人工智能复习题解读

《人工智能原理》期末复习题
一、应用题
1．搜索的概念，两类不同的搜索方法，区别。

盲目搜索、启发式搜索。

●盲目搜索，无信息搜索
●只适用于求解简单问题
●盲目搜索的不足
●效率低，耗费过多的计算空间与时间
●可能带来组合爆炸
●宽度优先、深度优先搜索，或等代价搜索算法，主要差别是OPEN表中待扩展节点
的顺序问题。

●试图找到一种方法用于排列待扩展节点的顺序，即选择最有希望的节点加以扩展，
那么，搜索效率将会大为提高。

●启发式搜索重排OPEN表，选择最有希望的节点加以扩展
2．主观Bayes方法的基本内容
●主观Bayes方法：根据证据E的概率P(E)及LS、LN的值，把H的先验概率P(H)
改为后验概率P(H/E)或P(H/⌝E)
●P(H) P(H/E)或P(H/⌝E)
3．证据理论的基本内容
●D-S证据理论:一种不确定推理模型
●丹普斯特（Dempster）提出，他的学生莎弗（Shafer）改进。

●引入信任函数量度不确定性，引用似然函数处理由不知道而引起的不确定性
●实现不确定推理具有很大灵活性，受到人们的重视。

●用集合表示命题，命题的不确定性问题转化为集合的不确定性问题。

●将概率论中的单点赋值扩展为集合赋值，满足比概率更弱的要求，可看作一种广义
概率论。

4．典型的专家系统
一个典型的专家系统通常包括了三部分：知识库、推论器与界面，其基本架构可以图一来表示。

(注11)其中，知识库组织事实与规则，推论器籍由知识库中有效的事实与规则，在使用者所输入的条件基础下勾勒出结果，而使用者界面则是使用者与专家系统间的沟通桥梁
5．遗传算法的基本操作。

●选择(selection)：根据各个个体的适应度，按照一定的规则或方法，从第t代群体P(t)
中选择出一些优良的个体遗传到下一代群体P(t+1)中。

●交叉(crossover)：将群体P(t)内的各个个体随机搭配成对，对每一个个体，以某个概
率(交叉概率，crossover rate)交换它们之间的部分染色体。

●变异(mutation)：对群体P(t)中的每一个个体，以某一概率(变异概率，mutation rate)
改变某一个或一些基因座上基因值为其它的等位基因。

6． 机器学习的分类
● 当前国际上流行的机器学习分类方法主要有四种： ● 按应用领域分类：
专家系统、认知模拟、规划和问题求解、数据挖掘、网络信息服务、图象
识别、故障诊断、自然语言理解、机器人和博弈等。

● 按获取的知识的表示分类：
形式逻辑表达式、形式文法、代数表达式参数、图和网络、框架和模式、计
算机程序和其它的过程编码、产生式规则、决策树、框架、神经网络等；
● 按推理策略分类：
演绎推理和归纳推理。

● 按学习系统性综合分类的方法：
考虑事物的历史渊源、知识表示、推理策略和应用领域等因素，是对前面三
种分类方法的综合。

7． B-P 算法的学习过程。

1）对权系数W ij 置初值。

– 对各层的权系数W ij 置一个较小的非零随机数， – 其中W i,n+1= -θ。

2）输入一个样本X ＝(x l ，x 2，…，x n ，1)，以及对应期望输出Y ＝(Y 1，Y 2，…，Y n )。

3）计算各层的输出
– 对于第k 层第i 个神经元的输出X i k ，有：
4）求各层的学习误差d i k
– 输出层：k ＝m ， d i m =X i m (1-X i m )(X i m -Y i ) – 其他各层：
5）修正权系数W ij
6）当求出了各层各个权系数之后，可按给定品质指标判别是否满足要求。

如果满足要求，则算法结束；如果未满足要求，则返回(3)执行。

8． 产生式系统的组成。

一个综合数据库(或称数据基), 一组产生式规则(或称规则库)和一个控制系统(有时也叫规则解释器).
9． 智能主体的概念，主体的基本结构。

•
Agent
是一类在特定环境下能感知环境，并能自治地运行以代表其设计者或使用者
X i k =f(U i k )
实现一系列目标的计算实体或程序。

• 多Agent 系统是由多个Agent 组成的系统，在Agent 理论的基础上重点研究Agent
的互操作性以及Agent 间的协商和协作等问题。

• 基于Agent 的系统(Agent-Based system ，简称ABS)是指使用了Agent 思想或技
术的系统。

• 从广义和狭义两个角度去理解Agent 的特性 有关Agent 的“弱定义”和“强定义”
• Agent 的“弱定义”
从广义的角度对Agent 定义: 一个Agent （不管它是软件或硬件系统）的最基本的特性应当包括：反应性、自治性、社交能力和自发行为。

• Agent 的“强定义”
从Agent 的精神状态出发，Agent 除具有“弱定义”的特性外， “强定义”还要求Agent 应具有拟人的特性：移动性、长寿性、诚实性、善意性、合理性、推理能力、规划能力、学习和适应能力等。

基本结构：
10． 数据挖掘的定义，基本过程
数据挖掘是从大量数据中提取或“挖掘”知识。

技术上的定义：数据挖掘（Data Mining ）就是从大量的、不完全的、有噪声的、模
糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。

商业角度的定义：数据挖掘是一种新的商业信息处理技术，其主要特点是对商业数
据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助商业决策的关键性数据。

过程:
数据挖掘是一个反复迭代的人机交互处理过程。

该过程需要经历多个步骤，
并且很多决策需要由用户提供。

从宏观上看，数据挖掘过程主要由三个部分组成，即数据整理、数据挖掘和结果的解释评估。

二、应用题
1． 人工智能的主要研究问题在你的研究方向中的当前进展、应用领域。

人工智能方法应用主要在医学图像分割、图像配准、图像融合、图像压缩、图像重建等领域;包括蚁群算法、模糊集合、人工神经网络、粒子群算法、遗传算法、进化计算、人工免疫算法、粒计算和多Agent 技术等;涉及MR 图像、超声图像、
PET 图像、CT 图像和医学红外图像等多种医学图像。

2． 状态空间图和问题归约图p130
3． 将带有量词的语句表示成语义网络。

P47 4． α-β剪枝搜索。

P146
● α-β剪枝技术的基本思想：
✓ 边生成博弈树边计算评估各节点的倒推值，根据评估出的倒推值范围，及时
环境
停止扩展那些已无必要再扩展的子节点。

✓相当于剪去了博弈树上的一些分枝，节约了机器开销，提高了搜索效率。

●α剪枝：与节点MIN，估计出其倒推值的上确界β，β值不大于MIN的父节点(或节
点)的估计倒推值的下确界α，α≥β，则不必再扩展该MIN节点的其余子节点。

●β剪枝：或节点MAX，估计出其倒推值的下确界α，α值不小于MAX的父节点(与
节点)的估计倒推值的上确界β，α≥β，不必再扩展该MAX节点的其余子节点。

5．求解TSP问题的不同方法。

P198
6．用归结推理方法证明p84
前提：每个储蓄钱的人都获得利息。

结论：如果没有利息，那么就没有人去储蓄钱。

7．反演求解的举例
证明步骤：
(1) 否定L，得～L；
(2) 把～L添加到S中去；
(3) 把新产生的集合｛～L，S｝化成子句集；
(4) 应用消解原理，推导出一个表示矛盾的空子句NIL。

前提：每个储蓄钱的人都获得利息。

结论：如果没有利息，那么就没有人去储蓄钱。

证明：令S(x,y) 表示"x储蓄y” M(x) 表示"x是钱"
I(x) 表示"x是利息“ E(x,y) 表示"x获得y“
于是上述命题写成下列形式：
例：“如果无论约翰(John)到哪里去，菲多(Fido)也就去那里，那么如果约翰在学校里，菲多在哪里呢?”
公式集S：( x) [AT(JOHN,X)=>A T(FIDO,X)]
A T(JOHN,SCHOOL)
8．变型空间法，例题。

P159
有一些属性和值的对象域：
Sizes={large,small}
Colors={red,white,blue}
Shapes={ball,brick,cube}
对象可以用谓词obj(Sizes,Color,Shapes)来表示。

9．感知机能否进行基本逻辑运算ppt
(1) “与”运算（x1∧x2）
令ω1= ω2=1，θ=2，则y=f(1×x1+1×x2-2)
当x1和x2均为1时，y的值1；
当x1和x2有一个为0时，y的值就为0。

(2) “或”运算（x1∨x2）
令ω1= ω2=1, θ=0.5，则y=f(1×x1+1×x2-0.5)
只要x1和x2中有一个为1，则y的值就为1；
只有当x1和x2都为0时，y的值才为0。

(3)“非”运算（～X1）
令ω1 =-1，ω2=0，θ=-0.5，则y=f((-1)×x1+1×x2+0.5))
无论x2为何值，x1为1时，y的值都为0；
x1为0时，y的值为1。

即y总等于～x1
(4)“异或”运算（x1 XOR x2）
单层感知器无法解决异或问题。

10．确定性理论，例题：P113
设有如下一组知识:
r1: IF E1 THEN H (0.8)
r2: IF E2 THEN H (0.6)
r3: IF E3 THEN H (-0.5)
r4: IF E4 AND (E5 OR E6) THEN E1 (0.7)
r5: IF E7 AND E8 THEN E3 (0.9)
已知: CF(E2)=0.8 CF(E4)=0.5
CF(E5)=0.6 CF(E6)=0.7
CF(E7)=0.6 CF(E8)=0.9
求: CF(H)=?
解：推理网络如图所示，计算过程如下。

CF(E1) = 0.7×max{0, CF(E4 AND (E5 or E6))}
= 0.7×max{0, min{CF(E4),CF(E5 or E6)}}
= 0.7×max{0, min{CF(E4), max{CF(E5), CF(E6)}}}
= 0.7×max{0, min{0.5,max{0.6,0.7}}}
= 0.7×max{0, 0.5}
= 0.35
CF(E3) = 0.9×max{0, min{CF(E7), CF(E8)}} = 0.9×max{0, 0.6} = 0.54
CF1(H) = CF(H, E1)×max{0, CF(E1)} = 0.8×max{0, 0.35} = 0.28
CF2(H) = CF(H, E2)×max{0, CF(E2)} = 0.6×max{0, 0.8} = 0.48
CF3(H) =-0.5×max{0, CF(E3)} = -0.27
CF1,2(H) = CF1(H) + CF2(H) - CF1(H)×CF2(H) = 0.28 + 0.48 – 0.28×0.48 = 0.63
-
--
所求得的结论的可信度为CF(H) = 0.49
读书的好处
1、行万里路，读万卷书。

2、书山有路勤为径，学海无涯苦作舟。

3、读书破万卷，下笔如有神。

4、我所学到的任何有价值的知识都是由自学中得来的。

——达尔文
5、少壮不努力，老大徒悲伤。

6、黑发不知勤学早，白首方悔读书迟。

——颜真卿
7、宝剑锋从磨砺出，梅花香自苦寒来。

8、读书要三到：心到、眼到、口到
9、玉不琢、不成器，人不学、不知义。

10、一日无书，百事荒废。

——陈寿
11、书是人类进步的阶梯。

12、一日不读口生，一日不写手生。

13、我扑在书上，就像饥饿的人扑在面包上。

——高尔基
14、书到用时方恨少、事非经过不知难。

——陆游
15、读一本好书，就如同和一个高尚的人在交谈——歌德
16、读一切好书，就是和许多高尚的人谈话。

——笛卡儿
17、学习永远不晚。

——高尔基
18、少而好学，如日出之阳；壮而好学，如日中之光；志而好学，如炳烛之光。

——刘向
19、学而不思则惘，思而不学则殆。

——孔子
20、读书给人以快乐、给人以光彩、给人以才干。

——培根。