画等。 12.知识表示 是对知识的描述，即用一组符号把知识编码成计算机可以接受的某种结构。 13.事实 是断言一个语言变量的值或断言多个语言变量之间关系的陈述句 14.综合数据库 存放求解问题的各种当前信息 15.规则库 用于存放与求解问题有关的所有规则的集合 16.人工智能有哪些应用？ 17.人工智能的研究目标 远期目标 揭示人类智能的根本机理，用智能机器去模拟、延伸和扩展人类的智能 涉及到脑科学、认知科学、计算机科学、系统科学、控制论等多种学科，并依赖于它们的共同发展 近期目标 研究如何使现有的计算机更聪明，即使它能够运用知识去处理问题，能够模拟人类的智能行为。
(此文档为Word格式，下载后可以任意编辑修改！）试卷装订封面
《人工智能》知识点整理 第二讲知识表示 2.0.知识表示的重要性 知识是智能的基础：获得知识、运用知识 符合计算机要求的知识模式：计算机能存储、处理的知识表示模式；数据结构（List, Table, Tree, Graph, etc.）2.1 基本概念 2.1.1 数据、信息与知识 数据(Data) ?信息的载体和表示 ?用一组符号及其组合表示信息 信息(Information) ?数据的语义 ?数据在特定场合下的具体含义 知识(Knowledge) ?信息关联后所形成的信息结构：事实& 规则 ?经加工、整理、解释、挑选、改造后的信息 2.1.2 知识的特性 ?相对正确性 ?一定条件下 ?某种环境中 ?...... ?不确定性 ?存在“中间状态” ?“真”（“假”）程度 ?随机性 ?模糊性 ?经验性 ?不完全性 ?...... ?可表示性& 可利用性 ?语言 ?文字 ?图形 ?图像 ?视频 ?音频 ?神经网络 ?概率图模型 ?...... 2.1.3 知识的分类 ?常识性知识、领域性知识（作用范围） ?事实性知识、过程性知识、控制知识（作用及表示） ?确定性知识、不确定性知识（确定性） ?逻辑性知识、形象性知识（结构及表现形式） ?零级知识、一级知识、二级知识（抽象程度） 2.1.4 常用的知识表示方法 ?一阶谓词（First Order Predicate）?产生式（Production） ?框架（Framework） ?语义网络（Semantic Network）?剧本（Script）?过程（Procedure） ?面向对象（Object-Oriented）?Petri网（Petri Network） ?信念网（Belief Network） ?本体论（Ontology）…… 2.1.5 如何选择合适的表示方法？ ?充分表示领域知识 ?有利于对知识的利用 ?便于理解和实现 ?便于对知识的组织、管理与维护 2.2 一阶谓词表示法 1. 优点 ?自然性 ?接近自然语言，容易接受?精确性
第二章知识表示方法 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 （答案并不唯一，意思正确即可） 用S i(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。考虑到题目的限制条件，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d i(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) 2-5 试用四元数列结构表示四圆盘梵塔问题，并画出求解该问题的与或图。 用四元数列 (nA, nB, nC, nD) 来表示状态，其中nA 表示A 盘落在第nA 号柱子上，nB 表示B 盘落在第nB 号柱子上，nC 表示C 盘落在第nC 号柱子上，nD 表示D 盘落在第nD 号柱子上。 初始状态为 1111，目标状态为 3333 1 nC nY 2 3 1 3 2
初识人工智能 理解人工智能的含义； 初步了解和感受人工智能的应用； 了解简单的程序控制思想。 一、人工智能（Artificial Intelligence，AI） 1.人工智能：是计算机科学的一个分支，是一门研究机器智能的学科。 2.研究领域：模式识别、自然语言处理、智能机器人、机器证明、神经网络、博弈和符号运算等。总之研究人工智能的目的就是让计算机能够像人一样思考。 二、与人工智能发展相关的几个重要人物 1.阿兰·图灵(Alan Turing)----“人工智能之父” 主要贡献：图灵测试，计算机理论和人工智能的主要奠基人。 “计算机界诺贝尔奖”：图灵奖 2.约翰·麦卡锡(John McCarthy)：“人工智能”这一术语的提出者。 3.吴文俊(中国院士)：在人工智能的机器证明领域做出了突出贡献。 三、感受人工智能的魅力 1.人机博弈 “深蓝”(Deep Blue)---由国际商用机器公司(IBM)技术人员经历6年时间研制成功。 2.访问智能网站：http://www-ai.ijs.si.eliza/eliza.html 3.了解模式识别 模式识别主要包括语音、图像和文字识别技术。 图像识别技术---主要利用计算机，采用数学技术方法，对系统前端获取的图像按照特定目的进行相应的处理。其应用主要包括：条码识别、生物特征识别(如指纹识别)、智能交通中的动态对象识别和手写识别等。人类视觉认知的延伸。 语音识别技术---让计算机能“听懂”人说话，将人说出的话转换成计算机文本。 文字识别技术---例如：OCR技术 相关网站
中国人工智能网 机器人天空 机器人爱好者 人工智能教育在线 实践活动： 1.登陆以下两个网址，与Eliza和Cybelle进行对话。 http://www-ai.ijs.si/eliza/eliza.html https://www.doczj.com/doc/4a12856417.html,/ 2.人机博弈：https://www.doczj.com/doc/4a12856417.html,/game/chess 3.专家系统小游戏：https://www.doczj.com/doc/4a12856417.html,/index.html 4.智能机器人：https://www.doczj.com/doc/4a12856417.html, https://www.doczj.com/doc/4a12856417.html, 2.畅想人工智能的未来 主题：畅想人工智能的未来分类：我的感受
第二章知识表示方法 2-1 状态空间法、问题归约法、谓词逻辑法和语义网络法的要点是什么？它们有何本质上的联系及异同点? 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S i(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。考虑到题目的限制条件，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d i(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) 2-3 利用图2.3，用状态空间法规划一个最短的旅行路程：此旅程从城市A 开始，访问其他城市不多于一次，并返回A 。选择一个状态表示，表示出所求得的状态空间的节点及弧线，标出适当的代价，并指明图中从起始节点到目标节点的最佳路径。 2-4 试说明怎样把一棵与或解树用来表达图2.28所示的电网络阻抗的计算。单独的R 、L 或C 可分别用R 、j ωL 或1/j ωC 来计算，这个事实用作本原问题。后继算符应以复合并联和串联阻抗的规则为基础。 7 10 7 10 13 9 6 6 5 10 B E D A C 图 2.3
人工智能基础（8017）考试大纲 一、课程性质与设置目的 （一）课程性质和特点 “人工智能”是21世纪计算机科学发展的主流，为了培养国家建设跨世纪的有用人才，在计算机专业本科开设《人工智能基础》课程是十分必要的。《人工智能基础》是计算机专业本科的一门必修课程，本课程中涉及的理论、原理、方法和技术有助于学生进一步学习其他专业课程。开设本课程的目的是培养学生软件开发的“智能”观念；掌握人工智能的基本理论、基本方法和基本技术；提高解决“智能”问题的能力，为今后的继续深造和智能系统研制，以及进行相关的工作打下人工智能方面的基础。 （二）本课程的基本要求（课程总目标） 《人工智能基础》是理论性较强，涉及知识面较广，方法和技术较复杂的一门学科。通过对本课程的学习，学生应掌握人工智能的一个问题和三大技术，即通用问题求解和知识表示技术、搜索技术、推理技术。具体要求是：学生在较坚实打好的人工智能数学基础（数理逻辑、概率论、模糊理论、数值分析）上，能够利用这些数学手段对确定性和不确定性的知识完成推理；在理解Herbrand域概念和Horn子句的基础上，应用Robinson 归结原理进行定理证明；应掌握问题求解（GPS）的状态空间法，能应用几种主要的盲目搜索和启发式搜索算法（宽度优先、深度优先、有代价的搜索、A算法、A*算法、博弈数的极大—极小法、α―β剪枝技术）完成问题求解；并能熟悉几种重要的不确定推理方法，如确定因子法、主观Bayes方法、D—S证据理论等，利用数值分析中常用方法进行正确计算。另外，学生还应该了解专家系统的基本概念、研究历史、系统结构、系统评价和领域应用。学生还应认识机器学习对于智能软件研制的重要性，掌握机器学习的相关概念，机器学习的方法及其相应的学习机制，几个典型的机器学习系统的学习方法、功能和领域应用。 （三）本课程与相关课程的联系、分工或区别 与本课程相关的课程有：离散数学、算法设计、数值分析、程序设计语言等。 离散数学中的命题逻辑、谓词逻辑、树/图、表等知识是本课程的数学基础之一。本课程中的知识表示需要利用矩阵、表、树/图、多元组等手段，因此学生前期的离散数学学习，对于本课程起到了基础作用。 -1-
（人工智能）人工智能教案章知识表示概述
4.1概述 4.1.1知识的定义 很难给知识以明确的定义，只能从不同侧面加以理解，不同的人有不同的理解。 知识表示是人工智能研究中最基本的问题之壹。于知识处理中总要问到：如何表示知识，怎样使机器能懂这些知识，能对之进行处理，且能以壹种人类能理解的方式将处理结果告诉人们。 于AI系统中，给出壹个清晰简洁的有关知识的描述是很困难的。有研究报道认为。严格地说AI对知识表示的认真、系统的研究才刚刚开始。 下面是壹些专家的见法： Feigenbaum：知识是经过消减、塑造、解释和转换的信息。 Bernstein：知识是由特定领域的描述、关系和过程组成的。 Hayes-roth：知识是事实、信念和启发式规则。 从知识库的观点见，知识是某领域中所涉及的各有关方面的壹种符号表示。 另外有壹种三维的描述方法：（范围，目的，有效性）,其中知识的范围由具体到壹般，知识的目的从说明到指定，知识的有效性从确定到不确定。例如，“今天下雨”这种知识是具体的、说明性、不确定的，而“要证A→B，只需证明A∧～B是不可满足的”这种知识是壹般性的、指示性、确定性的。 4.1.2知识的分类 从不同的角度、不同的侧面对知识有着不同的分类方法。
于此，我们根据知识表达的内容，将其简单地分为如下几类：事实性知识 知识的壹般直接表示，如果事实性知识是批量的、有规律的，则往往以表格、图册，甚至数据库等形式出现。 这种知识描述壹般性的事实，如凡是冷血动物均要冬眠，哺乳动物均是胎生繁殖后代等。 过程性知识 表述做某件事的过程。标准程序库也是常见的过程性知识，而且是系列化、配套的。 如电视机维修法，怎样烹制法国大餐等。 行为性知识 不直接给出事实本身，只给出它于某方面的行为。行为性知识经常表示为某种数学模型，从某种意义上讲，行为性知识描述的是事物的内涵，而不是外延。 如微分方程 实例性知识 只给出壹些实例。知识藏于实例中。感兴趣的不是实例本身，而是隐藏于大量实例中的规律性知识。 举例说明 类比性知识 既不给出外延，也不给出内涵，只给出它和其它事物的某些相似之处。类比性知识壹般不能完整地刻画事物，但它能够启发人们
人工智能：Artificial Intelligence，简称AI，主要研究如何使用人工的方法和技术，使用各种自动化机器或智能化机器模仿、延伸和扩展人的智能，实现某些机器的智能行为。 传统划分①符号主义学派②联结主义学派③行为主义学派现代1.符号智能流派2.计算智能流派3.群体智能流派 人工智能的基本技术：1知识表示技术2知识推理、计算和搜索技术3系统实现技术。 符号智能的表示是知识的表示，运算是基于知识表示的推理或符号操作，采用搜索方法进行问题求解，一般在问题空间上进行，计算智能的表示是对象表示，运算时给予对象的表示的操作或计算，采用搜索方法进行问题求解，一般是在解空间上进行。 人工智能的研究领域：定理证明、专家系统、模式识别、机器学习、计算智能、自然语言处理、组合调度问题。应用领域：难题求解、自动定理证明、自动翻译、智能管理、智能通信、智能仿真等。 人工智能的主要研究途径与方法：1功能模拟。符号推演2结构模拟。神经计算3行为模拟。控制进化 人工智能的研究目标及其意义：1目标：远期目标是要制造智能机器，即探索智能的基本机理，最终制造出和人有相似或相近智力和行为能力的综合智能系统；近期目标是实现机器智能，即研究如何使用现有的计算机具备更高的智能，在一定领域或在一定程度上去完成需要人的复杂脑力劳动才能完成的工作。2意义：普遍的计算机智能低下，无法满足社会需求；研究AI是当前信息化社会的迫切需求；智能化是自动化发展的必然趋势；研究AI，对人类自身的智能的奥秘也提供有益的帮助。 人工智能的基本内容：1从人工智能的定义出发包括（感知与交流的模拟，记忆，联想，计算，思维的模拟，输出效率或行为模拟2从知识工程的角度出发包括（知识的获取，知识的处理以及知识的运用） 人工智能诞生1956年夏，达特莫斯大学的研究会，麦卡锡提议正式采用了“AI”术语。发展：推理期，知识期，学习期ＡＩ的现状与发展趋势：１多种途径齐头并进，多种方法协作互补２新思想、新技术不断涌现，新领域新方向不断开拓3理论研究更加深入，应用研究愈加广泛4研究队伍日益壮大，社会影响越来越大。以上展现了AI繁荣景象和光明前景，虽有困难，问题和挑战，但前进和发展毕竟是大势所趋。 盲目搜索：无向导的搜索，也称穷举搜素。在搜索中，没有任何背景知识作指导，不考虑任何与解有关的信息，随机地或按预先规定的顺序（如广度优先和深度优先）机械地生成树的节点，并判断是否为解，直到找到解或证明问题无解为止。特点：搜索效率太低，所以在实际中往往是不可行的。启发函数：通过函数计算来评价每种选择的价值大小，用以指导搜索过程。 启发式搜索：利用问题本身的“启发性信息”不断地改变或调整搜索的方向，使搜索朝着问题本身最希望的方向进行，加速问题的求解并找到最优解。特点：重排OPEN表，选择最有希望的节点加以扩展。 盲目和启发搜索的的不同：对于较大或无限状态空间问题，盲目搜索效率太低，所以在实际当中往往是不可行的。启发式搜索广泛地应用于实际问题求解中，如博弈、机器学习、数据挖掘、智能检索等。 启发式搜索—全局择优算法：也叫做最好优先搜索，在启发性知识导航下的广度优先搜索，在OPEN表中保留所有已生成而为考察的节点，对其中的每个节点x计算启发函数h（x）,从全部节点中选出最优节点进行扩展，而不管这个结点出现的搜索树的什么地方。 局部择优：是启发性知识导航下的深度优先搜索，在OPEN 表中保留所有已生成为为考察的节点，对其中新生成的每个子节点x计算启发函数h(x),从全部子节点中选出最优节点进行扩展，其选择下一个要考察的结点的范围是刚刚生成的全部子节点。 在图搜索算法中，OPEN表，CLOSED表的作用各是什么OPEN表：专门登记已经生成但还没有考察的节点，即待考察节点。算法执行时总是从OPEN表的首部取出节点。CLOSED表：用来记录考察过的节点以及节点之间的关系，如每个节点指向父节点的编号（返回指针）。 广度优先搜索的特点：广度优先中OPEN表是一个队列，又称为宽度优先。广度优先策略是完备的，即如果问题的解存在，则它一定可以找到解，并且找到的解还是最优解。广度优先搜索策略与问题无关，具有通用性。缺点搜索效率低 深度优先搜索的特点：OPEN表为一个堆栈。深度优先又称纵向搜索。一般不能保证找到最优解。当深度限制不合理时，可能找不到解，可以将算法改为可变深度限制，即有界深度优先搜索。最坏情况时，搜索空间等同于穷举。 广度优先搜索及深度优先搜索都是盲目搜索，其共同点是：1搜索从初始节点开始，先自上而下地进行搜索，寻找终止节点及端节点，然后再自下而上地进行可解性标记，一旦初始节点被标记为可解节点或不可解节点，搜索就不再继续进行；2搜索都是按确定路线进行的，当要选择一个节点进行扩展时，只是根据节点在与或树中所处的位置，而没有考虑要付出的代价，因而求得的解树不一定是代价最小的解树，即不一定是最优解树。 与或图表示的是问题空间，状态空间图是一个表述问题全部可能状态及相互关系的有向图。 图搜索模式的是人脑分析问题，解决问题的过程，它是基于领域知识的问题求解过程。搜索方式为树式搜索和线性搜索。遗传算法是一种什么样的算法？适合于解决哪一类的问题？遗传算法时人们从生物界按自然选择和有性繁殖、遗传变异的自然进化现象中得到启发，而设计出来的一种随机优化搜索算法。遗传算法适合解决先验知识缺乏，希望寻找最优解，搜索空间不连续的这一类问题，如机器学习、规划、聚类、控制、调度等领域的问题。适合解决先验知识缺乏，希望寻找最优解，搜索空间不连续的这一类问题，如机器学习、规划、聚类、控制、调度等领域的问题。 化子句集的过程：1消去蕴含词和等值词2使否定词仅作用于原子公式3适当改名使量词间不含同名指导变元4消去存在量词5消去全称量词6化公式为合取范式7适当改名使子句间无同名变元8消去合取词以子句为元素组成一个集合S。谓词逻辑归结过程：写出谓词关系公式→用反演法写出谓词表达式→ SKOLEM标准形→子句集S →对S中可归结的子
名词解释5X6分/简答题5X10分/论述题1X20分 一、选择题 1.下列哪个不是人工智能的研究领域（ D ） A.机器证明 B.模式识别 C.人工生命 D.编译原理 2.人工智能是一门（ C ） A.数学和生理学 B.心理学和生理学 C.语言学 D.综合性的交叉学科和边缘学科 3.神经网络研究属于下列（ B ）学派 A.符号主义 B.连接主义 C.行为主义 D.都不是 4.(A->B)∧A => B是（ C ） A.附加律 B.拒收律 C.假言推理 https://www.doczj.com/doc/4a12856417.html, 5.命题是可以判断真假的（ D ） A.祈使句 B.疑问句 C.感叹句 D.陈述句 6.MGU是（A） A.最一般合一 B.最一般替换 C.最一般谓词 D.基替换 7.要想让机器具有智能，必须让机器具有知识。因此，在人工智能中有一个研究领域，主要研究计算机如何自动获取知识和技能，实现自我完善，这门研究分支学科叫（ B ）。 A.专家系统 B.机器学习 C.神经网络 D.模式识别 8.下列不在人工智能系统的知识包含的4个要素中（ D ） A.事实 B.规则 C.控制 D.关系 9.语义网络表达知识时，有向弧AKO 链、ISA 链是用来表达节点知识的（ C ）。 A.无悖性 B.可扩充性 C.继承性 10.仅个体变元被量化的谓词称为（ A ） A.一阶谓词 B.原子公式 C.二阶谓词 D.全称量词 11.或图通常称为（ D ） A.框架网络 B.语义图 C.博亦图 D.状态图 12.不属于人工智能的学派是（ B ） A.符号主义 B.机会主义 C.行为主义 D.连接主义。 13.所谓不确定性推理就是从( )的初始证据出发，通过运用( )的知识，最终推出具有一定程度的不确定性但却是合理或者近乎合理的结论的思维过程。（ A ） A.不确定性, 不确定性 B.确定性, 确定性 C.确定性, 不确定性 D.不确定性确定性 14.C(B|A) 表示在规则A->B中，证据A为真的作用下结论B为真的（ B ） A.可信度 B.信度 C.信任增长度 D.概率 15.已知初始问题的描述，通过一系列变换把此问题最终变为一个子问题集合；这些子问题的解可以直接得到，从而解决了初始问题。这是知识表示法叫（ B ） A.状态空间法 B.问题归约法 C.谓词逻辑法 D.语义网络法 16.在公式中?y?xp(x,y))，存在量词是在全称量词的辖域内，我们允许所存在的x可能依赖于y值。令这种依赖关系明显地由函数所定义，它把每个y值映射到存在的那个x。这种函数叫做（ B ） A.依赖函数 B.Skolem函数 C.决定函数 D.多元函数 17.下列哪部分不是专家系统的组成部分（ A ） A.用户 B.综合数据库 C.推理机 D.知识库 18.产生式系统的推理不包括（ D ） A.正向推理 B.逆向推理 C.双向推理 D.简单推理 19.子句~P∨Q和P经过消解以后，得到（ B ） A. P B. Q C.~P D.P∨Q 20. 反演归结（消解）证明定理时，若当前归结式是（ C ）时，则定理得证。 A.永真式 B.包孕式（subsumed） C.空子句 21. 谓词逻辑下，子句, C1=L∨C1‘, C2= ? L∨C2‘, 若ζ是互补文字的（最一般）合一置换，则其归结式C=（ A ） A.C1’ζ∨C2’ζ B.C1’∨C2’ C.C1’ζ∧C2’ζ D.C1’∧C2’ 22.A∧（A∨B）?A 称为（），~（A∧B）?~A∨~B称为（ C ）