人工智能导论

一.概述

1.1 发展阶段

• 第一次寒冬（1974-1980）：70年代初，虽然有一定智能，但还很弱
  （1）硬件水平不足
  （2）数据太多，计算机没有时间提炼
  （3）数字世界只有0,1，而现实世界是模糊世界
  
• 第二次高潮（1980-1987）：专家系统，通过信息输入知识库，使用搜索完成对话
  （1）专家系统
  （2）更多数据处理方法
  （3）BP网络的诞生，可以根据标准进行修正
  
• 第二次寒冬（1987-1993）：台式机和个人计算机产生，专家系统领域狭窄，维护昂贵，必要性不强
  
• 第三次高潮（1993-2005）：摩尔定理：硬件定期翻一番

1.2 脑智能

（1）学习、发现、创造是大脑创造的体现
（2）脑机接口（BCI）：采集脑电信号
（3）神经元：传统的人工智能学习机制是误差反传
（4）生命科学很重要

1.3 群集智能：生物群落的群体行为或社会行为表现出一定智能

1.4 符号智能：模拟人脑智能的人工智能，以符号形式的知识和信息为基础

1.5计算智能：不仅仅是数值计算，通过数学的建模和算法完成知识的推理运用，主要是各类优化搜索算法

1.6 人工智能研究内容

• 搜索与求解：如果有公式，那么就不属于人工智能，往往为了解决NP-hard（不能在有限时间内求解），而且信息往往不充分。
• 学习和发现（举一反三）：学什么，怎么学。学习规律（抽象的共性），从样本和数据中学习
• 知识与推理
• 发明与创造：模型可能仅仅是在学习某种特定的场景，数据集是否真的无关？拍摄的角度，背后的场景，拍摄对象，人们拍摄的相似性，是不是存在某些不经意间的关联性。
• 感知与交流：可以完成感情的交互
• 记忆与联想：深度学习改变的并不是神经元而是突触的大小
• 应用与工程

二.搜索与求解

---

2.1拓扑图模型

• 技巧：逆向思维
• 树式搜索：从源点开始遍布每一个点（广度搜索）
• 线式搜索：纵向搜索（深度搜索）

2.2搜索策略

2.3 是否利用先验

• 盲目搜索：不使用先验信息，随机选择，穷举
• 启发式搜索：利用设置好的经验，常识，规律等先验信息或知识进行搜索。

2.4 搜索扩展顺序

• 新增节点在open的末尾，则是广度优先；在开头，则是深度优先
• 当open表中所有节点按某先验信息排布，则全局最优；若只有新增节点按某先验信息排布，则局部最优
  
• 从open中选出第一个节点，放入CLOSED表，如果可以扩展，则在OPEN中加入被扩展的节点（放前放后取决于遍历方式），若不能扩展，则在Open中再寻找
• 广度搜索得到的一定是最优解，必可以得到目标结果
• 线式搜索
  （1）可分为可回溯和不可回溯
  （2）可能不能得到目标结果
  （3）如果方向正确，那么效率很高
  （4）有界深度优先：最多确定深度是多少
• 启发式搜索：扩展，删除，生成节点的选择
  （1）全局择优：每次录入OPEN表都会来一次排序
  （2）局部择优：只会把这次录入OPEN的进行排序，放在最前或者最后

2.5 权重不同的路径图

• 启发函数：与最优结果之间的差距
  代价函数：到目前为止积累的代价
• 权重路径图更关注代价函数
• 难以得到精确的启发函数值
• 分支界限法：全局最优
  最近择优法：局部最优
• A算法：代价函数和启发函数的和
• 代价函数有利于搜索的横向选择，搜索完备性提高，启发函数有利于纵向的搜索，搜索效率更高，启发函数具体确定
• A*算法：所有的节点的启发函数都要小于最小的实际能走路线的启发函数（实际中存在障碍）

2.6 与或图

问题可被分解成子问题，子问题的与或形成与或图

• 与问题可解：全部子问题可解
• 或问题可解：有一个子问题可解
• （open存储可以走，但是还没扩展的节点，close表示已达终结可解节点，即最后的解树）
  
  
• 代价：终止节点的代价为0，自下而上
  
• 启发式搜索：每次都找代价比较低的一边建树

2.7 博弈树

• A做出的选择是或的关系，B的对应反应与A的选择是与关系，与或的交替出现
• 或节点是要选择最大得分，与节点选择最小得分
  

2.8 α-β剪枝

减去一些肯定不对的扩展