2019上半年事业单位联考《综合应用能力》C类真题及答案.docxVIP

2019 上半年事业单位统考真题 C 类《综合应用能力》 2019 年上半年全国事业单位联考 C 类《综合应用能力》真题 材料一 1997 年，国际象棋大师加里·卡斯帕罗夫败给了电脑“深蓝”；2016 年，谷歌人工智能 AlphaGo 又战胜了 韩国棋手李世石，这标志着人工智能终于征服了它在棋类比赛中最后的弱项——围棋，谷歌公司的 DeepMind 团队比预期提前了整整 10 年达到了既定目标。 对计算机来说，围棋并不是因为其规则比国际象棋复杂而难以征服——与此完全相反，围棋规则更简单， 它其实只有一种棋子，对弈的双方轮流把黑色和白色的棋子放到一个 19×19 的正方形棋盘中，落下的棋子就不 能再移动了，只会在被对方棋子包围时被提走。到了棋局结束时，占据棋盘面积较多的一方为胜者。 围棋的规则如此简单，但对于计算机来说却又异常复杂，原因在于围棋的步数非常多，而且每一步的可能 下法也非常多。以国际象棋作对比，国际象棋每一步平均约有 35 种不同的可能走法，一般情况下，多数棋局会 在 80 步之内结束。围棋棋盘共有 361 个落子点，双方交替落子，整个棋局的总排列组合数共有约 10171 种可能 性，这远远超过了宇宙中的原子总数——1080！ 对于结构简单的棋类游戏，计算机程序开发人员可以使用所谓的“暴力”方法，再辅以一些技巧，来寻找 对弈策略，也就是对余下可能出现的所有盘面都进行尝试并给予评价，从而找出最优的走法。这种对整棵博弈 树进行穷举搜索的策略对计算能力要求很高，对围棋或者象棋程序来说是非常困难的，尤其是围棋，从技术上 来讲目前不可能做到。 “蒙特卡罗树搜索”是一种基于蒙特卡罗算法的启发式搜索策略，能够根据对搜索空间的随机抽样来扩大 搜索树，从而分析围棋这类游戏中每一步棋应该怎么走才能够创造最好机会。举例来说，假如筐里有 100 个苹 果，每次闭着眼拿出 1 个，最终要挑出最大的 1 个，于是先随机拿 1 个，再随机拿 1 个跟它比，留下大的，再 随机拿 1 个……每拿一次，留下的苹果都至少不比上次的小，拿的次数越多，挑出的苹果就越大。但除非拿 100 次，否则无法肯定挑出了最大的。这个挑苹果的方法，就属于蒙特卡罗算法。虽然“蒙特卡罗树搜索”在此前 一些弈棋程序中也有采用，在相对较小的棋盘中也能很好地发挥作用，但在正规的全尺寸棋盘上，这种方法仍 然存在相当大的缺陷，因为涉及的搜索树还是太大了。 AlphaGo 人工智能程序中最新颖的技术当属它获取知识的方式——深度学习。AlphaGo 借助两个深度卷积 神经网络（价值网络和策略网络）自主地进行新知识的学习。深度卷积神经网络使用很多层的神经元，将其堆 叠在一起，用于生成图片逐渐抽象的、局部的表征。对图像分析得越细，利用的神经网络层就越多。AlphaGo 也采取了类似的架构，将围棋模盘上的盘面视为 19×19 的图片输入，然后通过卷积层来表征盘面。这样，两个 深度卷积神经网络中的价值网络用于评估盘面，策略网络则用于采样动作。 在深度学习的第一阶段——策略网络的有监督学习（即从中 I 中学习）阶段，拥有 13 层神经网络的 AlphaGo 借助围棋数据库 KGS 中存储的 3000 万份对弈棋谱进行初步学习。这 3000 万份棋谱样本可以用 a、b 进 1 行统计。a 是一个二维棋局，把 a 输入到一个卷积神经网络进行分类，分类的目标就是落子向量 A。通过不断的 训练，尽可能让计算机得到的向量 A 接近人类高手的落子结果 b，这样就形成了一个模拟人类下围棋的神经网 络，然后得出一个下棋函数 F_go（）。当盘面走到任何一种情形的时候，AlphaGo 都可以通过调用函数 F_go（） 计算的结果来得到最佳的落子结果 b 可能的概率分布，并依据这个概率来挑选下一步的动作。在第二阶段—— 策略网络的强化学习（即从 Ⅱ 中学习）阶段，AlphaGo 开始结合蒙特卡罗树搜索，不再机械地调用函数 库，而类似于一种人类进化的过程：AlphaGo 会和自己的老版本对弈。即，先使用 F_go（1）和 F_go（1）对弈， 得到了一定量的新棋谱，将这些新棋谱加入到训练集当中，训练出新的 F_go（2），再使用 F_go（2）和 F_go （1）对弈，以此类推，这样就可以得到胜率更高的 F_go（n）。这样，AlphaGo 就可以不断改善它在第一阶段 学到的知识。在第三阶段——价值网络的强化学习阶段，AlphaGo 可以根据之前获得的学习经验得出估值函数 v （s），用于预测策略网络自我对抗时棋盘盘面 s 的结果。最后，则是将 F_ go（）、v（s）以及蒙特卡罗树搜 索三者相互配合，使用 F_ go（）作为初始分开局，每局选择分数最高的方案落子，同时调用 v（s）在比赛中 做出正确的判断。 这就是