人工智能基础知识.docVIP

《人工智能》需要掌握的基本知识和基本方法 第一章： 1.人工智能的定义：P5 人工智能是一门研究如何构造智能机器（智能计算机）或智能系统，使它能模拟、延伸、扩展人类智能的学科。 2、人工智能研究的基本内容：P10-P11 知识表示 机器感知 机器思维 机器学习 机器行为 .当前人工智能有哪些学派？（自己查资料） 答：目前人工智能的主要学派有下面三家：(1)符号主义(symbolicism)，又称为逻辑主义(logicism)、心理学派(psychologism)或计算机学派(computerism)，其原理主要为物理符号系统(即符号操作系统)假设和有限合理性原理。(2)连接主义(connectionism)，又称为仿生学派(bionicsism)或生理学派(physiologism)，其主要原理为神经网络及神经网络间的连接机制与学习算法。(3)行为主义(actionism)，又称为进化主义(evolutionism)或控制论学派(cyberneticsism)，其原理为控制论及感知-动作型控制系统。 把否定符号”?” 移到紧靠谓词的位置上 变量标准化 换元 消去存在量词 a. 存在量词不出现在全称量词的辖域内 换元就可 b. 存在量词出现在一个或者多个全称量词的辖域内 化为前束形 前束形=（前缀）{母式} （前缀）：全称量词串。 {母式}：不含量词的谓词公式。 化为Skolem标准形 Skolem 标准形： M：子句的合取式，称为Skolem标准形的母式。 略去全称量词 由于公式中所有变量都是全称量词量化的变量，因此，可以省略全称量词 消去合取词，把母子用子句集表示 子句变量标准化，即使每个子句中的变量符号不同 句子中变量要有所区别 第四章 1.主观Bayes方法的主要优缺点（P109） 主观Bayes方法的主要优点： （1）具有较坚实的理论基础。 （2）知识的静态强度 LS 及LN 是由领域专家根据实践经验 给出的，推出的结论有较准确的确定性。 （3）主观Bayes方法是一种比较实用且较灵活的不确定性推 理方法。 主观Bayes方法的主要缺点 ： （1）要求领域专家在给出知识时，同时给出H的先验概率。 （2）Bayes定理中关于事件独立性的要求使主观Bayes 方法 的应用受到了限制。 2.证据理论的概率分配函数的作用（P115）；信任函数和似然函数的关系（P118） （1）设样本空间D中有n个元素，则D中子集的个数为2 个。 ： D的所有子集。 （2）概率分配函数：把D的任意一个子集A都映射为[0，1]上的一个数M（A）。 3.模糊推理：给两个模糊集合，会计算模糊关系（P129例4.11，例4.12） 求A到B的模糊关系R 第五章： 1.搜索的方向 正向搜索（数据驱动）：从初始状态出发的正向搜索，也称为数据驱动 逆向搜索（目的驱动）：从目的状态出发的逆向搜索，也称为目的驱动 双向搜索： 综合上述两种方式的搜索为双向搜索 状态空间表示法的四元组 .深度优先搜索和广度优先搜索的关系和区别 宽度优先搜索：以接近起始结点的程度为依据进行逐层扩展的搜索方法。（用队列 的存储结构，类似于树的按层次遍历的过程。 特点：逐层搜索；高价搜索：若解存在，必能找到。 深度优先搜索：首先扩展最新产生的节点，深度相等的节点可以任意排列的搜索方法。 （用堆栈的数据结构） 特点：搜索沿着状态空间的某单一路径沿着起始点向下进行下去，仅当搜索到达一个没 有后裔的状态时，才选择另一条替代路径。 OPEN表和CLOSE表的变化； 宽度优先搜索 open表（NPS表）：已经生成出来但其子状态未被搜索的状态。 closed表（ PS表和NSS表的合并）：记录了已被生成扩展过的状态。 例题： 启发式搜索的A*算法的优点。 OPEN表和CLOSE表的变化 OPEN表中的节点按着估价函数f（n）=g（n）+h（n）的值从小到大排序 例： 对于八数码难题按下式定义估价函数： f(x)=d(x)+h(x) 其中，d(x)为节点x的深度；h(x)是所有棋子偏离目标位置的曼哈顿距离（棋子偏离目标位置的水平距离和垂直距离和），例如下图所示的初始状态S0：8的曼哈顿距离为2；2的曼哈顿距离为1；1的曼哈顿距离为1；6的曼哈顿距离为1；h(S0)= 5。 初始状态（S0）： 目标状态： 用A*搜索法搜索目标，列出头三步搜索中的OPEN、CLOSED表的内容和当前扩展节点的f值。 （2）画出搜索树和当前扩展节点的f值。 第六章 专家系统包括那些基本部?P（181-183） 知识库 推理机 数据库 知识获取机构 人机接口 解释机构 每一