人工智能

《人工智能基础》复习1、人工智能研究的对象、内容、特点、难点；人工智能研究的对象是：知识研究如何制造出人造的智能机器或系统，来模拟人类智能活动的能力，以延伸人们智能的科学。

人工智能研究的内容搜索技术知识表示规划方法机器学习认知科学人工智能研究的特点 1.人工智能是一门知识的科学。

以知识为对象，研究知识的获取，表示和使用。

2.人工智能的系统过程是，数据处理->知识处理，数据->符号。

符号表示的知识而不是数值、数据。

3.问题求解过程有启发，有推导人工智能难点：缺乏知识，缺乏人类在几千年的文明史上积累起来的知识，实现智能需要丰富的知识，而最难对付的知识是常识2、知识表示：什么是语义网络、怎么表示、术语解释；知识表示就是知识的符号化和形式化的过程，是研究用机器表示知识的可行性、有效性的一般方法，是一种数据结构与控制结构的统一体，既考虑知识的存储又考虑知识的使用。

知识表示可以看成是一组描述事物的约定，以把人类知识表示成机器能处理的数据结构。

语义网络是知识的一种图解表示。

用描述事物之间关系的有向图的方式来表示知识就是语义网络。

语义网络特别擅长表示关系型的知识。

语义网络的表示：有向图中的节点代表事物、概念、情况、属性、状态、事件、动作等；节点的有向弧代表节点间的关系。

从结构上看，语义网络一般式由一些最基本的语义单元组成的。

通常由语法、结构、过程和语义4部分组成。

这些最基本的语义单元被称为语义基元，用三元组表示：（结点1，弧，结点2）表示包含关系包含关系也称为聚类关系，是指具有组织或结构特征的“部分与整体”之间的关系。

它和类属关系的最主要的区别就是包含关系一般不具备属性的继承性。

常用的包含关系的有：Part_of:表示一个事物是另一个事物的一部分属性关系表示对象的属性及其属性值之间的关系，通常弧上的标签为属性的名称。

Have：表示一个结点具有另一个结点所描述的属性Can：表示一个结点能做另一个结点的事情产生式系统，产生式系统的三要素及其产生式规则；产生式系统是用来描述若干个不同的以产生式规则或产生式条件及其操作对为基础、相互配合、协同作用的系统。

产生式系统是指一种基于产生式规则表示的知识系统产生式系统：产生式系统组成三要素: 动态数据库、规则库、推理机。

⏹动态数据库：又称全局数据库、综合数据库、工作存储器、上下文、黑板等，用来存放初始事实数据、中间结果和最终结果。

⏹规则库：是产生式规则的集合，用于描述应用领域的常识和启发式知识；⏹推理机：又叫控制系统、执行机构等，它驱动和控制整个系统的运行，负责产生式规则的前件的匹配测试、规则的调度与选取、规则体的解释和执行；产生式系统的产生式规则：–前件 后件–其中规则的前件为前提，具体形式可以是谓词公式、关系表达式和真值函数的任意与、或、非组合；–而规则的后件则表示规则激活时应该执行的动作或应该得出的结论3、搜索策略：A算法中f的意义、f(x)表示从初始节点经过节点x到达目标节点的最优路径的代价估价值,其作用是用来评估OPEN表中各节点的重要性,决定其次序A算法中f的意义：A算法中定义一个评价函数f，对当前的搜索状态进行评估，找出一个最有希望的节点来扩展。

评价函数f(x)为从初始结点s0出发，约束的经过结点x到达目标结点sg的所有路径中最小路径的估计值。

评价函数的格式：f(n) = g(n) + h(n)A*算法在八数码问题中的应用、h1(n) = “不在位”的将牌数h2(n) = 将牌“不在位”的距离和极小 -- 极大法、•首先生成博弈树•对底层节点进行评价•用大小值法进行回溯4、回溯策略与深度优先策略的差异、深度优先搜索：保留所有已经搜索过的路径。

回溯搜索：只保留从初始状态到当前状态的一条路径。

5、α-β剪枝搜索的过程。

α-β剪枝技术的基本思想或算法是，边生成博弈树边计算评估各节点的倒推值，并且根据评估出的倒推值范围，及时停止扩展那些已无必要再扩展的子节点，即相当于剪去了博弈树上的一些分枝，从而节约了机器开销，提高了搜索效率。

α-β剪枝方法：1.从左到右，由下到上扩展2.先求出最左边的一个评价值，把它作为界值，作为α或β值（根据层数）3.再往右依次求出评价值，若发现劣于界值，则剪枝，反之，修改界值4.最后求出V值6、ch4谓词逻辑中归结原理：归结法证明的方法：原命题求反后归结出“空”的矛盾：如何化子句集；化skolem子句形；（教材中归结举例）。

基于规则的正向演绎系统、基于规则的逆向演绎系统事实表达式、目标的形式；其规则形式。

归结原理：归结原理是一种定理证明方法，1965年由Robinson提出，从理论上解决了定理证明问题。

归结原理的提出，对机器定理的证明问题起到了很大的推动作用。

归结反驳：1通过将要证明的命题取反，并将此取反后的目标加入到已知为真的公理集合中来证明定理。

2 然后使用推理的归结规则说明这将导致矛盾。

如果定理证明程序说明目标的反与给定的公理集合不一致，那么就证明原来的目标是一致的。

这样就证明了定理。

归结原理定理：若S是合式公式F的子句集，则F永假的充要条件是S不可满足。

S不可满足：若nil∈S，则S不可满足。

证明的思路：目标的否定连同已知条件一起，化为子句集，并给出一种变换的方法，使得S →S1 →S2 →... →Sn同时保证当Sn不可满足时，有S不可满足。

（课本）（１）设给定谓词公式G对应的子句为S，当且仅当S是不可满足的，G也是不可满足的。

（２）子句集S是不可满足的，当且仅当存在一个使用归结推理方法从S到空子句的推理过程。

归结法的证明方法：先把问题转化为对公式S->L（S为求解问题对应的公式集，L为求解目标）的证明，然后通过下述归结反向推理过程完成证明：（１）否定L,得～L；（２）把～L添加到S中，得新集合S，～L；（３）把S，～L化为子句集；（４）重复归结过程，直至导出一个表示矛盾的空子句。

化子句集的方法：例：(∃z) (∀x)(∃y){[(P(x) ∨Q(x)) →R(y)] ∨U(z)}1, 消蕴涵符理论根据：a →b => ~a ∨b(∃z) (∀x)(∃y){[~(P(x) ∨Q(x)) ∨ R(y)] ∨U(z)}2, 移动否定符理论根据：~(a ∨b) => ~a ∧~b~(a ∧b) => ~a ∨~b~(∃x)P(x)=>(∀x)~P(x)~(∀x)P(x)=>(∃x)~P(x)(∃z) (∀x)(∃y){[(~P(x) ∧~Q(x)) ∨ R(y)] ∨U(z)}3, 变量标准化即：对于不同的约束，对应于不同的变量(∃x)A(x) ∨ (∃x)B(x) => (∃x)A(x) ∨ (∃y)B(y)4, 量词左移(∃x)A(x) ∨ (∃y)B(y) => (∃x) (∃y) {A(x) ∨ B(y)}5, 消存在量词(skolem化）原则：对于一个受存在量词约束的变量，如果他不受全程量词约束，则该变量用一个常量代替，如果他受全程量词约束，则该变量用一个函数代替。

(∃z) (∀x)(∃y){[(~P(x) ∧~Q(x)) ∨ R(y)] ∨U(z)}=> (∀x) {[(~P(x) ∧~Q(x)) ∨ R(f(x))] ∨U(a)}6, 化为合取范式即(a∨b) ∧ (c∨d) ∧ (e∨f)的形式(∀x){[(~P(x) ∧~Q(x)) ∨ R(f(x))]∨U(a)}=> (∀x){(~P(x) ∧~Q(x)) ∨[ R(f(x))∨U(a) ]}=> (∀x){[~P(x) ∨ R(f(x))∨U(a)] ∧[~Q(x))∨ R(f(x))∨U(a)]}7, 隐去全程量词{[~P(x) ∨ R(f(x))∨U(a)] ∧[~Q(x))∨ R(f(x))∨U(a)]}8, 表示为子句集{~P(x) ∨ R(f(x))∨U(a) , ~Q(x))∨ R(f(x))∨U(a)}9, 变量标准化（变量换名）{~P(x1) ∨ R(f(x1))∨U(a), ~Q(x2))∨ R(f(x2))∨U(a)}正向演绎系统是从事实表达式出发，通过正向匹配应用规则进行推理，直到推出目标表达式。

演绎过程是把事实表达式化为与或形表示，并按规定的与或关系表示成与或树形式来进行。

基于规则的正向演绎系统:从事实出发，正向使用规则对事实表达式的与或图进行变换，直到找到一个含有目标节点的一致解图为止。

逆向演绎系统是从目标表达式出发，通过逆向匹配应用规则进行推理，直到推出事实表达式。

演绎过程是把目标表达式化为与或形表示，其与或关系是正向系统的对偶形式，其他过程类同。

正向演绎系统的规则形式L → W其中，L是单文字，W是与或形。

这个蕴涵式中的所有变量都假定有全称量词的约束，并且变量已经换名，使之与事实公式或其他规则公式中的变量区别开来。

(L1VL2) →W 则变换为：L1→ W 和L1→ W逆向演绎系统的规则形式L → W, 其中W为单文字，如形为：L→ W1 ∧W2，则变换为：L→ W1 和L→ W2Skolem化：1、消去存在量词2、变量受全称量词约束3、对主合取元中的变量换名“对偶形”的Skolem化：1、消去全称量词2、变量受存在量词约束3、对主析取元中的变量换名正、逆向系统对比第6题不确定性推理方法（三种）的特点是什么？它是指那种建立在不确定性知识和证据的基础上的推理。

它实际上是一种从不确定的初始证据出发，通过运用不确定性知识，最终推出既保持一定程度的不确定性，又是合理和基本合理的结论的推理过程。

第一、确定性方法（可信度方法）以产生式作为知识表示方法的专家系统MYCIN中，第一次使用了不确定性推理方法，给出了以确定性因子或称可信度作为不确定性的度量。

这种方法在理论上实质是以定量法为工具，比较法为原则的相对确认理论。

确定性方法的宗旨不是理论上的严密性，而是处理问题的可用性。

不可一成不变地用于任何领域，甚至也不能适用于所有科学领域。

推广至一个新领域时必须根据具体情况修改。

第二、主观bayes方法将主观Bayes方法应用于地矿勘探系统PROSPECTOR中。

方法引入了两个数值（LS，LN），前者体现规则成立的充分性，后者则表现了规则成立的必要性，这种表示既考虑了事件A的出现对其结果B的支持，又考虑了A的不出现对B的影响。

思路：先定好应该怎么办，再凑公式。

主要是避开P（A|B）的计算。

对规则A→B的不确定性度量f（B，A）以因子（LS，LN）来描述：出现对B的影响。

优点：计算方法直观、明了。

缺点：要求B j相互无关（实际不可能）。

P（A|B'）与P（B i）很难计算。

应用困难。

第三、证据理论（D-S Theory）证据理论中引入了信任函数，它满足概率论弱公理。