人工智能知识点总结

人工智能：Artificial Intelligence，简称AI，主要研究如何使用人工的方法和技术，使用各种自动化机器或智能化机器模仿、延伸和扩展人的智能，实现某些机器思维或脑力劳动自动化。

人工智能的研究目标及其意义：1目标：远期目标是要制造智能机器；近期目标是实现机器智能。

2意义：普遍的计算机智能低下，无法满足社会需求；研究AI是当前信息化社会的迫切需求；智能化是自动化发展的必然趋势；研究AI，对人类自身的智能的奥秘也提供有益的帮助。

人工智能的科学范畴：当前的人工智能既属于计算机技术的一个前沿领域，也属于信息处理和自动化技术的一个前沿领域。

还涉及到智能科学、认知科学、心理科学等，是一门综合性的交叉学科和边缘学科。

人工智能的研究途径与方法：1心里模拟，符号推演2生理模拟，神经计算3行为模拟，控制进化4群体模拟，仿生计算5博采广鉴，自然计算6原理分析，数学建模
人工智能的基本技术：1表示2运算3搜索
人工智能基于应用的领域：1难题求解2自动规划、调度与配置3机器定理证明4自动程序设计5机器翻译6智能控制7智能管理8智能决策9智能通信10智能仿真11智能CAD12智能制造等
人工智能的分支领域：1搜索与图解2学习与发现3知识与推理4发明与创造5感知与交流6记忆与联想7系统与建造8应用与工程
人工智能正式诞生于1956年夏，在达特莫斯大学的研究会上，麦卡锡提议正式采用了“AI”这一术语。

麦卡锡---AI之父
ＡＩ的现状与发证趋势：１多种途径齐头并进，多种方法协作互补２新思想、新技术不断涌现，新领域新方向不断开拓3理论研究更加深入，应用研究愈加广泛4研究队伍日益壮大，社会影响越来越大。

以上展现了AI繁荣景象和光明前景，虽有困难，问题和挑战，但前进和发展毕竟是大势所趋。

产生式系统的组成：产生式规则库、推理机和动态数据库
状态转换规则（操作operator）：1引起状态中某些分量发生改变，从而使一个具体状态变化到另一个具体状态的作用；2它可以是一个机械性的步骤、过程、规则或算子。

3操作描述了状态之间的关系；4状态转换规则在状态图中表示为边。

在程序中状态转换规则可用数据对、条件语句、规则、函数、过程等表示。

何为状态图：一个问题的全部状态及其关系就构成一个空间，称为状态空间或状态图。

与或图：图中既有与关系，又有或关系的称为与或图。

图搜索模式的是人脑分析问题，解决问题的过程，它是基于领域知识的问题求解过程。

搜索方式为树式搜索和线性搜索。

深度优先搜索
穷举式搜索
盲目搜索 广度优先搜索
与或图搜索 盲目碰撞搜索
启发式搜索
直接可解的简单问题成为本原问题，本原问题对应的节点成为终止节点，在与或图中无子节点称为端节点；一个节点的子节点如果是“与”关系，则该节点便称为与节点；一个节点的子节点如果为“或”关系，则称该节点便称为或节点。

注意：终止节点一定是端节点，但端节点不一定是终止节点。

状态空间（State Space ）：问题的状态空间是一个表示该问题全部的可能状态及相互关系的图。

可解性判别：（1）可解节点要满足下列条件之一：1终止节点是可解节点；2一个与节点可解，当且仅当其子节点全部可解；3一个或节点可解，只要其子节点至少有一个可解。

（2）不可解节点要满足下列条件之一：1非终止节点的端节点是不可解节点；2一个与节点不可解，只要其子节点至少有一个不可解；3一个或节点不可解，当且仅当其子节点全部不可解。

广度优先搜索及深度优先搜索都是盲目搜索，其共同点是：1搜索从初始节点开始，先自上 而下地进行搜索，寻找终止节点及端节点，然后再自下而上地进行可解性标记，一旦初始节 点被标记为可解节点或不可解节点，搜索就不再继续进行；2搜索都是按确定路线进行的， 当要选择一个节点进行扩展时，只是根据节点在与或树中所处的位置，而没有考虑要付出的 代价，因而求得的解树不一定是代价最小的解树，即不一定是最优解树。

像这样根据代价决定搜索路线的方法称为与或树的有序搜索。

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。

解树代价的计算方法：g(x)表示节点x 的代价，c(x,y)表示节点x 到其子节点y 的代价(即边xy 的代价)，则(1)若x 是终止节点，g(x)＝0；(2)若x 是或节点； (3)若x 是与节点x ，则有两种计算公式。

①和代价法：
②最大代价法
(4)对非终止的端节点x ，g(x)＝∞
博弈树的特点：1博弈的初始格局是初始节点；2在博弈树种，或节点和与节点是逐层交替出现的。

自己一方的扩展的节点之间是或关系，对方扩展的节点之间是与关系。

双方轮流地扩展节点；3所有自己一方获胜的终局都是本原问题，相应的节点是可解节点；所有使对方获胜的终局都是不可解节点。

极小极大分析法的基本思想：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)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∑
=+=n i i i y g y x c x g 1)}(),({)()}(),({max )(1i i n i y g y x c x g +=≤≤
所产生的后果进行比较；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。

这时估算出来的得分为静态估值；4当端节点的估值计算出来后，再推算出父节点的得分，推算的方法是：对“或”节点，选其子节点中一个最大的得分作为父节点的得分，这是为了使自己在可供选择的方案中选一个对自己最有利的方案；对“与”节点，选其子节点中一个最小的得分作为父节点的得分，这是为了立足于最坏的情况。

这样计算出的父节点的得分称为倒推值。

5如果一个行动方案能获得较大的倒推值，则它就是当前最好的行动方案。

遗传算法是一种什么样的算法？适合于解决哪一类的问题？第一问：1遗传算法一般是直接在解空间搜索；2是一种随机搜索算法；3总是在寻找最优解，是一种优先搜索算法；4是一种并行搜索，适合大规模进行计算，而且这种种群到种群的搜索有能力跳出局部最优解；5适应性强6长于全局搜索。

第二问：它适合于大规模计算，从种群到种群的搜索；并且长于全局搜索，不受搜索空间的限制性假设的约束，不要求连续性，能以很大的概率从离散的、多极值的、含有噪声的高维问题中找到全局最优解。

基于谓词逻辑的机器推理称为自动推理。

个体变元的变化范围称为个体域(或论述域)，包揽一切事物的集合称为全总个体域。

紧接于量词之后被量词作用的谓词公式称为该量词的辖域。

而在一个量词的辖域中与该量词的指导变元相同的变元称为约束变元，其他变元称为自由变元。

约束变元的改名规则如下：1对需改名的变元，应同时更改该变元在量词及其辖域中的所有出现2新变元的符号必须是量词辖域内原先没有的，最好是公式中也未出现过的。

仅个体变元被量化的谓词称为一阶谓词。

如果不仅个体变元被量化，而且函数符号和谓词符号也被量化，则那样的谓词称为二阶谓词。

化子句集的过程：1消去蕴含词和等值词2使否定词仅作用于原子公式3适当改名使量词间不含同名指导变元4消去存在量词5消去全称量词6化公式为合取范式7适当改名，使子句间无同名变元8消去合取词，以子句为元素组成一个集合S。

应用归结原理求取问题答案：1先为待求解的问题找一个合适的求证目标谓词；2再对目标否定子句增配（以析取形式）一个辅助谓词，该谓词的变元必须与对应目标谓词中的变元完全一致；3进行归结；4当归结是刚好只剩下辅助谓词时，辅助谓词中原变元位置上的项就是所求的结果。

MGU最一般合一
几种常用的归结策略：1删除策略：在归结过程中可随时删除一下子句：含有纯文字的子句；含有永真式的子句；被子句集中别的子句类含的子句。

2支持集策略：每次归结时，两个亲本子句中至少要有一个是目标公式否定的子句或其后裔。

这里的目标公式否定的子句集即为支持集。

3线性归结策略：在归结过程中，除第一次归结可都用给定的子句集S中的子句外，其后的各次归结则至少要有一个亲本子句是上次归结的结果。

4输入归结策略：每次参与归
结的两个亲本子句，必须至少有一个是初始子句集S中的子句。

5单元归结策略：每次参加归结的两个亲本子句必须至少有一个是单元子句。

6祖先过滤策略：参加归结的两个子句，要么至少有一个是初始子句集中的子句；要么一个是另外一个的祖先。

其中完备的策略有：删除、支持集、线性祖先过滤形策略；不完备的是输入归结、单元归结策略。

归结策略的类型：1简化型策略2限制性策略3有序性策略
产生式系统的组成：1产生式规则库：亦称产生式规则集，由领域规则组成，在机器中以某种动态数据结构进行组织。

2推理机亦称控制执行机构，是一个程序模块，负责产生式规则的前提条件测试与匹配，规则的调度与选取，规则题的解释和执行。

3动态数据库亦称全局数据库、综合数据库等，是一个动态数据结构，用来存放初始事实数据、中间结果和最后结果等。

产生式系统的运行过程(推理过程)：推理机不断运用规则库中的规则，作用于动态数据库，不断进行推理并不断检测目标条件是否满足的过程。

当推理到某一步，目标条件被满足，则推理成功，于是系统运行结束；或者再无规则可用，但目标条件仍未满足，则推理失败，当然系统也运行结束。

产生式系统的推理可分为正向推理和反向推理两种基本方式。

简单来说，正向推理就是从初始事实数据触发，正向使用规则进行推理，朝目标方向前进，又称为前向推理、正向链、数据驱动的推理；反向推理就是从目标出发，反向使用规则进行推理，朝初始事实或数据方向进行又称反向推理、反向链、目标驱动的推理。

正向推理过程也就是一个从初始状态到目标状态的状态图搜索过程；反向推理过程也是一个图搜索过程，而且是一个与或树搜索。

产生式系统的推理方式、搜索策略及冲突消解策略等，一般统称为推理控制策略或简称控制策略。

一个产生式系统的控制策略就体现在推理机的算法描述中。

产生式系统与图搜索问题求解的区别与联系：
给出了实施这种方法的一种计算机程序系统的结构模式。

这样，问题求解、图搜索和产生式三者的关系式：问题求解是目的，图搜索时方法，产生式系统是形式。

在选择知识表示模式时，应该考虑哪些主要的因素？1框架表示结构性知识、产生式规则以及过程性事件或情节。

2语义网络可表示事物之间的关系、关系型的知识和能化为关系型的知识。

3类和对象使用于面向对象技术或抽象模型。

基于不确定性知识的推理一般称为不确定性推理。

其与确定性推理相比，区别在于多了个信度计算过程：1不确定性推理中规则的前件要与证据事实匹配成功，必须达到一定的限度。

2不确定性推理中的一个规则的触发，不仅要求其前提能匹配成功，而且前提条件的总信度还必须达到阀值。

3不确定性推理中所推得的结论是否有效，也取决于其信度是否达到阀值。

4不确定性推理还要求一套关于信度的计算方法。

不确定性类型：1不确定性2不确切性(模糊性)3不完全性4不一致性和时效性
机器学习原理：1学习与经验有关2学习可以改善系统的性能3学习室一个有反馈信息处理与控制的过程。

机器学习的分类：1模拟人脑的机器学习2基于学习方法的分类3基于学习方式的分类4基于数据形式的分类5基于学习目标的分类
符号学习分类：1记忆学习2示例学习3决策树学习4翻译学习5类比学习
神经网络学习即连接学习分类及其特点如下表：
决策树学习的基本方法和步骤是：首先，选择一个属性，按这个属性的不同取值对实例集进行分类；并以该属性作为根节点，以这个属性的诸取值作为根节点的分枝，进行画图。

然后，考察所得的每一个子类，看其中的实例的结论是否完全相同。

如完全相同，则以这个相同的结论作为相应分支路径末端的叶子节点；否则，选取一个非父节点的属性，按这个属性的不同取值对该子集进行分类，并以该属性作为节点，以这个属性的诸取值作为节点的分支，继续画树。

如此继续，直到所有的子集全部满足：实例结论完全相同，而得到所有的叶子节点为止。

这样，一个决策树就生成了。

专家系统应该具有以下4个要素：1应用于某专业领域2拥有专家级知识3能模拟专家的思维4能达到专家级水平。

所以专家系统就应该是：应用于某一专门领域，拥有该领域相当数量的专家级知识，能模拟专家的思维，能达到专家级水平，能像专家一样解决困难和复杂的实际问题的计算机系统。

专家系统的特点：1从处理的问题性看，专家系统善于解决那些不确定性的、非结构化的、没有算法解或虽有算法解但在现有的机器上无法实施的困难问题。

2从处理问题的方法看，专家系统则是靠知识和推理来解决问题,所以专家系统是基于知识的智能求解系统。

3从系统
的结构来看，专家系统则强调知识与推理的分离，因而系统具有很好的灵活性和可扩充性。

4专家系统一般还具有解释功能，即在运行过程中一方面能回答用户提出的问题，另一方面还能对最后的输出或处理问题的过程做出解释。

5有些专家系统还有自学习能力，即不断对自己的知识进行扩充、完善和提炼。

6专家系统可以超过专家本人。

因为专家系统不像人那样容易疲劳、或情绪影响，它可以始终如一的以专家级的高水平求解问题。

专家系统的概念结构及其各部分的功能：1知识库（KB）：以某种形式存储于计算机中的知识的集合。

2推理机（IE）：实现推理的程序，使用知识库中的知识进行推理而解决问题的，是专家的思维机制。

3动态数据库；也称全局数据库等，是存放初始证据事实、推理结果和控制信息的场所。

4人机界面：指最终用户与专家系统的交互界面。

用户通过界面向系统提出或回答问题，或向系统提供原始数据或事实等；系统通过界面向用户提出回答结果。

5解释模块：专门负责向用户解释专家系统的行为和结果。

6知识库管理系统：管理知识库的建立、删除、重组；知识的获取；知识的检查。

专家系统的实际结构较为复杂不做具体的阐述。

专家系统的发展：1深层知识专家系统2模糊专家系统3神经网络专家系统4大型协同分布式专家系统5网上专家系统6事务处理专家系统。