人工智能复习文档格式.docx

人工智能复习文档格式.docx

《人工智能复习文档格式.docx》由会员分享，可在线阅读，更多相关《人工智能复习文档格式.docx（18页珍藏版）》请在冰豆网上搜索。

›起源：

源于数理逻辑/逻辑推理

›学派代表：

纽厄尔、西蒙和尼尔逊等

v连接主义

仿生学派或生理学派

神经网络及神经网络间的连接机制与学习算法。

源于仿生学，特别是人脑模型的研究。

麦克洛奇、皮茨、霍普菲尔德、鲁梅尔哈特等。

v行为主义

进化主义或控制论学派

控制论及感知—动作型控制系统

源于控制论

›学派代表作：

布鲁克斯的六足行走机器人，一个基于感知-动作模式的模拟昆虫行为的控制系统。

人工智能所研究的范围与应用领域：

智能感知：

1、模式识别2、自然语言理解

智能推理：

1、问题求解2逻辑推理与定理证明3、专家系统4、自动程序设计

智能学习：

1、机器学习2、神经网络3、计算智能与进化计算

智能行动：

1、机器人学2、智能控制3、智能检索4、智能调度与指挥5、分布式人工智能与Agent6、数据挖掘与知识发现7、人工生命8、机器视觉

人工智能的基本技术：

1推理技术

2搜索技术

3知识表示与知识库技术

4归纳技术

5联想技术

第二章

1.概念：

知识及形式化描述、同构变换、同态变换

2.知识、信息和数据的区别

3.知识表示法应用（一阶谓词、产生式、框架、语义网络）

4.产生式系统的基本结构

5.语义网络中的语义联系（实例、泛化、聚集、属性、推论）

6.推理过程中填槽的方式

知识表示就是把知识用计算机可接受的符号并以某种形式描述出来，而不同的结构形式又形成了不同的表示方法。

一般来说，把有关信息关联在一起所形成的信息结构称为知识。

知识表示=数据结构+处理机制

知识的形式化表示：

K=F+R+C

其中：

K表示知识项（知识项目）

F表示事实，人类对客观世界、客观事物的状态、属性、特征的描述，以及对事物之间关系的描述；

R表示规则，能表达在前提与结论之间的因果关系的一种形式；

C表示概念（观念），事实的含义规则、语义说明等。

v同构变换可使问题更明确，便于求解，同构问题的解答等价于原始问题的解答。

v同态变换可使问题更加简化，易于求解。

原始问题有解，则同态问题有解，同态问题无解，则原始问题无解，它们之间是蕴含关系。

Ø

数据是记录信息的符号，是信息的载体和表示；

信息是对数据的解释，是数据在不同场合下的具体含义。

只有将有关的信息关联到一起才能使用，才称之为知识。

一阶谓词逻辑是谓词逻辑中最直观的一种逻辑，它以谓词形式来表达动作的主体、客体（可以有多个）PPT30

v置换是指用有序对的集合s={t1/v1，t2/v2，…，tn/vn}表示，

其中vi是变量，ti是异于vi的项；

vi≠vj，i≠j，j∈1，2，…，n

ti/vi表示将表达式中所有的变量vi都用项ti代替，ti可以是变量、常量或函数。

PPT36

v设S={F1，F2，…，Fn}是一个原子谓词集合，如果存在一个置换θ，可使F1θ=F2θ=…=Fnθ，

则称S是可合一的，θ为S的一个合一转换。

PPT37

一个产生式系统包含事实库（工作区）、规则集（产生式规则库）和控制器（进行规则解释，也称为推理机）三部分。

语义网络可以表示事实性的知识，也可表示有关事实性知识之间的复杂联系。

PPT73

v框架是一种组织和表示知识的数据结构。

PPT95

第三章

1、状态空间搜索概述状态空间的图描述，搜索，正向逆向搜索，影响搜索方向的因素

2、盲目的图搜索策略图搜索、搜索树、回溯法、广度优先法、深度优先法、

3、启发式图搜索策略启发信息与估价函数、A搜索算法、OPEN表、CLOSED表

4、与/或图（树）搜索策略搜索算法、解树及代价、希望树、博弈树搜索、极大极小分析法、α—β剪枝

5、遗传算法的基本思想

v状态空间搜索是问题求解的主要方法之一。

状态空间可用有向图来描述（见图），其结点表示状态，结点间的弧表示允许使用的操作算子

搜索就是从初始节点出发，沿着与之相连的边试探地前进，寻找目标节点的过程（也可以反向进行）。

当目标节点找到后，路径也就找到了。

搜索可按两个方向进行：

（1）从初始状态出发的正向搜索，也称为数据驱动；

（2）从目的状态出发的逆向搜索，也称为目标驱动。

搜索方向

（１）开始状态与目标状态中，哪个状态多？

往往从小的状态集出发朝大的状态集搜索，这样求解要容易一些。

（２）哪个方向的分枝因素小？

所谓分枝因素是指从一结点出发可直接到达目标的平均结点数。

一般地，都是朝着分枝因素低的方向进行搜索。

2、盲目的图搜索策略图搜索、搜索树、回溯法、广度优先法、深度优先法

v用计算机来实现状态图的搜索，有两种最基本的搜索方式：

树式搜索和线式搜索。

v线式搜索的基本方式又可分为不回溯的和可回溯的两种。

不回溯的线式搜索：

对每一个节点始终都仅生成一个子节点（如果有子节点的话）。

可回溯的线式搜索：

对每一个节点都仅扩展一条边，但当不能再扩展时，则退回一个节点，然后再扩展另一条边（如果有的话）。

如果搜索是以接近起始节点的程度依次扩展节点，那么这种搜索就称为广度优先搜索

深度优先搜索法在搜索树的每一层始终先只扩展一个子节点，不断向纵深前进，直到不能再前进（到达叶子节点或受到深度限制）时，才从当前节点返回到上一级节点，沿另一方向前进。

启发式搜索要用到问题自身的某些特性信息，以指导搜索朝着最有希望的方向前进。

启发式搜索通常由两部分组成：

启发方法和使用该方法搜索状态空间的算法。

v启发信息按其用途可分为下列3种：

（1）用于决定要扩展的下一个节点，以免像在宽度优先或深度优先搜索中那样盲目地扩展。

（2）在扩展一个节点的过程中，用于决定要生成哪一个或哪几个后继节点，以免盲目地同时生成所有可能的节点。

（3）用于决定某些应该从搜索树中抛弃或修剪的节点。

v启发信息按运用的方法可分为三种：

（1）陈述性启发信息，一般被用于更准确、更精炼地描述状态，使问题的状态空间缩小，如待求问题的特定状况等属于此类信息。

（2）过程性启发信息，一般被用于构造操作算子，使操作算子少而精，如一些规律性知识等属于此类信息。

（3）控制性启发信息，它是关于表示控制策略方面的知识，包括协调整个问题求解过程中所使用的各种处理方法、搜索策略、控制结构等有关的知识。

v估价函数的任务就是估计待搜索结点的“有希望”程度，并依此给它们（在open表）排定次序。

v估价函数f（n）定义为从初始结点经过n结点到达目的结点的路径的最小代价估计值，其一般形式是：

f（n）=g（n）+h（n）

其中：

g（n）是从初始结点到n结点的实际代价，

h（n）是从n结点到目的结点的最佳路径的估计代价。

A搜索算法总是选择最有希望的节点作为下一个要扩展的节点。

估价函数f的确定：

一个节点的希望越大，其f值就越小。

被选为扩展的节点（走f值最小的路）。

扩展的节点是估价函数最小的节点。

v采用一个称为OPEN表的动态数据结构，来专门登记当前待考查的节点。

v一个称为CLOSED表的动态数据结构来专门记录考查过的节点。

v模拟问题归约方法的相关结构是一个与或图。

与或图中的节点之一起始节点对应于原始问题描述。

图中那些对应于本原问题的节点叫做终叶节点。

v与或树的一般搜索过程：

（1）把原始问题作为初始结点S0，并把它作为当前结点。

（2）应用分解或等价变换算符对当前结点进行扩展。

（3）为每个子结点设置指向父结点的指针。

（4）选择合适的子结点作为当前结点，反复执行第

（2）步和第（3）步，在此期间要多次调用可解结点标示过程和不可解结点标示过程，直到初始结点被标示为可解结点或不可解结点为止。

可解结点及有关连线组成的子图（子树）称该与或图的解图或解树。

解树的代价就是树根的代价。

树根的代价是从树叶开始自下而上逐层计算而求得的。

解树的根对应的是初始节点S0。

这些节点及其先辈节点（包括初始节点S0）所构成的与或树有可能成为最优解树的一部分，因此称它为“希望树”

v描述博弈过程的与或树称为博弈树。

v极大极小分析法（MAX/MIN搜索法）的基本思想：

（1）设博弈的双方中一方为A，另一方为B。

然后为其中的一方（例如A，此时A为MAX方）寻找一个最优行动方案。

（2）为了找到当前的最优行动方案，需要对各个可能的方案所产生的后果进行比较。

考虑每一方案实施后对方可能采取的所有行动，并计算可能的得分。

（3）为计算得分，需要根据问题的特性信息定义一个估价函数，用来估算当前博弈树端节点的得分。

此时估算出来的得分称为静态估值。

vα—β剪枝技术的基本思想是，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。

vα值和β值的定义：

（1）或结点（MAX方）的α值等于它的当前子结点中的最大倒推值；

（2）与结点（MIN方）的β值等于它的当前子结点中的最小倒推值。

PPT96

由上面的例子可归纳出α—β剪枝技术的一般规则：

（1）任何“与”节点x的β值如果不能升高其父节点的α值，则对节点x以下的分枝可以停止搜索，并使x的倒推值为β。

这种剪枝称为α剪枝。

（2）任何“或”节点x的α值如果不能降低其父节点的β值，则对节点x以下的分枝可停止搜索，并使x的倒推值为α。

这种剪枝称为β剪枝。

第四章

1.推理的概念、类型，推理的控制策略、正反向推理

2.归结反演系统——归结原理、归结反演、应用归结反演求取问题的答案的过程

归结原理相关概念、置换、合一

3基于规则的演绎推理（正向、反向和双向的演绎推理过程描述）

1、推理的概念、类型，推理的控制策略、正反向推理

从初始事实出发，不断运用知识库中的已知知识，逐步推出结论的过程就是推理。

类型

v逻辑基础：

›演绎推理：

三段论（大前提、小前提、结论）

›归纳推理：

数学归纳法

›默认（缺省）推理

v知识的确定性：

›确定性推理（精确推理）

›不确定性推理（不精确推理）

v过程的单调性：

›单调推理

›非单调推理

搜索策略、冲突解决策略

v正向推理（事实驱动推理）是由已知事实出发向结论方向的推理。

v反向推理（目标驱动推理）以某个假设目标作为出发点的一种推理。

正反向混合推理的一般过程是：

先根据初始事实进行正向推理以帮助提出假设，再用反向推理进一步寻找支持假设的证据，反复这个过程，直到得出结论为止。

2、归结反演系统——归结原理、归结反演、应用归结反演求取问题的答案的过程

谓词公式化为子句集

将谓词公式化为子句集的步骤如下：

（1） 

消去蕴含符“→”和双条件符“”。

（2） 

把否定符号“”移到紧靠谓词的位置上。

（3） 

将变量标准化，使每个量词采用不同的变量。

（4） 

消去存在量词。

（5） 

将公式化为前束形。

（6） 

母式化为合取范式。

合取范式就是子句的合取式。

（7） 

略去全称量词。

（8） 

消去合取符号∧，把母式用子句集表示。

（9） 

子句变量标准化，即重新命名变量，使每个子句中的变量符号不同。

v归结也称为消解，归结原理也称为消解原理。

v归结反演就是利用归结和反演实现定理的证明。

PPT42

2、归结原理相关概念、置换、合一

3、基于规则的演绎推理（正向、反向和双向的演绎推理过程描述）

v正向演绎推理从已知事实出发，反复尝试所有可利用的规则（F规则）进行演绎推理，直至得到某个目标公式的一个终止条件为止。

v基于规则的正向演绎推理应用F规则作用于表示事实的与/或图，改变与/或图的结构，从而产生新的事实，直至推出了目标公式，则推理就成功结束。

其推理过程为：

①首先用与/或图把已知事实表示出来。

②用F规则的左部和与/或图的叶结点进行匹配，并将匹配成功的F规则加入到与/或图中，即利用F规则转换与/或图。

3重复第②步，直到产生一个含有以目标结点作为终止结点的解图为止。

4

v基于规则的反向演绎推理是从目标表达式出发，通过反向运用规则（B规则）进行演绎推理，直到得到包含已知事实的终止条件为止。

v反向演绎推理是从目标与或图出发，通过运用B规则最终得到了某个终止在事实结点上的一致解图时，推理就成功结束。

具体过程如下：

①用与/或图将目标表达式表示出来。

②在目标与/或图中，如果有一个文字L′能够与L合一，则可应用B规则W→L，并将L′结点通过一个标有L和L′的最简单合一者的匹配弧与L相连，再将匹配成功的B规则加入到与/或图中。

一条规则可用多次，每次应使用不同的变量。

当一个事实文字和与/或图中的一个文字可以合一时，可将该事实文字通过匹配弧连接到与/或图中相应的文字上，匹配弧应标明两个文字的最简合一者。

③重复进行第②步，直到与/或图中包括一个结束在事实结点上的一致解图，该解图的合一复合作用于目标表达式就是解答语句。

✓双向演绎推理分别从正反两个方向进行推理，两个与/或图分别扩展，最关键也是最复杂的是如何判断推理是否结束。

推理的终止处位于两个与/或图分别扩展后的某个交接处，当正反两个方向的与/或图对应的叶结点都可合一时，推理就结束。

1．机器学习的概念、主要策略，机器学习系统的功能及结构

2.机械学习、示例学习、类比学习、归纳学习的基本原理

3.基本思想：

基于决策树的归纳学习、强化学习、神经网络、基于BP网络的学习

机器学习是一门研究计算机获取新知识和新技能，并识别现有知识的学问。

（1）机械学习。

机械学习就是记忆，是最简单的学习策略。

这种学习策略不需要推理，而是由教师向系统提供被记忆的信息，并用这些信息指导系统的行为。

（2）传授学习（指导学习）。

由外部给系统提供抽象、一般化的信息，学习系统经过选择和改造，把新的信息与系统原有的知识融为一体。

（3）类比学习。

类比学习系统只能得到完成类似任务的有关知识，因此，学习系统必须能够发现当前任务与已知任务的相似之点，由此制定出完成当前任务的方案，因此，它比上述两种学习策略需要更多的推理

（4）通过事例学习。

采用通过事例学习策略的计算机智能系统，事先完全没有完成任务的任何规律性的信息，所得到的只是一些具体的工作例子及工作经验。

系统需要对这些例子及经验进行分析、总结和推广，得到完成任务的一般性规律，并在进一步的工作中验证或修改这些规律，因此需要的推理是最多的。

功能：

（1）具有适当的学习环境。

（2）具有一定的学习能力。

（3）能用所学的知识解决问题。

（4）能提高系统的性能。

结构：

机械学习方法不要求系统具有对复杂问题求解的能力，也就是没有推理技能，系统的学习方法就是，直接记录问题有关的信息，然后检索并利用这些存储的信息来解决问题。

示例学习也称实例学习，它是一种归纳学习。

示例学习是从若干实例（包括正例和反例）归纳出一般概念或规则的学习方法。

类比学习是基于类比推理的一种学习方法。

归纳学习是符号学习中研究得最为广泛的一种方法。

给定关于某个概念的一系列已知的正例和反例，其任务是从中归纳出一个一般的概念描述。

归纳学习能够获得新的概念，创立新的规则，发现新的理论。

第六章

1.专家系统的概念、理想结构模型，构建专家系统的主要步骤

2.基于规则的专家系统的优缺点

3.基于框架专家系统：

继承、槽、方法

4.知识发现的定义

1.专家系统的概念、理想结构模型，构建专家系统的主要步骤

专家系统是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。

第七章

1.机器人的定义、发展历程（三代）、制造原则、主要构成

2.Agent的基本特征、BDI模型、Agent的工作过程图

3.Agent的类型、与专家系统和对象的区别

4.Agent通信机制：

黑板和消息对话

5.多Agent系统：

特征、协调、协作

机器人是一种自动化的机器，所不同的是这种机器具备一些与人或生物相似的智能能力，如感知能力、规划能力、动作能力和协同能力，是一种具有高度灵活性的自动化机器”

智能机器人是人工智能中的最重要的应用，机器人是一种能模拟人的行为的机械，对它的研究经历了三代的发展过程：

第一代（程序控制）机器人；

第二代（自适应）机器人；

第三代（智能）机器人；

原则：

1、机器人不应伤害人类；

2、机器人应遵守人类的命令，与第一条违背的命令除外；

3、机器人应能保护自己，与第一条相抵触者除外。

机器人构成：

机器人的身体——机器人本体

机器人的灵魂—控制系统

机器人的大脑—主控系统

机器人的感官—传感系统

机器人智慧的来源—计算机程序

Agent的基本特性：

（1）自主性亦称自治性，即能够在没有人或别的Agent的干预下，主动地自发地控制自身的行为和内部状态，并且还有自己的目标或意图。

（2）反应性即能够感知环境，并通过行为改变环境。

（3）适应性即能根据目标、环境等的要求和制约作出行动计划，并根据环境的变化，修改自己的目标和计划。

（4）社会性即多个Agent在同一环境中协同工作。

（1）理性Agent模型（BDI模型）

Belief——信念，Agent对环境的基本看法。

Desire——愿望，Agent想要实现的状态，即目标。

Intention——意图，目标的子集。

BDI模型可以通过下列要素描述：

（1）一组关于世界的信念；

（2）Agent当前打算达到的一组目标；

（3）一个规划库，描述达到目标和改变信念的方案；

（4）一个意图结构，描述当前状态如何达到目标和改变信念。

工作过程：

3、Agent的类型、与专家系统和对象的区别

（1）反应式Agent：

反应式Agent只简单地对外部刺激产生响应，没有任何内部状态。

每个Agent既是客户，又是服务器，根据程序提出请求或做出回答。

（2）慎思式Agent：

慎思式（deliberative）Agent又称为认知式（cognitive）Agent，是个具有显式符号模型的基于知识的系统。

（3）跟踪式Agent：

具有内部状态的反应式Agent通过找到一条条件与现有环境匹配的规则进行工作，然后执行与规则相关的作用。

这种结构叫做跟踪世界Agent或跟踪式Agent。

（4）基于目标的Agent：

Agent还需要某种描述环境情况的目标信息。

Agent的程序能够与可能的作用结果信息结合起来，以便选择达到目标的行为。

（5）基于效果的Agent：

效果是一种把状态映射到实数的函数，该函数描述了相关的满意程度。

一个完整规范的效果函数允许对各类情况做出理性的决策。

（6）复合式Agent：

复合式Agent即在一个Agent内组合多种相对独立和并行执行的智能形态，其结构包括感知、动作、反应、建模、规划、通信和决策等模块。

与对象的区别

z自治程度不同。

z灵活的（反应的、主动的、社会的）自治行为的能力。

z控制线程不同。

与专家系统的区别：

{专家系统是与现实分离的。

{专家系统一般不能采用反应的、主动式的行为。

{专家系统一般没有社会行为能力，不能进行合作、协调和协商。

黑板：

在多Agent系统中，黑板提供了一个公共的工作区，供Agent交换信息。

☐一个Agent在黑板中写入信息，该信息就可以为系统中其他Agent所使用。

各个Agent可以在任何时候访问黑板，查询是否有新的信息。

☐在黑板系统中，Agent之间不进行直接通信，每个Agent独立完成各自求解的子问题

☐黑板结构可用于任务共享系统和结果共享系统。

消息对话：

消息/对话通信是实现灵活和复杂的协调策略的基础。

各个Agent使用规定的协议相互交换信息，用于建立通信和协调机制。

在面向消息的多Agent系统中，发送Agent直接把特定的消息发送至另一个接收Agent。

与黑板系统不同，Agent之间的消息是直接交换，没有中间缓冲区。

一般地，发送Agent要为消息制定唯一的地址，只有该地址的Agent才能读取该消息。

为了支持协作策略，通信协议必须明确规定通信过程和消息格式，并选择通信语言。

每个Agent必须知道通信语言的语义。

多Agent系统的特征

（1）每个Agent拥有解决问题的不完全的信息或能力；

（2）没有系统全局控制；

（3）数据是分散的；

（4）计算是异步的。

协调（coordination）与协作（cooperation