人工智能与或图搜索23
《人工智能及其应用》(蔡自兴)课后习题答案第3章
第三章搜索推理技术3-1什么是图搜索过程?其中，重排OPEN表意味着什么，重排的原则是什么?图搜索的一般过程如下：(1) 建立一个搜索图G(初始只含有起始节点S)，把S放到未扩展节点表中（OPEN表）中。
(2) 建立一个已扩展节点表（CLOSED表），其初始为空表。
(3) LOOP：若OPEN表是空表，则失败退出。
(4) 选择OPEN表上的第一个节点，把它从OPEN表移出并放进CLOSED表中。
称此节点为节点n，它是CLOSED表中节点的编号(5) 若n为一目标节点，则有解并成功退出。
此解是追踪图G中沿着指针从n到S这条路径而得到的(指针将在第7步中设置)(6) 扩展节点n，生成不是n的祖先的那些后继节点的集合M。
将M添入图G中。
(7) 对那些未曾在G中出现过的(既未曾在OPEN表上或CLOSED表上出现过的)M成员设置一个通向n的指针，并将它们加进OPEN表。
对已经在OPEN或CLOSED表上的每个M成员，确定是否需要更改通到n的指针方向。
对已在CLOSED表上的每个M成员，确定是否需要更改图G中通向它的每个后裔节点的指针方向。
(8) 按某一任意方式或按某个探试值，重排OPEN表。
(9) GO LOOP。
重排OPEN表意味着，在第(6)步中，将优先扩展哪个节点，不同的排序标准对应着不同的搜索策略。
重排的原则当视具体需求而定，不同的原则对应着不同的搜索策略，如果想尽快地找到一个解，则应当将最有可能达到目标节点的那些节点排在OPEN表的前面部分，如果想找到代价最小的解，则应当按代价从小到大的顺序重排OPEN表。
3-2 试举例比较各种搜索方法的效率。
宽度优先搜索(1) 把起始节点放到OPEN表中(如果该起始节点为一目标节点，则求得一个解答)。
(2) 如果OPEN是个空表，则没有解，失败退出；否则继续。
(3) 把第一个节点(节点n)从OPEN表移出，并把它放入CLOSED扩展节点表中。
(4) 扩展节点n。
《人工智能》综合习题
1． 在回溯法求解径时，当前状态的所有可用规则按某种固定原则排序，而不是对各可用规则进行评价，将可用规则按到达目标状态的可能性排序。
（√×）2． 在2阶梵塔问题中，若小盘和大盘分别表示为A 和B ，初始状态为（AB, —, —），即第1个柱上有两个盘，其他两个柱上无盘，另外，目标状态为（—, AB, —），请画出回溯算法的搜索树。
3． 深度优先和宽度优先是两个特别的图搜索法，即待扩展结点插入OPEN 表的位置按某种固定原则确定。
如果新扩展出的结点不在OPEN 或CLOSED 中，深度优先法将其放在OPEN 表的______，宽度优先法将其放在OPEN 表的______。
4． 在A 算法中，评价函数f(n)一般表示为g(n) + h(n)。
g(n)是g*(n)的估计，g*(n)的含义是________，g(n)一般按_______计算。
h(n)是h*(n)的估计，h*(n)的含义是_________，h(n)根据________计算。
5． 在A 算法中，有两个辅助的表，即OPEN 和CLOSED 表。
OPEN 表存放___________，且结点按_________排序，即优先扩展________结点，CLOSED 表存放___________。
6． A 算法中，如果新扩展出的结点已在CLOSED 表，通常将此结点放回OPEN 表，而不是考虑修改其子结点的指针。
（√×）7． 在分支界限法中，f(n) = g(n)，即h(n) = 0，故分支界限法也是一种A*算法。
（√×）8． 在分支界限法中，将初始结点到各叶子结点的所有路径存入一个队列，且队列按路径耗散非递减排序，若八城市间距如教材图1.11，起始结点为s 、目标结点为t ，请画出采用分支界限法的搜索（图）树。
9． 动态规划法是对分支界限法的一种改进，即只保留到叶子结点的最短路径。
若八城市间距如教材图1.11，起始结点为s 、目标结点为t ，请画出采用动态规划法的搜索（图）树。
《人工智能基础》名词术语
1，AI:AI是人工智能英文单词Artificial Intelligence的缩写。
2，人工智能:人工智能是研究如何制造出人造的智能机器或智能系统，来模拟人类智能活动的能力，以延伸人们智能的科学。
3，产生式系统:产生式系统是Post于1943年提出的一种计算形式体系里所使用的术语，主要是使用类似于文法的规则，对符号串作替换运算。
到了60年代产生式系统成为认知心理学研究人类心理活动中信息加工过程的基础，并用它来建立人类认识的模型。
到现在产生式系统已发展成为人工智能系统中最典型最普遍的一种结构，例如目前大多数的专家系统都采用产生式系统的结构来建造。
产生式系统由综合数据库、一组产生式规则（规则集）和一个控制系统（控制策略）三部分组成，称为产生式系统的三要素。
4，产生式系统的三要素:产生式系统的三要素是综合数据库、一组产生式规则（规则集）和一个控制系统（控制策略）。
5，产生式规则:产生式规则是知识表示的一种形式，其形式如下： IF <前件> THEN <后件> 其中规则的<前件>表达的是该条规则所要满足的条件，规则的<后件>表示的是该规则所得出的结论，或者动作。
规则表达的可以是与待求解的问题有关的客观规律方面的知识，也可以是对求解问题有帮助的策略方面的知识。
6，八数码游戏（八数码问题）:八数码游戏（八数码问题）描述为：在3×3组成的九宫格棋盘上，摆有八个将牌，每一个将牌都刻有1-8八个数码中的某一个数码。
棋盘中留有一个空格，允许其周围的某一个将牌向空格移动，这样通过移动将牌就可以不断改变将牌的布局。
这种游戏求解的问题是：给定一种初始的将牌布局或结构（称初始状态）和一个目标的布局（称目标状态），问如何移动将牌，实现从初始状态到目标状态的转变。
7，传教士和野人问题（M-C问题）:传教士和野人问题描述为：有N个传教士和N个野人来到河边准备渡河，河岸有一条船，每次至多可供k人乘渡。
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。
《人工智能导论》第3章 图搜索与问题求解
第 3 章 图搜索与问题求解 图 3-5 修改返回指针示例
第 3 章 图搜索与问题求解
说明：
(1) 这里的返回指针也就是父节点在CLOSED表中的编 号。
(2) 步6中修改返回指针的原因是, 因为这些节点又被第 二次生成, 所以它们返回初始节点的路径已有两条, 但这两 条路径的“长度”可能不同。 那么, 当新路短时自然要走 新路。
第 3 章 图搜索与问题求解
3.1.5 加权状态图搜索
1.加权状态图与代价树
例3.6 图3-9(a)是一个交通图,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。
第 3 章 图搜索与问题求解 图 3-9 交通图及其代价树
第 3 章 图搜索与问题求解
第 3 章 图搜索与问题求解
3. 状态图表示
一个问题的状态图是一个三元组 (S, F, G)
其中S是问题的初始状态集合, F是问题的状态转换 规则集合, G是问题的目标状态集合。
一个问题的全体状态及其关系就构成一个空间, 称为状态空间。所以,状态图也称为状态空间图。
第 3 章 图搜索与问题求解
例 3.7 迷宫问题的状态图表示。
的返回指针和f(x)值, 修改原则是“抄f(x)
”。
(2)对其余子节点配上指向N的返回指针后放入OPEN表中, 并对OPEN表按f(x)值以升序排序, 转步2。
第 3 章 图搜索与问题求解
算法中节点x的估价函数f(x)的计算方法是 f(xj)＝g(xj)＋h(xj) ＝g(xi)＋c(xi, xj)＋h(xj) (xj是xi的子节点)
人工智能06-07期末试题答案
只有一个孤独的影子，她，倚在栏杆上；她有眼，才从青春之梦里醒过来的眼还带着些朦胧睡意，望着这发狂似的世界，茫然地像不解这人生的谜。
她是时代的落伍者了，在青年的温馨的世界中，她在无形中已被摈弃了。
她再没有这资格，心情，来追随那些站立时代前面的人们了！在甜梦初醒的时候，她所有的惟有空虚，怅惘；怅惘自己的黄金时代的遗失。
咳！苍苍者天，既已给与人们的生命，赋与人们创造社会的青红，怎么又吝啬地只给我们仅仅十余年最可贵的稍纵即逝的创造时代呢？。
人工智能chp.ppt
(3) 与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,AO*一定可找 到最佳解图,而h(n)=0时AO*变为宽度优先搜索算法。
第三章 可分解产生式系统搜索策略
3.3 博弈树搜索 Grundy博弈：一堆数目为N的钱币由两位选手轮流分 堆，每个选手每次只把其中某一堆分成数目不等的两 小堆，直到不能再分为数目不等的两堆时认输。下面 是对应的产生式系统描述。 综合数据库：无序数字序列x1,…xn表示n堆钱币不同 的个数，M表示对应的选手标志，组合(x1,…,xn,M)表 示了选手走步的状态。 规则：If (x1,…,xn,M)∧(xi=y+z,y≠z) Then (x1,…,xi-1,y,z,xi+1,xn,M) Grundy博弈问题搜索的状态空间图。
n0 ３
n0
5
２
n1 n4
１ n5 １
n0
4
5
n1
n2
4 n3 4
１ n5
n1
4
n3
5
t n2
２
n5
１n4
4
n6
２
n4
n7 0
１
n8
0
5 n0
5
n1
tn4
n3
n2
１
4
4
２ n5
n6
２
n7
0
0 n8
第三章 可分解产生式系统搜索策略 AO*与算法A的区别:
(1) AO*评价函数只考虑h(n)分量，因算法是自底 向上的耗散值操作，局部耗散值的比较是在s处，获得 估计效果，没必要计算g的值;
人工智能基础与应用-人工智能人脸识别-人工智能机器也认识你-人工智能案例照片智能搜索
授课人：目录01提出问题02预备知识任务2——利用训练好的模型来辨识照片030405任务1——训练目标人脸识别模型解决方案随时人民生活水平的提高和手机照相功能的日趋完美，我们不经意中拍摄了很多值得回忆的时刻，一场说走就走的旅行途中也记录下许多令人心动的瞬间，不知不觉之中，我们身边保存了大量的生活相片。
然而，每当你想重温你或者他的系列照片时，或者想分享一张你特别满意的靓照，从众多的照片中一遍遍翻找这些照片的确是一件费时费力的事情。
这时，你可能会问：既然AI无时不在我们身边，能否借助AI的人脸识别技术来帮助我自动整理出我想要的照片，实现照片的智能搜索呢？答案无疑是肯定的。
下面，我们就利用人脸识别技术和OpenCV工具，对相册中的照片进行自动挑选以解决上述问题。
帮人从相册中找出指定人物的系列照片，对于人工操作而言，并不是一件困难的事情，但整理的效率可能不尽人意，毕竟手动翻阅每张照片是个耗时费力的事。
让计算机替代人来完成这个事，难点在于如何从被检照片中识别与目标人脸高度相似的人脸，如果被检照片中有此人，说明该照片就是你想要的那一张，否则，该照片被忽视。
因此，一种可行的方案是：首先训练计算机认识不同式样的同一系列人脸，让它知道其实这些照片上的人物是同为一个人，从而得到目标人脸训练模型；其次，遍历相册中的每张照片，检测出该照片上所有的人脸，提取人脸特征值，然后用目标人脸训练模型依次对人脸特征值进行预测比对，如果两者之间只要有一次高度匹配，就保留该照片，立即进入下一张照片的搜索，如果均不匹配，则忽视该照片，进行下一张搜索，直至搜索完所有的照片；最后得到的所有保留照片就是智能搜索的结果，至此，整个智能搜索照片过程结束。
问题的解决方案如下图所示。
解决方案利用OpenCV来智能搜索相片，有两个重要的环节，一是人脸区域的检测，这要用到前面提到的人脸检测器；二是基于人脸区域数据的人脸识别，这要用到人脸识别模型，下面分别来了解OpenCV中人类检测器和人脸识别模型的使用。
人工智能中图搜索算法(PDF 159页)
图4—5 八数码问题的广度优先搜索
第9页
第4章 图搜索技术
以上两个问题都是在某个有向图中寻找目标或路径问 题，这种问题图搜索问题。把描述问题的有向图称为状态 空间图，简称状态图。图中的节点代表问题中的一种格局， 一般称为问题的一个状态，边表示两个状态之间的联系。 在状态图中，从初始节点到目标节点的一条路径或者所找 到的目标节点，就是问题的解（路径解）。
谓搜索，顾名思义，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)。 搜索过程中经过的节点和边，按原图的连接关系，形成树 型的有向图，称为搜索树。搜索过程应当随时记录搜索痕 迹。
1.搜索方式 用计算机来实现状态图的搜索，有两种最基本的方式： 树式搜索和线式搜索。 所谓树式搜索，形象地讲就是以“画树”的方式进行 搜索。 即从树根（初始节点）出发一笔一笔地描出来的。
状态图实际上是一类问题的抽象表示。事实上，有许
多智力问题(如梵塔问题、旅行商问题、八皇后问题、农
夫过河问题等)和实际问题（如路径规划、定理证明、演
绎推理、机器人行动规划等）都可以归结为在某一状态图
中寻找目标或路径的问题。因此，研究状态图搜索具有普
遍意义。
第10页
第4章 图搜索技术
4.1.2 状态图搜索 在状态图中寻找目标或路径的基本方法就是搜索。所
第4章 图搜索技术
3. 搜索算法 由于搜索的目的是为了寻找初始节点到目标节点 的路径，所以在搜索过程中就得随时记录搜索轨迹。 为此，我们用一个称为CLOSED表的动态数据结构来 专门记录考查过的节点。显然，对于树式搜索来说， CLOSED表中存储的正是一棵不断成长的搜索树；而 对于线式搜索来说，CLOSED表中存储的是一条不断 伸长的折线，它可能本身就是所求的路径(如果能找到 目标节点的话)。
人工智能技术导论(第三版)
road(
“西安”
,”北京”
,1165).
road(
“西安”
,”上海”
,1511)
road(
“西安”
,“广州”
,2129).
road(
“西安”
,”昆明”
,1942)
road(
legal1((X,Y)):-X>=Y,X>=0,Y>=0.
update((X,Y,0),Move,Statu1):-
(A,B)=X,
(C,D)=Y,
(E,F)=Move,
C1 is C+E,
D1 is D+F,
A1 is A-E,
B1 is B-F,
Statu1=((A1,B1),(C1,D1),1).
若传教士和野人的数目均为五人，渡船至多可乘三人，请定义一个启发函数，并给出相 应的搜索树。
解：
( 1)设计该问题的状态。例如：((左岸牧师数，左岸野人数 ),( 右岸牧师数，右岸野人数),船的位置)。(2)定义目标状态。这里是： ((0,0),(3,3),1)(3)描述可能的动作。船上所
能够载人的状态就是可能的操作。用谓词move/2表示。( 4) 判断合法状态( 5)深度优先
update((X,Y,1),Move,Statu1):-
(A,B)=X,
(C,D)=Y,
(E,F)=Move,
C1 is C-E,
D1 is D-F,
A1 is A+E,
B1 is B+F, Statu1=((A1,B1),(C1,D1),0). connect(Statu,Statu1):- move(X,Y), update(Statu,(X,Y),Statu1), legal(Statu1). findroad(X,X,L,L):-write(L). findroad(X,Y,L,L1):- connect(X,Z), not(member(Z,L)), findroad(Z,Y,[Z|L],L1).
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
人工智能第三章搜索策略-1
2021/7/9
在树的最深一层的节 点中扩展一个节点。 只有当搜索遇到一个 死亡节点（非目标节 点并且是无法扩展的 节点）的时候，才返 回上一层选择其他的 节点搜索。
10
无论是宽度优先搜索还是深度优先搜索，遍历 节点的顺序一般都是固定的，即一旦搜索空间 给定，节点遍历的顺序就固定了。这种类型的 遍历称为“确定性”的，也就是盲目搜索。
定义2类操作算子：
L(x,y)——指示从左岸到右岸的划船操作 R(x,y)——指示从右岸到左岸的划船操作
x + y ≤K=2(船的载重限制)； x和y取值的可能组合只有5个 10，20，11，01，02 ( 允许在船上只有野人而没有传教士 )
共有10个操作算子
2021/7/9
26
渡河问题的状态空间有向图
2021/7/9
21
钱币问题的状态空间图
2021/7/9
22
状态空间搜索
——1.状态空间及其搜索的表示
(2)状态空间表示的经典例子“传教士和野人问题” ★
问题的描述：
N个传教士带领N个野人划船过河； 3个安全约束条件：
1)船上人数不得超过载重限量，设为K个人； 2)任何时刻（包括两岸、船上）野人数目不得超
人工智能第三章搜索策 略-1
2021/7/9
第3章 搜索策略
两大类搜索技术:
1、一般图搜索、启发式搜索 2、基于问题归约的与或图搜索
两种典型的推理技术:
1、基于归结的演绎推理
归结反演
2、基于规则的演绎推理
正向演绎推理 逆向演绎推理
2021/7/9
2
3.1 引言
对于给定的问题，智能系统的行为一般是 找到能够达到所希望目标的动作序列，并使 其所付出的代价最小、性能最好。
图搜索技术
翻动钱币的操作抽象为改变上述状态的算子，
即F＝{a, b, c}
a:把钱币q0翻转一次 b:把钱币q1翻转一次 c:把钱币q2翻转一次 问题的状态空间为<{Q5},{Q0 Q7}, {a, b, c}>
2021/11/6
人工智能
13
3.1.1 状态、操作和状态空间（10）
状态空间图 a
c （0，0，0） （1，0，0） b
初始状态 S0=(1,1,1,…,1,…,1) 目标状态 Sg1 =(2,2,2,…,2,…,2)
Sg2 =(3,3,3,…,3,…,3)
2021/11/6
人工智能
24
n（n≥3）阶梵塔问题
n阶梵塔问题的操作集合表示为： F={Rk(i,j) | i,j={1,2,3}，k={1，2，…，n}}
S5 2 2 1 S13 0 2 1 S21 2 2 0 S29 0 2 0
S6 2 1 1 S14 0 1 1 S22 2 1 0 S30 0 1 0
S7 2 0 1 S15 0 0 1 S23 2 0 0 S31 0 0 0
2021/11/6
人工智能
17
3.1.2 修道士和野人问题的状态空间（4）
目标状态集合{θ0, θ7}
人工智能
12
3.1.1 状态、操作和状态空间（9）
引入一个三元组(q0,q1,q2)来描述总状态，钱币正面为0，反面 为1，全部可能的状态为：
Q0=(0,0,0) ; Q1=(0,0,1); Q2=(0,1,0) Q3=(0,1,1) ; Q4=(1,0,0); Q5=(1,0,1) Q6=(1,1,0) ; Q7=(1,1,1)。
3.1.1 状态、操作和状态空间 3.1.2 修道士和野人的状态空间 3.1.3 梵塔问题的状态空间 3.1.4 重排九宫问题和隐式图 3.1.5 问题求解的基本框架
4-与或图搜索
对垒过程中，双方都了解当前格局及过去的历史
非偶然
双方都是理智的分析决定自己的行动，不存在“碰运气”的偶然因
素
11
人工智能
sspu 王帅
博弈树
在博弈过程中，任何一方都希望自己取得胜利。因此，在 某一方当前有多个行动方案可供选择时，他总是挑选对自 己最有利而对对方最不利的那个方案行动。 如果我们站在A方立场，则可供A选择的若干方案之间是 “或”关系，因为主动权在A方手里，他或者选择这个方 案，或者选择另一个方案，完全由A决定 但若B也有若干可供选择的方案，则对A来说这些方案之间 是“与”关系，因为这时主动权在B，这些可供选择的方 案中的任何一个都可能被B选中，A必须考虑对自己最不利 的情况的发生 把上述博弈过程用图表示出来，得到的是一棵“与／或” 树 注意：该“与／或”树是始终站在某一方（例如Ａ方）的 立场上得出的，不能一会站在Ａ方立场，一会又站在Ｂ方 立场
24
人工智能 sspu 王帅
极大极小法—计算倒推值示例
1
b
0
1
a
0
3
1
6
极大
极小
0
-3
3
-3
-3
-2
1
-3
6
-3
0
5
-3
3
3
-3
0
2
2
-3
0
-2
3 5 4
1
-3
0 6
8 9
-3
25
人工智能
sspu 王帅
-剪枝
S0
3 ≥3 S2 ≤2
S1
3
3 5 S3 S4
2 S5 S6
设有博弈树，各端点的估值如 图所示，其中S6还没计算估值。 由S3与S4的估值得到S1的倒推 值为3，这表示S0的倒推值最小 为3。另外，由S5的估值得知S2 的倒推值最大为2，因此S0的倒 推值为3。 这里，虽然没有计算S6的估值， 仍然不影响对上层节点倒推值 的推算，这表示S6这个分枝可 以从博弈树中剪去
人工智能复习题和答案
一、单选题1. 人工智能的目的是让机器能够（D ），以实现某些脑力劳动的机械化。
A. 具有完全的智能B. 和人脑一样考虑问题C. 完全代替人D. 模拟、延伸和扩展人的智能2. 下列关于人工智能的叙述不正确的有（ C ）。
A. 人工智能技术它与其他科学技术相结合极大地提高了应用技术的智能化水平。
B. 人工智能是科学技术发展的趋势。
C. 因为人工智能的系统研究是从上世纪五十年代才开始的，非常新，所以十分重要。
D. 人工智能有力地促进了社会的发展。
3. 自然语言理解是人工智能的重要应用领域，下面列举中的（C）不是它要实现的目标。
A. 理解别人讲的话。
B. 对自然语言表示的信息进行分析概括或编辑。
C. 欣赏音乐。
D. 机器翻译。
4. 下列不是知识表示法的是（）。
A. 计算机表示法B. 谓词表示法C. 框架表示法D. 产生式规则表示法5. 关于“与/或”图表示知识的叙述，错误的有（D ）。
A. 用“与/或”图表示知识方便使用程序设计语言表达，也便于计算机存储处理。
B. “与/或”图表示知识时一定同时有“与节点”和“或节点”。
C. “与/或”图能方便地表示陈述性知识和过程性知识。
D. 能用“与/或”图表示的知识不适宜用其他方法表示。
6. 一般来讲，下列语言属于人工智能语言的是（D ）。
A. VJB. C#C. FoxproD. LISP7. 专家系统是一个复杂的智能软件，它处理的对象是用符号表示的知识，处理的过程是（C ）的过程。
A. 思考B. 回溯C. 推理D. 递归8. 确定性知识是指（A ）知识。
A. 可以精确表示的B. 正确的C. 在大学中学到的知识D. 能够解决问题的9. 下列关于不精确推理过程的叙述错误的是（ B ）。
A. 不精确推理过程是从不确定的事实出发B. 不精确推理过程最终能够推出确定的结论C. 不精确推理过程是运用不确定的知识D. 不精确推理过程最终推出不确定性的结论10. 我国学者吴文俊院士在人工智能的（ A ）领域作出了贡献。
人工智能.ppt
图的搜索技术： ➢盲目搜索技术 ➢启发式搜索技术
差别： ✓选取待扩展节点的规则不同
2020/10/23
盲目搜索技术
宽度优先：先扩展出来的节点优先（OPEN 为队 列）
深度优先：后者扩展出来的节点优先（OPEN 为 堆栈） ，有深度限制
代价优先：到起始节点代价小的节点优先 （ OPEN 为线性表）
定理证明的过程、编写简单的Prolog程序
2020/10/23
本课程的三大部分：
➢问题求解 ➢谓词逻辑 ➢计算智能
2020/10/23
2020/10/23
消解原理的应用： ➢定理的证明（前提结论） ➢回答问题
Visual Prolog语言
2020/10/23
要求掌握的算法： ✓ 图的宽度优先、深度优先、代价优先、有序搜
索算法 ✓ 与或树的宽度优先、深度优先搜索算法 ✓ 博弈树的极大极小过程 ✓ 谓词公式化成子句集、合一算法、消解原理、
用倒推的方法（自己下的棋取大者，对手下 的棋取小者）计算出其余各层节点的静态估 计函数值，最后决定走哪一步棋
2020/10/23
-剪枝过程：用深度优先策略来扩展节点，同 时进行函数值的倒推，省去某些比当前结果更差 的棋局
2020/10/23
4 谓词逻辑法与消解原理 ➢谓词公式化成子句集（九步） ➢合一算法求出最一般的合一者(mgu) ➢消解原理
2020/10/23
启发式搜索技术 有序算法：估价函数值小的节点优先 A*算法：估价函数值小的节点优先，启发函
数以最佳启发函数为上界，即 h(n) ≤ h*(n)
2020/10/23
2 问题归约法，与或树和与或图搜索技术 问题归约法表示问题的关键：原始问题、本原问题、
- 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)。
c(ai)+ q(ni1)+…+ q(nik), 这里的q( nij)或者是在本循环内部的
前面步骤计算出的值，或者是在步骤6中指定的值。 设q(m)是所有
qi(m)的最小者， 标记实现这个最小值的超弧，如果本次标记与以前
的标记不同， 擦去以前的标记， 如果这些超弧指向的所有儿子节点
都标记了SOLVED, 则把m也标上SOLVED.
吉林大学珠海学院计算机科学与技术系
2.2 与或图的启发式搜索
AND/OR图的启发搜索过程AO* 1. 建立一个只由根节点s构成的搜索图G, 设从s 出发的解图的
费用为q(s)=h(s), 如果s是目标节点， 用SOLVED标记s. 2. until s 被标上SOLVED, do:
3. begin
4. 通过跟踪从s出发的有标记的超弧计算候选解图G’(这 些标记在后 面的步骤11中给出)
吉林大学珠海学院计算机科学与技术系
2.3 博弈树的搜索
穷尽的极大极小过程。 两个游戏者分别为MAX 和MIN, MAX想取得高的分数， 而MIN
想取得低的分数，把整个棋的状态以及所有可能的移动都用 一个有与或图表示出来， 对于某一游戏者求出他的解图，就 是为游戏者制定的赢的策略。
Nim 游戏，桌子上有 7 枚硬币， 由MAX 和MIN两个人分别把 一堆硬币分成不相等的两堆，谁不能继续做下去，谁就算输， 为MAX制定一个赢的策略。
12.
如果m标记了SOLVED或者m修改后的费用与以前的费用不
同， 则把m通过标记的超弧连接的父亲节点加入到S中，
13
end
14. end
人工智能
吉林大学珠海学院计算机科学与技术系
算法分为两个阶段 1. 4-6 步. 自顶向下的产生候补解图, 并扩展候补
解图的过程. 2. 7-12, 自底向上修正费用值, 标记弧及的过程.
知识表示， 二元组《s, p》,其中s为一集合， 表示桌面 上各堆的硬币数， p表示对当前状态应该移动的游戏者。例 如
（2，3，2， MAX） 表示现在桌面上有 3 堆硬币， 分别为2， 3， 2个， 此时 应抡到MAX移动。
人工智能 6, 1, MAX
吉林大学珠海学院计算机科学与技术系
吉林大学珠海学院计算机科学与技术系
在定义中假定AND/OR图不含回路，即是说， 图中不存在 一个节点的后裔也是这个节点的祖先的情形。 不含回路 保证了节点间具有部分序关系， 从而保证了下面定义的 合理性。 设N是AND/OR图G的目标节点集合， 从图中任意一个节点n 出发到N的一个解图是AND/OR图G的一个子图， 用G’表示， 递归定义如下： 如果n是N中的一个节点， 则G’只包括n. 如果n有一条从n出发的k连弧ai, 这个k连弧连接的儿子节 点是{n1, n2, ..., nk}, 则解图G’由节点n, k连弧ai, 和由n1, n2, ..., nk出发的解图构成。 否则， G没有从n出发到N的解图。
人工智能
与或图
吉林大学珠海学院计算机科学与技术系
• 设从节点n到目标节点集合N的费用用c(n, N)表示， 则c(n, N)定义如下：
• 如果n是N中的一个节点， 则c(n, N)=0，
• 如果n有一条从n出发的k连弧ai, 这个k连弧连接的儿子节点 是{n1, n2, ..., nk}, 则解图G’由节点n, k连弧ai, 和由n1, n2, ..., nk出发的解图构成。这时，解图G’的费用定义为
吉林大学珠海学院计算机科学与技术系
7. 建立一个由n构成的单元素集合S.
8.
直到 S变空, do:
9.
begin
10.
从S中删除其儿子节点不在S中的节点, 记此节点为m.
11.
按以下步骤修改m的费用q(m), 对于每一个从m出发的
12. 指向节点集合{ni1, ni2, ..., nik}超弧ai，计算qi(m)=
5. 在G’中选一个不是目标节点的叶节点n, 6. 扩展节点n, 产生节点n的所有儿子{n1, n2, ..., nk}, 并把这
些儿子连到图G上,对于每一个不曾在G中出现的儿子nj, 设 q(nj)=h(nj), 如果这些儿子节点中的某些节点是目标节点,则 把这些节点标记为SOLVED.
人工智能
人工智能
吉林大学珠海学院计算机科学与技术系
2.1 与或图(AND/OR Graph)的搜索
为严格描述AND/OR图，我们先推广弧的概念。在有 向图中的弧是从一个父亲节点指向它的儿子节点 的。 在AND/儿子节点同时连接起来， 这样的弧也叫做k连弧，在AND/OR图中，k连弧用 弧线连接起来。当k=1 时，k连弧退化成通常的有
• c(n, N)= c(ai)+ c(n, n1)+…+ c(n, nk), 其中c(ai)是k连弧ai的 费用.
• 否则， G没有从n出发到N的解图。设其费用为无穷大∞.。
• 例如，如果假定k连弧的费用是k, 则图3.4 所示的 AND/OR 图的两个解图中，左图的费用是8， 右图的费用是7。
人工智能
二次循环后
图3.5 AO*搜索算法的例子
5, n0
n1 5
n1
n4
5
n4
1
4
n5
2
1
n3, 4
n5 n2,4
2
n2,4
三次循环后
n6,2 n7,0
n6,2 n8,0
n7,0
n8,0
四次循环后
人工智能
吉林大学珠海学院计算机科学与技术系
5, n0 n4 1
n5 2
n8,0 n7,0
搜索得到的解图
人工智能
例
H(n0)=3, H(n1)=2, H(n2)=4, H(n3)=4, H(n4)=1, H(n5)=1, H(n6)=2, H(n7)=0, H(n8)=0,
人工智能 3, n0
吉林大学珠海学院计算机科学与技术系
3, n0
n1
n4
2
1 n5
1
一次循环后
5, n0
n1
n4
2
1
n3 4
n2 4
n5 1
向图中的弧。
人工智能
吉林大学珠海学院计算机科学与技术系
一般的弧
k连弧
人工智能
吉林大学珠海学院计算机科学与技术系
n0
n1
n2
n4
n3 n6 n7
与或图
n5 n8
人工智能
吉林大学珠海学院计算机科学与技术系
n1 n3 n6
n7
n0
n5 n5
n8
n7
三个解图
n0
n4 n5
n0 n4
n8
n7
n8
人工智能