人工智能例题大纲
1. 用谓词逻辑知识表示方法表示如下知识：
(1) 有人喜欢梅花，有人喜欢菊花，有人既喜欢梅花又喜欢菊花。
(2) 不是每个计算机系的学生都喜欢在计算机上编程序。
解：(1)
定义谓词
P(x)：x是人
L(x,y)：x喜欢y
其中，y的个体域是{梅花，菊花}。
将知识用谓词表示为：
(?x)(P(x)→L(x, 梅花)∨L(x, 菊花)∨L(x, 梅花)∧L(x, 菊花))
解：(2)
定义谓词
S(x)：x是计算机系学生
L(x, pragramming)：x喜欢编程序
U(x,computer)：x使用计算机
将知识用谓词表示为：
? (?x) (S(x)→L(x, pragramming)∧U(x,computer))
2. 请用语义网络表示如下知识：
高老师从3月到7月给计算机系的学生讲“计算机网络”课。
解：
3. 判断以下子句集是否为不可满足
{P(x)∨Q(x )∨R(x), ﹁P(y)∨R(y), ﹁Q(a), ﹁R(b)}
解：采用归结反演，存在如下归结树，故该子句集为不可满足。
4、证明G是F的逻辑结论
F: (?x)(?y)(P(f(x))∧(Q(f(y)))
G: P(f(a))∧P(y)∧Q(y)
证：先转化成子句集
对F，进行存在固化，有
P(f(v))∧(Q(f(w)))
得以下两个子句
P(f(v))，Q(f(w))
对﹁G，有
﹁P(f(a))∨﹁P(y) ∨﹁Q(y)
先进行内部合一，设合一{f(a)/y}，则有因子
﹁P(f(a)) ∨﹁Q(f(a))
再对上述子句集进行归结演绎推理。其归结树如下图所示，即存在一个到空子句的归结过程。
因此G为真。
5 设有如下结构的移动将牌游戏：
其中，B表示黑色将牌，W表是白色将牌，E表示空格。游戏的规定走法是：
(1) 任意一个将牌可移入相邻的空格，规定其代价为1；
(2) 任何一个将牌可相隔1个其它的将牌跳入空格，其代价为跳过将牌的数目加1。
游戏要达到的目标什是把所有W都移到B的左边。对这个问题，请定义一个启发函数h(n)，并给出用这个启发函数产生的搜索树。你能否判别这个启发函数是否满足下界要求？在求出的搜索树中，对所有节点是否满足单调限制？
解：设h(x)=每个W左边的B的个数，f(x)=d(x)+3*h(x)，其搜索树如下：
6 设有如下一组推理规则:
r1: IF E1THEN E2 (0.6)
r2: IF E2AND E3THEN E4 (0.7)
r3: IF E4THEN H (0.8)
r4: IF E5THEN H (0.9)
且已知CF(E1)=0.5, CF(E3)=0.6, CF(E5)=0.7。求CF(H)=?
解：(1) 先由r1求CF(E2)
CF(E2)=0.6 × max{0,CF(E1)}
=0.6 × max{0,0.5}=0.3
(2) 再由r2求CF(E4)
CF(E4)=0.7 × max{0, min{CF(E2 ), CF(E3 )}}
=0.7 × max{0, min{0.3, 0.6}}=0.21
(3) 再由r3求CF1(H)
CF1(H)= 0.8 × max{0,CF(E4)}
=0.8 × max{0, 0.21)}=0.168
(4) 再由r4求CF2(H)
CF2(H)= 0.9 ×max{0,CF(E5)}
=0.9 ×max{0, 0.7)}=0.63
(5) 最后对CF1(H )和CF2(H)进行合成，求出CF(H)
CF(H)= CF1(H)+CF2(H)- CF1(H) ×CF2(H)
=0.692
7 设训练例子集如下表所示：
请用ID3算法完成其学习过程。
解：
设根节点为S，尽管它包含了所有的训练例子，但却没有包含任何分类信息，因此具有最大的信息熵。即：
H(S)= - (P(+)log 2P(+) - P(-)log2 P(-))
式中
P(+)=3/6，P(-)=3/6
即有
H(S)= - ((3/6)*log (3/6) - (3/6)*log (3/6))
= -0.5*(-1) - 0.5*(-1) = 1
按照ID3算法，需要选择一个能使S的期望熵为最小的一个属性对根节点进行扩展，因此我们需要先计算S关于每个属性的条件熵：
H(S|x i)= ( |S T| / |S|)* H(S T) + ( |S F| / |S|)* H(S F)
其中，T和F为属性x i的属性值，S T和S F分别为x i=T或x i=F时的例子集，|S|、| S T|和|S F|分别为例子集S、S T和S F 的大小。
下面先计算S关于属性x1的条件熵：
在本题中，当x1=T时，有：
S T={1，2，3}
当x1=F时，有：
S F={4，5，6}
其中，S T和S F中的数字均为例子集S中例子的序号，且有|S|=6，| S T |=| S F |=3。
由S T可知：
P(+)=2/3，P(-)=1/3
则有：
H(S T)= - (P(+)log2 P(+) - P(-)log2 P(- ))
= - ((2/3)log2(2/3)- (1/3)log2(1/3)) ==0.9183
再由S F可知：
P SF(+)=1/3，P SF(-)=2/3
则有：
H(S F)= - (P SF(+)log2 P ST(+) - P SF(-)log2 P SF(- ))
= - ((2/3)log2(2/3)- (1/3)log2(1/3)) = 0.9183
将H(S T)和H (S F)代入条件熵公式，有：
H(S|x1)=(|S T|/|S|)H(S T)+ (|S F|/|S|)H(S F)
=(3/6)﹡0.9183 + (3/6)﹡0.9183
=0.9183
下面再计算S关于属性x2的条件熵：
在本题中，当x2=T时，有：
S T={1，2，5，6}
当x2=F时，有：
S F={3，4}
其中，S T和S F中的数字均为例子集S中的各个例子的序号，且有|S|=6，| S T |=4，| S F |=2。
由S T可知：
P ST (+) = 2/4
P ST (-) = 2/4
则有：
H(S T)= - (P ST (+)log2 P ST (+) - P ST (-)log2 P ST (- ))
= - ((2/4)log2(2/4) - (2/4)log2(2/4))
=1
再由S F可知：
P SF (+)=1/2
P SF (-)=1/2
则有：
H(S F)= - (P(+)log2 P(+) - P(-)log2 P(- ))
= - ((1/2)log2(1/2)- (1/2)log2(1/2))
=1
将H(S T)和H (S F)代入条件熵公式，有：
H(S|x2)=(|S T|/|S|)H(S T)+ (|S F|/|S|)H(S F)
=(4/6)﹡1 + (2/6)﹡1
=1
可见，应该选择属性x1对根节点进行扩展。用x1对S扩展后所得到的部分决策树如下图所示。
8八数码难题
f(n)=d(n)+P(n)
d(n) 深度
P(n)与目标距离
显然满足
P(n)≤ h*(n)
即f*=g*+h*
9 修道士和野人问题
解：用m表示左岸的修道士人数，c表示左岸的野人数，b表示左岸的船数，用三元组(m, c, b)表示问题的状态。
对A*算法，首先需要确定估价函数。设g(n)=d(n)，h(n)=m+c-2b，则有
f(n)=g(n)+h(n)=d(n)+m+c-2b
其中，d(n)为节点的深度。通过分析可知h(n)≤h*(n)，满足A*算法的限制条件。
M-C问题的搜索过程如下图所示。
10 设有如下一组知识：
r 1：IF E 1 THEN H (0.9) r 2：IF E 2 THEN H (0.6) r 3：IF E 3 THEN H (-0.5)
r 4：IF E 4 AND ( E 5 OR E 6) THEN E 1 (0.8)
已知：CF(E 2)=0.8，CF(E 3)=0.6，CF(E 4)=0.5，CF(E 5)=0.6, CF(E 6)=0.8 求：CF(H)=? 解：由r 4得到：
CF(E 1)=0.8×max{0, CF(E 4 AND (E 5 OR E 6))} = 0.8×max{0, min{CF(E 4), CF(E 5 OR E 6)}} =0.8×max{0, min{CF(E 4), max{CF(E 5), CF(E 6)}}} =0.8×max{0, min{CF(E 4), max{0.6, 0.8}}} =0.8×max{0, min{0.5, 0.8}} =0.8×max{0, 0.5} = 0.4
由r 1得到：CF 1(H)=CF(H, E 1)×max{0, CF(E 1)}
=0.9×max{0, 0.4} = 0.36 由r 2得到：CF 2(H)=CF(H, E 2)×max{0, CF(E 2)} =0.6×max{0, 0.8} = 0.48 由r 3得到：CF 3(H)=CF(H, E 3)×max{0, CF(E 3)} =-0.5×max{0, 0.6} = -0.3
根据结论不精确性的合成算法，CF 1(H)和CF 2(H)同号，有：
67
.017.084.048.036.048.036.0)
()()()()(21212,1=-=?-+=?-+=H CF H CF H CF H CF H CF
CF 12(H)和CF 3(H)异号，有：
{}
{}53
.07
.037
.03.0,67.0min 13.067.0)
(,)(min 1)()()(32,132,13,2,1==
--=
-+=
H CF H CF H CF H CF H CF
即综合可信度为CF(H)=0.53
11 设有如下知识：
r1： IF E1（0.6）AND E2（0.4） THEN E5 （0.8）
r2： IF E3（0.5）AND E4（0.3）AND E5（0.2）THEN H （0.9） 已知： CF （E1）=0.9，CF （E2）=0.8，CF （E3）=0.7，CF （E4）=0.6 求： CF （H ）=?
解：
CF(E1 AND E2)=0.9*0.6+0.8*0.4=0.86 CF(E5)=0.86*0.8=0.69 CF(E3 AND E4 AND E5)
=0.7*0.5+0.6*0.3+0.69*0.2=0.67
CF(H)=0.67*0.9=0.60
12设有如下规则：
r1: IF E1 AND E2THEN A={a1, a2} CF={0.3, 0.5}
r2: IF E3 THEN H={h1, h2} CF={0.4, 0.2}
r3: IF A THEN H={h1, h2} CF={0.1, 0.5}
已知用户对初始证据给出的确定性为：
CER(E1)=0.8 CER(E2)=0.6
CER(E3)=0.9
并假Ω定中的元素个数∣Ω∣=10
求：CER(H)=?
解：由给定知识形成的推理网络如下图所示：
(1) 求CER(A)
由r1:
CER(E1AND E2)
=min{CER(E1), CER(E2)}
=min{0.8, 0.6} = 0.6
m({a1}, {a2})={0.6×0.3, 0.6×0.5} = {0.18, 0.3}
Bel(A)=m({a1})+m({a2})=0.18+0.3=0.48
Pl(A)=1-Bel(﹁A)=1-0=1
f(A)=Bel(A)+|A|/|Ω|?[Pl(A)-Bel(A)]
=0.48+2/10*[1-0.48]
=0.584
故
CER(A)=MD(A/E')×f(A)=0.584
(2) 求CER(H)
由r2得
m1({h1}, {h2})={CER(E3)×0.4, CER(E3)×0.2}
={0.9×0.4, 0.9×0.2}
={0.36, 0.18}
m1(Ω)=1-[m1({h1})+m1({h2})]
=1-[0.36+0.18]=0.46
由r 3得
m 2({h 1}, {h 2})={CER(A)×0.1, CER(A)×0.5} ={0.58×0.1, 0.58×0.5} ={0.06, 0.29}
m 2(Ω)=1-[m 2({h 1})+m 2({h 2})] =1-[0.06+0.29]=0.65 求正交和m=m 1⊕m 2
K=m 1(Ω)×m 2(Ω)
+m 1({h 1})×m 2({h 1})+m 1({h 1})×m 2(Ω)+m 1(Ω)×m 2({h 1}) +m 1({h 2})×m 2({h 2})+m 1({h 2})×m 2(Ω)+m 1(Ω)×m 2({h 2}) =0.46×0.65
+0.36×0.06+0.36×0.65+0.46×0.06 +0.18×0.29+0.18×0.65+0.46×0.29
=0.30+(0.02+0.23+0.03)+(0.05+0.12+0.13) =0.88
32
.0]06.046.065.036.006.036.0[88.01
})]
({)()(})({})({})({[1
)(12121112111=?+?+??=
?Ω+Ω?+??=
h m m m h m h m h m K
h m
同理可得：
34.0]29.046.065.018.029.018.0[88
.01
})]
({)()(})({})({})({[1
)(22122122212=?+?+??=
?Ω+Ω?+??=
h m m m h m h m h m K
h m
故有：m(Ω)=1-[m({h 1})+m({h 2})]
=1-[0.32+0.34] = 0.34 再根据m 可得
Bel(H)=m({h 1})+m({h 2}) = 0.32+0.34 = 0.66 Pl(H)=m(Ω)+Bel(H)=0.34+0.66=1
73.0)66.01(102
66.0)]()([)()(=-?+
=-?Ω
+
=H Bel H Pl H
H Bel H f
CER(H)=MD(H/E')×f(H)=0.73
13用ID3算法完成下述学生选课的例子 假设将决策y 分为以下3类： y 1：必修AI y 2：选修AI y 3：不修AI
做出这些决策的依据有以下3个属性：
x1：学历层次x1=1 研究生，x1=2 本科
x2：专业类别x2=1 电信类，x2=2 机电类
x3：学习基础x3=1 修过AI，x3=2 未修AI
表6.1给出了一个关于选课决策的训练例子集S。
该训练例子集S的大小为8。ID3算法就是依据这些训练例子，以S为根节点，按照信息熵下降最大的原则来构造决策树的。
解：首先对根节点，其信息熵为：
)
(
log
)
(
)
(
2
3
1
i
i
i
y
P
y
P
S
H∑
=
-
=
其中，３为可选的决策方案数，且有
P(y1)=1/8，P(y2)=2/8，P(y3)=5/8
即有：
H(S)= -(1/8)log2(1/8)- (2/8)log2(2/8)- (5/8)log2(5/8) =1.2988
按照ID3算法，需要选择一个能使S的期望熵为最小的一个属性对根节点进行扩展，因此我们需要先计算S关于每个属性的条件熵：
||
(/)()
||
t
i t
t
S
H S x H S
S
=∑
其中，t为属性x i的属性值，S t为x i=t时的例子集，|S|和|S t|分别是例子集S和S t的大小。
下面先计算S关于属性x1的条件熵：
在表6-1中，x1的属性值可以为1或2。当x1=1时，t=1时，有：
S1={1，2，3，4}
当x1=2时，t=2时，有：
S2={5，6，7，8}
其中，S1和S2中的数字均为例子集S中的各个例子的序号，且有|S|=8，|S1|=|S2|=4。
由S1可知：
Ps1(y1)=1/4, Ps1(y2)=1/4, Ps1(y3)=2/4
则有：
H(S 1)= - Ps 1(y 1)log 2 Ps 1(y 1) - Ps 1(y 2)log 2 Ps 1(y 2 )- Ps 1(y 3)log 2 Ps 1(y 3 ) = -(1/4)log 2(1/4)- (1/4)log 2(1/4)- (2/4)log 2(2/4) =1.5 再由S 2可知：
Ps 2(y 1)=0/4, Ps 2(y 2)=1/4, Ps 2(y 3)=3/4 则有：
H(S 2)=– Ps 2(y 2)log 2 Ps 2(y 2 )- Ps 2(y 3)log 2 Ps2(y 3 ) =- (1/4)log 2(1/4)- (3/4)log 2(3/4) =0.8113 将H(S 1)和H(S 2)代入条件熵公式，有：
H(S/x 1)=(|S 1|/|S|)H(S 1)+ (|S 2|/|S|)H(S 2) =(4/8)﹡1.5+(4/8)﹡0.8113 =1.1557 同样道理，可以求得： H(S/x 2)=1.1557 H(S/x 3)=0.75
可见，应该选择属性x 3对根节点进行扩展。用x 3对S 扩展后所得到的得到部分决策树如图6.5所示。
在该树中，节点“x 3=1, y 3 ”为决策方案y 3。由于y 3已是具体的决策方案，故该节点的信息熵为0，已经为叶节点。
节点“x 3=2, x 1, x 2？”的含义是需要进一步考虑学历和专业这两个属性，它是一个中间节点，还需要继续扩展。至于其扩展方法与上面的过程类似。
通过计算可知，该节点对属性x 1和x 2，其条件熵均为1。由于它对属性x 1和x 2的条件熵相同，因此可以先选择x 1，也可以先选择x 2。
依此进行下去， 若先选择x 1可得到如图6.6所示的最终的决策树；若先选择x 2
可得到如图7.7所示的最终的决策树。
S
x 3=1, y 3 x 3=2, x 1, x
2 图6.5 部分决策树
x 3=1 x 3=2
14 （归结反演）
已知：“张和李是同班同学，如果x和y是同班同学，则x的教室也是y的教室，现在张在302教室上课。”
问：“现在李在哪个教室上课？”
解：首先定义谓词：
C(x, y) x和y是同班同学；
At(x, u) x在u教室上课。
把已知前提用谓词公式表示如下：
C(zhang, li)
(?x) (?y) (?u) (C(x, y)∧At(x, u)→At(y,u))
At(zhang, 302)
把目标的否定用谓词公式表示如下：
﹁(?v)At(li, v)
把上述公式化为子句集：
C(zhang, li)
﹁C(x, y)∨﹁At(x, u)∨At(y, u)
At(zhang, 302)
把目标的否定化成子句式，并用重言式
﹁At(li,v) ∨At(li,v)
代替之。
把此重言式加入前提子句集中，得到一个新的子句集，对这个新的子句集，应用归结原理求出其证明树。
其求解过程如下图所示。
该证明树的根子句就是所求的答案，即“李明在302教室”。
公式：
A估价函数
用来估计节点重要性，定义为从初始节点S0出发，约束经过节点n到达目标节点S g的所有路径中最小路径代价的估计值。一般形式：
f(n)=g(n)+h(n)
其中，g(n)是从初始节点S0到节点n的实际代价；h(n)是从节点n到目标节点S g的最优路径的估计代价。
B A*算法是对A算法的估价函数f(n)=g(n)+h(n)加上某些限制后得到的一种启发式搜索算法
假设f*(n)是从初始节点S0出发，约束经过节点n到达目标节点S g的最小代价，估价函数f(n)是对f*(n)的估计值。记
f*(n)=g*(n)+h*(n)
其中，g*(n)是从S0出发到达n的最小代价,h*(n)是n 到S g的最小代价
如果对A算法（全局择优）中的g(n)和h(n)分别提出如下限制：
第一，g(n)是对最小代价g*(n)的估计，且g(n)>0；
第二，h(n)是最小代价h*(n)的下界，即对任意节点n均有h(n)≤h*(n)。
则称满足上述两条限制的A算法为A*算法。
C 不确定性知识的表示形式：
在C-F模型中，知识是用产生式规则表示的，其一般形式为：
IF E THEN H (CF(H, E))
其中，E是知识的前提条件；H是知识的结论；CF(H, E)是知识的可信度。
D 组合证据
合取：E=E1 AND E2 AND … En时，若已知CF(E1)，CF(E2)，…，则
CF(E)=min{CF(E1), CF(E2), … ,CF(En)}
析取：E=E1 OR E2 OR … En时，若已知CF(E1)，CF(E2)，…，则
CF(E)=max{CF(E1), CF(E2), … ,CF(En)}
E 不确定性的更新公式
CF(H)=CF(H, E)×max{0, CF(E)}
若CF(E)<0，则
CF(H)=0
即该模型没考虑E为假对H的影响。
若CF(E)=1，则
CF(H)=CF(H,E)
F 设有知识：IF E1THEN H (CF(H, E1))
IF E2THEN H (CF(H, E2))
则结论H 的综合可信度可分以下两步计算：
(1) 分别对每条知识求出其CF(H)。即
CF 1(H)=CF(H, E 1) ×max{0, CF(E 1)} CF 2(H)=CF(H, E 2) ×max{0, CF(E 2)}
(2) 用如下公式求E 1与E 2对H 的综合可信度
{}
异号)(与
)(若0)(且0)(若0
)(且0)(若)
(,)(min 1)()()
()()()()()()()()(212121212121212121H CF H CF H CF H CF H CF H CF H CF H CF H CF H CF H CF H CF H CF H CF H CF H CF H CF H CF H CF <<≥≥??
?
?
??
??
?-+?++?-+=
G 带加权因子的可信度推理 在这种不确定性推理中，证据的不确定性仍然用可信度因子表示，组合证据的可信度可通过计算得到。对于前提条件
E=E1(ω1) AND E2(ω2) AND …… AND En(ωn)
所对应的组合证据，其可信度由下式计算： CF(E)= CF(E1)*ω1 +CF(E2)*ω2+……+CF(En)*ωn
如果不满足归一条件，则可信度由下式计算：
CF(E)= (CF(E1)*ω1 +CF(E2)*ω2+……+CF(En)*ωn)/(ω1+ ω2+… ωn)
H 证据理论
设函数m ：2Ω→[0，1]，且满足
∑Ω
?==ΦA A m m 1
)(0)(
则称m 是2Ω上的概率分配函数，m(A)称为A 的基本概率数。
I 概率分配函数的合成
设m 1和m 2是2Ω上的基本概率分配函数，它们的正交和 21m m m ⊕= 定义为
)]()()()()()([})({2121211i i i i i s m m m s m s m s m K s m ?Ω+Ω?+??=-
其中
)]()()()()()([)()(2
1
1
2
1
2
1
21i n
i
i i i s m m m s m s m s m m m K ?Ω+Ω?+?+
Ω?Ω=∑=
J 信任函数（下限函数）
对任何命题A ?Ω,其信任函数为
1)(})({)()(})({)(1
=Ω+==
Ω=∑∑∑=Ω
?∈
m s m B m Bel s m A Bel n
i
i B A
s i i
K 似然函数（上限函数）
对任何命题A
?Ω,其似然函数为
1
)
(
1
)
(
1
)
(
)
(
)
(
)]
(
)
(
1[
1
]
})
({
})
({
[
1
})
({
1
)
(
1
)
(
1
=
Φ
-
=
Ω
?
-
=
Ω
+
Ω
=
-
Ω
-
-
=
-
-
=
-
=
?
-
=∑∑
∑
=∈
?
∈
Bel
Bel
Pl
A
Bel
m
A
Bel
m
s
m
s
m
s
m
A
Bel
A
Pl
n
i A
s
i
i
A
s
i
i
i
似然函数也称为上限函数，表示对A的非假信任度。可以看出，对任何命题A
?Ω、A?Ω都有
Pl(A)-Bel(A) = Pl(B)-Bel(B) = m(Ω)
L 类概率函数
设Ω为有限域，对任何命题A
?Ω，命题A的类概率函数为
[])(
)
(
)
(
)
(A
Bel
A
Pl
A
A
Bel
A
f-
?
Ω
+
=
M 证据的匹配度表示
设A是规则条件部分的命题，E'是外部输入的证据和已证实的命题，在证据E'的条件下，命题A与证据E'的匹配程度为
N 证据的确定性表示
条件部分命题A的确定性为
CER(A)=MD(A/E')×f(A)
其中f(A)为类概率函数。
由于f(A) ∈[0, 1]，因此CER(A) ∈[0, 1]
O 组合证据的不确定性表示
当组合证据是多个证据的合取时
E=E1 AND E2AND … AND E n
则
CER(E)=min{CER(E1), CER(E2), … ,CER(E n)}
当组合证据是多个证据的析取时
E=E1OR E2OR … OR E n
则
CER(E)=max{CER(E1), CER(E2), … . CER(E n)
P 结论的确定性
设有知识 IF E THEN H={h 1, h 2, … , h n } CF={c 1, c 2, … , c n } 则求结论H 的确定性CER(H)的方法如下：
12121({},{},...,{})((),(),,()()1()n n n
i
i m h h h CER E c CER E c CER E c m CRE E c ==???Ω=-?∑L
如果有两条或多条知识支持同一结论H ，例：
IF E 1 THEN H={h 1, h 2, … , h n } CF={c 11, c 12, … , c 1n } IF E 2 THEN H={h 1, h 2, … , h n } CF={c 21, c 22, … , c 2n } 则按正交和求CER(H)，即先求出： m 1=m 1({h 1},{h 2},…,{h n }) m 2=m 2({h 1},{h 2},…,{h n })
然后再用公式21m m m ⊕=求m 1和m 2的正交和，最后求得H 的m 。
按公式CER(H)=MD(H/E ') ×f(H)计算结论H 确定性。
Q 信息熵
信息熵是对信息源整体不确定性的度量。假设X 为信源，x i 为X 所发出的单个信息，P(x i )为X 发出x i 的概率，则信息熵可定义为：
)
(log )()
(log )()(log )()(log )()(12211i k
i i r r x P x P x P x P x P x P x P x P X H ∑=-=----=Λ
R 条件熵
条件熵是收信者在收到信息后对信息源不确定性的度量。若假设信源为X ，收信者收到的信息为Y ， P(x i /y j )为当Y 为y j 时X 为x i 的条件概率，则条件熵可定义为：
∑∑==-=k i k
j j i j i y x P y x p Y X H 11
)
|(log )|()|(
∑==n i i
h m H Bel 1})
({)()
(1)(H Bel H Pl ?-=)
()()]()([)()(Ω?Ω
+
=-?Ω
+=m H H Bel H Bel H Pl H H Bel H f
游戏人工智能实验报告记录四
游戏人工智能实验报告记录四
————————————————————————————————作者：————————————————————————————————日期：
实验四有限状态机实验 实验报告 一、实验目的 通过蚂蚁世界实验掌握游戏中追有限状态机算法 二、实验仪器 Windows7系统 Microsoft Visual Studio2015 三、实验原理及过程 1）制作菜单 设置参数：点击会弹出对话框，设置一些参数，红、黑蚂蚁的家会在地图上标记出来 运行：设置好参数后点击运行，毒药、食物、水会在地图上随机显示 下一步：2只红蚂蚁和2只黑蚂蚁会随机出现在地图上，窗口右方还会出现红、黑蚂蚁当前数量的统计 不断按下一步，有限状态机就会不断运行，使蚁群产生变化 2）添加加速键
资源视图中下方 选择ID和键值
3）新建头文件def.h 在AntView.cpp中加入#include"def.h" 与本实验有关的数据大都是在这里定义的 int flag=0; #define kForage 1 #define kGoHome 2 #define kThirsty 3 #define kDead 4 #define kMaxEntities 200 class ai_Entity{ public: int type; int state; int row; int col; ai_Entity(); ~ai_Entity() {} void New (int theType,int theState,int theRow,int theCol); void Forage(); void GoHome(); void Thirsty(); void Dead();
人工智能实验报告大全
人工智能实验报告大 全
人工智能课内实验报告 （8次） 学院：自动化学院 班级：智能1501 姓名：刘少鹏（34） 学号： 06153034 目录 课内实验1：猴子摘香蕉问题的VC编程实现 (1) 课内实验2：编程实现简单动物识别系统的知识表示 (5)
课内实验3：盲目搜索求解8数码问题 (18) 课内实验4：回溯算法求解四皇后问题 (33) 课内实验5：编程实现一字棋游戏 (37) 课内实验6：字句集消解实验 (46) 课内实验7：简单动物识别系统的产生式推理 (66) 课内实验8：编程实现D-S证据推理算法 (78)
人工智能课内实验报告实验1：猴子摘香蕉问题的VC编程实现 学院：自动化学院 班级：智能1501 姓名：刘少鹏（33） 学号： 06153034 日期： 2017-3-8 10:15-12:00
实验1：猴子摘香蕉问题的VC编程实现 一、实验目的 （1）熟悉谓词逻辑表示法； （2）掌握人工智能谓词逻辑中的经典例子——猴子摘香蕉问题的编程实现。 二、编程环境 VC语言 三、问题描述 房子里有一只猴子（即机器人），位于a处。在c处上方的天花板上有一串香蕉，猴子想吃，但摘不到。房间的b处还有一个箱子，如果猴子站到箱子上，就可以摸着天花板。如图1所示，对于上述问题，可以通过谓词逻辑表示法来描述知识。要求通过VC语言编程实现猴子摘香蕉问题的求解过程。 图1 猴子摘香蕉问题
四、源代码 #include
人工智能报告
人工智能论文 班级：计算机0901 姓名：李佳林 学号：3070602044
人工智能 摘要：人工智能(Artificial Intelligence) ，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能是当前科学技发展的一门前沿学科，同时也是一门新思想，新观念，新理论，新技术不断出现的新兴学科以及正在发展的学科。它是在计算机科学，控制论，信息论，神经心理学，哲学，语言学等多种学科研究的基础发展起来的，因此又可把它看作是一门综合性的边缘学科。它的出现及所取得的成就引起了人们的高度重视,并取得了很高的评价。有的人把它与空间技术，原子能技术一起并誉为20世纪的三大科学技术成就。 归纳逻辑是人工智能的逻辑基础。伴随人工智能研究的逐步深入，科学哲学、人工智能和归纳逻辑研究相互影响，出现了新的研究方向。以归纳逻辑为基础，多学科相互合作，可以建立新的机器学习系统或归纳学习系统。 关键词：人工智能发展；机器学习；专家系统 一：人工智能的定义 人工智能是计算机科学的一个分支，是一门研究运用计算机模拟和延伸人脑功能的综合性学科。其精确的定义是：一个电脑系统具有人类的知识和行为，并具有学习、推理判断来解决问题、记忆知识和了解人类自然语言的能力。人工智能的产生过程则是：对于人类因问题和事物所引起的刺激和反应，以及因此所引发的推理、解问题、学习、判断及思考决策等过程，将这些过程分解成一些基本步骤，再透过程序设计，将这些人类解问题的过程模组化或公式化，使得电脑能够有一个结构的方法来设计或应付更复杂的问题。这套能够应付问题的软体系统，即称之为人工智能系统。人工智能是一种技术，而不是一项产品它的目的是让电脑更能了解一般化的事物。
游戏人工智能实验报告四
实验四有限状态机实验 实验报告 一、实验目的 通过蚂蚁世界实验掌握游戏中追有限状态机算法 二、实验仪器 Windows7系统 Microsoft Visual Studio2015 三、实验原理及过程 1）制作菜单 设置参数：点击会弹出对话框，设置一些参数，红、黑蚂蚁的家会在地图上标记出来 运行：设置好参数后点击运行，毒药、食物、水会在地图上随机显示 下一步：2只红蚂蚁和2只黑蚂蚁会随机出现在地图上，窗口右方还会出现红、黑蚂蚁当前数量的统计 不断按下一步，有限状态机就会不断运行，使蚁群产生变化 2）添加加速键 资源视图中 下方
选择ID和键值 3）新建头文件def.h 在AntView.cpp中加入#include"def.h" 与本实验有关的数据大都是在这里定义的 int flag=0; #define kForage 1 #define kGoHome 2 #define kThirsty 3 #define kDead 4 #define kMaxEntities 200 class ai_Entity{ public: int type; int state; int row; int col; ai_Entity(); ~ai_Entity() {} void New (int theType,int theState,int theRow,int theCol); void Forage(); void GoHome(); void Thirsty(); void Dead(); }; ai_Entity entityList[kMaxEntities]; #define kRedAnt 1 #define kBlackAnt 2
人工智能研究报告-副本
人工智能研究报告 产生背景 人工智能的出现不是偶然的，它是人们长期以来探索和研制能进行计算、推理和思维的智能机器的必然结果。自古以来，人们一直在试图用各种机器来代替人的部分脑力劳动，以提高人类征服自然和改造自然的能力。古希腊的哲学家亚里士多德就提出了形式逻辑问题。12世纪末至13世纪初，西班牙逻辑学家卢乐提出了制造可以解决各种问题的通用逻辑机。17世纪，法国的物理学家和数学家帕斯卡制造出世界上第一台机械式加法器，并得到广泛应用。随后德国哲学家和数学家莱布尼茨在帕斯卡加法器的基础上进一步制成了可进行四则运算的计算器。莱布尼茨还提出了“符号语言”和“思维演算”的重要设想，他认为：必须将人的思维代数几何化，即像代数那样按照公式来思考，像几何那样直观的通过图画来思维。这一思想导致了后来的数理逻辑的诞生，成为了现代机器思维设计思想的萌芽。 19世纪，英国数学家布尔在《思维法则》一书中，第一次用符号语言描述了思维活动中推理的基本法则，创立了布尔代数。英国数学家和发明家巴贝奇发明了差分机和分析机，其中分析机的设计思想与现代电子计算机十分相似。虽然巴贝奇的发明在当时没有得到实现和收到应有的重视，但是他的科学思想为研制“思维机器”做出了巨大的贡献。 20世纪30年代，英国数学家图灵开始了寻求智力机的研究工作。1937年，图灵发表了“理想自动机”的论文，该文给可计算性这一概念下了严格的数学定义，并论证了任何需要精确的加以确定的计算过程，都能由“图灵机”完成，为人们清晰地描绘出理想自动机的蓝图，同时也为电子计算机的诞生奠定了基础。(1937年，伦敦权威的数学杂志又收到图灵一篇论文《论可计算数及其在判定问题中的应用》，作为阐明现代电脑原理的开山之作，被永远载入了计算机的发展史册。这篇论文原本是为了解决一个基础性的数学问题：是否只要给人以足够的时间演算，数学函数都能够通过有限次机械步骤求得解答？传统数学家当然只会想到用公式推导证明它是否成立，可是图林独辟蹊径地想出了一台冥冥之中的机器。图林想象的机器说起来很简单：该计算机使用一条无限长度的纸带，纸带被划分成许多方格，有的方格被画上斜线，代表“1”；有的没有画任何线条，代表“0”。该计算机有一个读写头部件，可以从带子上读出信息，也可以往空方格里写下信息。该计算机仅有的功能是：把纸带向右移动一格，然后把“1”变成“0”，或者相反把“0”变成“1”。图林设计的“理想计算机”被后人称为“图林机”，实际上是一种不考虑硬件状态的计算机逻辑结构。图林还提出可以设计出另一种“万能图林机”，用来模拟其它任何一台“图林机”工作，从而首创了通用计算机的原始模型。图林甚至还想到把程序和数据都储存在纸带上，比冯·诺依曼更早提出了“储存程序”的概念。1945年，匈牙利数学家冯诺依曼提出了存储程序的思想，在计算机领域建立了不朽的功勋。目前的计算机体系结构仍然是冯诺依曼型的。1946年，美国数学家、电子计算机先驱莫克利和他的研究生埃克特合作，成功研制了世界上第一台电子数字计算机ENIAC，为机器智能的研究和实现提供了物质基础。
人工智能实验报告大全
人工智能课内实验报告 （8次） 学院：自动化学院 班级：智能1501 姓名：刘少鹏（34） 学号： 06153034
目录 课内实验1：猴子摘香蕉问题的VC编程实现 (1) 课内实验2：编程实现简单动物识别系统的知识表示 (5) 课内实验3：盲目搜索求解8数码问题 (18) 课内实验4：回溯算法求解四皇后问题 (33) 课内实验5：编程实现一字棋游戏 (37) 课内实验6：字句集消解实验 (46) 课内实验7：简单动物识别系统的产生式推理 (66) 课内实验8：编程实现D-S证据推理算法 (78)
人工智能课内实验报告实验1：猴子摘香蕉问题的VC编程实现 学院：自动化学院 班级：智能1501 姓名：刘少鹏（33） 学号： 06153034 日期： 2017-3-8 10:15-12:00
实验1：猴子摘香蕉问题的VC编程实现 一、实验目的 （1）熟悉谓词逻辑表示法； （2）掌握人工智能谓词逻辑中的经典例子——猴子摘香蕉问题的编程实现。 二、编程环境 VC语言 三、问题描述 房子里有一只猴子（即机器人），位于a处。在c处上方的天花板上有一串香蕉，猴子想吃，但摘不到。房间的b处还有一个箱子，如果猴子站到箱子上，就可以摸着天花板。如图1所示，对于上述问题，可以通过谓词逻辑表示法来描述知识。要求通过VC语言编程实现猴子摘香蕉问题的求解过程。 图1 猴子摘香蕉问题 四、源代码 #include
关于人工智能的发展及预测学习报告
人工智能的发展及预测学习报告 姓名 人工智能（Aritificial Intelligence， AI）是一门融合了计算机科学、统学、脑神经学和社会科学的前沿综合性学科。它的目标是希望计算机拥有像人一样的智力能力，可以替代人类实现识别、认知、分类和决策等多种功能。 一、实现人工智能的方法----机器学习 机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。 机器学习直接来源于早期的人工智能领域。传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。众所周知，我们还没有实现强人工智能。早期机器学习方法甚至都无法实现弱人工智能。 机器学习最成功的应用领域是计算机视觉，虽然也还是需要大量的手工编码来完成工作。人们需要手工编写分类器、边缘检测滤波器，以便让程序能识别物体从哪里开始，到哪里结束；写形状检测程序来判断检测对象是不是有八条边；写分类器来识别字母“ST-O-P”。使用以上这些手工编写的分类器，人们总算可以开发算法来感知图像，判断图像是不是一个停止标志牌。
这个结果还算不错，但并不是那种能让人为之一振的成功。特别是遇到云雾天，标志牌变得不是那么清晰可见，又或者被树遮挡一部分，算法就难以成功了。这就是为什么前一段时间，计算机视觉的性能一直无法接近到人的能力。它太僵化，太容易受环境条件的干扰。 随着时间的推进，学习算法的发展改变了一切。 二、实现机器学习的技术—深度学习 人工神经网络（Artificial Neural Networks）是早期机器学习中的一个重要的算法，历经数十年风风雨雨。神经网络的原理是受我们大脑的生理结构——互相交叉相连的神经元启发。但与大脑中一个神经元可以连接一定距离内的任意神经元不同，人工神经网络具有离散的层、连接和数据传播的方向。 例如，我们可以把一幅图像切分成图像块，输入到神经网络的第一层。在第一层的每一个神经元都把数据传递到第二层。第二层的神经元也是完成类似的工作，把数据传递到第三层，以此类推，直到最后一层，然后生成结果。每一个神经元都为它的输入分配权重，这个权重的正确与否与其执行的任务直接相关。最终的输出由这些权重加总来决定。我们仍以停止（Stop）标志牌为例。将一个停止标志牌图像的所有元素都打碎，然后用神经元进行“检查”：八边形的外形、救火车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动运动特性等等。神经网络的任务就是给出结论，它到底是不是一个停止标志牌。神经网络会根据所有权重，给出一个经过深思熟虑的猜测——“概率向量”。这个例子里，系统可能会给出这样的结果：86%
人工智能实验报告
实验报告 1.对CLIPS和其运行及推理机制进行介绍 CLIPS是一个基于前向推理语言，用标准C语言编写。它具有高移植性、高扩展性、 强大的知识表达能力和编程方式以及低成本等特点。 CLIPS由两部分组成：知识库、推理机。它的基本语法是： (defmodule< module-n ame >[< comme nt >]) CLIPS的基本结构： （1）.知识库由事实库（初始事实+初始对象实例）和规则库组成。 事实库： 表示已知的数据或信息，用deftemplat，deffact定义初始事实表FACTLIS，由关系名、后跟 零个或多个槽以及它们的相关值组成，其格式如下： 模板： （deftemplate
人工智能实验报告
人工智能课程项目报告 姓名： 班级：二班
一、实验背景 在新的时代背景下，人工智能这一重要的计算机学科分支，焕发出了他强大的生命力。不仅仅为了完成课程设计，作为计算机专业的学生， 了解他，学习他我认为都是很有必要的。 二、实验目的 识别手写字体0~9 三、实验原理 用K-最近邻算法对数据进行分类。逻辑回归算法（仅分类0和1）四、实验内容 使用knn算法： 1.创建一个1024列矩阵载入训练集每一行存一个训练集 2. 把测试集中的一个文件转化为一个1024列的矩阵。 3.使用knnClassify（）进行测试 4.依据k的值，得出结果 使用逻辑回归： 1.创建一个1024列矩阵载入训练集每一行存一个训练集 2. 把测试集中的一个文件转化为一个1024列的矩阵。 3. 使用上式求参数。步长0.07，迭代10次 4.使用参数以及逻辑回归函数对测试数据处理，根据结果判断测试数 据类型。 五、实验结果与分析 5.1 实验环境与工具 Window7旗舰版+ python2.7.10 + numpy（库）+ notepad++（编辑）
Python这一语言的发展是非常迅速的，既然他支持在window下运行就不必去搞虚拟机。 5.2 实验数据集与参数设置 Knn算法： 训练数据1934个，测试数据有946个。
数据包括数字0-9的手写体。每个数字大约有200个样本。 每个样本保持在一个txt文件中。手写体图像本身的大小是32x32的二值图，转换到txt文件保存后，内容也是32x32个数字，0或者1，如下图所 示 建立一个kNN.py脚本文件，文件里面包含三个函数，一个用来生成将每个样本的txt文件转换为对应的一个向量：img2vector(filename):，一个用 来加载整个数据库loadDataSet():，最后就是实现测试。
人工智能法律服务研究报告
人工智能法律服务研究报告 腾讯研究院研究员在刚刚过去的周末，想必大家都 被腾讯AI Lab研发的围棋人工智能程序“绝艺”刷屏了，在第10届UEC杯计算机围棋大赛中，“绝艺”11战11胜，夺得 冠军。这是围棋界自谷歌的阿尔法狗之后的又一爆炸性新闻。但AI的“洪荒之力”可绝不止于此，开始涉足高大上的法律服务市场。“绝艺”的研发者说，AI在推动人类对围棋的认知，这同样适用于法律服务。 从法律检索、法律文件准备到合同审核、法律咨询再到案件结果预测、诉讼策略选择，以人工智能为标志的法律科技正在搅动法律服务市场。去年6月，IBM 的认知计算机Watson 支撑的史上首个人工智能律师ROSS “受雇于”一 家美国律所，它可以用人类语言和律师交流，给人一种和准雇员共事的体验。在英国，一款名为DoNotPay 的机器人 律师可以帮助用户挑战交通罚单并准备所需的法律文件，现在已经扩大到了政府住房申请、难民申请等法律服务。在国内，人工智能成为今年两会一大热点，所谓的法律机器人“小梨”“法狗狗”等不断涌现，受到公众关注。有预测甚至认为，在15年内，机器人和人工智能将会主导法律实践，给律所 带来“结构性坍塌”，法律服务市场的面貌将大为改观。 难道真如电影《回到未来2》中所预测的，终有一天将
不再需要律师？如果AI 可以以更高效、更廉价的方式提供法律服务，提高正义和法律服务的可得性，对穷人难道不是一大福音吗？但如果诉讼双方在法律科技的获取上存在很 大的不平衡，也可能造成新形式的不公正和滥用。虽然法律科技可能前景无限，但其中的一些挑战也需要人们思考并回应。 一、AI来了，人类的工作还安全吗？ 1956年见证了“人工智能”（artificial intelligence）这一概念的问世。在随后的六十年间，人工智能历经两次发展浪潮、两次AI寒冬。这一次，AI真的来了。 2010年以来，在大数据、机器学习、计算能力等因素 的推动下，AI已然迎来第三次发展浪潮。机器学习推动AI 进入发展新高度，学习型AI 正在改变很多事物。无论是监督学习还是无监督学习，AI 都在自主学习。比如，开发者并未按部就班地告诉自动驾驶系统如何开车，算法自己“学会了”如何在不同的道路环境下驾驶并不断提高驾驶水平。再比如，QQ音乐会向你推荐你可能感兴趣的歌曲，程序员并未告诉QQ音乐你的兴趣是什么，QQ音乐的算法自己“推断出了” 你的兴趣并不断提高这一判断的准确性。类似的例子不胜枚举。在越来越多的情境下，AI在替代人类做出判断，或者说，这些判断本该由人类做出。 AI在各行各业的应用将带来新一轮自动化，其结果要么
人工智能实验报告
《一人工智能方向实习一》 实习报告 专业：计算机科学与技术 班级：12419013 学号: 姓名: 江苏科技大学计算机学院 2016年3月
实验一数据聚类分析 一、实验目的 编程实现数据聚类的算法。 二、实验内容 k-means聚类算法。 三、实验原理方法和手段 k-means算法接受参数k ;然后将事先输入的 n个数据对象划分为 k个聚类以便使得 所获得的聚类满足：同一聚类中的对象相似度较高 四、实验条件 Matlab2014b 五、实验步骤 (1)初始化k个聚类中心。 (2)计算数据集各数据到中心的距离，选取到中心距离最短的为该数据所属类别。 (3)计算(2)分类后，k个类别的中心(即求聚类平均距离) (4)继续执行(2)(3)直到k个聚类中心不再变化(或者数据集所属类别不再变化) 六、实验代码 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % mai n.m % k-mea ns algorithm % @author matcloud %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% clear; close all ; load fisheriris ; X = [meas(:,3) meas(:,4)]; figure; plot(X(:,1),X(:,2), 'ko' ,'MarkerSize' ,4); title( 'fisheriris dataset' , 'FontSize' ,18, 'Color' , 'red'); [idx,ctrs] = kmea ns(X,3); figure; subplot(1,2,1); plot(X(idx==1,1),X(idx==1,2), 'ro' , 'MarkerSize' ,4); hold on;
人工智能发展报告
人工智能发展报告 一、简介 人工智能（Artificial Intelligence，AI）是指用计算机模拟或实现的智能。从学科角度讲，人工智能研究的是如何使机器（计算机）具有智能的科学和技术，特别是人类智能如何在计算机上实现或再现的科学和技术，它的研究涉及计算机科学、脑科学、神经生理学、心理学、语言学、逻辑学、认知（思维）科学、行为科学、数学以及信息论、控制论和系统论等众多学科领域，是一门综合性的交叉学科和边缘学科。2016年3月，谷歌收购的人工智能初创企业DeepMind 所研发的AlphaGo程序以4∶1击败韩国围棋冠军李世石，成为近年来人工智能领域少有的里程碑事件；2016年底，新版AlphaGo又化名网络棋手Master对战包括10多位中韩世界冠军在内的棋手，豪取60连胜；2017年初，卡内基梅隆大学人工智能系统Libratus打败4名世界顶级德州扑克玩家，这些事件再次引发了大众对人工智能的兴趣。 二、发展现状 目前，人工智能已形成包含工业机器人、服务机器人、智能硬件、芯片、传感器等硬件产品，智能客服、商业智能、数据资源、计算平台等软件产品与服务在内的产业链条。全球人工智能企业集中分布在美国、中国、英国等少数国家。我国人工智能企业主要集中于北京、广东及长三角（上海、江苏、浙江）一带，占我国人工智能企业总数
的比例超过8成。互联网巨头百度、阿里巴巴和腾讯正在领导中国的人工智能市场，同时，数以百计的初创公司也正渗透到这一产业中。 全球人工智能申请专利主要集中在机器人、语音识别、神经网络、图像识别、机器学习、模糊逻辑、计算机视觉、自然语言处理等领域。我国人工智能申请专利占比前五位的领域分别为机器人、神经网络、图像识别、语音识别、计算机视觉。其中，自然语言处理、语音识别的技术成熟度最高，其次是图像识别、计算机视觉，而机器学习、神经网络等领域技术成熟度最低，还未形成大规模行业应用。同时，国内外人工智能企业研发的产品在诸多领域的商业化已如火如荼地展开，涉及安防、交通、医疗、电商、金融、家庭和教育等领域。 人工智能主要应用领域及相关企业 三、产业化瓶颈 现阶段，人工智能产业的发展主要受到人才、数据、计算平台和服务模式四方面的制约。首先，人工智能领域的人才稀缺。通过开放
人工智能实验报告
****大学 人工智能基础课程实验报告 （2011-2012学年第一学期） 启发式搜索王浩算法 班级： *********** 学号： ********** 姓名： ****** 指导教师： ****** 成绩： 2012年 1 月 10 日
实验一 启发式搜索算法 1. 实验内容： 使用启发式搜索算法求解8数码问题。 ⑴ 编制程序实现求解8数码问题A *算法，采用估价函数 ()()()() w n f n d n p n ??=+???， 其中：()d n 是搜索树中结点n 的深度；()w n 为结点n 的数据库中错放的棋子个数；()p n 为结点n 的数据库中每个棋子与其目标位置之间的距离总和。 ⑵ 分析上述⑴中两种估价函数求解8数码问题的效率差别，给出一个是()p n 的上界的()h n 的定义，并测试使用该估价函数是否使算法失去可采纳性。 2. 实验目的 熟练掌握启发式搜索A *算法及其可采纳性。 3. 实验原理 使用启发式信息知道搜索过程，可以在较大的程度上提高搜索算法的时间效率和空间效率； 启发式搜索的效率在于启发式函数的优劣，在启发式函数构造不好的情况下，甚至在存在解的情形下也可能导致解丢失的现象或者找不到最优解，所以构造一个优秀的启发式函数是前提条件。 4.实验内容 1.问题描述 在一个3*3的九宫格 里有1至8 八个数以及一个空格随机摆放在格子中，如下图： 初始状态 目标状态 现需将图一转化为图二的目标状态，调整的规则为：每次只能将空格与其相邻的一个数字进行交换。实质是要求给出一个合法的移动步骤，实现从初始状态到目标状态的转变。 2.算法分析 (1)解存在性的讨论 对于任意的一个初始状态，是否有解可通过线性代数的有关理论证明。按数组存储后，算出初始状态的逆序数和目标状态的逆序数，若两者的奇偶性一致，则表明有解。 （2）估价函数的确定
2020年人工智能产业发展深度研究报告
2020年人工智能产业发展深度研究报告 一、人工智能市场格局 人工智能（Artificial Intelligence，AI）是利用机器学习和数据分析方法赋予机器模拟、延申和拓展类人的智能的能力，本质上是对人类思维过程的模拟。AI 概念最早始于1956 年的达特茅斯会议，受限于算法和算力的不成熟，未能实现大规模的应用和推广。近年来，在大数据、算法和计算机能力三大要素的共同驱动下，人工智能进入高速发展阶段。据中国电子学会预测，2022全球人工智能市场将达到1630亿元，2018-2022年CAGR达31%。 人工智能赋能实体经济，为生产和生活带来革命性的转变。人工智能作为新一轮产业变革的核心力量，将重塑生产、分配、交换和消费等经济活动各环节，催生新业务、新模式和新产品。从衣食住行到医疗教育，人工智能技术在社会经济各个领域深度融合和落地应用。同时，人工智能具有强大的经济辐射效益，为经济发展提供强劲的引擎。据埃森哲预测，2035 年，人工智能将推动中国劳动生产率提高27%，经济总增加值提升7.1 万亿美元。 二、多角度人工智能产业比较 目前，全球人工智能产业的生态系统正逐步成型。依据产业链上下游关系，可以将人工智能划分为基础支持层、中间技术层和下游应用层。基础层是人工智能产业的基础，主要提供硬件（芯片和传感器）及软件（算法模型）等基础能力；技术层是人工智能产业的核心，以模拟人的
智能相关特征为出发点，将基础能力转化成人工智能技术，如计算机视觉、智能语音、自然语言处理等应用算法研发。其中，技术层能力可以广泛应用到多个不同的应用领域；应用层是人工智能产业的延伸，将技术应用到具体行业，涵盖制造、交通、金融、医疗等18 个领域，其中医疗、交通、制造等领域的人工智能应用开发受到广泛关注。 （一)战略部署：大国角逐，布局各有侧重 全球范围内，中美“双雄并立”构成人工智能第一梯队，日本、英国、以色列和法国等发达国家乘胜追击，构成第二梯队。同时，在顶层设计上，多数国家强化人工智能战略布局，并将人工智能上升至国家战略，从政策、资本、需求三大方面为人工智能落地保驾护。后起之秀的中国，局部领域有所突破。中国人工智能起步较晚，发展之路几经沉浮。自2015 年以来，政府密集出台系列扶植政策，人工智能发展势头迅猛。由于初期我国政策侧重互联网领域，资金投向偏向终端市场。因此，相比美国产业布局，中国技术层（计算机视觉和语音识别）和应用层走在世界前端，但基础层核心领域（算法和硬件算力）比较薄弱，呈“头重脚轻”的态势。当前我国人工智能在国家战略层面上强调系统、综合布局。 1、美国引领人工智能前沿研究，布局慢热而强势。美国政府稍显迟缓，2019 年人工智能国家级战略（《美国人工智能倡议》）才姗姗来迟。但由于美国具有天时（5G 时代）地利（硅谷）人和（人才）的天然优势，其在人工智能的竞争中已处于全方位领先状态。总体来看，美国重点领域布局前沿而全面，尤其是在算法和芯片脑科学等领域布局超
人工智能_实验报告
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、实验组织运行要求 本实验采用集中授课形式，每个同学独立完成上述实验要求。
五、实验条件 每人一台计算机独立完成实验。 六、实验代码 Main.cpp #include //船 class Boat { public: static int c; int pastor;//牧师 int savage;//野人 Boat(int pastor, int savage); }; //河岸状态 class State
《人工智能基础》教学大纲(自考)
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-
人工智能项目可行性研究报告
人工智能项目可行性研究报告 泓域咨询 规划设计/投资分析/产业运营
摘要 培育人工智能产业生态，促进人工智能在经济社会重点领域推广应用，打造国际领先的技术体系。加快人工智能支撑体系建设。推动类脑研究等 基础理论和技术研究，加快基于人工智能的计算机视听觉、生物特征识别、新型人机交互、智能决策控制等应用技术研发和产业化，支持人工智能领 域的基础软硬件开发。加快视频、地图及行业应用数据等人工智能海量训 练资源库和基础资源服务公共平台建设，建设支撑大规模深度学习的新型 计算集群。鼓励领先企业或机构提供人工智能研发工具以及检验评测、创 业咨询、人才培养等创业创新服务。 随着我国新兴产业发展实力和创新能力的不断提升，创新发展模式也 在逐渐调整，对应的管理方式也亟待创新。近年来，我国战略性新兴产业 领域的创新明显越来越多地正在从模仿创新向自主创新转变，这就对我国 的管理体系提出了三方面的挑战：一是需要形成宽容失败的社会评价体系。自主创新的失败率远高于模仿创新，原有基于高成功率形成的科研、产业 化体系需要较大范围的调整。二是需要形成审慎的监管管理体系。面对全 新的技术、业态和发展模式，将不再有成熟的监管体系可以借鉴，如何做 到既不限制创新，又避免监管缺位，仍需要较多探索。三是需要进一步加 强知识产权保护，这是促进自主创新的核心要素。没有良好的知识产权保 护体系，就很难诞生有价值的创新成果。
该人工智能设备项目计划总投资14879.31万元，其中：固定资产 投资11537.80万元，占项目总投资的77.54%；流动资金3341.51万元，占项目总投资的22.46%。 本期项目达产年营业收入24650.00万元，总成本费用19215.11 万元，税金及附加273.89万元，利润总额5434.89万元，利税总额6458.42万元，税后净利润4076.17万元，达产年纳税总额2382.25万元；达产年投资利润率36.53%，投资利税率43.41%，投资回报率 27.39%，全部投资回收期5.15年，提供就业职位403个。 战略性新兴产业代表新一轮科技革命和产业变革的方向，是培育发展 新动能、获取未来竞争新优势的关键领域。“十三五”时期，要把战略性 新兴产业摆在经济社会发展更加突出的位置，大力构建现代产业新体系， 推动经济社会持续健康发展。 2018 年全球新兴产业有望继续获得科技巨头的青睐，成为拉动全球经 济增长的新动能，国内战略性新兴产业受国家政策和宏观经济环境影响， 支撑引领作用更加凸显，优势领域国际地位进一步提高，部分领域领先优 势得到进一步强化。但同时也要认真对待产业发展中存在的突出问题，如 产业发展环境尚不完善，关键材料和部件受制于人、产业低端重复建设， 以及行业管理水平有待提高等。
人工智能 遗传算法实验报告
人工智能实验报告 学号： 姓名： 实验名称：遗传算法 实验日期：2016.1.5
【实验名称】遗传算法 【实验目的】 掌握遗传算法的基本原理，熟悉遗传算法的运行机制，学会用遗传算法来求解问题。【实验原理】 遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。 遗传算法是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体。在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。 遗传算法程度流程图为：
【实验内容】 题目：已知f(x)=x*sin(x)+1，x ∈[0,2π],求f(x)的最大值和最小值。 数据结构： struct poptype { double gene[length];//染色体 double realnumber;//对应的实数x double fitness;//适应度 double rfitness;//相对适应度 double cfitness;//累计适应度 }; struct poptype population[popsize+1];//最后一位存放max/min struct poptype newpopulation[popsize+1];// 染色体编码： [0,2]x π∈，变量长度为2 π，取小数点后6位，由于2262322*102;π<< 因此，染色体由23位字节的二进制矢量表示，则X 与二进制串（）2之间的映射如下： () 222221 2 010 b b ......b 2'i i i b x =?? =?= ???∑;23 2'21x x π=- 适应度函数： 由于要求f(x)的最值,所以适应度函数即可为f(x)。但为了确保在轮赌法选择过中，每个个体都有被选中的可能性，因此需要将所有适应度调整为大于0的值。因此，设计求最大值的适应度函数如下： max ()5sin 6; eval f x x x =+=+ 将最小问题转化为求-f(x)的最大值，同理，设计最小值的适应度函数如下： min ()5sin 4;eval f x x x =-+=-+ 种群大小： 本实验默认为50，再进行种群初始化。 实验参数： 主要有迭代数，交叉概率，变异概率这三个参数。一般交叉概率在0.6-0.9范围内，变异概率在0.01-0.1范围内。可以通过手动输入进行调试。 主要代码如下： void initialize()//种群初始化 { srand(time(NULL));