人工智能期末復習資料

一、智能化智能體什么是智能體什么是理性智能體智能體的特點有哪些智能體的分類有哪些智能體定義：經過傳感器感知所處環(huán)境并經過執(zhí)行器對該環(huán)境產生作用的計算機程序及其控制的硬件。理性智能體定義：給定感知序列(perceptsequence)和內在知識(built-inknowledge)理性智能體能夠選擇使得性能胸襟的希望值(expectedvalue)最大的行動。智能體的特點：自主性（自主感知學習環(huán)境等先驗知識）、反應性（Agent為實現自己

，目標做出的行為）、社會性（多Agent及外在環(huán)境之間的協作協商）、進化性（Agent自主學習，漸漸適應環(huán)境變化）智能體的分類：簡單反射型智能體：智能體搜尋一條規(guī)則，其條件知足當前的狀態(tài)（感知），爾后執(zhí)行該規(guī)則的行動?；谀Ｐ偷姆瓷湫椭悄荏w：智能體依據內部狀態(tài)和當前感知更新當前狀態(tài)的描述，選擇吻合當前狀態(tài)的規(guī)則，爾后執(zhí)行對應規(guī)則的行動?；谀繕说闹悄荏w：為了達到目標選擇適合的行動，可能會考慮一個很長的可能行動序列，比反射型智能體更靈便。基于功能的智能體：決定最好的選擇達到自己的知足。學習型智能體：自主學習，不停適應環(huán)境與修正本來的先驗知識。2.描述幾種智能體種類實例的任務環(huán)境PFAS，并說明各任務環(huán)境的屬性。答題舉例：練習：給出以下智能體的任務環(huán)境描述及其屬性刻畫。機器人足球運動員因特網購書智能體自主的火星遨游者數學家的定理證明助手二、用搜尋法對問題求解簡述有信息搜尋（啟示式搜尋）與無信息搜尋（盲目搜尋、非啟示式搜尋）的差別。非啟示式搜尋：按已經付出的代價決定下一步要搜尋的節(jié)點。擁有較大的盲目性，產生很多的無用節(jié)點，搜尋空間大，效率不高。啟示式搜尋：要用到問題自己的某些信息，以指導搜尋朝著最有希望的方向前進。因為這類搜尋針對性較強，因此原則上只需搜尋問題的部份狀態(tài)空間，搜尋效率較高。怎樣評論一個算法的性能（胸襟問題求解的性能）齊全性：當問題有解時，算法可否能保證找到一個解；最優(yōu)性：找到的解是最優(yōu)解；時間復雜度：找到一個解需要花多長時間搜尋中產生的節(jié)點數空間復雜度：在執(zhí)行搜尋過程中需要多少內存在內存中儲藏的最大節(jié)點數簡述幾種搜尋方式的思想。非啟示式搜尋：廣度優(yōu)先搜尋：第一擴展根節(jié)點，接著擴展根節(jié)點的全部后續(xù)，爾后在擴展它們的后續(xù)，挨次類推。在下一層的任何節(jié)點擴展從前搜尋樹上本層深度的全部節(jié)點都已經擴展過。代價一致搜尋：擴展路徑耗資最低的節(jié)點，若單步耗散相等，則等價于廣度優(yōu)先搜尋算法。深度優(yōu)先搜尋：擴展搜尋樹的當前邊沿中最深的節(jié)點。搜尋直接推動到搜尋樹的最深層，

當最深層節(jié)點擴展完沒達到目標節(jié)點則將向上回到下一個還有未擴展后續(xù)節(jié)點的稍淺的節(jié)點。深度有限搜尋：深度為l的節(jié)點被當作沒有后續(xù)的節(jié)點對待。迭代深入深度優(yōu)先搜尋：不停增大深度限制，直到找到目標節(jié)點。代價一致搜尋的迭代搜尋：不停增添路徑耗散限制雙向搜尋：運轉兩個同時的搜尋：向前搜尋（從初始狀態(tài)向前搜尋）和向后搜尋（從目標狀態(tài)向后搜尋），擴展節(jié)點前檢查該節(jié)點可否在另一棵樹的邊沿。啟示式搜尋：貪心最正確優(yōu)先搜尋：定義一個評論函數f，對當前的搜尋狀態(tài)進行評估，找出一個最有希望的節(jié)點來擴展。局部搜尋算法：從單獨的一個當前狀態(tài)出發(fā)，只搬動到相鄰狀態(tài)，找目標狀態(tài)，平時不保留搜尋路徑。爬山法搜尋：依據一個目標函數，搜尋當前街坊中狀態(tài)最好的一個（最陡上升）。（貪心局部搜尋）模擬退火搜尋：先高溫燒熱，再慢慢降溫。當“溫度”T降低得足夠慢，能找到全局最優(yōu)解的概率迫近1。局部剪枝搜尋：按必然概率隨機地從后續(xù)會集中選擇k個后續(xù)，若出現目標狀態(tài)則停止，否則再從全部后續(xù)中選擇k個最正確后續(xù)，重復這一過程。遺傳算法：基于進化過程中的信息遺傳體系和優(yōu)越劣汰的自然選擇原則的搜尋算法。4.什么是啟示式、啟示式函數、可采用的啟示式、一致的啟示式、啟示式搜尋PPT方法一：對h加以限制。評論函數

f(n)=g(n)+h(n)g(n):

從初始狀態(tài)

s到狀態(tài)n的實質耗散值。h(n):f(n):

啟示函數，從狀態(tài)n到目標的最短路徑的預計耗散值從s經過n到目標的最短路徑預計耗散值簡述A*算法，證明其最優(yōu)性。簡述智能優(yōu)化方法中遺傳算法的觀點及長處。遺傳算法經過作用于染色體上的基因搜尋好的染色體來求解問題。隨機產生初始集體，此中每個個體恩賜一個數值評論即適應度，基于適應度來隨機選擇染色體，使適應性好的染色體有更多生殖時機。長處：隨機搜尋：始于搜尋空間的一個隨機點集，而不像圖搜尋那樣固定地始于初始節(jié)點。滿意解并行搜尋：從搜尋空間的一個點集（種群）到另一個點集。適合大規(guī)模并行計算，有能力跳出局部最優(yōu)解。算法適應性強：除確立適應度函數外幾乎不需要其余先驗知識不要求解的連續(xù)性，所以能從失散的、多極值、含噪聲的高維問題中找到全局最優(yōu)。三、知識表示課本P42用謂詞表達語句。四、確立性推理方法演繹推理、歸納推理、默認推理的觀點。演繹推理是從全稱判斷推導出單稱判斷的過程，即由一般性知識推出適合于某一詳盡狀況的結論。這是一種從一般到個其余推理。歸納推理是從足夠多的案例中歸納出一般性結論的推理過程，是一種從個別到一般的推理。默認推理又稱為缺省推理，是在知識不完整的狀況下假設某些條件已經具備所進行的推理。確立性推理、不確立性推理的觀點。確立性推理：推理時所用的知識與憑據都是確立的，推出的結論也是確立的，其真值也許為真也許為假，沒有第三種狀況出現。不確立性推理：推理時所用的知識與憑據不都是確立的，推出的結論也是不確立的。單調推理、非單調推理的觀點。單調推理：隨著推理向前推動及新知識的加入，推出的結論愈來愈湊近最后目標。非單調推理：因為新知識的加入，不單沒有增強已推出的結論，反而要否定它，使推理退回到前面的某一步，重新開始。5.啟示式推理、非啟示式推理的觀點。若是推理過程中運用與推理有關的啟示性知識，則稱為啟示性推理，不然稱為非啟示性推理。啟示性知識：與問題有關且能加快推理過程、求得問題最優(yōu)解的知識。6.正向推理、逆向推理的觀點及優(yōu)缺點。正向推理是以已知事實作為出發(fā)點的一種推理。正向推理簡單，易實現，但目的性不強，效率低。逆向推理是以某個假設為目標作為出發(fā)點的一種推理。逆向推理不用使用與目標沒關的知識，目的性強，同時利于向用戶供給講解，但初步目標的選擇有盲目性，比正向推理復雜。謂詞公式化為子句集。歸納原理（1）應用歸納原理證明定理（2）應用歸納原理求解問題五、不確立性推理方法不確立推理的觀點。不確立性推理：從不確立性的初始憑據出發(fā)，經過運用不確立性的知識，最后推出擁有必然程度的不確立性但倒是合理也許近乎合理的結論的思想過程。可信度方法可信度：依據經驗對一個事物或現象為真的相信程度。可信度帶有較大的主觀性和經驗性，其正確性難以掌握。C－F模型：基于可信度表示的不確立性推理的基本方法。CF（H，E）的取值范圍:[-1,1]。若因為相應憑據的出現增添結論H為真的可信度，則CF（H，E）>0，憑據的出現越是支持H為真，就使（，)的值越大。CFHE反之，CF（H，E）<0，憑據的出現越是支持H為假，CF（H，E）的值就