高级人工智能试卷版本0.8

说明：第一套题可信度较低，仅作参考，部分题目尚未给出答案一填空题1一般公认人工智能学科诞生于【1956】年2人工智能的研究途径有【符号主义】,【连接主义】和进化主义。3知识表示方法中的问题规约的思想事实就是【把原问题分解成可以解决的子问题的集合】,其三要素是初始问题描述，【一套把问题变成子问题的算符】和【一套原问题描述】。4语义网络和框架知识表示法都是知识的【结构化表示方法】表示，其不足是【严格性】较弱。5启发式搜索在搜索中使用【启发信息】帮助搜索。6B规则逆向推理，要求规则的【后项L】是单文字。给出的已知事实必须是【文字合取的形式】；匹配的次序是【】；推理的终止条件是【与或图中包括一个结束在事实节点上的一致解图】7人工智能中处理不确定知识使用的数学方法有概率论，【模糊数学】和粗糙集理论等。8公式集F={S[A,g(y),f(z)],s[x,g(B),f(g（x)）]}的最一般合一者是【{A/x,y/B,z/g(A)}】。二综合题1简述问题规约的基本思想，并指出其三要素。答：知识表示方法中的问题归约思想事实就是简化，其三要素是初始问题描述、一套简化算子和一套本原问题的描述。2深度优先搜索中为何常采用有节深度搜索？答：因为深度优先搜索是不完备的，属于非算法的搜索过程，而有界深度优先搜索引入了搜索深度限制值d，使得深度优先搜索过程具有完备性，因而常常采用有界深度优先搜索。3非单调推理有什么特点？答：推理系统的定理集合并不随推理过程的进行而单调地增大，新推出的定理很可能会否定、改变原来的一些定理，使得原来能够解释的某些现象变得不能解释了。假如把人们在不同认识阶段的知识用集合F来表示，则这样的集合是时间t的函数F(t)。每个集合F(t)表示人们在时刻t的知识总和，则这些集合不是单调增大的。形式地说，如果t1t2，则F(t1)⇔F(t2)并不成立。然而人们的知识却一直在不断增长。导致这一现象的根本原因就是人们推理时所依据的知识具有不完全性。非单调逻辑是处理不完全知识的工具。4画出机器学习的框图，并做简要说明。答：学习单元反馈执行单元知识库环境5将下面的公式化为字句集表示yyxyyxyxPQQXR，，三、设有三个瓶子a,b和c，其容量分别为8升、5升和1升，a瓶装满了8升液体，请用状态空间法给出将a瓶8升液体平分成两个4升液体的方案。四、用谓词公式表示下面的文字描述。1.所有的老虎都是有腿的。2.有的花是不香的。五、用语义网络表示下列文字描述1.Li7月28日游览了黄山设计一个框架，要求，不少于四个槽，要用到侧面。六、用归结方法证明目标公式G是条件公式、、的逻辑结论：:七已知事实：bbaRQP，规则：F1:xxxRWPF2：yySQ用F规则正向演绎方法证明目标公式；xxWS八已知s、a、b、c、g五个城市相互距离如图。构造的启发函数中h（n）值如下表，g（n）采用走过城市的实际路程。用下述指定搜索方法，找到从s到达g的路径，并采用OPEN表和CLOSED表给出搜索过程。（1）不考虑g（n）即f（n）=h（n）。（2）不考虑h（n），即f（n）=g（n）。（3）f（n）=g（n）+h（n）。城市h（n）s32a11b9c7g01581455aabg答：第一问：closed表就是把最佳路径的节点，按照顺序排列的表第一题：标号状态节点父节点0s01cS2gc第二问：标号状态节点父节点0s01as2ga第三问：标号状态节点父节点0s01bs2gb（不会用Open表）2010级研究生人工智能试卷(1)智能科学研究【B】和【C】是由【E】、【G】、【J】等学科..的交叉学科A思维的基本理论B智能的基本理论C实现技术D基本形态F形象思维G认识科学H抽象思维I感知思维J人工智能K灵感思维答案:智能科学研究智能的本质和实现技术,是由脑科学、认知科学、人工智能等综合形成的交叉学科(2)深度优先搜索属于【A】搜索原则是深度越【E】，越【F】产生节点的优先级高。深度搜索是【G】A盲搜索B启发式搜索C大D晚E小F早G完备的H不完备(3)人工智能中的符号主义在认识层次是【A】在求解层次是【C】在处理层次是【E】在××层次是【G】在体系层次是【I】A离散B连续C由底向上D自顶向下E串行F并行G推理H映射I交互J分布K局部(4)基于解释的学习属于【C】,关联分析属于【E】,SVM属于【G】A发现学习B分析学习C归纳学习D遗传学习E连接学习F强化学习G统计学习(5)边界假设（CWA）属于【B】D-S证据理论属于【D】限定逻辑属于【B】A归结原理B非单调推理C定性推理D不确定推理(6)SVM是建立在【A】……模式识别中表现出……A高维E置信风险最小7试解释有监督学习、无监督学习、强化学习？答：有监督(有指导)学习：从其输入/输出的实例中学习一个函数无监督(无指导)学习：在未提供明确的输出值情况下，学习输入的模式主要在概率推理系统的上下文中研究无监督学习强化学习—从强化物中学习，而不是根据指导进行学习8什么是先验概率？什么是后验概率？9简述基本遗传算法原理答：遗传算法是进化计算中的研究核心。遗传算法原理：遗传算法基于达尔文进化论的观点，依照适者生存，优胜劣汰等自然进化法则，通过计算机来模拟生命进化的机制，进行智能优化计算和问题搜索求解。GA功能：在解决许多传统数学难题以及常规条件下明显失效的复杂问题时，遗传算法提供了一个行之有效的新途径。遗传算法目的：一方面是通过它的研究来进一步解释自然界的适应过程；另一方面是为了将自然生物系统的重要机理运用到人工系统的设计中。遗传算法实现：本质上，所谓遗传算法，就是一个通过基因因子选择、重组、复制、评价计算，从而再循环繁殖、继承而不断地进化以接近于最佳种群的过程。换言之，这是一个自适应地逐渐找到最优解的组织实现过程。遗传算法思想：模拟自然界中的生物进化过程，把要求解问题的状态空间，映像为遗传空间；实施遗传算法来模拟进化操作，以便发现和生成优良子代种群，推进系统性能不断优化，直至种群(系统)品质达到某种预定的优化指标，即得到问题最优解。实现GA过程:主要包括编码;确定种群;遗传操作（选择复制，交叉，变异，在进行遗传操作;优胜劣汰等运算过程。算法过程:开始随机地产生一些染色体，称之为侯选解，组合为初始种群；随后对这些染色体进行向量编码，得到种群P(t)；再对种群P(t)进行适应度计算。选择适应度值大的染色体进行复制;再通过交换、变异等遗传操作,剔除适应度低的即性能不佳的染色体,留下适应度高的即性能优良的染色体，就得到了新种群P(t+1)。由于新种群P(t+1)成员是从上一代种群中挑选而得到适应度高的优秀者,它继承了上一代优良特性,总体性能将明显优于上一代。如此反复迭代,优胜劣汰,就使得该集群一代又一代向着更优群体的方向进化，直至集群品质达到某种预定的优化指标，即得到了问题的最优解。10简要描述强化学习的基本原理并试比较与其他机器学习方法的异同答：