人工智能及应用期末复习资料

考试：9周二晚7点，5下单选题15×2分推理问答题7×10分

人工智能复习资料

第二章

3、谓词★（预测大题：谓词的表示）

谓词逻辑法采用谓词合式公式和一阶谓词演算把要解决的问题变为一个有待证明的问题，然后采用消解定理和消解反演来证明一个新语句是从已知的正确语句导出的，从而证明这个新语句也是正确的。

谓词逻辑的组成：谓词符号、变量符号、函数符号和常量符号。

用谓词公式表示知识的一般步骤：

(1).定义谓词及个体，确定每个谓词及个体的确切含义

(2).根据所要表达的事物或概念，为每个谓词中的变元赋以特定的值。

(3).根据所要表达的知识的语义，用适当的连接符将各个谓词连接起来形成谓词公式。

二元语义网络（预测大题）

语义网络是一种结构化表示方法，它由节点和弧线或链线组成。节点用于表示物体、概念和状态，弧线用于表示节点间的关系。

（1）常用的类属关系有：

AKO(A-Kind-of):表示一个事物是另一个事物的一种类型。

AMO(A-Member-of):表示一个事物是另一个事物的成员。

ISA(Is-a):表示一个事物是另一个事物的实例。

（2）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，或说是部分与整体的关系。

（3）常用的属性的关系有：

Have：表示一个结点具有另一个结点所描述性。

Can：表示一个结点能做另一个结点的事情。·····

用语义网络表示知识的步骤：确定问题总所有对象和各对象的属性。确定所讨论对象间的关系。根据语义网络中所涉及的关系，对语义网络中的节点及弧进行整理，包括增加节点、弧和归并节点等。将各对象作为语义网络的一个节点，而各对象间的关系作为网络中各节点的弧，连接形成语义网络。

框架（预测大题）

框架是一种结构化表示方法。框架通常由指定事物各个方面的槽组成，每个槽拥有若干个侧面，而每个侧面又可拥有若干个值。

常用槽名：Part-of槽——用于指出部分和全体的关系。

ISA槽——用于指出对象间抽象概念上的类属关系。

AKO槽——用于具体地指出对象间的类属关系。

Instance槽——用来表示AKO槽的逆关系。

实例：“教师”的框架。

框架名：<教师>

类属：<知识分子>

工作：范围：（教学，科研）

缺省：教学

性别：（男，女）

学历：（中专，大学）

类别：（<小学教师>，<中学教师>，<大学教师>）

分析：框架名：“教师”

含有5个槽，槽名分别为：“类属”、“工作”、“性别”、“学历”和“类别”。槽名后面是其槽值。

槽值“<知识分子>”又是一个框架名。“范围”、“缺省”是槽“工作”的两个不同的侧面，其后是侧面值。

第三章

盲目搜索的两种方法和特点

广度优先搜索

一个简单的搜索策略，首先是扩展根节点，接着扩展根节点的所有后继，然后再扩展它们的后继，依此类推。

特点

（1）由于该种搜索方法总是在检查完N层的节点之后才转向N+1层的检查，因此，它总能找到最短路径解。

（2）广度优先算法中内存的需求是比执行时间消耗更大的问题。

（3）时间的需求仍然是主要因素。

深度优先搜索

一个简单的搜索策略，它总是扩展最新产生的（即最深的）节点，使得搜索沿着状态空间某一条单一的路径向下进行；只有当搜索到一个没有后继的状态时，它才考虑另一条替代路径。特点

（1）深度优先搜索算法是不完备的。

（2）深度优先搜索耗费的空间量是路径长度值的线性函数，OPEN在每一层只保留一个状态的子状态，如果图中每个状态平均有B个子状态，则搜索到图中第n层时要求B×n个状态的空间，有大量分支的图时会有相当高的效率。

（3）深度优先搜索可尽快进入底层，但会在深处迷失方向，找不到目标的最短路径或陷入到一个不通往目标的无限长的路径中。

启发式搜索的两种方法和特点

1、局部优先搜索法（瞎子爬山法）

瞎子爬山法只考虑当前节点与目标节点之间的关系，即启发式估价函数为：f(n)=h(n)

瞎子爬山法只选择邻居状态中状态最好的一个，而不事先考虑下一步向哪个方向走。该方法能很快地朝着解的方向进展，但常常会只找到局部最大值。

2、最好优先搜索法（有序搜索法）

最好优先搜索法也使用两张表来记录节点信息，在open表中保留所有已生成而未考察的节点；在Closed表中记录已访问过的节点。算法中有一步是根据某些启发信息，按节点距离目标状态的长度大小重排open表中的节点，这样，循环中的每一步只考虑open表中状态最好的节点，这就是最好优先搜索算法，又称有序搜索法。

最好优先搜索算法总是从open表中选取最“好”的状态进行扩展。但是，由于启发信息有时可能出错，故算法并不丢弃其他的状态而把它们保留在open表中，当某一个启发信息将搜索导向错误路径时，算法可以从open表中检索先前产生的“次最好”状态，并且考虑方向转向空间的另一部份。

消解原理★（预测大题：1、求解2、求证）

第五章

神经计算和遗传算法的结构（掌握）（预测简答：结构、特点、方法等等）

人工神经网络特性：

并行分布处理；非线性映射；通过训练进行学习；适应与集成；硬件实现。

人工神经网络结构：

神经网络的结构是由基本处理单元（神经元）及其互连方法决定的。

人工神经网络的结构基本上分为两类，即递归（反馈）网络和前馈网络。

递归网络：在递归网络中，多个神经元互连以组织一个互连神经网络。有些神经元的输出被反馈至同层或前层神经元，因此，信号能够从正向和反向流通。

前馈网络：前馈网络具有递阶分层结构，由一些同层神经元间不存在互连的层级组成。从输入层至输出层的信号通过单向连接流通；神经元从一层连接至下一层，不存在同层神经元间的连接。

人工神经网络的主要学习算法：

有师学习：能够根据期望的和实际的网络输出（对应于给定输入）之间的差来调整神经元间连接的强度或权。

无师学习：不需要知道期望输出。在训练过程中，只要向神经网络提供输入模式，神经网络就能够自动地适应连接权，以便按相似特征把输入模式分组聚焦。

强化学习：有师学习的特例。不需要老师给出目标输出，采用一个“评论员”来评价与给定输入相对应的神经网络输出的优度（质量因数）。

遗传算法：

其过程为：首先，在解空间中取一群点，作为遗传开始的第一代；每个点（基因）用一个二进制数字串表示，其优劣程度用一个目标函数——适应度函数来衡量。遗传算法最常用的编码方法是二进制编码。

简单遗传算法的遗传操作主要有三种：选择、交叉、变异。选择操作也叫做复制操作。遗传算法特点：

1、遗传算法是对参数集合的编码而非针对参数本身进行进化；

2、遗传算法是从问题解的编码组开始而非从单个解开始搜索；

3、遗传算法利用目标函数的适应度这一信息而非利用导数或其他辅助信息来指导搜

索；

4、遗传算法利用选择、交叉、变异等算子而不是利用确定性规则进行

随机操作。

遗传算法基本原理：

通过随机方式产生若干个所求解问题的数字编码，即染色体，形成初

始种群；通过适应度函数给每个个体一个数值评价，淘汰低适应度的个体，

选择高适应度的个体参加遗传操作，经过遗传操作后的个体集合形成下一

代新的种群。再对这个新种群进行下一轮进化。

简单遗传算法框图及求解步骤：