人工智能人工智能基础考试大纲.docx

人工智能人工智能基础考试大纲.docx

《人工智能人工智能基础考试大纲.docx》由会员分享，可在线阅读，更多相关《人工智能人工智能基础考试大纲.docx（33页珍藏版）》请在冰豆网上搜索。

人工智能人工智能基础考试大纲

七

考试大纲

20XX年XX月

人工智能基础（8017）考试大纲

壹、课程性质和设置目的

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，于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壹门必修课程，本课程中涉及的理论、原理、方法和技术有助于学生进壹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，以及进行关联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壹门学科。

通过对本课程的学习，学生应掌握人工智能的壹个问题和三大技术，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：

学生于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；于理解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、博弈数的极大一极小法、

a—3剪枝技术）完成问题求解；且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，学生仍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。

学生仍应认识机器学习对于智能软件研制的重要性，掌握机器学习的关联概念，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）本课程和关联课程的联系、分工或区别

和本课程关联的课程有：

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壹。

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。

本课程涉及到许多算法设计（尤其是问题求解），算法分析中的算法的可计算性和计算复杂性、算法的可纳性等理论作为本课程中搜索算法的理论支撑。

数值分析中的曲线插值方法要于本课程中仅作为数学工具进行使用，本课程且不象数值分析课程那样去介绍方法的理论。

于本课程中，研究问题求解方法需要从算法到代码的转换，而这种转换的工具是程序设计语言，所以本课程要求学生已经掌握了这方面的知识。

课程内容和考核目标

第一章绪论

一）学习目的和要求

本章内容是本课程的导论。

本章的重点是：

人工智能研究目标、研究内容、研究的途径（方

法）、研究的领域等内容。

通过对本章的学习，学生应

理解什么是智能、深刻理解什么是人

工智能、人工智能研究的目标（近期目标和长远目标）、人工智能研究的内容、人工智能研究的途径，要了解人工智能研究的历史和研究领域的大致情况（不少于八个领域）。

同时，学生要掌握图灵测试的过程。

二）课程内容

第壹节人工智能简介

1、什么是人工智能：

学者们从不同的研究角度对人工智能有多种不同的定义，于这些定义中学生应掌握其定义的实质。

2、人工智能研究的对象是知识

3、人工智能研究概括为壹大问题和三大技术

4、关于智能的定义

5、图灵测试

6、D.B.Lenat和E.A.Fengenbaum的知识阈Nilsson的物理符号假设

7、日本渡边慧的定义

第二节人工智能研究途径

1、以思维理论和认知心理学基础的符号主义学派基本思想

2、符号主义学派的代表人物

3、以阈值理论为基础的联结主义学派基本思想

4、联结主义（神经网络）研究不存于符号运算

5、联结主义研究的历史

6、联结主义研究的代表任务

7、以进化理论为基础的行为主义学派基本思想

8、行为主义学派的代表人物

第三节人工智能研究的目标

1、人工智能近期研究目标

2、人工智能远期研究目标

第四节人工智能研究的内容

1、机器感知

2、机器思维

3、机器学习

4、机器行为

5、智能系统及智能计算机的构造技术

第五节人工智能研究领域

3、

自然语言理解（NaturallangrageUnderstanding

4、

专家系统（ExpertSystem）

5、

机器学习（MachineLearning）

6、

自动定理证明（AutomaticTheoremProving）

7、

自动程序设计（AutomaticProgramming）

8、

机器人学（Robots）

9、

博弈（Game）

10、智能决策支持系统（IntelligentDecisionSupportSystem

11

、人工神经网络（Artificialnaturalnetworks）

第六节人工智能研究的历史回顾及进展

1、

2、

对人工智能起到奠基作用的几项工作

人工智能诞生的时间和地点

3、

4、

1957年纽厄尔、西慕的GPS

1960年麦卡锡的LISP语言

1964年鲁宾逊的归结原理

70年代的专家系统黄金时代（1977年费根鲍母提出知识工程概念）

1987年ComputationalIntelligence杂志发表“纯粹理性批判”的论文，次年又发表“计算机理解质疑”，开展了对人工智能发展的理性辩论

8、1991年ArtificialIntelligence杂志发表了人工智能基础专集，著名专家们对人工智

能基础性假设进行了辩论。

5、

6、

7、

（三）考核知识点

1、人工智能定义

2、人工智能研究的对象

3、图灵测试

4、人工智能研究的三大途径

5、人工智能研究的近期目标和远期目标

6、人工智能研究的五大内容

7、人工智能研究的主要领域

四）考核要求

1、人工智能定义

1）识记：

人工智能的通常定义

2）领会：

人工智能的其他定义

2、人工智能研究的对象

1）识记：

人工智能研究的对象是知识

2）领会：

和计算机科学其他学科的区别

3）简单应用：

知识+推理=智能程序；数据+算法=程序

3、图灵测试

1）识记：

图灵测试过程的描述

2）领会：

图灵测试是判断机器是否是智能机的壹个标准

4、人工智能研究的三大途径

1）

识记：

人工智能研究的三种途径

2）

领会：

每种研究途径的理论基础和基本思想

4）

简单应用：

结合系统的研制，举例说明各个研究途径的实施方法

综合应用：

结合机器人的研制，说明三种研究方法于其中的应用

5、人工智能研究的近期目标和远期目标

1）识记：

人工智能研究的近期目标和远期目标的内容2）领会：

为什么近期目标只能是研制模拟人思维的智能程序

6、人工智能研究的五大内容

1）识记：

人工智能研究的五个内容2）领会：

每种研究内容的理论基础和基本方法3）简单应用：

利用机器学习的概念，判断程序是否是智能程序

7、人工智能研究的主要领域

1）识记：

至少记忆人工智能研究的八个领域

2）领会：

每个研究领域的研究内容、基本方法以及应用

第二章问题求解的基本原理

壹）学习目的和要求

本章讨论问题求解的基本原理和基本方法，它直接关系到智能系统的性能和效率，因而它是本课程的重点章节。

本章的重点知识有：

知识的状态空间表示法、盲目搜索的宽度优先

和深度优先法、启发式搜索的估价函数、和/或树、A算法和A*算法、博弈树的a

法。

通过对本章的学习，学生应掌握状态及状态空间表示问题的几种主要方法（矩阵法、多元组法、树/图法等），掌握问题通过等价变换和分解，分别形成或节点和和节点以及节点的可解性；掌握搜索的各种算法；掌握启发函数的含义且能根据问题实际正确构造估价函数；理解OPEN表和CLOSED表的作用及其特点；深刻理解博弈树节点a值和B值的意义和其倒推值的计算，且掌握a-3剪枝技术。

二）课程内容

第壹节基本概念

1、什么是搜索：

搜索分为盲目搜索和启发式搜索

2、状态空间表示法：

由状态和算法表示慰问体的壹种方法

3、和/或树表示法：

分解、等价变换、本原问题、节点的可解性

第二节状态空间搜索策略

1、状态空间的壹般搜索过程

OPEN表：

用来存放刚生成的节点

CLOSED表：

用来存放将要扩展或者已扩展的节点

2、宽度优先搜索策略

3、深度优先搜索策略

4、有界的深度优先搜索策略

5、代价树的宽度优先搜索策略

6、代价树的深度优先搜索策略

第三节启发式搜索

1、启发信息和启发函数2、局部择优搜索3、全局择优搜索4、A*算法

第四节和/或树的搜索策略

1、和/或树的壹般搜索过程2、和/或树的宽度优先搜索3、和/或树的深度优先搜索4、和/或树的有序搜索

第五节博弈树

1、博弈树的启发式搜索

2、极大极小法

3、

a-3剪枝技术

（三）考核知识点

1、状态空间搜索的基本概念2、宽度优先搜索算法的基本思想3、深度优先搜索算法的基本思想4、有界的深度优先搜索算法的基本思想

5、代价树的宽度优先搜索的基本思想6、代价树的深度优先搜索的基本思想7、启发式搜索8、和/或树的有序搜索的基本思想

四）考核要求

1、状态空间搜索的基本概念

1）识记：

状态、状态空间的定义；本原问题、可解节点、不可解节点、解树的定义

2）领会：

节点的等价变换和分解

1）简单应用：

对应用问题构造状态空间（树）

2、宽度优先搜索算法的基本思想

1）识记：

盲目搜索和启发式搜索的区别宽度优先搜索算法的描述

2）领会：

宽度优先搜索算法OPEN表的数据结构是队列宽度优先搜索算法的优缺点

3）简单应用：

宽度优先搜索算法的程序设计

4）综合应用：

八数码问题的宽度优先搜索

3、深度优先搜索算法的基本思想

1）识记：

深度优先搜索算法的描述

2）领会：

深度优先搜索算法OPEN表的数据结构是堆栈深度优先搜索算法的优缺点

3）简单应用：

深度优先搜索算法的程序设计

4）综合应用：

黑白将牌问题的深度优先搜索

4、有界的深度优先搜索算法的基本思想

1）

识记：

有界的深度优先搜索算法描述

状态空间节点的深度定义

2）

领会：

有界的深度优先搜索和深度优先搜索的区别

简单应用：

有界的深度优先搜索算法的程序设计

4）

综合应用：

三阶汉诺塔问题的有界的深度优先搜索

5、代价树的宽度优先搜索的基本思想

1）识记：

代价树的概念：

代价树的宽度优先搜索的算法描述

2）领会：

代价树的宽度优先搜索仍然是壹种盲目搜索方法

于OPEN表中全部节点按代价从小到大排序

3）简单应用：

代价树的宽度优先搜索算法的程序设计

6、代价树的深度优先搜索的基本思想

1）识记：

代价树的深度优先搜索的算法描述

2）领会：

代价树的深度优先搜索和代价树的宽度优先搜索

扩展的子节点按代价从小到大排序，且存放于

OPEN表的首部

3）简单应用：

代价树的深度优先搜索算法的程序设计

7、启发式搜索

1）识记：

启发性信息和估价函数：

估价函数各项的物理意义

2）领会：

估价函数各项的物理意义

局部择优搜索和全局择优的基本思想

A*算法的基本思想

3）简单应用：

写出黑白将牌问题的估价函数4）综合应用：

八数码问题的局部择优和全局择优算法

8、和/或树的有序搜索的基本思想

1）识记：

和/或树的有序搜索的壹般过程

和/或树的有序搜索的宽度优先算法和/或树的有序搜索的深度优先算法和/或树的有序搜索的有序搜索算法博弈树的启发式搜索算法

2）领会：

博弈树的假设条件

大极小法

a-3剪枝技术

（3）简单应用：

节点的a值、3值的计算；a-3剪枝技术的应用

（4）综合应用：

博弈树中各节点倒推值的计算以及a

-3剪枝的应用

第三章知识和知识表示

壹）学习目的和要求

人类的智能活动过程主要是壹个获取知识和应用知识的过程。

因而，知识表示构成了人

掌握人们社会活动和科学

工智能的壹种重要技术，它是研究知识和智能系统的基础。

本章的重点知识有：

关于知识的概念以及特征；知识表示的主要模式。

通过对本章的学习，学生应

研究中的知识表示的形态，知识的特征和知识的分类。

掌握壹阶谓词逻辑的知识表示、产生

理解脚本的知识表示法、

式系统的知识表示、框架的知识表示法、语义网络的知识表示法。

Petri网的知识表示法和面向对象的知识表示法。

二）课程内容

第壹节基本概念

1、什么是知识

2、知识的特征

3、知识的分类

4、知识的表示

第二节壹阶谓词逻辑表示方法

1、表示知识方法

2、壹阶谓词逻辑表示方法的特点

1、产生式的基本形式

2、产生式系统

3、产生式系统的分类

4、产生式表示法的特点

1、框架理论

2、框架

3、框架网络

4、框架中槽的设置和组织

5、框架表示法的特点

1、语义网络的概念

2、知识的语义网络表示

3、常用的语义联系

4、语义网络中问题求解的过程

5、语义网络表示的特点

1、概念依赖理论

2、脚本

1、过程的知识表示方法

第三节产生式表示法

第四节框架表示法

第五节语义网络表示法

第六节脚本

第七节过程表示法

2、过程表示法的特点

第八节Petri网表示法

1、Petri网知识表示

2、Petri网表示法的特点

第九节面向对象的知识表示

1、面向对象的基本概念

2、面向对象知识表示（三）考核知识点

1、关于知识的基本概念2、知识的壹阶谓词逻辑表示3、知识的产生式表示

4、知识的框架表示5、知识的语义网络表示

四）考核要求

1、关于知识的基本概念

1）

识记：

数据、信息的定义；知识的壹般定义

2）

领会：

知识的特性；从不同角度对知识的分类

简单应用：

针对不同类型的知识，应用不同的知识表示方法

2、知识的壹阶谓词逻辑表示

1）识记：

壹阶谓词逻辑表示知识的壹般形式（定义谓词、连接词和量词的使用）；

2）领会：

壹阶谓词逻辑适合于表示事物的状态、属性、概念（描述性、确定性知识）；壹阶谓词逻辑表示知识的特点

3）简单应用：

用壹阶谓词逻辑表示法表示数学定理

4）综合应用：

用壹阶谓词逻辑表示法表示机器人的状态

3、产生式系统

1）识记：

产生式的基本形式：

或者，其中是产生式前提，是壹组结论或操作。

产生式

系统的组成（规则库、综合数据库、控制系统）

（2）领会：

产生式系统把知识表示成“模式7动作”对；产生式系统分类；产生系统

知识表示的特点

2）简单应用：

用产生式系统表示动物世界问题

4、知识的框架表示

1）

识记：

框架是壹种所论对象属性的数据结构；框架结构组成；框架表示知识的特

2）

领会：

框架的BNF描述；框架网络；框架网络重要特征：

继承性

简单应用：

系统预定义的槽名：

ISA、AKO、Subclass、Instance、Part-of、Infer、

Possible-Reason等

3）综合应用：

框架系统中求解问题的基本过程

5、知识的语义网络表示

1）识记：

语义网络是通过概念及其关系来表达知识的壹种网络图；它是壹个带有标

识的有向图；简单语义网络三元组表示

2）领会：

语义网络的BNF描述；用语义网络表示事实；用语义网络表示事实之间的

关系；用语义网络表示复杂的知识；语义网络知识表示的特点

3）简单应用：

分类关系、聚集关系、推论关系、时间、位置关系、多元关系的语义

网络表示

4）综合应用：

常用的语义联系：

A-Member-of、Composed-of

、Have、Before、

After、At、Located-on

at,under,inside,outside）、Similar-to,Near-to；语义网络

系统

第四章基于壹阶谓词逻辑的问题求解

壹）学习目的和要求

基于壹阶谓词逻辑的问题求解是模拟机器思维能力，使之能运用推理，完成问题求解。

本章讨论应用有关推理的方法和推理的控制策略，

特别是基于壹阶谓词逻辑的归结演绎方

法。

作为本课程的重点章节，本章的重点知识有：

关于推理的基本概念、推理的控制策略、

置换和合壹、归结演绎推理、归结反演控制策略、

/或形演绎推理等。

通过对本章的学习，

学生应掌握推理的基本概念和推理的控制策略；掌握置换和合壹技术；掌握归结演绎（反演）

实现定理证明方法；掌握归结反演的控制策略；理解

Herbrand域和Horn子句的概念和关

联理论；深刻理解Herbrand

域上的不可满足性和归结反演中空子句的等价性。

二）课程内容

第壹节推理的基本概念

1、什么是推理

2、推理方式和分类

3、推理的控制策略

4、置换和合壹

第二节归结演绎推理

1、子句

2、Herbrand域

3、Robinson归结原理

4、归结反演

5、归结控制策略

第三节和/或形演绎系统

1、和/或形正向演绎推理

2、和/或形逆向演绎推理

3、和/或形双向演绎推理

（三）考核知识点

1、什么是推理

2、推理的控制策略

3、置换和合壹

4、子句

5、归结反演

6、归结控制策略

7、和/或形正向演绎推理

8、和/或形逆向演绎推理

（四）考核要求

1、什么是推理

1）识记：

推理的定义

2）领会：

推理的分类：

从推理途径对推理分类（演绎推理、归纳推理、默认推理）、

从知识确定性对推理分类（确定性推理、不确定性推理）、从推理的单调性分类（单调

推理、非单调推理）。

2、推理的控制策略

1）识记：

正向推理、逆向推理、混合推理、双向推理的基本思想

2）领会：

正向推理、逆向推理、混合推理、双向推理四这之间的区别

3、置换和合壹

1）

识记：

置换表示形式；最壹般合壹的定义

2）

领会：

复合置换；差异集

简单应用：

最壹般合壹算法

4、子句

1）识记：

合式公式和子句的定义；子句的不可满足性

2）领会：

合取范式；Skolem函数；前束范式

3）简单应用：

求合式公式的子句集

5、归结反演

1）识记：

Herbrand域；Horn子句；归结反演算法步骤

2）领会：

子句集不可满足性的充要条件是Herbrand域上壹切解释为假；Robinson

归结原理

3）简单应用：

命题逻辑中的归结原理；谓词逻辑中的归结原理

4）综合应用：

应用归结反演证明G是F的逻辑结论；归结反演树

6、归结控制策略

1）识记：

删除策略、支持集策略、线性输入策略、单文字策略、祖先过滤策略的基

本方法

2）领会：

删除策略、支持集策略、线性输入策略、单文字策略、祖先过滤策略的基

本思想

3）简单应用：

归结中应用各个控制策略，比较归结式产生的深度

4）综合应用：

于定理证明中综合应用归结控制策略

7、和/或形正向演绎推理

1）识记：

和/或形正向演绎推理的基本思想

2）领会：

和/或形正向演绎推理的事实表达式；F规则的表示形式；目标公式的表示

形式及推理过程

3）简单应用：

把事实表达式化为和/或形

4）综合应用：

已知事实和规则，应用和/或形正向演绎推理方法，证明目标公式成立

8、和/或形逆向演绎推理

1）识记：

和/或形逆向演绎推理的基本思想

2）领会：

和/或形逆向演绎推理的事实表达式；B规则的表示形式；事实公式的表示

形式及推理过程

4）综合应用：

已知目标公式和规则，应用和/或形逆向演绎推理方法，证明终止于事

实公式的节点

第五章不确定性推理

壹）学习目的和要求

于现实世界中，人们通常是于信息不精确、不完备、模糊、随机的情况下运用不确定性知识进行思维、求解问题的，推理出的结论也且不总是随着知识的增加而单调增加。

因而，对于不确定性的研究成为人工智能学科的壹个重要内容。

本章基于代数系统的讨论，描述不确定知识推理的总体框架，随后论述了几种重要的不确定性推理方法。

本章的重点知识有：

Bayes）法、D-S

不确定知识推理的总体框架、不确定性推理的确定因子法、主观贝叶斯（证据理论法、可能性理论等。

通过对本章的学习，学生应掌握不确定性推理的总体框架算法；理解从已知不确定性的证据和不确定性的规则，按不确定性推理方法推出不确定性的假设。

D-S证据理论方法中基

掌握确定因子法中MB和MD的物理意义和方法的计算过程；掌握主观贝叶斯（Bayes）法中LS和LN的物理意义，曲线插值法以及该方法的求解过程。

掌握本概率赋值函数m（A）,Bel（A）和Pl（A）的物理意义，正交和的计算以及该方法的计算过程。

理解对于知识模糊性的可能性理论的推理方法，深刻理解语言变量的概念且应用于模糊推理规则中。

二）课程内容

第一节不确定性推理概述

1、不确定性问题的代数系统

2、不确定性推理模型

3、不确定性推理语义

4、几种重要的不确定性推理方法

第二节确定因子法

1、知识的不确定性

2、证据的不确定性

3、不确定性推理算法

第三节主观贝叶斯方法

1、规则不确定性的描述

2、证据不确定性的描述

3、举例

第四节D-S证据理论

1、证据的不确定性

2、证据的组合

3、D-S证据理论的推理

第五节可能性理论

1、几个基本概念

2、语言变量

3、命题模糊性的描述

4、模糊命题的转换规则

5、模糊推理规则

第六节粗集理论

1、RST的概述

2、粗集理论的不确定性知识表示

3）考核知识点

1、什么是不确定性推理2、不确定性推理的模型3、几种主要的不确定性推理方法4、确定因子法

5、主观贝叶斯方法

6、D-S证据理论的不确定性推理

7、可能性理论

4）考核要求

1、什么是不确定性推理

1）识记：

不确定性推理的基本思想

2）领会：

不确定性推理的目的

2、不确定性推理的模型

1）

识记：

不确定性推理的代数模型

2）

领会：

不确定性知识的表示

简单应用：

不确定性推理的壹般范式

4）

综合应用：

不确定性推理的语义

D-S证据理论）

3、几种主要的不确定性推理方法

（1）识记：

不确定性推理的几种主要方法（确定因子法、主观贝叶斯法、

（2）领会：

可能性理论法

4、确定因子法

（1）识记：

计算公式及语义；确定因子法的推理算法

（2）领会：

和的性质

（3）简单应用：

证据是多个条件逻辑组合情况下等价证据的确定性因子的计算

（4）综合应用：

实例的确定因子法计算

5、主观贝叶斯方法

（1）识记：

的定义和语义；三点线性插值方法推理算法

（2）领会：

贝叶斯公式于该方法中的应用；几率函数于中的语义

（3）简单应用：

分段线性插值的应用

（4）综合应用：

实例的主观贝叶斯方法计算

6、D-S证据理论的不确定性推理

（1）识记：

基本概率赋值函数的定义和语义；信任函数、似然函数、类概率函数的定义

和语义以及三者之间的关系

（2）领会：

逻辑组合证据的计算和不同证据来源支持同壹个假设的正交和计算

（3）简单应用