人工智能-第4章 与或图搜索
人工智能 -课程简介+课程大纲模板
人工智能-课程简介+课程大纲模板(总7页)--本页仅作为文档封面，使用时请直接删除即可----内页可以根据需求调整合适字体及大小--《人工智能理论与应用》课程简介课程编号：A0940111课程名称：人工智能理论与应用学分/学时：3/48先修课程：《数据结构》、《离散数学》和《高级程序设计语言》适用专业：计算机科学与技术课程性质：限选考核方式：考查考核形式：大作业、实验评估建议教材：人工智能教程，王士同主编，电子工业出版社，2006年2月第2版内容简介：（200字以内）（黑体五号）1、人工智能研究的发展和基本原则：人工智能的研究和应用；人工智能研究的发展；人工智能研究的成果；人工智能研究的基本原则；存在的问题和发展前景2、一般图搜索：回溯策略、图搜索策略、无信息搜索过程、启发式图搜索过程、搜索算法讨论。
3、与或图搜索问题：与或图的搜索、与或图的启发式搜索算法AO*、博弈树的搜索。
4、谓词逻辑与归结原理：命题逻辑、谓词逻辑基础、谓词逻辑归结原理、HERBRAND定理。
5、知识表示：知识、知识表示、知识观、产生式表示方法、语义网络表示、框架表示以及其他表示方法。
6、不确定性推理方法：不确定性推理的基本问题、贝叶斯网络、主观贝叶斯方法、确定性方法、证据理论。
7、机器学习：机器学习概论、实例学习、基于解释的学习、决策树学习、神经网络学习、知识发现与数据挖掘。
8、高级搜索：基本概念、局部搜索算法、模拟退火算法、遗传算法等。
人工智能理论与应用Artificial Intelligence Theory and Application 课程编号：A0940111学分：3学时：48 学时（讲课学时：32 实验学时：16）先修课程：《数据结构》、《离散数学》和《高级程序设计语言》适用专业：计算机科学与技术建议教材：人工智能教程，王士同主编，电子工业出版社，2006年2月第2版主要参考书：（1）高等学校规划教材:人工智能原理及其应用电子工业出版社王万森 2012（2）人工智能及其应用(第4版) 蔡自兴、徐光佑清华大学出版社 2010开课学院：计算机科学与工程学院修订日期：2015年4月一、课程说明（黑体五号）人工智能是一门综合性前沿学科，是计算机学科的重要分支。
人工智能知识表示方法第四章
清华大学
VISITING TEAM
篮球比赛
ISA SCORE
G25
HOME TEAM
北京大学
85:89
语义网络法
❖ 连接词和量词的表示
✓ 合取和析取的表示：可通过
增加合取节点和析取节点来实 现
✓ 例如：用语义网络表示：“参 赛者有教师有学生，参赛者的 身高有高有低”
✓ 分析参赛者的不同情况，可得 到以下四种情况：
✓ 蕴含的表示：通过增加蕴含关系节点来实现。在蕴含关系中，有 两条指向蕴含节点的弧，一条代表前提条件(Antecedent) ，标记为 ANTE；另一条代表结论(Consequence) ，标记为CONSE
✓ 例如：用语义网络表示：“如果学校组织大学生机器人竞赛活动， 那么李强就参加比赛”
智能机器
比赛 AKO
Artificial Intelligence (AI)
人工智能
第4章：知识 表示
内容提要
第4章：知识表示
1.状态空间法 2.问题归约法 3.谓词逻辑法 4.语义网络法 5.其他方法
语义网络法
❖语义网络法（ Semantic Network Representation ）
✓ 语义网络是奎廉(J. R. Quillian) 1968年在研究人类联想 记忆时提出的一种心理学模型，认为记忆是由概念间的 联系实现的。随后，奎廉又把它用作知识表示。
Can
Can
运动
动物
吃
语义网络法
❖ 二元关系：二元语义网络表示
✓ 可用二元谓词P(x,y)表示的关系。其中，x,y为实体，P为实 体之间的关系。
✓ 单个二元关系可直接用一个基本网元来表示 ✓ 对复杂关系，可通过一些相对独立的二元或一元关系的组合
人工智能第4章图搜索技术
例4.4 对于八数码问题，应用
深度优先搜索策略，可得如图4—
6所示的搜索树。
283
深度优先搜索亦称为纵向搜 1 4 765
索。由于一个有解的问题树可能
含有无穷分枝，深度优先搜索如
果误入无穷分枝(即深度无限,但
解不在该分支内)，则不可能找到
目标节点。所以，深度优先搜索
策略是不完备的。另外，应用此
例4.6 设A城是出发地，E城是目的地，边上的数字代表 两城之间的交通费。试求从A到E最小费用的旅行路线。
B 4
6
A
3
4
A
E
C 3
D1
3
4
D2 23
E1 3
C
D
2
(a)
E2
B2 6
深度优先搜索算法：
步1 把初始节点S0放入OPEN表中； 步2 若OPEN表为空，则搜索失败，退出。
步3 取OPEN表头节点N放入CLOSED表中，并冠以顺序编号n；
步4 若目标节点Sg=N，则搜索成功，结束。 步5 若N不可扩展，则转步2； 步6 扩展N，将其所有子节点配上指向N的返回指针依次放入
2831 14 765
第4章 图搜索技术
2 283
14 765
6 83
214 765
7 283 714 65
14 83 214 765
15 283 714 65
22 83 214 765
23 813 24 765
3 23 184 765
8 23
1 84 7 65
9 23 184 765
16 1 23
第4章 图搜索技术
步1 把S0放入OPEN表中，置S0的深度d(S0)=0； 步2 若OPEN表为空，则失败，退出。 步3 取OPEN表头节点N，放入CLOSED表中，并 冠以顺序编号n； 步4 若目标节点Sg=N，则成功，结束。 步5 若N的深度d(N)=dm(深度限制值)，或者若N无 子节点，则转步2； 步6 扩展N，将其所有子节点Ni配上指向N的返回 指针后依次放入OPEN表中前部，置d(Ni)=d(N)+1，转 步2。
《人工智能概论》课程笔记
《人工智能概论》课程笔记第一章人工智能概述1.1 人工智能的概念人工智能（Artificial Intelligence，简称AI）是指使计算机具有智能行为的技术。
智能行为包括视觉、听觉、语言、学习、推理等多种能力。
人工智能的研究目标是让计算机能够模拟人类智能的某些方面，从而实现自主感知、自主决策和自主行动。
人工智能的研究领域非常广泛，包括机器学习、计算机视觉、自然语言处理、知识表示与推理等。
1.2 人工智能的产生与发展人工智能的概念最早可以追溯到上世纪50 年代。
1950 年，Alan Turing 发表了著名的论文《计算机器与智能》，提出了“图灵测试”来衡量计算机是否具有智能。
1956 年，在达特茅斯会议上，John McCarthy 等人首次提出了“人工智能”这个术语，并确立了人工智能作为一个独立的研究领域。
人工智能的发展可以分为几个阶段：（1）推理期（1956-1969）：主要研究基于逻辑的符号操作和自动推理。
代表性成果包括逻辑推理、专家系统等。
（2）知识期（1970-1980）：研究重点转向知识表示和知识工程，出现了专家系统。
代表性成果包括产生式系统、框架等。
（3）机器学习期（1980-1990）：机器学习成为人工智能的重要分支，研究如何让计算机从数据中学习。
代表性成果包括决策树、神经网络等。
（4）深度学习期（2006-至今）：深度学习技术的出现，推动了计算机视觉、自然语言处理等领域的发展。
代表性成果包括卷积神经网络、循环神经网络等。
1.3 人工智能的三大学派人工智能的研究可以分为三大学派：（1）符号主义学派：认为智能行为的基础是符号操作和逻辑推理。
符号主义学派的研究方法包括逻辑推理、知识表示、专家系统等。
（2）连接主义学派：认为智能行为的基础是神经网络和机器学习。
连接主义学派的研究方法包括人工神经网络、深度学习、强化学习等。
（3）行为主义学派：认为智能行为的基础是感知和行动。
行为主义学派的研究方法包括遗传算法、蚁群算法、粒子群算法等。
第四章 深度学习精品文档
分解、再分解，直到能够还原到逻辑原点。
在意象上，还原主义就是“1+1=2”，也就是说，一个复杂
的系统，都可以由简单的系统简单叠加而成（可以理解为线性
系统），如果各个简单系统的问题解决了，那么整体的问题也
就得以解决。比如说，很多的经典力学问题，不论形式有多复
假设向量（x1,x2）和（y1,y2）之间的夹角为θ，那么cosθ可由内积表示如图：
1 1 +2 2
cosθ =
2
2
2
2
1 +2 · 1 +2
通过习题证明，上述cosθ的定义与中学里学习的公式是一致的
cosθ =
2 +2 − 2
2
（2）向量卷积运算
（3）矩阵卷积运算过程
（x1,x2）·（y1,y2）= x1 y1 +x2y2
显然，可用内积表示向量（x1,x2）的长度 1 2 + 2 2 ：
（x1,x2）·（x1,x2）= 1 2 + 2 2
也可用内积表示向量（y1,y2）的长度 1 2 + 2 2 ：
（y1,y2）·（y1,y2）= 1 2 + 2 2
少智能”。
因此，你可以看到，在这个世界上，存在着一个“麻烦
守恒定律”：麻烦不会减少，只会转移。
再后来，网络进一步加深，出现了多层次的“表示学
习”，它把学习的性能提升到另一个高度。这种学习的层次
多了，其实也就是套路“深了”。于是，人们就给它取了个
特别的名称——Deep Learning（深度学习）。
杂，通过不断的分解和还原，最后都可以通过牛顿的三大定律
得以解决。
人工智能-4 与或图搜索
评估的目的：对后面的状态提前进行考虑， 并且以各种状态的评估值为基础作出最好的 走棋选择。 评估的方法：用评价函数对棋局进行评估。 赢的评估值设为+∞，输的评估值设为-∞， 平局的评估值设为0。 评估的标准：由于下棋的双方是对立的，只 能选择其中一方为评估的标准方。
3.极小极大搜索过程
3.极小极大搜索过程
3.极小极大搜索过程
MAX MIN MAX
MIN
0
-3
3 3
-3 0
2
2
-3 0
-2
3 5 4 1
-3
0 6 8 9
-3
3.极小极大搜索过程
1 1 3 6
MAX MIN MAX
0 0
1
0
-3
3
-3
-3
-2
1
-3
6 -3
MIN
0
5
-3
3 3
-3 0
2
2
-3 0
-2
3 5 4 1
3.3 博弈树(Game tree)搜索
1.概述
20世纪60年代，研制出的西洋跳棋和国际象棋 的博弈程序达到了大师级的水平。 1958约翰•麦卡锡提出博弈树搜索算法 1997年，IBM公司研制的“深蓝”国际象棋 程序，采用博弈树搜索算法，该程序战胜了 国际象棋世界冠军卡斯帕罗夫。
1.概述
博弈问题特点： 双人对弈，轮流走步。 信息完备，双方所得到的信息是一样的。 零和，即对一方有利的棋，对另一方肯定 是不利的，不存在对双方均有利或无利的 棋。
1.概述
博弈的特性 ①两个棋手交替地走棋 ； ②比赛的最终结果，是赢、输和平局中的 一种； ③可用图搜索技术进行，但效率很低； ④博弈的过程，是寻找置对手于必败态的 过程； ⑤双方都无法干预对方的选择。
人工智能--经典考试试题及答案
一、选择题（每题1分，共15分)1、AI的英文缩写是A)Automatic Intelligence B)Artifical IntelligenceC)Automatice Information D）Artifical Information2、反演归结（消解）证明定理时，若当前归结式是（)时，则定理得证。
A)永真式B）包孕式（subsumed) C)空子句3、从已知事实出发，通过规则库求得结论的产生式系统的推理方式是A）正向推理B）反向推理C）双向推理4、语义网络表达知识时，有向弧AKO 链、ISA 链是用来表达节点知识的（）。
A）无悖性B）可扩充性C)继承性5、（A→B）∧A =〉B是A)附加律B）拒收律C）假言推理D)US6、命题是可以判断真假的A)祈使句B)疑问句C）感叹句D)陈述句7、仅个体变元被量化的谓词称为A）一阶谓词B)原子公式C)二阶谓词D)全称量词8、MGU是A）最一般合一 B)最一般替换C)最一般谓词D)基替换9、1997年５月，著名的“人机大战”，最终计算机以3。
5比2.5的总比分将世界国际象棋棋王卡斯帕罗夫击败，这台计算机被称为（）A）深蓝B）IBM C）深思D）蓝天10、下列不在人工智能系统的知识包含的4个要素中A)事实B）规则C）控制和元知识D）关系11、谓词逻辑下，子句，C1=L∨C1‘, C2= ¬ L∨C2‘，若σ是互补文字的（最一般）合一置换，则其归结式C=（)A）C1’σ∨C2’σB）C1’∨C2’C）C1’σ∧C2'σD）C1’∧C2’12、或图通常称为A)框架网络B)语义图C）博亦图D）状态图13、不属于人工智能的学派是A)符号主义B)机会主义C)行为主义D)连接主义。
14、人工智能的含义最早由一位科学家于1950年提出,并且同时提出一个机器智能的测试模型,请问这个科学家是A)明斯基B).扎德C)图林D）冯.诺依曼15.要想让机器具有智能，必须让机器具有知识。
【2024版】人工智能及其应用蔡自兴)课后答案
可编辑修改精选全文完整版人工智能及其应用(蔡自兴)课后答案第二章知识表示方法2-1 状态空间法、问题归约法、谓词逻辑法和语义网络法的要点是什么？它们有何本质上的联系及异同点?答：状态空间法：基于解答空间的问题表示和求解方法，它是以状态和算符为基础来表示和求解问题的。
一般用状态空间法来表示下述方法：从某个初始状态开始，每次加一个操作符，递增的建立起操作符的试验序列，直到达到目标状态为止。
问题规约法：已知问题的描述，通过一系列变换把此问题最终变成一个子问题集合：这些子问题的解可以直接得到，从而解决了初始问题。
问题规约的实质：从目标出发逆向推理，建立子问题以及子问题的子问题，直至最后把出示问题规约为一个平凡的本原问题集合。
谓词逻辑法：采用谓词合式公式和一阶谓词算法。
要解决的问题变为一个有待证明的问题，然后采用消解定理和消解反演莱证明一个新语句是从已知的正确语句导出的，从而证明这个新语句也是正确的。
语义网络法：是一种结构化表示方法，它节点和弧线或链组成。
节点用于表示物体、概念和状态，弧线用于表示节点间的关系。
语义网络的解答是一个经过推理和匹配而得到的具有明确结果的新的语义网络。
语义网络可用于表示多元关系，扩展后可以表示更复杂的问题2-2 设有3个传教士和3个野人来到河边，打算乘一只船从右岸渡到左岸去。
该船的负载能力为两人。
在任何时候，如果野人人数超过传教士人数，那么野人就会把传教士吃掉。
他们怎样才能用这条船安全地把所有人都渡过河去?用Si(nC, nY) 表示第i次渡河后，河对岸的状态，nC表示传教士的数目，nY表示野人的数目，于总人数的确定的，河对岸的状态确定了，河这边的状态也即确定了。
考虑到题目的限制条件，要同时保证，河两岸的传教士数目不少于野人数目，故在整个渡河的过程中，允许出现的状态为以下3种情况： 1. nC=0 2. nC=33. nC=nY>=0 (当nC不等于0或3)用di(dC, dY)表示渡河过程中，对岸状态的变化，dC表示，第i次渡河后，对岸传教士数目的变化，dY表示，第i次渡河后，对岸野人数目的变化。
人工智能第三版课件第4章 图搜索策略
4．1 图搜索策略
(2）若p∈M且在closed表中，这说明: a. p在n之前已是某一节点m的后继，所以需 要作如(1)同样的处理，如下图右部。 b．p在closed表中，说明p的后继也在n之前 已生成，我们称为Ps，那么对Ps同样可能由 于n→p这一路径的加入又必须比较多条路径 代价后而取代价小的一条，如下图左部。
但由命题3可知：A*终止前，open表上必 存在一点n’，满足
f(n’）≤f*(S0） 即open表不会空，所以，不会终止于第3步。
推论2 凡open表中任一点n，若f(n)< f*(S0)， 最终都将被A*算法挑选出来求后继，也 即被挑选出来进行扩充。
证：用反证法，设f(n）< 来作后继
f*(S0）且n没有被选出
证明: 在证明之前需要说明，在图搜索过程中, 若 某一点有几个先辈节点,则只保留最小费用的那 条路,所以A1 和A2搜索的结果是树而不是图。
下面以A2搜索树中节点的深度来归纳证明。
归纳基础 设A2扩充的点n的深度d=0，即n=S0， 显然A1也扩充点n，因为A1 、A2都要从S0开始。
归纳假设 假设A1扩充了A2搜索树中一切深度 d≤k的节点。
4.1.2 A算法与A*算法
1．A算法与A*算法定义
或图通用算法在采用如下形式的估计函数时, 称 为A算法。
f(n)=g(n)+h(n)
其中g(n)表示从S0到n点费用的估计，因为n为当 前节点，搜索已达到n点，所以g(n)可计算出。 h(n)表示从n到Sg接近程度的估计，因为尚未 找到解路径，所以h(n)仅仅是估计值。
命题3 若问题有解，在A* 终止前，open表上
人工智能导论--项目4 图像识别
感谢您的观看
人工智能导论 项目四 物体识别--计算机视觉的应用
目录
Cபைடு நூலகம்NTENTS
01 项 目 背 景 02 思 维 导 图 03 思 政 聚 焦 04 项 目 相 关 知 识 05 项 目 任 务 06 项 目 小 结 与 展 望
01
项目背景
• 物体识别背景介绍
伴随着图片成为互联网中的主要信息载体，难题随之出现。当信息由文字记 载时，我们可以通过关键词搜索轻易找到所需内容并进行任意编辑，而当信息由 图片记载时，我们却无法对图片中的内容进行检索，从而影响了我们从图片中找 到关键内容的效率。图片给我们带来了快捷的信息记录和分享方式，却降低了我 们的信息检索效率。在这个环境下，借助计算机实现图像主体的识别技术就显得 尤为重要。
04
项目相关知识
• 物体识别
人类和计算机是如何识别这张图片的呢？
• 物体识别的任务划分
a) 分类
b) 分类+定位 物体识别任务划分
c) 多目标检测
• 分类的相关技术
图像分类的流程包括训练阶段和测试阶段 名词解释：训练集、测试集、独热编码、置信率
4种类别的训练图片
• 图像的原始特征表示形式
莱娜灰度图
• 目标检测相关技术
滑动窗口检测示意图
• 目标检测相关技术
非极大值抑制（Non-Maximum Suppression，NMS）：当边框预测环节生成了大量建议 边框后，接着要为每个矩形框做类别分类概率，最后需要判别哪些矩形框是没用的。所谓 的非极大值抑制就是根据分类器类别分类概率做排序，从小到大排序，先拿最大概率候选 框与其他框计算重叠度IOU，丢弃高于阈值的建议框。然后从没有被丢弃的建议框中再找 最大概率建议框，重复上述操作，直到找到所有被保留下来的建议框。
《人工智能》--课后习题答案
《人工智能》课后习题答案第一章绪论1.1答：人工智能就是让机器完成那些如果由人来做则需要智能的事情的科学。
人工智能是相对于人的自然智能而言，即用人工的方法和技术，研制智能机器或智能系统来模仿延伸和扩展人的智能，实现智能行为和“机器思维”，解决需要人类专家才能处理的问题。
1.2答：“智能”一词源于拉丁“Legere”，意思是收集、汇集，智能通常用来表示从中进行选择、理解和感觉。
所谓自然智能就是人类和一些动物所具有的智力和行为能力。
智力是针对具体情况的，根据不同的情况有不同的含义。
“智力”是指学会某种技能的能力，而不是指技能本身。
1.3答：专家系统是一个智能的计算机程序，他运用知识和推理步骤来解决只有专家才能解决的复杂问题。
即任何解题能力达到了同领域人类专家水平的计算机程序度可以称为专家系统。
1.4答：自然语言处理—语言翻译系统，金山词霸系列机器人—足球机器人模式识别—Microsoft Cartoon Maker博弈—围棋和跳棋第二章知识表达技术2.1解答：（1）状态空间(State Space)是利用状态变量和操作符号，表示系统或问题的有关知识的符号体系，状态空间是一个四元组（S，O，S0，G）：S—状态集合;O—操作算子集合;S0—初始状态,S0⊂S;G—目的状态,G⊂S,(G可若干具体状态，也可满足某些性质的路径信息描述)从S0结点到G结点的路径被称为求解路径。
状态空间一解是一有限操作算子序列，它使初始状态转换为目标状态：O1 O2 O3 OkS0→−−−S1→−−−S2→−−−……→−−−G其中O1，…，Ok即为状态空间的一个解(解往往不是唯一的)（2）谓词逻辑是命题逻辑的扩充和发展，它将原子命题分解成客体和谓词两个部分。
与命题逻辑中命题公式相对应，谓词逻辑中也有谓词（命题函数）公式、原子谓词公式、复合谓词公式等概念。
一阶谓词逻辑是谓词逻辑中最直观的一种逻辑。
（3）语义网络是一种采用网络形式表示人类知识的方法。
人工智能教程习题及答案第4章习题参考解答
第四章不确定性推理习题参考解答4.1 练习题4.1什么是不确定性推理？有哪几类不确定性推理方法？不确定性推理中需要解决的基本问题有哪些？4.2什么是可信度？由可信度因子CF(H，E)的定义说明它的含义。
4.3什么是信任增长度？什么是不信任增长度？根据定义说明它们的含义。
4.4当有多条证据支持一个结论时，什么情况下使用合成法求取结论的可信度？什么情况下使用更新法求取结论可信度？试说明这两种方法实际是一致的。
4.5设有如下一组推理规则：r1：IF E1THEN E2(0.6)r2：IF E2AND E3THEN E4 (0.8)r3：IF E4THEN H (0.7)r4：IF E5THEN H (0.9)且已知CF(E1)=0.5，CF(E3)=0.6，CF(E5)=0.4，结论H的初始可信度一无所知。
求CF(H)=？4.6已知：规则可信度为r1：IF E1THEN H1(0.7)r2：IF E2THEN H1(0.6)r3：IF E3THEN H1(0.4)r4：IF (H1 AND E4) THEN H2(0.2)证据可信度为CF(E1)=CF(E2)=CF(E3)=CF(E4)=CF(E5)=0.5H1的初始可信度一无所知，H2的初始可信度CF0(H2)=0.3计算结论H2的可信度CF(H2)。
4.7设有三个独立的结论H1，H2，H3及两个独立的证据E1与E2，它们的先验概率和条件概率分别为P(H1)=0.4，P(H2)=0.3，P(H3)=0.3P(E1/H1)=0.5，P(E1/H2)=0.6，P(E1/H3)=0.3P(E2/H1)=0.7，P(E2/H2)=0.9，P(E2/H3)=0.1利用基本Bayes方法分别求出：（1）当只有证据E1出现时，P(H1/E1)，P(H2/E1)，P(H3/E1)的值各为多少？这说明了什么？（2）当E1和E2同时出现时，P(H1/E1E2)，P(H2/E1E2)，P(H3/E1E2)的值各是多少？这说明了什么？4.8在主观Bayes方法中，请说明LS与LN的意义。
状态空间与图搜索
（1）每个元素称为结点（node，或节点）； （2）有一个特定的结点被称为根结点或树根。 （3）除根结点外的其余数据元素被分为m（m≥0）个互不相 交的集合T1，T2，……Tm-1，其中每一个集合Ti（1<=i<=m） 本身也是一棵树，被称作原树的子树（subtree）。
《人工智能》
Q ()
((1,1))
((1,2))
((1,1) (2,3)) ((1,1) (2,4))
((1,1) (2,4) (3.2))
《人工智能》
() ((1,1))
((1,2))
Q Q
((1,1) (2,3)) ((1,1) (2,4))
((1,2) (2,4))
((1,1) (2,4) (3.2))
人工智能（Artificial Intelligence）
《人工智能》
第一章 搜索问题
内容： 状态空间的搜索问题。
搜索方式：
盲目搜索 启发式搜索
关键问题： 如何利用知识，尽可能有效地找到问题的 解（最佳解）。
《人工智能》
搜索问题（续1）
S0
Sg
搜索的含义
基本概念
依问题寻找可用的知识，构造代价少的推理路径从而解决问题的过程
《人工智能》
Q () ((1,1)) ((1,1) (2,3))
注： (2,3)不存在可用规则，故而又回溯到（1,1）；
《人工智能》
() ((1,1)) ((1,1) (2,3)) ((1,1) (2,4))
Q Q
《人工智能》
() ((1,1)) ((1,1) (2,3)) ((1,1) (2,4)) ((1,1) (2,4) (3.2))
人工智能导论
与/或树深度优先搜索
将扩展节点的子节点放在Open表的首部。 子节点中是否有终止节点？若有，执行 可解标记过程；若根节点标记为可解， 结束；否则，删去Open表中的可解节点。 对不可扩展节点，执行不可解标记过程； 若根节点标记为不可解，结束；否则， 删去Open表中的不可解节点。 例4-12解或等价变换为一
系列较简单的问题予以处理。 问题的分解：如果一个问题P可以归约为一组 子问题P1、 P2、…、 Pn，并且只有当所有子问 题Pi(i=1、2、 …、n）都有解时原问题P才有解， 则称子问题P1、 P2、…、 Pn是问题P的分解。 逻辑关系是P= P1∧ P2∧ …∧ Pn
P
…
P1 P2 Pn
本原问题：可直接给出答案的问题。 在解决实际问题时，问题的分解和等价变换可
能被同时使用。
与/或树
P
P2
P1
P3
P21
P22
端节点：没有子节点的节点。 终止节点：若端节点对应的问题可以解决，就称 该端节点为终止节点。 可解节点：终止节点；“或”节点的子节点中有 一个可解；“与”节点的所有子节点可解。 不可解节点：非终止节点；“或”节点的所有子 节点不可解；“与”节点的子节点中有一个不 可解。 解树：导致根节点可解的子树。
P
t t
t
解树
P
t t
t
问题归约求解过程就是生成解树的过程。 例4-4
4-2 状态空间的盲目搜索
由于问题的状态空间可用一个有向图表示，因
此，状态空间搜索就是对有向图的搜索。 基本思想（p.109）：节点扩展和检查
4-2-1一般图搜索过程
一般图搜索过程
S0：问题的初始状态。 G：搜索过程所得到的搜索图。 M：当前扩展节点新生成的且不为自己先辈的 子节点集 Open表（未扩展节点表）：存放刚生成节点。 Closed表（已扩展节点表）：存放已经扩展或 将要扩展的节点。
人工智能实验指导书
人工智能及应用实验指导书前言《人工智能及应用》课程实验的目的是为了配合课堂教学，进一步强化对人工制能的不同实现途径的理解。
实验的任务是要结合相关的人工智能语言平台（PROLOG语言），熟练掌握和深入理解课堂教学内容。
帮助学生更好地学习本课程，理解和掌握人工智能算法设计与实现所需的技术，为整个专业学习打好基础，要求运用所学知识，上机解决一些典型问题，通过分析、设计等各环节的训练，使学生深刻理解、牢固掌握所用到的一些原理与技术。
实验中的内容和教科书的内容是密切相关的，在反复实践的过程中才能掌握。
使学生在掌握抽象人工智能理论的基础之上学到更多可操作性很强的智能算法技术及实践经验。
目录实验一 Prolog语言及逻辑程序设计 (1)实验二搜索策略实验 (3)实验三专家系统实验 (6)实验一 Prolog语言及逻辑程序设计一、实验目的加深学生对逻辑程序运行机理的理解，使学生掌握PROLOG语言的特点、熟悉其编程环境，同时为后面的人工智能程序设计做好准备。
1、熟悉PROLOG语言编程环境的使用；2、了解PROLOG语言中常量、变量的表示方法；3、了解利用PROLOG进行事实库、规则库的编写方法。
二、实验环境计算机，Visual PROLOG教学软件。
三、预习要求实验前应阅读实验指导书，了解实验目的、预习PROLOG语言的相关知识。
四、实验内容1、学习使用Visual PROLOG，包括进入PROLOG主程序、编辑源程序、修改环境目录、退出等基本操作。
2、在Visual prolog集成环境下调试运行简单的Visual PROLOG程序。
3、编写一个描述亲属关系的PROLOG程序，然后再给出一些事实数据，建立一个小型演绎数据库。
可以以父亲和母亲为基本关系（作为基本谓词），再由此来描述祖父、祖母、兄弟、姐妹以及其他亲属关系。
4、修改教材2.2节例2.9的程序，使其能输出图中所有路径（path）。
五、实验方法和步骤1、启动Windows 操作环境。
人工智能答案终极版
人工智能复习参考（2015工程硕士）1-1.什么是人工智能？它的研究目标是什么？人工智能（Artificial Intelligence）,简称AI，又称机器智能（Machine Intelligence，MI），主要研究用人工的方法和技术开发智能机器或智能系统，以模仿、延伸和扩展人的智能、生物智能、自然智能，实现机器的智能行为。
近期目标：人工智能的近期目标是实现机器智能。
即先部分地或某种程度地实现机器智能，从而使现有的计算机更灵活好用和更聪明有用。
远期目标：人工智能的远期目标是要制造智能机器。
具体讲就是使计算机具有看、听、说、写等感知和交互能力，具有联想、学习、推理、理解、学习等高级思维能力，还要有分析问题解决问题和发明创造的能力。
1-2.人工智能有哪些研究方法和途径？简单描述它们的特点。
一、传统划分法1.符号主义：以人脑的心理模型为依据，将问题或知识表示成某种符号，采用符号推演的方法，宏观上模拟人脑的推理、联想、学习、计算等功能，实现人工智能。
2.连接主义：不仅要求机器产生的智能和人相同，产生的过程和机理也应该相同。
人或某些动物所具有的智能皆源自于大脑，通过对大脑微观结构的模拟达到对智能的模拟，这是一条很自然的研究人工智能的途径。
3.行为主义：模拟人在控制过程中的智能活动和行为特性，如自适应，自寻优、自学习、自组织等，以此来研究和实现人工智能。
二、现代划分法1.符号智能：是对智能和人工智能持狭义的观点，侧重于研究任何利用计算机软件来模拟人的抽象思维过程，并把思维过程看成是一个抽象的符号处理过程。
2.计算智能:计算机智能又重新回到依靠数值计算解决问题的轨道上来，它是对符号智能中符号推演的再次否定。
3.群体智能：它认同智能同样可以表现在群体的整体特性上，群体中每个个体的智能虽然很有限，但通过个体之间的分工协作和相互竞争，可以表现出很高的智能。
1-3.为什么能够用机器（计算机）模仿人的智能？假设：任何一个系统，如果它能够表现出智能，那么它就必定能够执行上述6种功能:输入符号；输出符号；存储符号；复制符号；建立符号结构；条件性迁移：反之，任何系统如果具有这6种功能，那么它就能够表现出智能，这种智能指的是人类所具有的那种智能。
人工智能搜索技术
启发式搜索可以通过指导搜索向最有希望的方向前进，降低复杂性。通过删除某些状态及其延伸，启发 式搜索可以消除组合爆炸，并得到令人能接受的解（通常不一定是最佳解）。
4.4.2 估价函数
4.4.3 启发式搜索算法A
启发式搜索算法A，一般简称A算法，是一种典型的启发式搜索算法。其基本思想是：定义一个评价函 数，对当前的搜索状态进行评估，找出一个最有希望的节点来扩展。
4.3.1 宽度优先搜索
图4.5 搜索树（一）
人工智能导论
4.3.2 深度优先搜索
/// 12 ///
图4.6 搜索树（二）
人工智能导论
/// 13 ///
4.4 启发式搜索
启发式搜索（Heuristically Search）又称有信息搜索（Informed Search），利用问题拥有的启发信息 来引导搜索，达到缩小搜索范围、降低问题复杂度的目的。
4.5.3 α-β剪枝技术
首先分析极小极大分析法的效率：上述极小极大分析法，实际是先生成一棵博弈树，然后计算其倒推 值，致使极小极大分析法效率较低。于是在极小极大分析法的基础上提出了α-β剪枝技术。
人工智能导论
/// 17 ///
本章小结
搜索技术在人工智能中起着重要作用，人工智能的推理机制就是通过搜索实现的，很多问题也可 以转化为状况空间的搜索问题。深度优先搜索和宽度优先搜索是常用的盲目搜索方法，具有通用性好的 特点，但往往效率低下，不适合求解复杂问题。启发式搜索利用问题相关的启发信息，可以缩小搜索范 围，提高搜索效率。A*算法是一种典型的启发式搜索算法，可以通过定义启发函数提高搜索效率，并可 以在问题有解的情况下找到问题的最优解。计算机博弈（计算机下棋）也是典型的搜索问题，计算机通 过搜索寻找最好的下棋走法。像象棋、围棋这样的棋类游戏具有非常多的状态，不可能通过穷举的办法 达到战胜人类棋手的水平，算法在其中起着重要作用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
解图的定义：
• 是由能解节点构成的一个子图，是包含一节点（n） 到目的(终)节点集合（N）的、连通的能解节点的子 图. • 在一个与或图 G 中，从节点 n 到节点集 N 的解图 记为 G， G 是 G 的子图. 1．若 n 是N的一个元素，则G由单个节点n组成； 2．若 n 有一个指向节点集 {n1…,nk} 的外向连接 符 K，使得从每一个节点 ni (i=1,…,k) 到 N 有 一个解图 ，则 G由节点 n，连接符 K，以及 {n1 ,…,nk}中的每一个节点到 N 的解图所组成； 3．否则 n 到 N 不存在解图. • 如果 n=s 为初始节点，则解图为所求解问题的解图.
第四章 与或图搜索
1 2 3 4 5 问题归约法 与或图 与或图搜索 AO*算法 博弈树的搜索
Artificial Intelligence
1 问题归约法
• 问题: 在边长为 2 的正方形内，任意放置 5 个 点，求证其中必存在两个点，它们之间的距离不 大于2。 • 问题可转化为：在四个单位正方形内，任意放置5 个点，至少有两个点在同一正方形内。
k(n, N)= Cn+ k(n1, N)+…+ k(ni, N)
• 具有最小耗散值的解图称为最佳解图，其值 也用 h*(n) 标记。 Artificial Intelligence
• 例：从节点 n 开始，正确选择一个外 向连接符，一直进行下去直到产生的 每一个后继节点成为集合N中的一个元 素为止。下图给出了 n0 →{n7，n8}的 三个解图（耗散值分别为 8，7，5）.
7 S:={n}; 建立含 n 的节点集合S.（已扩展待修正） 8 Until S为空, do: 9 Begin (m为S中任一节点) 10 REMOVE(m, S),当 mc{S};（m→mc ,从底层开始修正） 11 修改 m 的耗散值 q(m): 对 m 指向节点集 (n1i， n2i, … nki) 的每一个连接符 i 分别计算qi, qi(m)=Ci+q(n1i)+…+q(nki), 并取 q(m):= min qi (m); 加(或修正)指针到 min qi (m) 的连接符上. IF M(nji, SOLVED) THEN M(m, SOLVED);（j=1，2，…， k）若该连接符的所有子节点都是能解的,则m也能解. 12 IF M(m, SOLVED) (q(m) q0(m)) THEN ADD(ma, S); m 能解或修正的耗散值与原先估算q0不同,则把m的所有先 辈节点ma添加到S中. （能解或修正向上传递） 13 end (与8匹配) 14 end (与2匹配) Artificial Intelligence
Artificial Intelligence
• 定义：不能解节点的递归定义为:
1．没有后裔的非终节点是不能解的节点； 2．若非终节点有 “或” 子节点时，当且仅 当所有子节点均不能解时，该非终节点才不 能解； 3．若非终节点有 “与” 子节点时，当至少 有一子节点不能解时，该非终节点才不能解.
Artificial Intelligence
n1 1 n3 6 2 2 n6 2 0 2 0 n8 0 n7 7 2 n5 2 2 0 n8 0 n7 n5 1 n0 8 n0 7 2 n4 1 3
n0 n1 n2 n3 n5 n6 n8 n7 n4
5
n0 2 1 n4 1 0
2 2
n5
n8
n7
Artificial Intelligence 解图的求法
0
n7
★
Artificial Intelligence
(3) n0 2 n1 1 1 n5 n4 n3 4 n1 (5)
(4) n0
4 n2 1 n5
1
n4
一次循环后 (5) n0 n1 (5) n3 4 n6 2 n7 0 三次循环后 4 n2 (2) n5 1 n4 n3 4 n6 n1 (5)
二次循环后 (5) n0 n2 4 (2) n5
n4 (1)
0 n8
2
0 n8
n7 0
四次循环后
不带括号的数是启发函数h(n)值,带括号数是估价函数q（n）的修正值； 短箭头用来标记连接符，标明侯选局部解图；已经标注SOLVED的节点 用黑心圆来表示。
Artificial Intelligence
讨论
• 当节点n无后继节点? 在第11步中对 m (n)赋 一个高的 q 值(会传递到s), 从而排除了含有 n的子图被当作候选局部解图的可能性. • 在 G’ 中存在多个非终节点时,选择什么样的 节点先扩展? 一般选择最能导致该局部解图耗 散值发生较大变化的节点先进行扩展, 可促使 及时修改局部解图的标记. • 同A算法类似,若 s→N 存在解图,当 h(n) ≤ h*(n)且h(n)满足单调限制条件时(对n到其子 节点的每一连接符均需要满足),则 AO* 一定 能找到最佳解图.
• 定义：与或图就是包含与节点和或节点 的图，即存在超弧的图，也称为超图. • 超图与状态空间图有什么区别？ 与或图是一种更一般的图. • 定义：一超弧所相关的边数（K）被称为 该超弧的度，实现的连接称为K-连接. • K—连接符：从一个父节点指向一组含有 K个后继节点的节点集.
Artificial Intelligence
AO*搜索算法过程分析
• 两个过程的重复:
–自上而下的图生长过程（4-6步）: 先通过有标 记的连接符，找到目前为止最好的一个局部解 图，然后对其中一个非终节点进行扩展，并对 其后继节点赋估计耗散值和加能解标记. –自下而上的估价函数值的修正、连接符的标记 和SOLVED的标注过程(7-12): 耗散值的修正从 刚被扩展的节点n开始，其修正耗散值q(n)取所 有估计值中最小的一个，然后根据耗散值递归 计算公式逐级向上修正其先辈节点的耗散值.只 有下层节点耗散值修正后，才可能影响到上一 层节点的耗散值，如此一直修正到初始节点.
3
与或图搜索
• 含义：在与或图上执行搜索的过程，其目的在于标明 起始节点是有解的，即，搜索不是去寻找到目标节点 的一条路径，而是寻找一个解图。 • 定义：一个节点被称为能解节点，其递归定义为： 1．终节点是能解节点（直接与本原问题相关联）； 2．若非终节点 有 “或” 子节点时，当且仅当其子 节点至少有一个能解 ，该非终节点才能解； 3．若非终节点有 “与” 子节点时，当且仅当其子 节点均能解，该非终节点才能解。
h(n0)=3
★
AO*搜索算法的过程
• • • • • • 主要步骤 第4步(G’) 第5步(n) 第6步 第7步(S) 第11步 • • • • • • 第1循环 (n0) (n0) (n1,n5,n4) (n0) 比较,选 n0→n1; n1 不可解; • • • • • • 第2循环 n0→n1 (n1) (n2,n3) (n1) 1) 比较,选 n1→n3; n3 不可解; 2)比较,选 n0→n5, n4; n5, n4不可 解; • 1) 加n0 → S; 2)无; • • • • • • 第3循环 • n0→n5, n4 • (n5) • (n6,n7,n8) • (n5) • 比较,选 • n5→n7, n8; 改指针; n7, n8可解, n5 可解 第4循环 n0→n5, n4; (n4) (n5,n8) (n4) 1)比较,选 n4→ n8; n8可解, n4 可解; 2) n4 , n5可 解; n0可解.
与或图搜索与状态空间图搜索的区别：
• 搜索目的不同：是证明起始节点是否可解， 而可解节点是递归定义的，取决于后继节 点是否可解，即搜索过程是能否找到可解 的叶节点. • 结果不同：若初始节点被标示为可解，则 搜索成功结束；若初始节点被标示为不可 解，则搜索失败. • 节点处理不同：一旦发现不可解节点，应 把该节点从图中删去. Artificial Intelligence
4
与或图启发式搜索算法 AO*
• 假设：G；G；h(n)是从节点 n 到一组终叶节点的 一个最优解图的一个代价估计，评价函数q(n)=h(n) AO*过程: 1.建立初始搜索图，G:=s，计算 q(s)=h(s)，IF GOAL(s) THEN M(s,SOLVED)； 2. Until s 已标记为 SOLVED, do: 3. Begin 4. G := FIND(G)；根据连接符标记（指针）找出一 个待扩展的侯选局部解图G（连接符在11步标记） 5. n := G 中的任一非终节点; 选一个当前节点 6. EXPAND(n),生成子节点集{ni}，如果 ni G， G:= ADD({ni},G),计算 q(nArtificial IF GOAL(ni) i)=h(ni)， Intelligence THEN M(ni, SOLVED);
Artificial Intelligence
• 问题: 假定我们已经会求矩形的面积，现在要求 如图所示的五边形的面积。 • 方法分析: 五边形的面积转化为矩形面积。
①
I 1
III ③
2 II
3
②
Artificial Intelligence
求解步骤：
① 求五边形面积 求 1面积 求 I面积 求 2面积 求 II面积 求 3面积 求 III面积 求• ③面积 I 1 2 II III ③ 3
2 与或图
• 与节点：把单个问题分解为几个子问题来求解。只 有当所有子问题都有解，该父辈节点才有解。表示 一种 “与” 关系。 • 或节点：同一问题被转换为几种不同的后继问题。 只要有一个后继问题有解，则原问题有解。表示一 种 “或” 关系。
P P
R (a)
Q
R (b)
Q
• 与节点由与运算连接（超弧），如图（a）. Artificial Intelligence • 或节点由或运算连接，如图（ b）.