人工智能簡答題

什么是人工智能?它的研究目標是什么？人工智能就是用人工的方法在機器（計算機）上實現的智能；或者說是人們使用機器模擬人類的智能。由于人工智能是在機器上實現的，因此又可稱為機器智能。人工智能是研究怎樣使計算機來模仿人腦所從事的推理、證明、識別、理解、設計、學習、思考、規(guī)劃及問題求解等思維活動，來解決需要人類專家才能處理的復雜問題，如醫(yī)療診斷、石油測井解釋、氣象預報、交通運輸管理等決策性課題。人工智能有哪幾個主要學派？各自的特點是什么？a） 符號主義主張運用計算機科學的方法進行人工智能的研究，通過研究邏輯演繹在計算機上的實現方法，實現人類智能在計算機上的模擬，稱為符號主義。符號主義又稱為邏輯主義或計算機學派，認為人類智能的基本單元是符號，認知過程就是符號表示下的符號計算，從而思維就是符號計算。其原理主要為物理符號系統(tǒng)假設和有限合理性原理。b） 聯結主義主張用仿生學的方法進行研究，通過研究人腦的工作模型，搞清楚人類智能的本質，稱為聯結主義。聯結主義又稱為仿生學派，認為人類智能的基本單元是神經元，認知過程是由神經元構成的網絡的信息傳遞，這種傳遞是并行分布的。其原理主要為神經網絡及神經網絡間的連接機制與學習算法。c） 行為主義主張應用進化論的思想進行人工智能的研究，通過對外界事物的動態(tài)感知與交互，使計算機智能模擬系統(tǒng)逐步進化，提高智能水平，稱為行為主義。行為主義又稱進化主義，認為人工智能起源于控制論，提出智能取決于感知和行為（所以稱為行為主義），取決于對外界復雜環(huán)境的適應，它不需要知識、不需要表示、不需要推理。智能行為只能在與現實世界的環(huán)境交互作用中表現出來，人工智能也會像人類智能一樣通過逐步進化而實現（所以稱為進化主義）。其原理主要是通過控制論和機器學習算法實現智能系統(tǒng)的逐步進化。什么是人工神經元？它有哪幾種主要模型？人工神經網絡是由大量處理單元經廣泛互連而組成的人工網絡，用來模擬腦神經系統(tǒng)的結構和功能。而這些處理單元稱為人工神經元。人工神經網絡可以看成是以人工神經元為節(jié)點，用有向加權弧連接起來的有向圖。根據激發(fā)函數的不同分為：閾值型（M-P模型）、分段線性型、Sigmoid函數型、雙曲正切型什么是人工神經網絡？它有哪些聯結方式？模擬人腦神經系統(tǒng)的結構和功能，運用大量簡單處理單元經廣泛連接而組成的人工網絡系統(tǒng)。人工神經網絡中，各神經元的連接方式一般有很多種，不同的連接方式就構成了網絡的不同連接模型。常見的連接模型有前向網絡、從輸入層到輸出層有反饋的網絡、層內有互連的網絡和網絡內任意兩個神經元都可以互連的互連網絡。什么是機器學習？機器學習研究的目標是什么？研究機器學習的意義何在？機器學習是研究如何使用計算機來模擬人類學習活動的一門學科。更嚴格地說，就是研究計算機獲取新知識和新技能、識別現有知識、不斷改善性能、實現自我完善的方法。機器學習研究的目標有三個：人類學習過程的認知模型；通用學習算法；構造面向任務的專用學習系統(tǒng)的方法。（a）人類學習過程的認知模型。這一方向是對人類學習機理的研究。這種研究不僅對人類的教育，而且對開發(fā)機器學習系統(tǒng)都有重要的意義。（b）通用學習算法。這個方向是對人類學習過程的研究，探索各種可能的學習方法，建立起獨立于具體應用領域的通用學習算法。（c）構造面向任務的專用學習系統(tǒng)（工程目標）。這一方向是要解決專門的實際問題，并開發(fā)完成這些專門任務的學習系統(tǒng)。機器學習是人工智能中最具智能特征、最前沿的研究領域之一。機器學習的研究取得重大進展往往意味著人工智能，甚至整個計算機科學向前邁進了堅實的一步。機器學習速度快、便于知識積累、學習結果易于傳播，因此人類在機器學習領域的每一點進步，都會使計算機的能力顯著增強，從而對人類社會產生影響，尤其對今天信息化社會來說，這種影響將是十分深遠的。什么是決策樹？決策學習是如何利用決策樹進行學習的？決策樹是一種展示類似“在什么條件下會得到什么值”這類規(guī)則的方法。決策樹是一種由節(jié)點和邊構成的用來描述分類過程的層次數據結構，用于監(jiān)督學習的層次模型。該樹的根節(jié)點表示分類的開始，葉節(jié)點表示一個實例的結束，中間節(jié)點表示相應實例中的某一屬性，而邊則代表某一屬性可能的屬性值。在決策

樹中，從根節(jié)點到葉節(jié)點的每一條路徑代表一個具體的實例，并且同一路徑上的所有屬性之間為合取關系，不同路徑之間為析取關系。決策樹學習是廣泛使用的一種歸納推理形式。它需要一組例子，其中每個例子都由相應的目標分類標記。如果訓練實例可表示為屬性值對，同時目標分類具有離散的輸出值，那么這樣的問題就特別適合用決策樹來進行學習。建立決策樹的過程，即樹的生長過程是不斷地把數據進行分組的過程，每次分組對應一個問題，也對應著一個節(jié)點。每次分組都要求所分得的組之間的“差異”最大。什么是遺傳算法？簡述其基本思想和基本結構。說明個體選擇的常用策略以及遺傳操作”交叉”和”變異”所起的作用.遺傳算法（GeneticAlgorithm）是模擬生物在自然環(huán)境中的遺傳和進化過程而形成的自適應全局優(yōu)化搜索算法。它最早由美國J.H.Holland教授提出，它借鑒了達爾文的進化論和孟德爾的遺傳學說，本質上是一種并行、高效、全局搜索的方法，它能在搜索過程中自動獲取和積累有關搜索空間的知識，并自適應地控制搜索過程以求得最優(yōu)解。遺傳算法的操作使用“適者生存”的原則，在潛在的解決方案種群中逐次產生一個近似最優(yōu)方案。在每一代中，根據個體在問題域中的適應度值和從自然遺傳學中借鑒來的再造方法進行個體選擇，產生一個新的近似解。這個過程導致種群中個體的進化，得到的新個體比原個體更能適應環(huán)境。遺傳算法使用群體搜索技術，將種群代表一組問題解，通過對當前種群施加選擇、交叉和變異等一系列遺傳操作來產生新一代的種群，并逐步使種群進化到包含近似最優(yōu)解的狀態(tài)。個體選擇常用策略:輪盤賭選擇法、隨機遍歷抽樣法、錦標賽選擇法試述機器學習系統(tǒng)的基本結構，并說明各部分的作用.學習環(huán)節(jié)知識庫執(zhí)行環(huán)節(jié)學習環(huán)節(jié)知識庫執(zhí)行環(huán)節(jié)a） 環(huán)境環(huán)境就是指系統(tǒng)外部信息的來源，它可以是系統(tǒng)的工作對象，也可以是工作對象和外界條件。環(huán)境就是為學習系統(tǒng)提供獲取知識所需的相關對象的素材或信息，如何構造高質量、高水平的信息，將對學習系統(tǒng)獲取知識的能力有很大影響。b） 學習環(huán)節(jié)學習環(huán)節(jié)通過對環(huán)境的搜索獲得外部信息，并將這些信息與執(zhí)行環(huán)節(jié)所反饋的信息進行比較。一般情況下，環(huán)境提供的信息水平與執(zhí)行環(huán)節(jié)所需的信息水平之間往往有差距，經分析、綜合、類比、歸納等思維過程，學習環(huán)節(jié)就要從這些差距中獲取相關對象的知識，并將這些知識存入知識庫中c） 知識庫知識庫用于存放由學習環(huán)節(jié)所學到的知識。知識庫中知識的表示形式以及存儲組織結構是影響學習系統(tǒng)設計的第二因素。知識庫中常用的知識表示方法有：謂詞邏輯、產生式規(guī)則、語義網絡、特征向量、過程、Lisp函數、數字多項式核框架等。d） 執(zhí)行環(huán)節(jié)執(zhí)行環(huán)節(jié)是整個學習系統(tǒng)的核心。執(zhí)行環(huán)節(jié)用于處理系統(tǒng)面臨的現實問題，即應用知識庫中所學到的知識求解問題，如智能控制、自然語言理解和定理證明等，并對執(zhí)行的效果進行評價，將評價的結果反饋回學習環(huán)節(jié)，以便系統(tǒng)進一步的學習。執(zhí)行環(huán)節(jié)的問題復雜性、反饋信息和執(zhí)行過程的透明度都對學習環(huán)節(jié)有一定的影響。什么是專家系統(tǒng)?它有哪些基本特點？專家系統(tǒng)是一種具有大量專門知識與經驗的智能程序系統(tǒng)，它能運用某個領域一個或多個專家多年積累的經驗和專門知識，模擬領域專家求解問題時的思維過程，以解決該領域中的各種復雜問題?；咎攸c：1） 啟發(fā)性:專家系統(tǒng)能運用專家的知識與經驗進行推理、判斷和決策。2） 透明性：專家系統(tǒng)能夠解釋本身推理過程和回答用戶提出的問題，以便讓用戶了解推理過程，提高對專家系統(tǒng)的依賴感。例如，一個醫(yī)療診斷專家系統(tǒng)診斷某病人患有肺炎，而且必須用某種抗生素治療，那么，這一專家系統(tǒng)將會向病人解釋為什么他患有肺炎，而且必須用某種抗生素治療，就像一位醫(yī)療專家對病人詳細解釋病情和治療方案一樣。3） 靈活性：專家系統(tǒng)能不斷地增長知識，修改原有知識，不斷更新。由于這一特點，使得專家系統(tǒng)具有十分廣泛的應用領域。4） 交互性：專家系統(tǒng)一般都是交互式系統(tǒng)，這種交互性既有利于系統(tǒng)從專家那里獲取知識，又便于用戶在求解問題時輸入條件或事實5） 推理有效性：專家系統(tǒng)能高效、穩(wěn)定、高速地工作。不會像人類專家那樣產生疲勞和不穩(wěn)定。不同地專家系統(tǒng)所面向的領域不同，可以解決不同的問題，因此在設計專家系統(tǒng)時，針對不同領域問題的特點，選擇不同的推理機制，從而保證問題求解過程中的推理有效性。6） 復雜性：人類的知識豐富多彩，思維方式多種多樣，要想使計算機完全模擬人類的思維方法去解決問題，還是一件非常復雜和困難的工作。因此，在建造專家系統(tǒng)時，如何實現對不確定知識的表示，如何構造不確定性的傳遞算法和匹配算法以實現推理計算，其復雜性和難度都是比較大的。7） 實用性：專家系統(tǒng)是根據問題的實際需求開發(fā)的，因而具有堅實的應用背景。由于專家系統(tǒng)中存儲了相關領域許多高水平專家的知識，所以它具有解決問題的高水平和高效率，從而可以產生巨大的社會效益和經濟效益，具有非常良好的實用性。8） 知識的專門性：專家系統(tǒng)的知識都具有專門性，但只局限于所面向的領域，針對性很強。這與人類專家類似，因為人類也只是具有某一方面的高深知識，否則也就不稱其為“專家”9） 易推廣性：專家系統(tǒng)使人類專家的領域知識突破了時間和空間的限制，專家系統(tǒng)程序可永久保存，并可復制任意多的副本或在網上供不同地區(qū)或不同部門的人們使用，從而使專家系統(tǒng)的知識和技能更易于推廣和傳播。一般專家系統(tǒng)由哪些基本部分構成?每一部分的主要功能是什么？專家系統(tǒng)的體系結構指專家系統(tǒng)各組成部分的構造方法和組織形式。一個最基本的專家系統(tǒng)應包括知識庫、數據庫、推理機構、解釋機構、知識獲取機構和用戶界面六個部分。哦嫉專成用戶融親工握眸J L用戶界而 .\E 「「一 教據犀 知識序跋9」專彖桌統(tǒng)的基本緒構1）知識庫知識庫是專家系統(tǒng)的知識存儲器，用來存放求解領域問題所需的專家知識。知識庫中的知識分為兩種類型：一類是事實性知識，即廣泛公認的知識和常識；另一類是啟發(fā)性知識，它是領域專家在長期工作實踐中積累起來的經驗總結。專家系統(tǒng)開發(fā)中一個重要任務是要認真細致地對專家的這類經驗知識進行分析。知識本來是存儲在專家頭腦中的，讓專家把自己的直覺、訣竅、經驗表示為適合計算機表示和推理的形式是一個極大難題。因此在建立知識庫的過程中，知識工程師需要與領域專家很好地合作，認真提取領域專家的知識，進而根據計算機對這些知識的表示和使用要求，將這些知識轉化成知識庫的組成部分。2） 數據庫數據庫又被稱為全局數據庫或綜合數據庫，它相當于專家系統(tǒng)的工作存儲器，用來存儲與領域問題有關的事實、數據、初始證據、推理過程中得到的各種中間結論、求解目標等。例如，醫(yī)療專家系統(tǒng)中，數據庫存放的是當前患者的情況，如姓名、年齡、癥狀等，以及推理過程中得到的一些中間結果、病情等；氣象專家系統(tǒng)中，數據庫存放的是當前氣象要素，如云量、溫度、氣壓，以及推理得到的中間結果等。數據庫的規(guī)模和結構可根據系統(tǒng)目的來確定，而且隨著問題的不同，數據庫的內容可以是動態(tài)變化的。3） 推理機推理機是一組用來控制、協調整個專家系統(tǒng)的程序。它根據數據庫中存儲的當前數據，利用知識庫中的知識，按一定的推理策略，求解當前的問題，即解釋外部輸入的事實和數據，推導出相應結果。由于專家系統(tǒng)是模擬人類專家進行工作，因此設計推理機時，應使它的推理過程和專家的推理過程盡量相似，最好完全一致。對大中型專家系統(tǒng)，由于其知識庫中的知識數量很多，因此其推理機構由知識庫管理系統(tǒng)和推理機兩個主要部分組成。其中，知識庫管理系統(tǒng)實現對知識庫中知識的合理組織和有效管理；推理機主要用于生成并控制推理過程和使用知識庫中的知識。4） 解釋機構解釋機構實際上也是一組程序，它包括系統(tǒng)提示、人機對話、能書寫規(guī)則的語言以及解釋程序。解釋機構的主要功能是解釋系統(tǒng)本身的推理結果，回答用戶的提問，使用戶能夠了解推理的過程及所運用的知識和數據。因此，在設計解釋機構時，應預先考慮好在系統(tǒng)運行過程中需要回答的問題和答案。5） 知識獲取機構知識獲取是專家系統(tǒng)的一種輔助功能，用于增加和修改知識庫中的知識?；救蝿帐前阎R加入到知識庫中，并維持知識的一致性及完整性，建立起性能良好的知識庫。不同專家系統(tǒng)，知識獲取方法差別較大。有的系統(tǒng)首先由知識工程師向領域專家獲取知識，然后再通過相應的知識編輯軟件把知識輸入到知識庫中；有的系統(tǒng)自身就具有部分學習功能，由系統(tǒng)直接與領域專家對話獲取知識；有的系統(tǒng)具有較強的學習功能，可在系統(tǒng)運行過程中通過歸納、總結，得出新的知識。無論采取哪種方式，知識獲取都是目前專家系統(tǒng)研制中的一個重要問題。6） 用戶界面用戶界面是專家系統(tǒng)的另一個關鍵組成部分，它作為專家系統(tǒng)于外界的接口，實現系統(tǒng)于外界之間的信息交換。通常，專家系統(tǒng)的使用者包括最終用戶、領域專家、知識工程師。其中，最終用戶和領域專家一般都不是計算機專業(yè)人員，用戶界面必須滿足他們的需求，盡可能地使用接近自然語言的輸入、輸出形式，并能理解和處理聲音、圖像等多媒體信息。新一代專家系統(tǒng)應具備哪些特征?分布式專家系統(tǒng)與協同式專家系統(tǒng)有何區(qū)別與聯系？（1） 并行與分布處理：基于各種并行算法，采用各種并行推理和執(zhí)行技術，適合在多處理器的硬件環(huán)境中工作，即具有分布處理的功能，是新型專家系統(tǒng)的一個特征。專家系統(tǒng)的分布處理特征要求專家系統(tǒng)做到功能合理均衡地分布，以及知識和數據適當地分布，著眼點主要在于提高系統(tǒng)的處理效率和可靠性等。（2） 多專家系統(tǒng)協同工作：各子專家系統(tǒng)間可以互相通信，一個（或多個）子專家系統(tǒng)的輸出可能就是另一子專家系統(tǒng)的輸入。多專家系統(tǒng)的協同合作其著眼點主要在于通過多個子專家系統(tǒng)協同工作擴大整體專家系統(tǒng)的解題能力。（3） 高級語言和知識語言描述：為了建立專家系統(tǒng)，知識工程師只需用一種高級專家系統(tǒng)描述語言對系統(tǒng)進行功能、性能以及接口描述，并用知識表示語言描述領域知識，專家系統(tǒng)生成系統(tǒng)就能自動或半自動地生成所要的專家系統(tǒng)。（4） 具有自學習功能：提供高級的知識獲取與學習功能。能根據知識庫中已有知識和用戶對系統(tǒng)提問的動態(tài)應答，進行推理以獲得新知識，總結新經驗，從而不斷擴充知識庫，這即所謂自學習機制。（5） 引入新的推理機制：現存的大部分專家系統(tǒng)只能做演繹推理。新型專家系統(tǒng)中，除演繹推理外，還應有歸納推理（包括聯想、類比等推理）、各種非標準邏輯推理（例如非單調邏輯推理、加權邏輯推理等）以及各種基于不完全知識和模糊知識的推理等，在推理機制上應有一個突破。（6） 具有自糾錯和自完善能力：為了排錯必須首先有識別錯誤的能力，為了完善必須首先有鑒別優(yōu)劣的標準。有了這種功能和上述的學習功能后，專家系統(tǒng)就會隨著時間的推移，通過反復的運行不斷地修正錯誤，不斷完善自身，并使知識越來越豐富。（7） 先進的智能人機接口：理解自然語言，實現語音、文字、圖形和圖像的直接輸入輸出是如今人們對智能計算機提出的要求，也是對新型專家系統(tǒng)的重要期望。這一方面需要硬件的有力支持，另一方面先進的軟件技術將使智能接口的實現大放異彩。BP算法的網絡結構是什么？簡述BP算法的學習過程.B-P算法的網絡結構是一個前向多層網絡。網絡中不僅含有輸入節(jié)點和輸出節(jié)點，而且含有一層或多層隱（層）節(jié)點，網絡中各處理單元間的連接如圖6.16所示。當有信息向網絡輸入時，信息首先由輸入層傳遞到隱層節(jié)點，經特性函數（人工神經元）作用后，再傳至下一隱層。這樣一層一層傳遞下去，直到最終傳至輸出節(jié)點層進行輸出。其間各層的激發(fā)函數要求是可微的，一般是選用S型函數。B-P算法的學習過程如下：（a） 選擇一組訓練樣例，每一個樣例由輸入信息和期望的輸出結果兩部分組成。（b） 從訓練樣例集中取一樣例，把輸入信息輸入到網絡中。（c） 分別計算經神經元處理后的各層節(jié)點的輸出。（d） 計算網絡的實際輸出和期望輸出的誤差。（e） 從輸出層反向計算到第一個隱層，并按照某種能使誤差向減小方向發(fā)展的原則，調整網絡中各神經元的連接權值。（f） 對訓練樣例集中的每一個樣例重復（c）一（e）的步驟，直到對整個訓練樣例集的誤差達到要求時為止。在什么情況下需要采用不確定推理或非單調推理？在日常生活中，人們通常所遇到的情況是信息不夠完善、不夠精確，即所掌握的知識具有不確定性。人們就是運用這種不確定性的知識進行思維、推理，進而求解問題。什么是產生式知識表示?給出這種表示方法的優(yōu)缺點。產生式通常用于表示事實、規(guī)則以及它們的不確定性度量，適合于表示事實性知識和規(guī)則性知識?；拘问絀FPTHENQ，其中P是產生式的前提，用于指出該產生式是否可用的條件；Q是一組結論或操作，用于指出前提P所指示的條件被滿足時，應該得出的結論或應該執(zhí)行的操作。優(yōu)點：（1）自然性（2）模塊性（3）有效性（4）清晰性缺點：（1）效率不高（2）不能表達結構性知識簡述自然語言理解的層次劃分及對應的技術。詞法分析、句法分析、語義分析搜索方法的啟發(fā)能力有哪幾種基本的度量方法？滲透度是對一個搜索算法的搜索性能的度量，表示搜索集中指向某個目標的程度，而不是在無關的方向上徘徊。定義為：P=L/T其中，L是算法發(fā)現的解路徑的長度，T是算法在尋找這條解路徑期間所產生的節(jié)點（不包括初始節(jié)點，包括目標節(jié)點）有效分枝系數就是一棵搜索樹的平均分枝數.設搜索樹的深度是L，算法所產生的總節(jié)點數為T，有效分枝系數是B，則有B+B2十???+BL=T或B（BL-1）/（B-1）=T簡述狀態(tài)空間法三要點？三要點：（1） 狀態(tài)（state）：表示問題解法中每一步問題狀況的數據結構；（2） 算符（operator）：把問題從一種狀態(tài)變換為另一種狀態(tài)的手段；（3） 狀態(tài)空間方法：基于解答空間的問題表示和求解方法，它是以狀態(tài)和算符為基礎來表示和求解問題的。備注：用狀態(tài)空間表示問題的步驟：（1） 定義狀態(tài)的描述形式；（2） 用所定義的狀態(tài)描述形式把問題的所有可能的狀態(tài)都表示出來，并確定出問題的初始狀態(tài)集合描述和目標狀態(tài)集合描述；（3） 定義一組算符，使得利用這組算符可把問題由一種狀態(tài)轉變?yōu)榱硪环N狀態(tài)。問題的求解過程是一個不斷把算符作用于狀態(tài)的過程。（1） 首先將適用的算符作用于初始狀態(tài)，以產生新的狀態(tài)；（2） 然后再把一些適用的算符作用于新的狀態(tài)；（3） 這樣繼續(xù)下去，直到產生的狀態(tài)為目標狀態(tài)為止。這時，就得到了問題的一個解。這個解是從初始狀態(tài)到目標狀態(tài)所用算符構成的序列。同傳統(tǒng)的計算機程序相比，人工智能程序有哪些特點？（1） 人工智能首先研究的是以符號表示的知識，而不是數值數據為研究對象（2） 人工智能采用的是啟發(fā)式推理方法，而不是常規(guī)算法（3） 人工智能的控制結構與知識領域是分離的，并允許出現不正確的解答什么是問題歸約？問題歸約的操作算子與一般圖搜索有何不同？問題規(guī)約是在問題求解過程中，將一個大的問題變成若干個子問題，子問題又可以分解成更小的子問題，這樣一直分解到可以直接求解為止，全部子問題的解就是原問題的解；并稱原問題為初始問題，可直接求解的問題為本原問題。問題規(guī)約的操作算子是一組變換規(guī)則，通過一個操作算子把一個問題化成若干個子問題。而一般圖搜索的操作算子是引起狀態(tài)中的某分量發(fā)生改變，從而使問題由一個具體狀態(tài)A變化為另一個具體狀態(tài)B的作用。使問題一種狀態(tài)變化為另一種狀態(tài)的手段稱為操作符或算符，操作符可為走步、過程、規(guī)則、數學算子、運算符號或邏輯符號等。在選擇知識表示的方法時，應該考慮哪些因素？（1） 充分表示領域知識。（2） 有利于對知識的利用。（3） 便于對知識的組織、維護與管理。（4） 便于理解與實現。表示能力：能夠將問題求解所需的知識正確有效地表達出來，可理解性：所表達的知識簡單、明了、易于理解，可訪問性：能夠有效地利用所表達的知識，可擴充性：能夠方便靈活地對知識進行擴充。表示范圍是否廣泛、是否適于推理、是否適于計算機處理、是否有高效的算法、能否表示不精確知識、能否模塊化、知識和元知識能否用統(tǒng)一的形式表示、是否加入啟發(fā)信息、過程性表示還是說明性表示、表示方法是否自然。總之，人工智能問題的求解是以知識表示為基礎的，如何將已獲取的有關知識以計算機內部代碼形式加以合理地描述、存儲、有效利用便是知識表示所應解決的問題。什么是蟻群算法？簡述其基本思想和基本結構.根據螞蟻覓食過程的啟示，蟻群優(yōu)化算法是采用人工螞蟻行走路線選擇問題最優(yōu)解的一種算法。（1） 每只人工螞蟻獨立地在問題解空間中搜索（行走），當遇到解的分支路徑時，隨機地選擇某條路徑行走，其中信息素濃度更高的路徑具有更大的選擇概率。路徑越短，信息素濃度越高。（2） 隨著時間的推移，路徑短的信息素濃度越來越高，引導更多的螞蟻通過最優(yōu)的求解路徑，釋放出更多的信息素，而其他路徑上的信息素在揮發(fā)特性的作用下逐漸消失，從而形成正反饋效應。（3） 最終整個蟻群在正反饋作用下，集中到代表最優(yōu)解的路徑上，表明找到了最優(yōu)解。假設m只螞蟻在城市間移動，協作異步地得到問題的解。每只螞蟻的一步轉移概率由城市之間連邊的兩類參數決定：一是信息素值，二是可見度，即先驗值。信息素的更新有兩種：一是揮發(fā)，也就是所有路徑上的信息素以一定的比率減少，模擬自然蟻群的信息素隨時間揮發(fā)的過程；二是增強，給評價值“好”的邊增強信息素。螞蟻向下一城市的移動是通過一個隨機原則來實現的，也就是運用當前存儲的信息，計算出到下一個城市的概率，并按此概率實現上一步的移動，如此反復，越來越接近最優(yōu)解。（輪盤賭選擇算法）螞蟻在尋找過程中，或找到一個解后，會評估該解或解的一部分的優(yōu)化程度，并把評價信息保存在相關連接的信息素中。什么是過程性知識表示？給出它的優(yōu)缺點過程性知識表示可將所要表示的知識及如何使用這些知識的控制性策略一起隱式地表示為一個求解問題的過程。優(yōu)點：（1）表示效率高（2）推理控制容易實現缺點：（1）知識庫不易維護（2）適用的表示范圍較窄了解ID3算法樹以代表訓練樣本的單個節(jié)點開始。如果樣本都在同一個類，則該節(jié)點成為葉節(jié)點，用該類標記。否則，算法使用信息增益作為啟發(fā)信息，選擇能夠最好的將樣本分類的屬性。該屬性成為該節(jié)點的判定屬性。(所有屬性均為離散值，對于連續(xù)屬性需先進行離散化)。對測試屬性的的每個已知值，創(chuàng)建一個分支。算法使用同樣的過程，遞歸形成每個劃分上的樣本判定樹。一旦一個屬性出現在一個結點上，就不會出現在該節(jié)點的任何后代上。遞歸劃分步驟僅當下列條件之一成立時停止：給定結點所有樣本屬于同一類，無需劃分；當前屬性集為空，沒有剩余屬性可以用來進一步劃分當前結點包含的樣本集合為空，不能劃分屬性選擇度量：在樹的每個結點上使用信息增益度量選擇測試屬性。選擇具有最高信息增益的屬性作為當前結點的測試屬性。該屬性使得對結果劃分中的樣本分類所需要的信息量最小(直觀理解即是生成判定樹局部較低)，并反映劃分的最小隨機性。這種信息理論方法使得對一個對象分類所需要的期望測試數目達到最小，并保證找到一顆簡單的樹。有監(jiān)督學習與無監(jiān)督學習的區(qū)別是什么？在監(jiān)督學習中，假定我們知道每一輸入對應的期望輸入，并利用學習系統(tǒng)的誤差，不斷校正系統(tǒng)的行為在無監(jiān)督學習中，我們不知道學習系統(tǒng)的期望輸出開發(fā)專家系統(tǒng)的基本要求是什么？采用原型法開發(fā)專家系統(tǒng)要經過哪幾個步驟？基本要求：選擇