最新人工智能原理知识表示PPT课件
合集下载
人工智能(全套课件)
复苏期
21世纪初至今，随着计算机技术的飞速发展和大数据 时代的到来，人工智能再次焕发出勃勃生机。
4
技术原理及核心思想
2024/1/26
技术原理
人工智能的技术原理主要包括机器学习、深度学习、自然语 言处理、计算机视觉等。这些技术通过对大量数据进行学习 、分析和处理，使计算机能够模拟人类的智能行为。
核心思想
介绍蒙特卡洛方法的基本 原理，及其在强化学习中 的应用。
2024/1/26
蒙特卡洛树搜索
详细阐述蒙特卡洛树搜索 算法的原理、流程和实现 细节，包括选择、扩展、 模拟和回溯四个步骤。
算法优化
探讨针对蒙特卡洛树搜索 算法的改进和优化方法， 如UCT算法、RAVE算法等 。
21
遗传算法和蚁群优化算法
遗传算法
2024/1/26
22
06
知识图谱与推理技术
2024/1/26
23
知识表示和存储方式
2024/1/26
知识表示方法
包括基于逻辑、基于框架、基于 语义网等表示方法，用于描述现 实世界中的各种概念和关系。
知识存储方式
采用图数据库、关系数据库、 NoSQL数据库等存储方式，实现 知识的持久化和高效访问。
2024/1/26
16
目标检测与跟踪技术
2024/1/26
目标检测方法
介绍基于滑动窗口、区域提议网络（RPN）等目标检测方法。
目标跟踪方法
探讨基于相关滤波、深度学习等目标跟踪技术的原理和实现。
目标检测与跟踪应用
展示目标检测与跟踪在视频监控、自动驾驶等领域的应用案例。
17
三维重建与虚拟现实应用
三维重建技术
智能技术的健康发展。
21世纪初至今，随着计算机技术的飞速发展和大数据 时代的到来，人工智能再次焕发出勃勃生机。
4
技术原理及核心思想
2024/1/26
技术原理
人工智能的技术原理主要包括机器学习、深度学习、自然语 言处理、计算机视觉等。这些技术通过对大量数据进行学习 、分析和处理，使计算机能够模拟人类的智能行为。
核心思想
介绍蒙特卡洛方法的基本 原理，及其在强化学习中 的应用。
2024/1/26
蒙特卡洛树搜索
详细阐述蒙特卡洛树搜索 算法的原理、流程和实现 细节，包括选择、扩展、 模拟和回溯四个步骤。
算法优化
探讨针对蒙特卡洛树搜索 算法的改进和优化方法， 如UCT算法、RAVE算法等 。
21
遗传算法和蚁群优化算法
遗传算法
2024/1/26
22
06
知识图谱与推理技术
2024/1/26
23
知识表示和存储方式
2024/1/26
知识表示方法
包括基于逻辑、基于框架、基于 语义网等表示方法，用于描述现 实世界中的各种概念和关系。
知识存储方式
采用图数据库、关系数据库、 NoSQL数据库等存储方式，实现 知识的持久化和高效访问。
2024/1/26
16
目标检测与跟踪技术
2024/1/26
目标检测方法
介绍基于滑动窗口、区域提议网络（RPN）等目标检测方法。
目标跟踪方法
探讨基于相关滤波、深度学习等目标跟踪技术的原理和实现。
目标检测与跟踪应用
展示目标检测与跟踪在视频监控、自动驾驶等领域的应用案例。
17
三维重建与虚拟现实应用
三维重建技术
智能技术的健康发展。
人工智能PPT课件
2）泛化联系：用于表示一种类节点（如鸟）与更抽象 的类节点（如动物）之间的联系，用 AKO 表示。
• AKO: 偏序联系，可将问题领域中的所有类节点组织 成一个AKO层次网络。下图为动物分类系统中部分概 念的AKO联系描述。
动物
AKO 哺乳动物
AKO 鸟类动物
AKO 猎豹
AKO 老虎
AKO 长颈鹿
Artificia（l Icn）t同e2，2n2-2）
第一次分割 （2n2-1，2n2-3）
（a）原始问题
第2n2-2次分割 （2，0）
（b）同构问题
目标状态 （0，0）
（c）同态问题
Artificial Intelligence
3 知识表示的方法
• 产生式系统
–状态空间表示法 –问题归约表示法(与或图)
• 谓词逻辑表示法 • 语义网络 • 框架 • 其它
Artificial Intelligence
1) 语义网络
1 语义网络的概念和特性 是一种采用网络形式表示人类知识的方法. 形式: 是带标识的有向图.
节点: 表示物体、概念、事件、动作或态势; 有向弧(也带有标识): 节点之间的语义联系.
2 语义网络的知识表达
2.1 基本命题的语义网络表示 节点: 分为实例节点和类节点两种. 有向弧: 刻画节点之间的语义联系.
(1) 以个体为中心的语义联系 1）实例联系. 用于表示类节点与所属实例节点之间
的联系，标识为ISA。例如 “燕子是一只鸟”
燕子 ISA
鸟
Artificial Intelligence
初始状态 （2n2，2n2-2）
第一次分割 （2n2-1，2n2-3）
2.目标：（0，0）；
人工智能_知识表示ppt课件
D n { x 1 ,( x 2 ,,x n )|x 1 ,x 2 ,,x n D }
则称P是一个n元谓词，记为
P(x1,x2,…,xn)
其中，x1,x2,…,xn为个体，可以是个体常量、变元和函数。
例如：GREATER(x,6)
x大于6
STUDENT(wanghong )
王红是一名学生
TEACHER(father(zhang)) 张的父亲是一位教师
知识表示的要求（难度很大）
表示能力：能否正确、有效地将问题求解所需的各种知识表示出来
表示范围的广泛性
领域知识表示的高效性
对非确定性知识表示的支持程度
可利用性：利用这些知识进行推理，可以求得待解决问题的解
对推理的适应性：推理是根据已知事实利用知识导出结果的过程
对高效算法的支持程度：知识表示要有较高的处理效率
一阶谓词逻辑表示的逻辑基础 ----命题与真值
命题的定义： 断言：一个陈述句称为一个断言 命题：具有真假意义的断言成为命题
可以用大写字母表示命题，如：
A: 天在下雨。 B: 天晴 C: 人是会死的 D: 他在哭
命题的真值： T：表示命题的意义为真 F：表示命题的意义为假
表达单一意义的命题称为“原子命题”。 命题逻辑就是研究命题和命题之间关系的符号逻辑系统。
辖域：指位于量词后面的单个谓词或者用括弧括起来的合式公式
约束变元：辖域内与量词中同名的变元称为约束变元
自由变元：不受约束的变元称为自由变元
例子：(x)(P(x，y)→Q(x，y))VR(x，y)
其中，(P(x，y)→Q(x，y))是(x)的辖域
辖域内的变元x是受( x)约束的变元
R(x，y)中的x和所有的y都是自由变元
2024年度《人工智能介绍》PPT课件
技术与教育的融合问题
如何将AI技术与教育实践有效融合， 避免技术滥用和误用，是AI在教育领 域面临的挑战之一。
26
202感谢观看
2024/3/23
27
2024/3/23
6
2023 PART 02
机器学习技术
2024/3/23
REPORTING 7
监督学习原理及应用举例
• 监督学习原理：通过训练数据集学习出一个模型，该模型能够对新的输入数据做出预测或分类。训练数据集中的每个样本 都包含输入和对应的输出（标签），模型通过不断调整自身参数来最小化预测值与真实值之间的差异。
数据安全和保护措施不足 AI系统存储和处理大量敏感数据，如个人身份信息、健康 记录等，一旦数据泄露或被滥用，将对个人隐私造成严重 威胁。
隐私权和商业利益的平衡 在AI应用中，隐私权与商业利益之间往往存在冲突，如何 平衡二者关系，确保个人隐私得到尊重和保护，是一个亟 待解决的问题。
24
算法偏见和歧视现象剖析
声学模型
01
HMM、DNN、RNN、Transformer等
语言模型
02
N-gram、RNNLM、TransformerLM等
模型优化方法
03
模型融合、自适应训练、迁移学习等
21
多模态交互和智能语音助手设计
多模态交互
语音、文本、图像等多模态信息的融合和处理
智能语音助手设计
对话管理、自然语言理解、知识图谱等技术的应 用
数据偏见
由于训练数据本身存在偏见，导致AI算法在决策时也可能产生偏 见，如对某些人群的歧视或不公平待遇。
算法设计问题
算法设计过程中的主观性和不透明性可能导致算法偏见和歧视现 象的出现。
人工智能知识表示方法ppt课件
2024/2/15
2.2.2 谓词逻辑表示知识举例
例3
用谓词逻辑表示下列知识： 人人爱劳动。 自然数都是大于零的整数。 所有整数，不是偶数就是奇数。
第一步
定义谓词如下： MAN(x)：x是人 LOVE(x，y)：x爱y N(x): x是自然数 I(x):x是整数 E(x): x是偶数 O(x): x是奇数 GZ(x): x大于零
效率低,过程冗长 灵活性差，不确定知识
组合爆炸
优点
缺点
2024/2/15
返回
2.3 产生式表示法1943年由美国数学家Fra bibliotek.Post提出。
产生式知识 表示方法
它使用类似文法的规则。用该方法求解 问题时的思路与人类很相似。目前大部 分的专家系统都采用产生式系统的结构 来构建。
2024/2/15
产生式系统的组成
例1
张三是学生，李四也是学生。
第一步
定义谓词如下： ISStudent(x)：x是一个学生 张三是个体 李四也是个体
第二步
将个体代入谓词中，得到 ISStudent(张三)， ISStudent(李四)
第三步
根据语义，用逻辑连接符连接 ISStudent(张三) ∧ISStudent(李四)
2024/2/15
能否在同一层次上和不同层次上模块化
是否适于推理
知识和元知识能否用统一的形式表示
是否适于计算机处理
是否适合于加入启发信息
是否有高效的求解算法 能否表示不精确知识
过程性表示还是说明性表示 表示方法是否自然
2024/2/15
返回
2.2 一阶谓词逻辑表示法
一阶谓词逻 辑表示法
一种重要的知识表示方法，它以数理逻辑 为基础，是到目前为止能够表达人类思维 和推理的一种最精确的形式语言。它的表 现方式和人类自然语言非常接近，它能够 被计算机进行精确推理。
2.2.2 谓词逻辑表示知识举例
例3
用谓词逻辑表示下列知识： 人人爱劳动。 自然数都是大于零的整数。 所有整数，不是偶数就是奇数。
第一步
定义谓词如下： MAN(x)：x是人 LOVE(x，y)：x爱y N(x): x是自然数 I(x):x是整数 E(x): x是偶数 O(x): x是奇数 GZ(x): x大于零
效率低,过程冗长 灵活性差，不确定知识
组合爆炸
优点
缺点
2024/2/15
返回
2.3 产生式表示法1943年由美国数学家Fra bibliotek.Post提出。
产生式知识 表示方法
它使用类似文法的规则。用该方法求解 问题时的思路与人类很相似。目前大部 分的专家系统都采用产生式系统的结构 来构建。
2024/2/15
产生式系统的组成
例1
张三是学生，李四也是学生。
第一步
定义谓词如下： ISStudent(x)：x是一个学生 张三是个体 李四也是个体
第二步
将个体代入谓词中，得到 ISStudent(张三)， ISStudent(李四)
第三步
根据语义，用逻辑连接符连接 ISStudent(张三) ∧ISStudent(李四)
2024/2/15
能否在同一层次上和不同层次上模块化
是否适于推理
知识和元知识能否用统一的形式表示
是否适于计算机处理
是否适合于加入启发信息
是否有高效的求解算法 能否表示不精确知识
过程性表示还是说明性表示 表示方法是否自然
2024/2/15
返回
2.2 一阶谓词逻辑表示法
一阶谓词逻 辑表示法
一种重要的知识表示方法，它以数理逻辑 为基础，是到目前为止能够表达人类思维 和推理的一种最精确的形式语言。它的表 现方式和人类自然语言非常接近，它能够 被计算机进行精确推理。
人工智能(AI)原理及其应用PPT文档共 页
人工智能(AI)原理及其应用PPT文档共页人工智能（AI）原理及其应用人工智能（AI）是一门研究如何使计算机能够智能地执行任务的学科。
它涉及到模拟人类智能的各种方面，如学习、推理、问题解决、识别、感知、语言理解和决策制定等。
近年来，人工智能的发展迅猛，各个领域纷纷将其应用于实践中，带来了巨大的变革和突破。
一、人工智能的原理人工智能的核心原理包括机器学习、神经网络和深度学习等。
机器学习是AI中的重要分支，其基本思想是让计算机通过分析和理解数据来学习，并根据学习结果做出相应的决策。
神经网络是一种模拟人脑结构和功能的数学模型，它通过多个节点（也称为神经元）之间的连接和信息传递来实现模式识别和决策制定。
深度学习是一种基于神经网络的机器学习方法，它通过构建多个层次的神经网络，进行更加复杂和深入的学习和推理。
二、人工智能的应用领域1. 自然语言处理自然语言处理是人工智能的重要应用领域之一，主要研究计算机如何理解和处理自然语言的能力。
它包括语音识别、语音合成、机器翻译、自动问答和文本分类等内容。
例如，语音识别技术可以实现语音助手和智能家居等智能设备的控制，机器翻译技术可以实现不同语言之间的实时翻译。
2. 机器视觉机器视觉是指让计算机能够模拟人类视觉系统进行图像和视频的分析和理解。
它涉及到图像识别、目标检测、图像生成和图像处理等方面。
例如，人脸识别技术可以应用于身份验证和安全监控，无人驾驶技术可以实现智能汽车的自主导航和避障。
3. 智能机器人智能机器人是将人工智能技术应用于机器人领域，使机器人能够感知环境、学习和决策，并执行相应的任务。
智能机器人广泛应用于工业生产、医疗护理、军事作业和家庭服务等领域。
例如，工业机器人可以实现自动化生产线的操作和控制，医疗机器人可以在手术中辅助医生进行精确操作。
4. 增强现实和虚拟现实增强现实（AR）和虚拟现实（VR）是人工智能的前沿领域，它们通过模拟和扩展人类的感知能力，实现与虚拟世界的交互。
《人工智能应用概论》课件第2章-知识表示
5.信息到知识和图形数据库阶段 Quillian于1968年提出了语义网络（Semantic Network）的概念，在研究人类联想记忆时提出， 认为记忆是由概念之间的联系来实现的。Simmon于1970年正式提出语义网络，并论证了语义网 络与一阶谓词逻辑的关系，认为语义网络是一种以网格格式表达人类知识构造的形式，使用相 互连接的点和边来表示知识，节点表示对象、概念，边表示节点之间的关系
2 2.1.2知识的特征
特征
相对正确性—知识是人类对客观世界认识的结晶， 并且受到长期实践的检验。因此，在一定的条件 及环境下，知识是正确的。（看图识字）
不确定性—由于现实世界的复杂性，信息可能是精确
的，也可能是不精确的、模糊的；关联可能是确定的， 也可能是不确定的。（打雷一定下雨吗？）
2 2.1.2 知识的特征
2 2.2.1知识表示具体实现
系统规则库： R1: IF 有毛发 THEN 哺乳动物 R2: IF 分泌乳汁 THEN 哺乳动物 R3: IF 有羽毛 THEN 鸟类 R4: IF 会飞 AND 会下蛋 THEN 鸟类 R5: IF 吃肉 THEN 食肉动物 R6: IF 有犬齿 AND 有爪 AND 眼盯前方 THEN 食肉动物 R7: IF 哺乳动物 AND 有蹄 THEN 有蹄类动物 R8: IF 哺乳动物 AND 反刍动物 THEN 有蹄类动物 R9: IF 哺乳动物 AND 食肉动物 AND 黄褐色 AND 身上黑色斑点 THEN 金钱豹 R10: IF 哺乳动物 AND 食肉动物 AND 黄褐色 AND 身上黑色条纹 THEN 老虎 R11: IF 有蹄类动物 AND 长脖子 AND 长腿 AND 身上黑色斑点 THEN 长颈鹿 R12: IF 有蹄类动物 AND 身上黑色条纹 THEN 斑马 R13: IF 鸟类 AND 长脖子 AND 长腿 AND 不会飞 AND 黑白二色 THEN 鸵鸟 R14: IF 鸟类 AND 会游泳 AND 不会飞 AND 黑白二色 THEN 企鹅 R15: IF 鸟类 AND 会飞 THEN 信天翁
2 2.1.2知识的特征
特征
相对正确性—知识是人类对客观世界认识的结晶， 并且受到长期实践的检验。因此，在一定的条件 及环境下，知识是正确的。（看图识字）
不确定性—由于现实世界的复杂性，信息可能是精确
的，也可能是不精确的、模糊的；关联可能是确定的， 也可能是不确定的。（打雷一定下雨吗？）
2 2.1.2 知识的特征
2 2.2.1知识表示具体实现
系统规则库： R1: IF 有毛发 THEN 哺乳动物 R2: IF 分泌乳汁 THEN 哺乳动物 R3: IF 有羽毛 THEN 鸟类 R4: IF 会飞 AND 会下蛋 THEN 鸟类 R5: IF 吃肉 THEN 食肉动物 R6: IF 有犬齿 AND 有爪 AND 眼盯前方 THEN 食肉动物 R7: IF 哺乳动物 AND 有蹄 THEN 有蹄类动物 R8: IF 哺乳动物 AND 反刍动物 THEN 有蹄类动物 R9: IF 哺乳动物 AND 食肉动物 AND 黄褐色 AND 身上黑色斑点 THEN 金钱豹 R10: IF 哺乳动物 AND 食肉动物 AND 黄褐色 AND 身上黑色条纹 THEN 老虎 R11: IF 有蹄类动物 AND 长脖子 AND 长腿 AND 身上黑色斑点 THEN 长颈鹿 R12: IF 有蹄类动物 AND 身上黑色条纹 THEN 斑马 R13: IF 鸟类 AND 长脖子 AND 长腿 AND 不会飞 AND 黑白二色 THEN 鸵鸟 R14: IF 鸟类 AND 会游泳 AND 不会飞 AND 黑白二色 THEN 企鹅 R15: IF 鸟类 AND 会飞 THEN 信天翁
2024版人工智能概述ppt课件
02
AI系统如何做出决策往往缺乏透明度，难以解释和理解。
人工智能对就业的影响
03
自动化和智能化技术可能导致部分传统岗位的消失，引发就业
结构和社会经济问题。
隐私保护策略及实现方式
01
02
03
数据匿名化
通过去除或修改数据中的 个人标识符，保护用户隐 私。
差分隐私
在数据分析过程中引入随 机噪声，使得攻击者无法 推断出特定个体的信息。
在自然语言处理中，数据驱动方法通 过统计语言模型、深度学习等技术处 理海量文本数据，实现自然语言理解 和生成。
在机器学习领域，数据驱动思想体现 在通过大量数据训练模型，使模型自 动学习并改进。
知识表示和推理机制
知识表示是将现实世界中的知识转化为计算机可理解和处理的形式，如逻辑表示法、 语义网络、框架表示法等。
06
未来发展趋势与挑战
技术创新方向预测
深度学习
进一步探索神经网络结构与优化算法，提升 模型性能与泛化能力。
迁移学习
实现跨领域、跨任务的知识迁移，降低人工 智能应用门槛。
强化学习
研究更高效的探索与利用策略，拓展在复杂 决策问题中的应用。
自监督学习
利用无标签数据进行预训练，提升模型在少 样本或无监督任务中的表现。
计算机视觉技术及应用
计算机视觉定义
常见计算机视觉技术
研究如何让计算机从图像或视频中获取信息、 理解内容并作出决策的一门学科。
图像分类、目标检测、图像分割、人脸识别 等。
计算机视觉应用
发展趋势
智能安防、智能交通、医疗影像分析、工业 自动化等。
随着深度学习技术的不断发展，计算机视觉 技术的应用领域也在不断扩展，未来将有更 多的创新应用涌现。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
• 描述：设每个状态为(a1, a2, a3, …, an), ai=1, 2, 3—表示第i个盘子在第1/2/3根柱 子上
13
第2章 搜索技术
河内塔(2)ຫໍສະໝຸດ • 递归定义：{(a1, a2, a3, …, an)}为n阶河内 塔的状态集合，则{(a1, a2, a3, …, an, 1), (a1, a2, a3, …, an, 2), (a1, a2, a3, …, an, 3)} 是n+1阶河内塔的状态集合
• 目标测试
• 新向量是否是目标状态(也是向量形式)
• 路径耗散函数
• 每次移动代价为1
12
第2章 搜索技术
河内塔(1)
• 河内塔问题：n个大小不等的圆盘从一个 柱子移到另一个柱子，共有3个柱子(n阶 河内塔问题)
• 约束：从第1根柱子移动到第3根柱子上 去，利用第2根柱子 / 每次移动1个盘子， 且移动过程必须是小盘落大盘
• 可用如下形式的规则来表示数字通过空格进行 移动：<a1,a2,a3,a4,a5,a6,a7,a8,a9>→<b1,b2,b3, b4,b5,b6,b7,b8,b9>
• 共24条规则=4角*2+4边*3+1中间*4 • 搜索顺序举例：
(1)优先移动行数小的棋子(数字)
(2)同一行中优先移动列数大的棋子
(3 ,1 ,1 )
(2 ,1 ,1)
(3 ,2 ,1)
(2 ,3 ,1)
(2 ,2 ,1)
(2 ,2 ,3 )
(1 ,2 ,1) (1 ,3 ,1 )
(3 ,3 ,1) (3 ,3 ,2 )
(1 ,2 ,3) (1 ,3 ,3)
(2 ,3 ,2) (2 ,1 ,2)
(1 ,3 ,2 ) (2,3 ,2 )
8
第2章 搜索技术
2.1.2 问题实例
• 玩具问题
• 八数码游戏(九宫图) • 河内塔 • 八皇后问题 • 真空吸尘器世界
• 现实问题
• 旅行商问题 • 超大规模集成电路的布局 • 自动装配排序 / 蛋白质设计 • 互联网搜索
9
第2章 搜索技术
八数码游戏
• 八数码游戏：1-8数字(棋子)/9个方格(棋盘格)/1 个空格
• 约束规则：不使离开既定位置的数字数增加
10
第2章 搜索技术
八数码游戏的搜索树
既定位置=终态
B e gin
152
4
3
678
152 43
678
*1
2
453
678
*1 5 2 43 678
152
473
6
8
*
12 453 678
12 453 678
*
15 432 678
152 438 67
*1 2 3 45 678
412 53
678
*1
5
432
678
152
438
6
7
End
*
123
412
412
135
4
5
5
3
653
4
2
678
678
78
678
11
第2章 搜索技术
八数码问题形式化
• 初始状态
• 初始状态向量—规定向量中各分量对应的位 置，各位置上的初始数字
• 后继函数
• 移动规则—按照某条规则移动数字，将得到 的新向量
7
第2章 搜索技术
问题的可解性
• 可解的：在每个连通部分，每个弧代表 一个运算符，将状态改变 / 如果从代表
初始状态的节点出发，有一条路径通向
目标状态，则称此目标状态所代表的问
题在当前初始状态下是可解的
• 搜索空间：在解题过程中达到过的所有 状态的集合，称为搜索空间
• 不同于状态空间，搜索空间只是其中一部分 • 状态空间和搜索空间都属于过程性知识表示
人工智能原理知识表示
第2章 搜索技术
本章内容
2.1 搜索与问题求解 2.2 无信息搜索策略 2.3 启发式搜索策略 2.4 局部搜索算法 2.5 约束满足问题 2.6 博弈搜索 参考书目
附录 A*算法可采纳性的证明
第2章 搜索技术
2.1 搜索与问题求解
2.1.1 问题与问题的解 2.1.2 问题实例 2.1.3 搜索策略
6
第2章 搜索技术
状态空间
• 数据基：代表了所要解决的问题，有初 始状态，可能有目标状态也可能没有
• 状态空间：在解题过程中的每一时刻， 数据基都处于一定的状态，数据基所有 可能状态的集合称为状态空间
• 有向图：若把每个状态看成一个节点， 则整个状态空间是一个有向图 / 该图不 一定全连通，即从某些状态不一定能到 达另外一些状态
• 1阶河内塔有3个状态，2阶河内塔有9个 状态，n阶河内塔有3n个状态，给出1/2/
3阶河内塔的状态图
14
第2章 搜索技术
河内塔问题图解
(1)
(1 ,1)
(3 ,1 )
(2 ,1)
(3 ,2 )
(2 ,3)
(2)
(3)
(1 ,1 ,1 )
(2 ,2 ) (1 ,2 ) (1 ,3 ) (3 ,3 )
5
第2章 搜索技术
问题的解
• 问题的解就是初始状态到目标状态的路 径
• 解的优劣由路径耗散函数量度(代价)
• 最优解就是路径耗散函数值最小的路径
• 上述解题过程把解决一个问题的过程描 述出来，称之为解题知识的过程性表示
• 过程性知识与陈述性知识相对
• 搜索过程解题的特点—没有直接的方法 (公式)可以求解，而是一步一步的探索
4
第2章 搜索技术
2.1.1 问题与问题的解
• 问题可以形式化地定义为4个组成部分
• 智能体的初始状态(即搜索的开始) • 后继函数—智能体采取的可能行动的描述，
通常为<行动，后继状态> / 初始状态和后 继函数隐含地定义了问题的状态空间 / 状 态空间中的一条路径是通过行动序列连接起 来的一个状态序列 • 目标测试—检查给定的状态是不是目标 • 路径耗散函数—每条路径都有一个数值化的 耗散值，反映了性能度量 / 求解问题的代 价
15
(3 ,3 ,3 ) (2 ,3 ,3 ) (2 ,1 ,3) (1 ,1 ,3 ) (1 ,1 ,2) (3 ,1 ,2 ) (3 ,2 ,2 ) (2 ,2 ,2 )
第2章 搜索技术
河内塔问题形式化
• 初始状态
• 初始状态向量—规定向量中各分量对应所有 n个盘子，位置上数字代表3个柱子之一
第2章 搜索技术
搜索与问题求解
• 问题求解过程是搜索答案(目标)的过程 / 所以问题求解技术也叫搜索技术—通过 对状态空间的搜索而求解问题的技术
• 问题求解智能体是一种基于目标的智能体 • 在寻找到达目标的过程中，当智能体面对多
个未知的选项时，首先检验各个不同的导致 已知评价的状态的可能行动序列，然后选择 最佳序列—这个过程就是搜索
13
第2章 搜索技术
河内塔(2)ຫໍສະໝຸດ • 递归定义：{(a1, a2, a3, …, an)}为n阶河内 塔的状态集合，则{(a1, a2, a3, …, an, 1), (a1, a2, a3, …, an, 2), (a1, a2, a3, …, an, 3)} 是n+1阶河内塔的状态集合
• 目标测试
• 新向量是否是目标状态(也是向量形式)
• 路径耗散函数
• 每次移动代价为1
12
第2章 搜索技术
河内塔(1)
• 河内塔问题：n个大小不等的圆盘从一个 柱子移到另一个柱子，共有3个柱子(n阶 河内塔问题)
• 约束：从第1根柱子移动到第3根柱子上 去，利用第2根柱子 / 每次移动1个盘子， 且移动过程必须是小盘落大盘
• 可用如下形式的规则来表示数字通过空格进行 移动：<a1,a2,a3,a4,a5,a6,a7,a8,a9>→<b1,b2,b3, b4,b5,b6,b7,b8,b9>
• 共24条规则=4角*2+4边*3+1中间*4 • 搜索顺序举例：
(1)优先移动行数小的棋子(数字)
(2)同一行中优先移动列数大的棋子
(3 ,1 ,1 )
(2 ,1 ,1)
(3 ,2 ,1)
(2 ,3 ,1)
(2 ,2 ,1)
(2 ,2 ,3 )
(1 ,2 ,1) (1 ,3 ,1 )
(3 ,3 ,1) (3 ,3 ,2 )
(1 ,2 ,3) (1 ,3 ,3)
(2 ,3 ,2) (2 ,1 ,2)
(1 ,3 ,2 ) (2,3 ,2 )
8
第2章 搜索技术
2.1.2 问题实例
• 玩具问题
• 八数码游戏(九宫图) • 河内塔 • 八皇后问题 • 真空吸尘器世界
• 现实问题
• 旅行商问题 • 超大规模集成电路的布局 • 自动装配排序 / 蛋白质设计 • 互联网搜索
9
第2章 搜索技术
八数码游戏
• 八数码游戏：1-8数字(棋子)/9个方格(棋盘格)/1 个空格
• 约束规则：不使离开既定位置的数字数增加
10
第2章 搜索技术
八数码游戏的搜索树
既定位置=终态
B e gin
152
4
3
678
152 43
678
*1
2
453
678
*1 5 2 43 678
152
473
6
8
*
12 453 678
12 453 678
*
15 432 678
152 438 67
*1 2 3 45 678
412 53
678
*1
5
432
678
152
438
6
7
End
*
123
412
412
135
4
5
5
3
653
4
2
678
678
78
678
11
第2章 搜索技术
八数码问题形式化
• 初始状态
• 初始状态向量—规定向量中各分量对应的位 置，各位置上的初始数字
• 后继函数
• 移动规则—按照某条规则移动数字，将得到 的新向量
7
第2章 搜索技术
问题的可解性
• 可解的：在每个连通部分，每个弧代表 一个运算符，将状态改变 / 如果从代表
初始状态的节点出发，有一条路径通向
目标状态，则称此目标状态所代表的问
题在当前初始状态下是可解的
• 搜索空间：在解题过程中达到过的所有 状态的集合，称为搜索空间
• 不同于状态空间，搜索空间只是其中一部分 • 状态空间和搜索空间都属于过程性知识表示
人工智能原理知识表示
第2章 搜索技术
本章内容
2.1 搜索与问题求解 2.2 无信息搜索策略 2.3 启发式搜索策略 2.4 局部搜索算法 2.5 约束满足问题 2.6 博弈搜索 参考书目
附录 A*算法可采纳性的证明
第2章 搜索技术
2.1 搜索与问题求解
2.1.1 问题与问题的解 2.1.2 问题实例 2.1.3 搜索策略
6
第2章 搜索技术
状态空间
• 数据基：代表了所要解决的问题，有初 始状态，可能有目标状态也可能没有
• 状态空间：在解题过程中的每一时刻， 数据基都处于一定的状态，数据基所有 可能状态的集合称为状态空间
• 有向图：若把每个状态看成一个节点， 则整个状态空间是一个有向图 / 该图不 一定全连通，即从某些状态不一定能到 达另外一些状态
• 1阶河内塔有3个状态，2阶河内塔有9个 状态，n阶河内塔有3n个状态，给出1/2/
3阶河内塔的状态图
14
第2章 搜索技术
河内塔问题图解
(1)
(1 ,1)
(3 ,1 )
(2 ,1)
(3 ,2 )
(2 ,3)
(2)
(3)
(1 ,1 ,1 )
(2 ,2 ) (1 ,2 ) (1 ,3 ) (3 ,3 )
5
第2章 搜索技术
问题的解
• 问题的解就是初始状态到目标状态的路 径
• 解的优劣由路径耗散函数量度(代价)
• 最优解就是路径耗散函数值最小的路径
• 上述解题过程把解决一个问题的过程描 述出来，称之为解题知识的过程性表示
• 过程性知识与陈述性知识相对
• 搜索过程解题的特点—没有直接的方法 (公式)可以求解，而是一步一步的探索
4
第2章 搜索技术
2.1.1 问题与问题的解
• 问题可以形式化地定义为4个组成部分
• 智能体的初始状态(即搜索的开始) • 后继函数—智能体采取的可能行动的描述，
通常为<行动，后继状态> / 初始状态和后 继函数隐含地定义了问题的状态空间 / 状 态空间中的一条路径是通过行动序列连接起 来的一个状态序列 • 目标测试—检查给定的状态是不是目标 • 路径耗散函数—每条路径都有一个数值化的 耗散值，反映了性能度量 / 求解问题的代 价
15
(3 ,3 ,3 ) (2 ,3 ,3 ) (2 ,1 ,3) (1 ,1 ,3 ) (1 ,1 ,2) (3 ,1 ,2 ) (3 ,2 ,2 ) (2 ,2 ,2 )
第2章 搜索技术
河内塔问题形式化
• 初始状态
• 初始状态向量—规定向量中各分量对应所有 n个盘子，位置上数字代表3个柱子之一
第2章 搜索技术
搜索与问题求解
• 问题求解过程是搜索答案(目标)的过程 / 所以问题求解技术也叫搜索技术—通过 对状态空间的搜索而求解问题的技术
• 问题求解智能体是一种基于目标的智能体 • 在寻找到达目标的过程中，当智能体面对多
个未知的选项时，首先检验各个不同的导致 已知评价的状态的可能行动序列，然后选择 最佳序列—这个过程就是搜索