人工智能与专家系统复习

人工智能与专家系统复习尹朝庆，尹皓中国水利水电出版社

第一章

【P1】1.1何谓人工智能？人类智能主要包括哪些能力？

答：人工智能是研究、设计和应用智能机器或智能系统，来模拟人类智能活动的能力、以延伸人类智能的科学。

四种能力：

认识和理解外界环境的能力；

进行演绎和归纳推理、作出决策的能力；

学习的能力；

自适应的能力。

【P6-8】1.4人工智能有哪几个主要学派？各学派的基本理论框架和研究方法有何不同？答：（1）符号主义学派的框架：

知识是智能的基础，人工智能的核心问题是知识表示和知识推理，可以用一个符号系统在计算机上形式化的描述和模拟人的思维活动过程。

研究方法：功能模拟方法，力图用数理逻辑方法来建立人工智能的统一理论体系。

（2）联接主义学派的框架：

利用人工神经网络模仿人类智能，认为人的智能的基本单位是神经元，由人工神经元联接起来的人工神经网络可以具有学习和自适应能力。

研究方法：结构模拟。

（3）行为主义学派的框架：

提出智能行为的“感知-动作模式”。

研究方法：行为模拟方法。

【P8-9】1.5人工智能的近期研究目标和远期研究目标分别是什么？

近期：建造智能计算机。

远期：研究人类智能和机器智能的基本原理，用智能机器来模拟人类的思维过程和智能行为。

【P9-12】1.6人工智能主要的研究应用领域？

十条：定理证明；专家系统；机器学习；自然语言理解；智能检索；机器人学；自动程序设计；组合调度问题；模式识别；机器视觉。

第二章

【P19】2.2简述谓词逻辑中的下述推理规则：

（1）P规则：在推理的任何步骤上都可引入前提；

（2）T规则：在推理时，如果前面步骤中有一个或多个公式永真蕴含公式S，则可把S引入推理过程中；

（3）CP规则：如果能从R和前提集合中推出S来，则可从前提集合推出R→S。

（4）反证法规则：P=>Q，当且仅当P∧┑Q＜=>F。即Q为P的逻辑结论，当且仅当P∧┑Q是不可满足的。

【P20-21】2.3一阶谓词逻辑表示法适合于表示哪种类型的知识？它有主要哪些特点？

答：谓词逻辑适合于表示事物的状态、属性、概念等事实性的知识，也可以用来表示事物间确定的因果关系，即规则。

特点有：自然性，精确性，严密性，容易实现。

【P22】2.5产生式与谓词逻辑中的蕴含式有何异同点？

答：基本形式有相同之处。

不同点是，通常可以把蕴含式看成是产生式的一种特殊情况，因为

（1）蕴含式只能表示精确知识，其真值或者为真或者为假；而产生式不仅可以表示精确知识，也可以表示不精确知识。

（2）用产生式表示在知识的系统中，决定一条知识是否可用的方法是检查当前是否有已知事实可与前提中规定的条件匹配。这种匹配可以是精确的，也可以是不精确的，但是谓词逻辑的蕴含式要求匹配是精确的。

【P28-29】2.9简述产生式表示法的主要优缺点。

答：优点：自然性；模块性；有效性；清晰性。

缺点：效率不高；不能表达具有结构性的知识。

【P29-30】2.13何谓框架知识表示？给出框架的一般表示形式。

框架知识表示：框架是描述对象属性的一种数据结构，在框架表示法中，框架被看成是知识表示的基本单位，不同的框架之间可以通过属性之间关系建立联系，从而构成框架网络。框架的形式表示：

<框架名>

槽名1：侧面名11：侧面值11

侧面名12：侧面值12

.

.

侧面名1n：侧面值1n

.

.

槽名k：侧面名k1：侧面值k1

侧面名k2：侧面值k2

.

.

侧面名km：侧面值km

【P38-39】2.15简述框架表示法的主要特点。

答：结构性，继承性。

【P49】2.20简述语义网络表示法的主要特点与局限性。

答：结构性，自然性

局限性：非严格性，复杂。

【P53】2.25简述面向对象表示的主要特点。

答：封装性，模块性，继承性，易维护性。

第三章

【P67】3.7何谓自然演绎推理？自然演绎推理的基本推理规则有哪些？请分别说明这些基本

推理规则的一般形式。

答：从一组已知为真的事实出发，直接运用经典逻辑的推理规则推出结论的过程称为自然演绎推理。

基本推理规则为：P规则，T规则，假言推理，拒取式推理

假言推理的一般形式：P,P→Q =>Q 它表示，由P及P→Q为真，可推出Q为真。例如，由“如果x是金属，则x能导电”及“铜是金属”可推出“铜能导电”的结论。

拒取式推理的一般形式：P→Q，┑Q=>┑P 它表示，由P→Q为真及Q为假，可推出P为假。例如由“如果下雨，则地上湿”及“地上不湿”可推出“没有下雨”的结论。

【P81-84】3.9归结原理的完备性的含义是什么？有哪些归结策略是完备的？

答：若子句集是不可满足的，则一定可以归结出空子句。完备的策略有：支持集策略，祖先过滤形策略，它们都是限制策略。（归结反演策略分两大类，一类是删除策略，一类是限制策略）

【P76-79】3.18相似例题见书。

【P76-79】3.19相似例题见书。

第四章

【P95】4.1何谓搜索，盲目搜索与启发式搜索的根本区别是什么？

答：根据问题的实际情况不断寻找可利用的知识，从而构造一条代价较小的推理路线，使问题得到解决的过程称为搜索。

盲目搜索：按预定的搜索方向进行搜索。

启发式搜索：在搜索中加入了与问题有关的启发性信息，用以指导搜索朝着最有希望的推理方向前进，加速问题求解过程并找到最优解。

【P98】4.3在与/或树中，何谓端节点？何谓终止节点？何谓可解节点？何谓解树？

可以直接可解的子问题称为本原问题。在与/或树中，没有子节点的节点称为端节点；本原问题所对应的节点称为终止节点。

在与/或树中，满足下列条件之一者，称为可解节点：

（1）它是一个终止节点；

（2）它是一个“或”节点，且其子节点至少有一个是可解节点；

（3）它是一个“与”节点，且其子节点全部是可解节点。

由可解节点所构成的，并且由这些可解节点可推出初始节点（它对应于原始问题）为可解节点的子树称为解树。在解树中一定包含初始节点。

【P109-110】4.5分别满足什么条件，深度优先搜索和代价树的深度优先搜索可看成是局部择优搜索的特例？

先了解什么叫做估价函数。用于估价节点重要性的函数叫做估价函数。一般形式为f(x)=g(x)+h(x)，其中g(x)为从初始节点S0到节点x已经实际付出的代价；h(x)是从节点x到目标节点S g的最优路径的估价代价，它体现了问题的启发性信息，其形式要根据问题的特性确定。例如，它可以是节点x到目标节点的距离，也可以是节点x处于最优路径上的概率等。h(x)称为启发函数。

实际上，在局部择优搜索中，若令f(x)=g(x),则局部择优搜索就成为代价树的深度优先搜索；

若令f(x)=d(x),这里d(x)表示节点x的深度，则局部择优搜索就成为了深度优先搜索。

【P110】4.6分别满足什么条件，宽度优先搜索和代价树的宽度优先搜索可看成是全局择优搜索的特例？

在全局择优搜索中，若令f(x)=g(x),则全局择优搜索就成为代价树的宽度优先搜索；若令f(x)=d(x),这里d(x)表示节点x的深度，则全局择优搜索就成为了宽度优先搜索。

第五章

【P137-138】5.3画出专家系统一般的组成框图，说明各组成部分的主要功能。

（1）知识库，以某种存储结构存储领域专家的知识，包括事实和可行的操作与规则等。（2）全局数据库，用于存储求解问题的初始数据和推理过程中得到的中间数据。

（3）推理机，包含如何从知识库中选择规则的策略和当有多个可用规则时如何消解规则冲突的策略。

（4）解释器，用于向用户解释专家系统的行为。

（5）人机接口，是系统与用户对话的界面。

【P177】5.21简述知识获取一般应完成的工作内容。

抽取知识，知识转换，知识输入，知识检测。

【P190】5.28专家系统的生成工具可分为哪几类？试比较它们的特点。

（1）程序设计语言，开发专家系统最基本的工具。

（2）骨架系统，把一个成功的专家系统删去其特定领域知识而留下的系统框架。缺乏通用

性和灵活性，只适用于某一类特定的问题领域。

（3）知识工程语言。专门用于构造和调试专家系统的通用程序设计语言。比一般程序设计语言更为方便，比骨架系统更为灵活通用。

（4）专家系统开发环境，此乃集大成者。

第六章

【P211-212】6.1证据的不确定性主要反映在哪些方面？规则的不确定性主要反映在哪些方面？

答：六点，证据的歧义性，不完全性，不精确性，模糊性，可信性，随机性。

五点，构成规则前件的模式的不确定性，观察证据的不确定性，规则前件的证据组合的不确定性，规则本身的不确定性，规则结论的不确定性。

【P213-214】6.2何谓推理的不确定性？请简述不确定推理的不确定性测试的三种基本计算模式。

答：由于证据的不确定性和规则的不确定性在推理过程中的动态积累和传播从而导致推理结论的不确定性。

三种基本计算模式：

（1）证据组合的不确定性测度计算模式；

（2）并行规则的不确定性测度计算模式；

（3）顺序（串行）规则的不确定性测度计算模式。

【P222-225】6.6相似例题见书。

3.18 设已知：（1）如果x是y的父亲，y是z的父亲，则x是z的祖父；（2）每个人都有

一个父亲。试用归结演绎推理证明：对于某人u，一定存在一个人v，v是u的祖父。

证明：

先定义谓词

FATHER（x，y）：x是y的父亲

GRANDFATHER（x，z）：x是z的祖父

已知：

（x）（）（z）（FATHER（x，y）∧FATHER（y，z）→GRANDFATHER（x，z））

（s）（f）FATHER（f，s）

证明：

目标否定：（u）┐（v）GRANDFATHER（v，u）

化为子句集：｛┐GRANDFATHER（v，u）｝

事实子句集：┐（FATHER（x，y）∧FATHER（y，z））∨GRANDFATHER（x，z）

｛┐FATHER（x，y）∨┐FATHER（y，z）∨GRANDFATHER（x，z），FATHER（f（s），s）｝

反演树证明：

┐GRANDFATHER（v，u）┐FATHER（x，y）∨┐FATHER（y，z）∨GRANDFATHER（x，z）{v/x,u/z}

┐FATHER（v，y）∨┐FATHER（y，u）FATHER（f（s），s）

{f(y)/v,y/s}

┐FATHER（y，u）FATHER（f（s），s）

{f(s)/y,s/u}

NIL

3.19 张某被盗，公安局派出五个侦察员去调查。研究案情时，侦察员A 说“赵与钱中至少有一人作案”；侦察员B 说“钱与孙中至少有一人作案”；侦察员C 说“孙与李中至少有一人作案”；侦察员D 说“赵与孙中至少有一人与此案无关”；侦察员E 说“钱与李中至少有一人与此案无关”。如果这五个侦察员的话都是可信的，试用归结演绎推理求出谁是盗窃犯。

①

A:赵钱至少一人THIEF（赵）∨THIEF（钱）

B:钱孙至少一人THIEF（钱）∨THIEF（孙）

C:孙李至少一人无关┐THIEF（孙）∨┐THIEF（李）

D:赵孙至少一人无关┐THIEF（赵）∨┐THIEF（孙）

E:钱李至少一人无关┐THIEF（钱）∨┐THIEF（李）

┐THIEF（赵）∨┐THIEF（孙）THIEF（赵）∨THIEF（钱）

┐THIEF（孙）∨THIEF（钱）THIEF（钱）∨THIEF（孙）

THIEF（钱）

┐THIEF（钱）∨┐THIEF（李）THIEF（钱）

┐THIEF（李）

②答：钱和孙是盗窃犯，赵和李不是。下面给出求解过程。

设用T(x)表示x是盗窃犯,则根据题意可得如下子句集：

A：T(赵)∨T(钱) （1）

B：T(钱)∨T(孙) （2）

C: T(孙) ∨T(李) （3）

D: ? T(赵)∨? T(孙) （4）

E: ? T(钱)∨? T(李) （5）

下面先求谁是盗窃犯。把?T(x)∨Answer(x)并入上述子句集，即多出一个子句：

?T(x)∨Answer(x) (6)

（1）和（4）归结得：T(钱)∨? T(孙) （7）

（2）和（7）归结得：T(钱)。（8）

（6）和（8）归结得：Answer(钱)。（9）{钱/x}

（3）和（5）归结得：T(孙)∨? T(钱) （10）

（2）和（10）归结得：T(孙)。（11）

（6）和（11）归结得：Answer(孙)。（12）{孙/x}

因此，钱和孙是盗窃犯，此外无论如何也归结不出Answer(赵)和Answer(李)。

下面证明赵不是盗窃犯，即证明?T(赵)。子句集如下：

A：T(赵)∨T(钱) （1）

B：T(钱)∨T(孙) （2）

C: T(孙) ∨T(李) （3）

D: ? T(赵)∨? T(孙) （4）

E: ? T(钱)∨? T(李) （5）

要证明赵不是盗窃犯，即证明?T(赵)。

对?T(赵)进行否定，并入上述子句集中，即多出如下子句：

?(?T(赵)), 即T(赵) （6）

应用归结原理对子句集进行归结：

（3）和（5）归结得：T(孙)∨? T(钱) （7）

（2）和（7）归结得：T(孙) （8）

（4）和（8）归结得：? T(赵) （9）

（6）和（9）归结得：NIL

所以，赵不是盗窃犯。同理可以证明李也不是盗窃犯。

6.6 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)=？

解：由R4得到：

CF(E1)=0.7×max{0,CF[E4 AND (E5 OR E6)]}

=0.7×max{0,min{CF(E4),CF(E5 OR E6)}}

=0.35

由R5得到：

CF(E3)=0.9×max{0,CF[E7 AND E8]}

=0.54

由R1得到：

CF1(H)=0.8×max{0,CF(E1)}=0.28

由R2得到：

CF2(H)=0.6×max{0,CF(E2)}=0.48

由R3得到：

CF3(H)=-0.5×max{0,CF(E3)}=-0.27

根据结论不确定性的合成算法：

CF12(H)=CF1(H)+CF2(H)-CF1(H)×CF2(H)=0.63

CF123(H)=[CF12(H)+CF3(H)]/[1-min{|CF12(H)|,|CF3(H)|}] =0.49

即最终的综合可信度为CF(H)=0.49。