人工智能期末复习资料.docxVIP

一、智能化智能体 什么是智能体什么是理性智能体智能体的特性有哪些智能体的分类有哪些 智能体定义：经过传感器感知所处环境并经过履行器对该环境产生作用的计算机程序及其控制的硬件。 理性智能体定义：给定感知序列(perceptsequence)和内在知识(built-inknowledge) 理性智能体可以选择使得性能胸怀的希望值(expectedvalue)最大的行动。 智能体的特性：自主性（自主感知学习环境等先验知识）、反响性（Agent为实现自己  ， 目标做出的行为）、社会性（多Agent及外在环境之间的协作磋商）、进化性（Agent自主学习，逐步适应环境变化） 智能体的分类： 简单反射型智能体：智能体寻找一条规则，其条件知足目前的状态（感知），然后履行该规则的行动。 鉴于模型的反射型智能体：智能体根据内部状态和目前感知更新目前状态的描绘， 选择切合目前状态的规则，然后履行对应规则的行动。 鉴于目标的智能体：为了达到目标选择合适的行动，可能会考虑一个很长的可能行动 序列，比反射型智能体更灵活。 鉴于效用的智能体：决定最好的选择达到自己的知足。 学习型智能体：自主学习，不断适应环境与修正原来的先验知识。 2.描绘几种智能体种类实例的任务环境PFAS，并说明各任务环境的属性。 答题举例： 练习：给出如下智能体的任务环境描绘及其属性刻画。 机器人足球运动员 因特网购书智能体 自主的火星遨游者 数学家的定理证明助手 二、用搜寻法对问题求解 简述有信息搜寻（启迪式搜寻）与无信息搜寻（盲目搜寻、非启迪式搜寻）的区别。 非启迪式搜寻：按已经付出的代价决定下一步要搜寻的节点。拥有较大的盲目性，产生较多的无用节点，搜寻空间大，效率不高。 启迪式搜寻：要用到问题自己的某些信息，以指导搜寻朝着最有希望的方向前进。由于这种搜寻针对性较强，因而原则上只要搜寻问题的部份状态空间，搜寻效率较高。 怎样评论一个算法的性能（胸怀问题求解的性能） 完备性：当问题有解时，算法是否能保证找到一个解； 最优性：找到的解是最优解； 时间复杂度：找到一个解需要花多长时间 搜寻中产生的节点数 空间复杂度：在履行搜寻过程中需要多少内存 在内存中存储的最大节点数 简述几种搜寻方式的思想。非启迪式搜寻： 广度优先搜寻：首先扩展根节点，接着扩展根节点的所有后续，然后在扩展它们的后续，依次类推。在下一层的任何节点扩展以前搜寻树上本层深度的所有节点都已经扩展过。 代价一致搜寻：扩展路径消耗最低的节点，若单步耗散相等，则等价于广度优先搜寻算法。 深度优先搜寻：扩展搜寻树的目前边缘中最深的节点。搜寻直接推进到搜寻树的最深层，  当 最深层节点扩展完没达到目标节点则将向上回到下一个还有未扩展后续节点的稍浅的节点。 深度有限搜寻：深度为l的节点被当做没有后续的节点对待。 迭代深入深度优先搜寻：不断增大深度限制，直到找到目标节点。 代价一致搜寻的迭代搜寻：不断增加路径耗散限制 双向搜寻：运行两个同时的搜寻：向前搜寻（从初始状态向前搜寻）和向后搜寻（从目标状态向后搜寻），扩展节点前检查该节点是否在另一棵树的边缘。启迪式搜寻： 贪心最正确优先搜寻：定义一个评论函数f，对目前的搜寻状态进行评估，找出一个最有希望的节点来扩展。 局部搜寻算法：从独自的一个目前状态出发，只移动到相邻状态，找目标状态，往常不保存 搜寻路径。 登山法搜寻：根据一个目标函数，搜寻目前街坊中状态最好的一个（最陡上涨）。（贪心局部 搜寻） 模拟退火搜寻：先高温烧热，再慢慢降温。当“温度”T降低得足够慢，能找到全局最优解 的概率逼近1。 局部剪枝搜寻：按一定概率随机地从后续会合中选择k个后续，若出现目标状态则停止，否 则再从所有后续中选择k个最正确后续，重复这一过程。 遗传算法：鉴于进化过程中的信息遗传体制和优胜劣汰的自然选择原则的搜寻算法。 4.什么是启迪式、启迪式函数、可采纳的启迪式、一致的启迪式、启迪式搜寻PPT方法一： 对h加以限制。 评论函数  f(n)=g(n)+h(n) g(n):  从初始状态  s到状态n的实际耗散值。 h(n): f(n):  启迪函数，从状态n到目标的最短路径的估计耗散值 从s经过n到目标的最短路径估计耗散值 简述A*算法，证明其最优性。 简述智能优化方法中遗传算法的观点及优点。 遗传算法经过作用于染色体上的基因寻找好的染色体来求解问题。随机产生初始群体， 其中每个个体赐予一个数值评论即适应度，鉴于适应度来随机选择染色体，使适应性好的染色体有更多繁殖时机。 优点： 随机搜寻：始于搜寻空间的一个随机点集，而不像图搜寻那样固定地始于初始节点。 满意解 并行搜寻：从搜寻空间的一个点集（种群）到另一个点集。适合大规模并行计算，有能力跳出局部最优解。 算法适应性强：除确定适应度函数外几乎不需