人工智能期末复习资料

-构成推理的两个要素为：已知事实（证据）和知识。

第四章不确定性推理方法

-不确定性分为：知识不确定性和证据不确定性。

-可信度是根据经验对一个事物或现象为真的相信程度。

-可信度带有较大的主观性和经验性，其准确性难以把握。

-由于相应证据的出现增加结论H为真的可信度，则CF(H,E)>0，证据的出现越支持H为真，就使CF(H,E)的值越大；反之，CF(H,E)<0，证据的出现越是支持H为假，CF（H,E）的值就越小。

若证据的出现与否与H无关，则CF(H,E)=0。

-静态强度CF(H,E)：知识的强度，即当E所对应的证据为真时对H的影响程度；动态强度CF(E)：证据E当前的不确定性程度。

-概率分配函数与概率不同。

-模糊性：客观事实在性态与类属方面的不分明性。

-模糊集合完全由其隶属函数确定，即一个模糊集合与其隶属函数是等价的。

-模糊推理控制系统的功能结构：（输入）->模糊化->模糊规则库->推理方法->去模糊化（输出）

-模糊控制系统的核心是：模糊控制器。

-不确定性及其类型？

1.不确定性；

2.不确切性；

3.不完全性；

4.不一致性；

-在确定一种度量方法及其范围时，应当注意到哪几点？

1.度量要能充分表达相应知识及证据的不确定性程度；

2.度量范围的指定要便于领域专家及用户对不确定性的估计；

3.度量要便于对不确定性的传递进行计算，而且对结论算出的不确定性度量不能超出度量规定的范围；

4.度量的确定应当是直观的，同时要有相应的理论依据

-经典概率方法与逆概率方法的比较

经典概率方法的缺点：用于简单的不确定推理，只考虑了证据的“真”“假”情况；逆概率方法优点：较强的理论背景和良好的数学特征，当证据和结论都彼此独立时计算的复杂度较低；缺点：要求给出结论Hi的先验概率和证据的条件概率；

-主观Bayes方法的优缺点

优点：1.具有较坚强的理论基础；

2.知识的静态强度LS与LN是由领域专家根据实践经验得出的，推出的结论有较准确的确定性；

3.主观Bayes方法是一种比较实用且灵活的不确定性推理方法；

缺点：1.要求领域专家给出知识时同时给出H的先验概率；

2.Bayes定理中关于事件独立性的要求使此方法的应用受到了限制。

-求先验概率的方法主要包括：

1.根据大量实验样本分布得出的实验概率；

2.利用等可能性事件概率相等的原则得出古典概率；

3.基于人的主观感觉得出的主观概率。

第五章搜索求解策略

-搜索方向分为：数据驱动、目的驱动、双向搜索。

-只能按照预先规定的搜索控制策略进行搜索，没有任何中间信息来改变这些控制策略的搜索叫：盲目的图搜索策略。

-常用的盲目的图搜索策略方法有：广度优先搜索和深度优先搜索以及这两种搜索方法的改良方法。

-盲目的图搜索策略具有盲目性，效率不高，不便于复杂问题的求解。

-先扩展搜索树的当前边缘中最深的节点的搜索方法是：深度优先搜索。

-深度有限搜索：预先设定一个搜索深度l，缺点：增加了算法的不完备性。

-借助问题的特定知识来帮助选择搜索方向叫做启发式搜索，也称为有信息搜索。-在启发式搜索中估价函数是搜索成败的关键。

-贪婪搜索既不是完备的，也不是最优的。

-A*算法也具有完备性和最优性。（当h(n)<= h*(n) 时）

-遗传算法中，适应度函数值越大，解的质量越好。

-搜索过程中需要解决哪几个基本问题？

1.是否一定能找到一个解；

2.找到的解是否是最佳解；

3.时间与空间复杂性如何；

4.是否终止运行或是否会陷入一个死循环。

-宽度优先搜索的优缺点？

优点：1.完备性：如果问题有解，广度优先搜索总能够在有限步内找到目标节点；

2. 最优性：在不考虑路径成本的前提下，广度优先搜索总能够找到最浅的目标节点；缺点：遍历各个节点，搜索效率差，消耗大量内存和时间。

-深度优先搜索的优缺点？

优点：对内存需求比较少，如果一个节点的全部后代都被完全探索过，那么这个节点和它的全部后继都可以从内存(open表和closed表)中删掉了；

缺点：不完备，也不最优。

-回溯搜索策略与深度优先搜索的区别？

扩展一个节点时，每次只产生一个后继节点，而不是全部后继；

回溯策略只保存单一的解路径，占用内存空间很少，只需要一张表即可完成搜索。

-盲目搜索的算法评判？

(1)完备性

(2)最优性

(3)时间复杂度

(4)空间复杂度

(5)外显率：P=L/T

(6) 有效分枝因数

-遗传算法的特点？

遗传算法是一种成功的自适应方法，具有很好的健壮性，易于并处理；

遗传算法长于全局搜索, 它不受搜索空间的限制性假设的约束, 能以很大的概率从离散的、多极值的、含有噪声的复杂问题中找到全局最优解。

遗传欺骗：在遗传算法进化过程中，有时会产生一些超常的个体，因竞争力太突出而控制了选择运算过程，从而影响算法的全局优化性能，导致算法获得某个局部最优解。

第六章进化算法及其应用

-进化算法主要通过选择、重组和变异这三种操作实现优化问题的求解。

-进化算法是一个“算法簇”，包括遗传算法(GA)、遗传规划、进化策略和进化规划等。

-进化算法的基本框架是遗传算法所描述的框架。

-遗传算法的五个基本要素？

1.参数编码；

2.初始群体的设定；

3.适应度函数的设计；

4.遗传操作设计；

5.控制参数设定。

-编码

1.位串编码：（1）二进制编码（2）Gray编码。

2.实数编码。

-个体选择概率分配方法：

1.适应度比例方法；

2.排序方法（线性排序与非线性排序）

-选择个体方法：

1.转盘赌选择；

2.竞标赛选择；3……选择；4.Boltzmann锦标赛选择；5.最佳个体保存方法。

-基本的交叉算子

1.一点交叉；

2.二点交叉；

3.均匀交叉（一致交叉）

-实数编码的交叉方法

1.离散交叉；

2.算术交叉；