人工智能复习资料(手工整理版)

第一章1．人工智能的定义（能力）？人工智能的研究目标？人工智能(学科)是计算机科学中涉及研究、设计和应用智能机器的一个分支。近期目标：实现机器智能——理论和技术基础远期目标：制造智能机器——发展方向2．人工智能的起源与发展过程；典型人物、事件（1）古希腊，亚里士多德，形式逻辑的基本规律（2）英国，培根，归纳法（3）德国，莱布尼茨，数理逻辑（4）英国，布尔，布尔代数（5）奥地利，哥德尔，一阶谓词完备性（6）英国，图灵，图灵机（7）美国，Mauchly，ENIAC（8）美国，McCulloch，神经网络模型（9）美国，香农，信息论1956年，麦卡锡，人工智能之父，50年代开始符号处理，70年代理论走向实践，NilsonA*算法，1977年，专家系统广泛应用，80年代达到顶峰，90年代趋向小型化、并行化、网络化、智能化。3．人工智能的主要学派及观点符号主义，认为人工智能源于数理逻辑。联结主义，认为人工智能源于仿生学。行为主义，认为人工智能源于控制论。4．人工智能所研究的范围与应用领域智能感知：模式识别、自然语言理解智能推理：问题求解、逻辑推理与定理证明、专家系统、自动程序设计智能学习：机器学习、神经网络、计算智能与进化计算智能行动：机器人学、智能控制、智能检索、智能调度与指挥、分布式人工智能与Agent、数据挖掘与知识发现、人工生命、机器视觉5.人工智能的基本技术推理技术、搜索技术、知识表示与知识库技术、归纳技术、联想技术第二章1.概念：知识及形式化描述、同构变换、同态变换把有关信息关联在一起所形成的信息结构称为知识。同构变换可使问题更明确，便于求解，同构问题的解答等价于原始问题的解答。同态变换可使问题更加简化，易于求解。原始问题有解，则同态问题有解，同态问题无解，则原始问题无解，它们之间是蕴含关系。2.知识、信息和数据的区别数据是记录信息的符号，是信息的载体和表示；信息是对数据的解释，是数据在不同场合下的具体含义；只有将有关的信息关联到一起才能使用，才称之为知识。3.知识表示法应用（一阶谓词、产生式、框架、语义网络）框架是描述对象(一个事物、一个事件或一个概念)属性的一种数据结构，在框架表示法中，框架被看成是知识表示的基本单位。框架是一种层次的数据结构，框架下层的槽可以看成是一种子框架，子框架本身还可以进一步分层次。4.产生式系统的基本结构一个产生式系统包含事实库（工作区）、规则集（产生式规则库）和控制器（进行规则解释，也称为推理机）三部分。5.语义网络中的语义联系（实例、泛化、聚集、属性、推论）实例关系表示类与其实例（个体）之间的关系。用于表示类结点与所属实例结点之间的联系，通常标识为ISA（is-a），比如猎狗是一种狗。泛化关系是指事物间的类属关系，比如企鹅属于鸟类。如果下层概念是上层概念的一个方面或者一部分，则称它们的关系是聚集关系，比如桌子包含桌面和桌脚。属性联系表示对象的属性及其属性值，比如人有身高，年龄。如果一个概念可由另一个概念推出，则称它们之间存在推论关系，比如饿了就需要吃饭。6.推理过程中填槽的方式推理过程中填槽的方式有四种：查询、默认、继承和附加过程计算。第三章1、状态空间搜索概述，状态空间的图描述，搜索，正向逆向搜索，影响搜索方向的因素（1）状态空间搜索是问题求解的主要方法之一。（2）状态空间可用有向图来描述，其结点表示状态，结点间的弧表示允许使用的操作算子。（3）正向搜索从初始状态出发，逆向搜索从目标状态出发。因素：状态的多与少，分支因素。2、盲目的图搜索，策略图搜索、搜索树、回溯法、广度优先法、深度优先法盲目搜索：全局搜索广度优先搜索：按照层次搜索深度优先搜索：直接到底节点3、启发式图搜索策略启发信息与估价函数、A搜索算法估计代价h(n)是对未生成的搜索路径作某种经验性的估计，这种估计来源于我们对问题解的某些特性的认识，希望依靠这些特性来帮助我们更快地找到问题的解，因此，主要是h(n)体现了搜索的启发信息。f(n)=g(n)+h(n)其中：g(n)是从初始结点到n结点的实际代价，h(n)是从n结点到目的结点的最佳路径的估计代价。A算法：走f值最小的路4、与/或图（树）搜索策略搜索算法、解树及代价、希望树、博弈树搜索、极大极小分析法、α—β剪枝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。解树的根对应的是初始节点S0。这就是说，在与或树的搜索过程中，代价的计算方向与搜索树的生长方向相反。解树的计算方法如下：设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，g(x)=Min{c(x，yi)+g(yi)}其中y1，y2，…，yn是x的子节点；(3)若x是与节点，则有两种计算公式。①g(x)=ni1{c(x，yi)+g(yi)}称为和代价法；②g(x)=Max{c(x，yi)+g(yi)}称为最大代价法；其中y1，y2，…，yn是x的子节点；(4)对非终止的端节点x，g(x)=∞。希望树：最优解树，即代价最小的树如果站在某一方(如A方，即在A要取胜的意义下)，把上述博弈过程用图表示出来，则得到的是一棵“与或树”。描述博弈过程的与或树称为博弈树。α—β剪枝技术的基本思想是，边生成博弈树边计算评估各节点的倒推值，并且根据评估出的倒推值范围，及时停止扩展那些已无必要再扩展的子节点，即相当于剪去了博弈树上的一些分枝，从而节约了机器开销，提高了搜索效率。α值和β值的定义：(1)或结点(MAX方)的α值等于它的当前子结点中的最大倒推值；(2)与结点(MIN方)的β值等于它的当前子结点中的最小倒推值。5、遗传算法的基本思想（1）初始化群体；（2）计算群体上每个个体的适应度值；（3）按由个体适应度值所决定的某个规则选择将进入下一代的个体；（4）按照概率Pc进行交叉操作；（5）按照概率Pc进行突变操作；（6）没有满足某种停止条件，则转第二步，否则进入第七步；（7）输出种群中适应度最优的染色体作为问题的满意解或最优解。第四章1、推理的概念、类型，推理的控制策略、正反向推理推理是人类求解问题的主要思维方法，从已知事实出发，通过运用已掌握知识，找出其中蕴含的事实，或归纳出新的事实，这一过程称为推理。推理都包括两种判断：一种是已知的判断，包括已掌握的与求解问题有关的知识及关于问题的已知事实；另一种是由已知的判断推出的新判断。类型：演绎推理（三段论）、归纳推理（数学归纳法）、默认（缺省）推理策略：冲突解决策略；按就近原则、知识的特殊性、上下文限制、知识的新鲜性、知识的差异性、领域问题的特点、规则的次序、前提条件的规模正向推理（事实驱动推理）是由已知事实出发向结论方向的推理。反向推理（目标驱动推理）以某个假设目标作为出发点的一种推理。正反向混合推理的一般过程是：先根据初始事实进行正向推理以帮助提出假设，再用反向推理进一步寻找支持假设的证据，反复这个过程，直到得出结论为止。（反证法）2、归结反演系统——归结原理、归结反演、应用归结反演求取问题的答案的过程，归结原理相关概念、置换（用一个字母代替）、合一（使等式成立）归结原理又称为消解原理。该原理是一种基于逻辑的、采用反证法的推理方法。由于其理论上的完备性，归结原理成为机器定理证明的主要方法。归结原理：化成子句集，归结（合取^）3.、基于规则的演绎推理（正向、反向和双向的演绎推理过程描述）在正向演绎推理中，作为F规则用的蕴含式对事实的数据库进行操作运算，直至得到该目标公式的一个终止条件为止；在反向演绎推理中，作为B规则用的蕴含式对目标的数据库进行操作运算，直至得到包含这些事实的终止条件为止；在双向演绎推理中，分别从两个方向应用不同的规则（F规则和B规则）进行操作运算。第五章1、机器学习的概念、主要策略，机器学习系统的功能及结构机器学习是研究如何使用机器来模拟人类学习活动的一门学科。是研究计算机获取新知识和新技能，并识别现有知识的学问。机器学习系统是能在一定程度上实现机器学习的软件。机器学习系统是根据人工智能的学习原理和方法，应用只是表达、知识存储、知识推理等技术设计并构成的，具有知识获取功能，并能逐步改善其性能的系统。可称之为“智能学习系统”。功能：（1）具有适当的学习环境。（2）具有一定的学习能力。（3）能用所学的知识解决问题。（4）能提高系统的性能。主要策略：（1）机械学习。（2）传授学习（指导学习）。（3）类比学习。（4）通过事例学习。2、机械学习、示例学习、类比学习、归纳学习的基本原理机械学习方法不要求系统具有对复杂问题求解的能力，也就是没有推理技能，系统的学习方法就是，直接记录问题有关的信息，然后检索并利用这些存储的信息来解决问题。示例学习它是一种归纳学习。示例学习是从若干实例（包括正例和反例）归纳出一般概念或规则的学习方法。类比学习是基于类比推理的一种学习方法。归纳学习是符号学习中研究得最为广泛的一种方法。给定关于某个概念的一系列已知的正例和反例，其任务是从中归纳出一个一般的概念描述。3、基本思想：基于决策树的归纳学习、强化学习、神经网络、基于BP网络的学习*决策树学习是一种归纳学习，特征是由若干个具体的实例表现出来的特征、属性中，通过比较、囊括等方法而得出一般性规律和结论。决策树学习的过程就是由空树开始从训练集中不断选择测试属性、逐步创建决策树的过程。强化学习就是智能系统从环境到行为映射的学习，以使奖励信号（强化信号）函数值最大。神经网络是神经元通过突触形成的网络，传递神经元间的兴奋与抑制。第六章1、专家系统的概念、理想结构模型，构建专家系统的主要步骤专家系统是一个含有大量的某个领域专家水平的知识与经验智能计算机程序系统，能够利用人类专家的知识和解决问题的方法来处理该领域问题。理想结构模型：知识库、综合数据库、推理机、解释器、接口。专家系统的构建步骤：（1）设计初始知识库（2）原型机的开发与试验（3）知识库的改进与归纳2、基于规则的专家系统的优缺点优点：自然表达、知识模块性、控制与知识分离、易于扩展、智能成比例增长、相关知识的使用、从严格语法获取解释、一致性检查、启发性知识的使用、不确定知识的使用、可以合用变量。缺点：必须精确匹配、有不清楚的规则关系、具有大量规则的专家系统可能慢、对一些问题不适用。3、基于框架专家系统：继承、槽、方法继承：后辈框架呈现其父辈框架的特征的过程。槽：框架属性有关的扩展知识。方法：附加到对象中需要时执行的过程。4、知识发现的定义数据库中的知识发现是从大量数据中辨识出有效的、新颖的、潜在有用的、并可被理解的模式的高级处理过程。第七章1、机器人的定义、发展历程（三代）、制造原则、主要构成机器人是一种能模拟人的行为的机械。发展历程：第一代（程序控制）机器人；第二代（自适应）机器人；第三代（智能）机器人。制造原则：（1）机器人不应该伤害人类；（2）机器人应遵守人类的命令，与第一条违背的命令除外；（3）机器人应能保护自己，与第一条相抵触者除外。构成：（1）机器人本体：机械本体、运动动力系统；（2）机器人控制系统：主控系统、感知系统。2、Agent的基本特征、BDI模型*、Agent的工作过程图基本特征：(1)自主性亦称自治性，即能够在没有人或别的Agent的干预下，主动地自发地控制自身的行为和内部状态，并且还有自己的目标或意图。(2)反应性即能够感知环境，并通过行为改变环境。(3)适应性即能根据目标、环境等的要求和制约作出行动计划，并根据环境的变化，修改自己的目标和计划。(4)社会性即多个Agent在同一环境中协同工作。3、Agent的类型、与专家系统和对象的区别类型：（1）反应式Agent；（2）慎思式Agent；（3）跟踪式Agent；（4）基于目标的Agent；（5）基于效果的Agent；（6）复合式Agent。与对象的区别：（1）自治程度不同；（2）灵活的（反应的、主动的、社会的）自治行为的能力；（3）控制线程不同；与专家系统的区别：（1）专家系统是与现实分离的；（2）专家系统一般不能采用反应的、主动式的行为；（