人工智能课后习题部分解a

专家系统背背问答题吧。

神经网络就看这个资料上的
第二章看看书上课后题。

遗传算法看看书上例题。

1.什么是专家系统？基本特征是？
专家系统是一个具有智能特点的计算机程序，其智能化表现在能够模仿人类专家的思维来求解特定领域中的复杂问题。

也就是说，专家系统包含领域专家的大量知识，拥有类似人类专家思维的推理能力，并能用这些只是来解决实际问题。

与其他人工智能应用系统相比，专家系统具有下列特点：
（1）能高效率、准确、迅速和不知疲倦的进行工作，在解决实际问题时不受环境影响。

（2）能回答用户提出的问题并解释自身的推理过程，以便用户了解推理过程，提高对专家系统的信赖感。

（3）能汇集多个领域专家的知识、经验，以及他们协作解决重大问题的能力，拥有更渊博的知识、更丰富的经验和更强的工作能力，从而使专家的专长不受时间
和空间的限制，便于推广珍贵和稀缺专家的知识和经验。

（4）具有“自学习”能力，可不断扩充、完善和修改原有知识，这一特点使得专家系统具有十分广泛的应用领域。

（5）从处理问题的方法看，专家系统是靠知识和推理来解决问题的，更擅长于解决不确定性问题。

（6）在专家系统中，知识库与推理机既相互联系、又相互独立。

当知识库做适当修改和更新时，只要推理策略不变，推理机就可以不变，因而系统具有灵活性和
可扩充性。

2．专家系统有哪些部分构成？简述各部分的作用和工作原理
（1）知识库以某种表示形式存储在计算机内知识的集合，通常是以文件的形式存放于外部介质上，专家系统运行时被调入内存。

为了建立知识库，要解决知识获取和知识表示问题，知识获取及知识工程师如何让从专家那里获得专门知识的问题，只是表示则要解决如何用计算机能够理解的形式表达和存储知识。

（2）推理机用于记忆所采用规则和控制策略的程序，能够根据知识进行推理并导出结论，其功能是模拟领域专家的思维过程，控制并执行对问题的求解。

包括推理方法和控制策略两部分。

（3）综合数据库用于存放系统运行时需要和新产生的所有信息，包括问题描述、中间结果、解题过程记录等。

在问题求解的开始阶段，数据库用来存放用户提供的初始事实；
其内容会随着推理的进展而变化，推理机会根据数据可的内容从知识库中选择合适的知识进行推理，并将得到的中间结果存放于数据库中。

（4）解释程序回答用户提出的各种问题，并能跟踪和记录推理过程，包括解释推理结论的正确性及系统输出其他候选解的原因。

（5）知识获取程序负责管理知识库的知识，包括根据需要修改、删除或添加知识及由此引起的必要的改动，维持知识库的一致性、完整性。

（6）人机接口是专家系统与专家、知识工程师、用户间进行交互的界面，通过该接口可以输入专家的知识，更新、完善、扩充知识库。

此外，推理机通过人机接口与用户交互，已得到相应的事实数据。

最后，在推理结束时系统会通过人机接口向用户显示结果；
解释机构通过人机接口向用户解释推理过程，回答用户问题。

3.简述专家系统的开发过程。

说明设计中要注意的问题。

（1）问题知识化即辨别所研究问题的实质，了解要解决的问题及定义方法，判断是否可将分解为子问题，调查问题包含哪些典型数据。

（2）知识概念化概括知识表示所需要的相关概念、数据类型、已知状态和目标状态、提出的假设及控制策略等。

（3）概念性形式化确定用来组织知识的数据结构，应用人工智能中各种知识表示方法把与概念化过程有关的关键概念、子问题及信息流特性等变化为比较正式的假设空间、过程模拟和数据特性等表达。

（4）形式规则化把形式化了的知识变化为有编程语言表示的可供计算机执行的语句和程序。

（5）规则合法化确认知识规则化后的合理性和有效性。

5.说明BP神经网络与Hopfield神经网络的学习方式？
BP：
Step1：选择一组训练样例，每一个样例由输入信息和期望输出两部分组成
Step2：从训练样例集中取一样例，把输入信息输入到网络中
Step3：分别计算神经元处理后的各层结点输出
Step4：计算网络的实际输出和期望输出的误差，如果误差达到要求，则退出，否则继续Step5：从输出层反向计算到第一个隐层，并按照某种可能使误差向减小方向发展的原则，调整网络中各神经元得连接权值
Step6：对训练样集中的每个样例重复Step3~5，直到对整个训练样例集得误差达到要求时为止
6.1遗传算法是一种什么样的算法，它适合解决哪一类问题？
答：遗传算法是借鉴生物界自然选择和自然遗传机制构建的随机化搜索方法，是一种群体型操作方法，它模拟了生物进化过程。

遗传算法适用于处理传统搜索方法难以解决的复杂、非线性问题，可广泛应用于组合优化、机器学习、自适应控制、规划设计和人工生命等领域。

6.2遗传算法的基本要素有哪些？简述遗传算法的基本思想及处理过程。

答：完整的遗传算法包括以下基本要素：
参数编码、初始群体设定、适应度函数设计、遗传操作算子设计、控制参数设定。

遗传算法的基本思想：
算法先将待求解问题的解空间映射为遗传空间，把每一个可能解编码为染色体，或称个体，染色体是由多个元素组成的矢量，每个元素称为基因，所有的染色体组成群体或种群。

然后根据某种评价指标按照预先定义的适应度函数（对应于问题的目标函数）对每个染色体进行评价，得出该染色体的适应度值。

再根据适应度值对每个染色体进行选择、交叉、变异等遗传操作，淘汰适应度值低的染色体，留下适应度高的染色体，组成新的群体。

由于新群体（子代）成员继承了上一代群体（父代）的优良特性，其整体性能将优于上代群体。

如此反复迭代的过程称为遗传过程，它将使群体向着更优化的方向进化，直至满足某种预定的优化指标（或进化停止准则）。

处理过程：
开始
问题分析及解的编码
初始群体P(t)的设定，t=1
计算群体中各个体适应度
通过遗传操作存优去劣：选择、交叉、变异
新群体P(t+1)
最优个体解码P(t)=P(t+1) t=t+1
满足停止
进化准则
Y
N
结束
6.3请解释遗传算法设计中编码的定义，以及设计编码方法时应考虑的问题，并列举出常用的编码方法。

答：由问题空间向遗传空间（GA空间）的映射称为编码，而由GA空间向问题空间的映射称为译码。

设计编码方法时应考虑以下问题：
①完备性：问题空间的任何一个点在遗传空间中有一个点与之对应，及问题空间中的所有可能解都能表示为GA空间中的点（染色体）。

②健全性：GA空间中的任一个个体都有问题空间中的一个点与之对应。

③非冗余性：问题空间的解与GA空间的染色体一一对应。

常用的编码方法有：二进制编码、十进制编码、Gray编码、多参数映射编码、可变长度染色体编码、二维染色体编码。

6.4简要说明适应度函数的设计方法及需要注意的问题。

答：设计方法有：目标函数映射成适应度函数、适应度函数调整
6.5常用选择算子有哪些？请概述其选择原则。

答：常用的选择算子有：适应度比例法、最佳个体保存法、排序选择方法、联赛选择方法。

6.6 什么是交叉算子，基本的交叉方法有哪些？
选择算子模拟了生物界中的优胜劣汰制，但并不能产生新的个体；而交叉操作算子模拟了生物进化过程中的繁殖现象，是遗传操作的重要组成部分。

一方面交叉操作能使群体中优良个体的性能在一定程度上得以保持，另一方面，它能引导算法对遗传空间中新的领域进行探索，从而使群体的多样性得以保持。

1 单点交叉：它是在个体串中随机设定一个交叉点，交叉时将父代个体在该点前后的部分结构进行互换，从而生成两个新的个体。

2 两点交叉：是将父代个体中处于两交叉点之间的码串进行互换。

3 多点交叉：也称为广义交叉，是对上述两种方法的推广。

4 一致交叉：是指通过屏蔽字来决定新个体对父辈个体基因位的继承。

6.7 常用的变异算子有哪些？请概述其变异原则
1 基本变异算子：随机选择c个基因位作为变异的位置，按设定的变异概率对这些基因位的值进行取反操作。

2 逆转变异算子：随机选择两个逆转点，逆转点之间的基因值按概率Pm逆向排列
3 自适应变异算子：变异概率Pm随群体中个体的多样性进行自适应调整。

多样性越大，变异概率越小；反之，越大。