人工智能大作业

第一章1.3什么是人工智能？它的研究目标是什么？人工智能（ArtificialIntelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。研究目标：人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。1.7人工智能有哪几个主要学派？各自的特点是什么？主要学派：符号主义，联结主义和行为主义。1.符号主义：认为人类智能的基本单元是符号，认识过程就是符号表示下的符号计算，从而思维就是符号计算；2.联结主义：认为人类智能的基本单元是神经元，认识过程是由神经元构成的网络的信息传递，这种传递是并行分布进行的。3.行为主义：认为，人工智能起源于控制论，提出智能取决于感知和行动，取决于对外界复杂环境的适应，它不需要只是，不需要表示，不需要推理。1.8人工智能有哪些主要研究和应用领域？其中有哪些是新的研究热点？1.研究领域：问题求解，逻辑推理与定理证明，自然语言理解，自动程序设计，专家系统，机器学习，神经网络，机器人学，数据挖掘与知识发现，人工生命，系统与语言工具。2.研究热点：专家系统，机器学习，神经网络，分布式人工智能与Agent，数据挖掘与知识发现。第二章2.8用谓词逻辑知识表示方法表示如下知识：(1)有人喜欢梅花，有人喜欢菊花，有人既喜欢梅花又喜欢菊花。三步走：定义谓词，定义个体域，谓词表示定义谓词P(x)：x是人L(x,y)：x喜欢yy的个体域：{梅花，菊花}。将知识用谓词表示为：(∃x)(P(x)→L(x,梅花)∨L(x,菊花)∨L(x,梅花)∧L(x,菊花))(2)不是每个计算机系的学生都喜欢在计算机上编程序。定义谓词S(x)：x是计算机系学生L(x,pragramming)：x喜欢编程序U(x,computer)：x使用计算机将知识用谓词表示为：¬(∀x)(S(x)→L(x,pragramming)∧U(x,computer))2.18请用语义网络表示如下知识：高老师从3月到7月给计算机系的学生讲“计算机网络”课。（天气预报框架）例如有以下一段天气预报：“哈尔滨地区今天白天多云，雾霾，偏北风≤3级，最高气温9º，最低气温0º，降水概率25%。”。Frame天气预报地域：哈尔并时段：今天天气：多云风向：北风风力：＜3级气温：0-9°降水概率：25%第三章3.13(6)判断以下子句是否为不可满足{P(x)∨Q(x)∨R(x),﹁P(y)∨R(y),﹁Q(a),﹁R(b)}采用归结反演，存在如下归结树，故该子句集为不可满足。3.14(3)证明G是F的逻辑结论F:(∃x)(∃y)(P(f(x))∧(Q(f(b)))G:P(f(a))∧P(y)∧Q(y)先将F和¬G化成子句集：S={P(a,b),¬P(x,b)}再对S进行归结：{a/x}所以，G是F的逻辑结论3.18设有子句集{P(x)∨Q(x,b),P(a)∨﹁Q(a,b),﹁Q(a,f(a)),﹁P(x)∨Q(x,b)}请用祖先过滤策略求出其归结式解：支持集策略不可用，原因是没有指明哪个子句是由目标公式的否定化简来的。删除策略不可用，原因是子句集中没有没有重言式和具有包孕关系的子句。单文字子句策略的归结过程如下：{b/f(a)}{a/x}{b/f(a)}用线性输入策略（同时满足祖先过滤策略）的归结过程如下：P(a,b)¬P(x,b)NILP(x)∨Q(a,b)P(a)∨Q(a,b)P(x)∨Q(a,b)Q(a,f(a))P(a)P(x)∨Q(x,b)Q(a,b)Q(a,f(a))Q(a,b){a/x}{a/x}{b/f(a)}第四章4.10何谓估价函数，在估价函数中，g(n)和h(n)各起什么作用？1.估价函数是用来估计节点重要性的函数。)()(g)(nhnnf。3.g(n)是从初始节点0S到节点n的实际代价；4.h(n)是从节点n到目标节点gS的最优路径的估价代价。4.11设有如下结构的移动将牌游戏：其中，B表示黑色将牌，W表是白色将牌，E表示空格。游戏的规定走法是：(1)任意一个将牌可移入相邻的空格，规定其代价为1；(2)任何一个将牌可相隔1个其它的将牌跳入空格，其代价为跳过将牌的数目加1。游戏要达到的目标什是把所有W都移到B的左边。对这个问题，请定义一个启发函数h(n)，并给出用这个启发函数产生的搜索树。你能否判别这个启发函数是否满足下界要求？在求出的搜索树中，对所有节点是否满足单调限制？解：设h(x)=每个W左边的B的个数，f(x)=d(x)+3*h(x)，其搜索树如下：P(a)P(x)∨Q(x,b)Q(a,b)Q(a,f(a))NIL第五章5-15用遗传算法求f(x)=x﹒sin(10π﹒x)+1.0的最大值,其中x∈[-1,2]。（选作）5-19设有论域U={u1,u2,u3,u4,u5}并设F、G是U上的两个模糊集，且有F=0.9/u1+0.7/u2+0.5/u3+0.3/u4G=0.6/u3+0.8/u4+1/u5请分别计算F∩G，F∪G，﹁F。解：F∩G=(0.9∧0)/u1+(0.7∧0)/u2+(0.5∧0.6)/u3+(0.3∧0.8)/u4+(0∧1)/u5=0/u1+0/u2+0.5/u3+0.3/u4+0/u5=0.5/u3+0.3/u4F∪G=(0.9∨0)/u1+(0.7∨0)/u2+(0.5∨0.6)/u3+(0.3∨0.8)/u4+(0∨1)/u5=0.9/u1+0.7/u2+0.6/u3+0.8/u4+1/u5﹁F=(1-0.9)/u1+(1-0.7)/u2+(1-0.5)/u3+(1-0.3)/u4+(1-0)/u5=0.1/u1+0.3/u2+0.5/u3+0.7/u4+1/u55.21设有如下两个模糊关系：请写出R1与R2的合成R1οR2。解：R(1,1)=(0.3∧0.2)∨(0.7∧0.6)∨(0.2∧0.9)=0.2∨0.6∨0.2=0.6R(1,2)=(0.3∧0.8)∨(0.7∧0.4)∨(0.2∧0.1)=0.3∨0.4∨0.1=0.4R(2,1)=(1∧0.2)∨(0∧0.6)∨(0.4∧0.9)=0.2∨0∨0.4=0.4R(2,2)=(1∧0.8)∨(0∧0.4)∨(0.4∧0.1)=0.8∨0∨0.1=0.8R(3,1)=(0∧0.2)∨(0.5∧0.6)∨(1∧0.9)=0.2∨0.6∨0.9=0.9R(3,2)=(0∧0.8)∨(0.5∧0.4)∨(1∧0.1)=0∨0.4∨0.1=0.4因此有4.09.08.04.04.06.021RR第六章6.8设有如下一组推理规则:r1:IFE1THENE2(0.6)r2:IFE2ANDE3THENE4(0.7)r3:IFE4THENH(0.8)r4:IFE5THENH(0.9)且已知CF(E1)=0.5,CF(E2)=0.6,CF(E3)=0.7。求CF(H)=?解：(1)先由r1求CF(E2)CF(E2)=0.6×max{0,CF(E1)}=0.6×max{0,0.5}=0.3(2)再由r2求CF(E4)CF(E4)=0.7×max{0,min{CF(E2),CF(E3)}}=0.7×max{0,min{0.3,0.6}}=0.21(3)再由r3求CF1(H)CF1(H)=0.8×max{0,CF(E4)}=0.8×max{0,0.21)}=0.168(4)再由r4求CF2(H)CF2(H)=0.9×max{0,CF(E5)}=0.9×max{0,0.7)}=0.63(5)最后对CF1(H)和CF2(H)进行合成，求出CF(H)CF(H)=CF1(H)+CF2(H)+CF1(H)×CF2(H)=0.6926.15设U=V={1，2，3，4，5}且有如下推理规则：1.09.04.06.08.02.015.004.0012.07.03.021RRIFxis少THENyis多其中，“少”与“多”分别是U与V上的模糊集，设少=0.9/1+0.7/2+0.4/3多=0.3/3+0.7/4+0.9/5已知事实为xis较少“较少”的模糊集为较少=0.8/1+0.5/2+0.2/3请用模糊关系Rm求出模糊结论。Rm(1,1)=(0.9∧0)∨(1-0.9)=0.1Rm(1,2)=(0.9∧0.3)∨(1-0.9)=0.3Rm(1,3)=(0.9∧0.7)∨(1-0.9)=0.7Rm(1,4)=(0.9∧0.9)∨(1-0.9)=0.7Rm(2,1)=(0.7∧0)∨(1-0.7)=0.3Rm(2,2)=(0.7∧0.3)∨(1-0.7)=0.3Rm(2,3)=(0.7∧0.7)∨(1-0.7)=0.7Rm(2,4)=(0.7∧0.9)∨(1-0.7)=0.7Rm(3,1)=(0.4∧0)∨(1-0.4)=0.6Rm(3,2)=(0.4∧0.3)∨(1-0.4)=0.6Rm(3,3)=(0.4∧0.7)∨(1-0.4)=0.6Rm(3,4)=(0.4∧0.9)∨(1-0.4)=0.6Rm(4,1)=(0∧0)∨(1-0)=1Rm(4,2)=(0∧0.3)∨(1-0)=1Rm(4,3)=(0∧0.7)∨(1-0)=1Rm(3,4)=(0∧0.9)∨(1-0)=1即：因此有(y应为小写)即，模糊结论为：Y’={0.3,0.3,0.7,0.8}第七章7.9假设w1(0)=0.2,w2(0)=0.4,θ(0)=0.3,η=0.4，请用单层感知器完成逻辑或运算的学习过程。解：根据“或”运算的逻辑关系，可将问题转换为：输入向量：X1=[0,0,1,1]X2=[0,1,0,1]输出向量：Y=[0,1,1,1]由题意可知，初始连接权值、阈值，以及增益因子的取值分别为：w1(0)=0.2,w2(0)=0.4,θ(0)=0.3，η=0.4即其输入向量X(0)和连接权值向量W(0)可分别表示为：X(0)=(-1,x1(0),x2(0))W(0)=(θ(0),w1(0),w2(0))根据单层感知起学习算法，其学习过程如下：设感知器的两个输入为x1(0)=0和x2(0)=0，其期望输出为d(0)=0，实际输出为：y(0)=f(w1(0)x1(0)+w2(0)x2(0)-θ(0))=f(0.2*0+0.4*0-0.3)=f(-0.3)=0实际输出与期望输出相同，不需要调节权值。再取下一组输入：x1(0)=0和x2(0)=1，其期望输出为d(0)=1，实际输出为：y(0)=f(w1(0)x1(0)+w2(0)x2(0)-θ(0))=f(0.2*0+0.4*1-0.3)=f(0.1)=1实际输出与期望输出相同，不需要调节权值。再取下一组输入：x1(0)=1和x2(0)=0，其期望输出为d(0)=1，实际输出为：y(0)=f(w1(0)x1(0)+w2(0)x2(0)-θ(0))=f(0.2*1+0.4*0-0.3)=f(-0.1)=0实际输出与期望输出不同，需要调节权值，其调整如下：θ(1)=θ(0)+η(d(0)-y(0))*(-1)=0.3+0.4*(1-0)*(-1)=-0.1w1(1)=w1(0)+η(d(0)-y(0))x1(0)=0.2+0.4*(1-0)*1=0.6w2(1)=w2(0)+η(d(0)-y(0))x2(0)=0.4+0.4*(1-0)*0=0.4再取下一组输入：x1(1)=1和x2(1)=1，其期望输出为d(1)=1，实际输出为：y(1)=f(w1(1)x1(1)+w2(1)x2(1)-θ(1))=f(0.6*1+0.4*1+0.1)=f(1.1)=1实际输出与期望输出相同，不需要调节权值。再取下一组输入：x1(1)=0和x2(1)=0，其期望输出为d(0)=0，实际输出为：y(1)=f(w1(1)x1(1)+w2(1)x2(1)-θ(1))=f(0.6*0+0.4*0+0.1)=f(0