人工智能导论丁世飞第三版期末考试复习大纲

绪论

1. 什么是智能？什么是人工智能？
   ➊ 智能是知识与智力的总和。
   ➋ 人工智能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。

2. 人工智能研究有哪几个主要学派？其特点是什么？
   ➊ 符号主义：又称为逻辑主义、心理学派或计算机学派，其理论基础是物理符号系统假设和有限合理性原理。其主要特征：（1）立足于逻辑运算和符号操作，适合于模拟人的逻辑思维过程，解决需要逻辑推理的复杂问题；（2）知识可用显示的符号表示，在已知基本规则的情况下，不需要输入大量的细节知识；（3）便于模块化，当个别事实发生变化时，易于修改；（4）能与传统的符号数据库进行连接；（5）可对推理结论进行解释，便于对各种可能性进行选择。
   ➋ 连接主义：是基于神经网络及网格间的连接机制和学习算法的人工智能学派。主张人工智能应着重于结构模拟，即模拟人的生理神经网络结构，并认为功能、结构和智能行为是密切相关的。其主要特征：（1）通过神经元之间的并行协作实现信息处理，处理过程具有并行性、动态性、全局性；（2）可以实现联想功能，便于对有噪声的信息进行处理；(3）可以通过对神经元之间连接强度的调整实现学习和分类等；(4）适合模拟人类的形象思维过程；（5）求解问题时，可以较快地得到一个近似解。
   ➌ 行为主义：又称为进化主义或控制论学派，是基于控制论和“动作-感知”型控制系统的人工智能学派。其主要特征：(1）智能取决于感知和行动，应直接利用机器对环境作用后，以环境对作用的响应为原形；（2）智能行为只能现实在世界中，通过与周围环境交互作用而表现出来；(3)人工智能可以像人类智能一样逐步进化，分阶段发展并增强。

3. 人工智能的主要研究内容和应用领域是什么？
   ➊ 主要研究内容：知识表示，自动推理，搜索与规划，机器学习。
   ➋ 应用领城：专家系统，模式识别，自然语言处理，智能决策支持系统，神经网络，自动定理证明，博弈，分布式人工智能与 Agent，智能检素，机器人学，机器视觉，进化计算，模糊计算，人工心理、人工情感和人工生命等。

知识表示

1. 谓词逻辑与谓词公式表示知识
   ➊ 有的人喜欢梅花，有的人喜欢菊花，有的既喜欢梅花又喜欢菊花。
   $$\begin{array}{rl}& (\exists x)(Human(x)\wedge Like(x,Club(x)))\\ & (\exists x)(Human(x)\wedge Like(x,Mum(x)))\\ & (\exists x)(Human(x)\wedge Like(x,Club(x))\wedge Like(x,Mum(x)))\end{array}$$
   ➋ 他每天下午都去玩足球。
   $$(\forall x)(Day(x)\to PlayFootball(Ta))$$
   ➌ 兰州市的夏天既干燥又炎热。
   $$Dry(Summer(Lanzhou))\wedge Hot(Summer(Lanzhou))$$
   ➍ 所有人都有饭吃。
   $$(\forall x)(Human(x)\to Eat(x))$$
   ➎ 喜欢玩篮球的人必喜欢玩排球。
   $$(\forall x)((Human(x)\wedge Like(x,basketball)\to Like(x,volleyball)))$$
   ➏ 要想出国留学，必须通过外语考试。
   $$Abroad(x)\to Test(x)$$
   ➐ 每个学生都要参加考试。
   $$(\forall x)(Student(x)\to Text(x))$$
   ➑ 任何整数或是正的或是负的。
   $$(\forall x)(Integer(x)\to PositiveNum(x)\vee NegativeNum(x))$$
   ➒ 谁要是游戏人生，他就一事无成；谁不能主宰自己，他就是一个奴隶。（歌德）
   定义谓词如下：
   H u m a n ( x ) : x 是 人 G a m e L i f e : x 游 戏 人 生 N o t h i n g ( x ) : x 一 事 无 成 S l a v e ( x ) : x 是 奴 隶 D o m i n a t e ( x , y ) : x 主 宰 y \begin{aligned} &Human(x):x是人 \\ &GameLife:x游戏人生 \\ &Nothing(x):x一事无成 \\ &Slave(x):x是奴隶 \\ &Dominate(x,y):x主宰y \end{aligned} ​Human(x):x是人GameLife:x游戏人生Nothing(x):x一事无成Slave(x):x是奴隶Dominate(x,y):x主宰y​则语句可以表达为：$(\forall x)(Human(x)\wedge GameLife(x)\to Nothing(x))\wedge (\forall x)(\neg Dominate(x,y)\to Slave(x))$。
   ➓ 一个数既是偶数又是质数，当且仅当该数为 2
   定义谓词如下：
   $$\begin{array}{rl}& Even(x):x是偶数\\ & Prime(x):x是质数\end{array}$$则语句可以表达为：$(\forall x)(Even(x)\wedge Prime(x)\leftrightarrow x=2$。
   ⓫ 不是每个计算机系的学生都喜欢编程
   定义谓词如下：
   $$\begin{array}{rl}& StudentC(x):x是计算机系学生\\ & Like(x,y):x喜欢y\end{array}$$则语句可以表达为：$\neg (\exists x)StudentC(x)\to Like(x,programming)$。
   ⓬ 有的无理数大于有的有理数
   定义谓词如下：
   $$\begin{array}{rl}& Irrational(x):x是无理数\\ & Rational(y):y是有理数\\ & L(x,y):x大于y\end{array}$$则语句可以表达为：$(\exists x)(Irrational(x)\wedge (\exists y)(Rational(y)\wedge L(x,y)))$或$(\exists x\exists y)(Irrational(x)\wedge Rational(y)\wedge L(x,y))$。

2. 产生式表示法的基本结构和优缺点
   一组产生式可以放在一起，相互配合，协同作用，一个产生式生成的结论可以供另一个产生式作为已知事实使用，以获得问题的解决，这样的系统称为产生式系统。产生式系统一般由3个基本部分组成：规则库、综合数据库和推理机。他们之间的关系如图所示：
   

3. 产生式表示法的优点：
   ➊清晰性： 产生式表示法的格式固定、形式简单，规则（知识单位）之间相互独立，没有直接关系，使知识库的建立较为容易，处理较为简单。
   ➋ 模块性：知识库与推理机是分离的，这种结构给知识库的修改带来方便，不需要修改程序，对系统的推理路径也容易做出解释。
   ➌ 自然性：产生式表示法用“如果…则…”的形式表示知识，符合人类的思维习惯直观自然便于推理。

4. 产生式表示法的缺点：
   ➊ 难以扩展：尽管规则形式上相互独立，但实际问题中往往彼此是相关的。这样当知识库不断扩大时，要保证新的规则与已有的规则没有矛盾就会越来越困难，知识库的一致性越来越难以实现。
   ➋ 规则选择效率较低：在推理过程中，每步都要与规则库中的规则做匹配检查。如果规则库中的规则数量很大，那么显然效率会降低。

5. 框架表示法
   

确定性推理

鲁滨逊(Robinson)归结原理是在子句集的基础上讨论问题。因此，讨论归结演绎推理之前需要先讨论子句集的有关概念。

1. 谓词公式的化简
   在谓词逻辑中，任何一个谓词公式都可以通过应用等价关系及推理规则化成相应的子句集。其化简步骤如下：
   ➊ 消去连接词“$\to$”和“$\leftrightarrow$”。反复使用如下等价公式即可消去谓词公式中的连接词“$\to$”和“$\leftrightarrow$”：
   $$\begin{array}{rl}& P\to Q\iff \neg P\vee Q\\ & P\leftrightarrow Q\iff (P\wedge Q)\vee (\neg P\wedge \neg Q)\end{array}$$
   ➋ 减少否定符号的辖域。将每个否定符号$\neg$移到仅靠近谓词的位置，使得每个否定符号最多只作用于一个谓词上，反复使用如下等价公式：
   双 重 否 定 定 律 ： ¬ ( ¬ P ) ⇔ P 摩 根 定 律 ： ¬ ( P ∧ Q ) ⇔ ¬ P ∨ ¬ Q ¬ ( P ∨ Q ) ⇔ ¬ P ∧ ¬ Q 量 词 转 换 律 ： ¬ ( ∀ x ) P ( x ) ⇔ ( ∃ x ) ¬ P ( x ) ¬ ( ∃ x ) P ( x ) ⇔ ( ∀ x ) ¬ P ( x ) \begin{aligned} &双重否定定律：&\neg (\neg P)\Leftrightarrow P \\ &摩根定律：&\neg (P\land Q)\Leftrightarrow \neg P\vee \neg Q \\ &&\neg (P\vee Q)\Leftrightarrow \neg P\land \neg Q \\ &量词转换律：&\neg(\forall x)P(x) \Leftrightarrow (\exists x)\neg P(x) \\ && \neg(\exists x)P(x) \Leftrightarrow (\forall x)\neg P(x) \end{aligned} ​双重否定定律：摩根定律：量词转换律：​¬(¬P)⇔P¬(P∧Q)⇔¬P∨¬Q¬(P∨Q)⇔¬P∧¬Q¬(∀x)P(x)⇔(∃x)¬P(x)¬(∃x)P(x)⇔(∀x)¬P(x)​
   ➌ 对变元标准化
   ➍ 化为前束范式
   ➎ 消去存在量词
   ➏ 化为Skolem标准型
   ➐ 消去全称量词
   ➑ 消去合取词
   ➒ 更换变量名称

搜索策略

1. OPEN表和CLOSE表的作用是什么？
   ➊ Open 表：用于存放待扩展的节点；
   ➋ Closed 表：用于存放已扩展的节点。

2. 对比深度优先和宽度优先的搜索方法，为何说它们都是盲目搜索方法？
   ➊ 宽度优先搜索是指从初始结点向下逐层搜索，在此结点搜完后才进入下一层。深度优先搜索是按生成规则生成下一级结点，并一直向下一级搜索。
   ➋ 两者都未对所搜结点有目的性搜索，浪费了许多空间和时间。

3. 有界深度搜索与深度搜索的区别
   有界深度优先搜索过程总体上按深度优先算法进行，但对搜索算法需要给出一个深度限制$d_m$，当深度达到了$d_m$时，如果还没有找到解答，就停止对该分支的搜索，换到另一个分之进行搜索。

机器学习

1. 到目前为止，机器学习的方法有哪些？如何对它们进行分类？
   ➊ 机器学习方法分为监督学习和非监督学习
   ➋ 按照样本是否有标签分类，有标签是监督学习，无标签是非监督学习

2. 设训练例子集如下表所示：
   
   请用 ID3 算法完成其学习过程。
   ➊ 设根节点为 $S$，具有最大的信息熵：$H(S)=-(P(+)lo{g}_{2}P(+)+P(-)lo{g}_{2}P(-))=-((3/6)lo{g}_2(3/6)+(3/6)lo{g}_2(3/6))=1$。
   ➋ $S$关于属性 $x_1$的条件熵：$H(S|x_1)=(|S_T|/|S|)H(S_T)+(|S_F|/|S|)H(S_F)=0.9183$。
   ➌ $S$关于属性 $x_2$的条件熵：$H(S|x_2)=(|S_T|/|S|)H(S_T)+(|S_F|/|S|)H(S_F)=1$。
   ➍ 选择属性 $x_1$ 对根节点进行扩展。用 $x_1$ 对 $S$ 扩展后所得到的部分决策树如下图所示。
   
   在该决策树中，其 2 个叶节点均不是最终决策方案，因此还需要继续扩展。而要继续扩展，只有属性 x2 可选择，因此不需要再进行条件熵的计算，可直接对属性 x2进行扩展。对 x2扩展后所得到的决策树如下图所示：
   

专家系统

1. 专家系统与传统程序的区别？
   ➊ 编程思想不同：传统程序=数据结构+算法 专家系统=知识+推理 。
   ➋ 知识与程序是否独立：传统程序关于问题求解的知识隐含于程序中，而专家系统知识单独组成知识库，与推理机分离。
   ➌ 处理对象不同：传统程序进行数值计算和数据处理，而专家系统还能处理符号。
   ➍ 是否具有解释功能：传统程序没有，专家系统有。
   ➎ 是否给出正确答案：传统程序一定可以给出正确答案，专家系统可能给出错误答案。

2. 简述专家系统的构成及各部分的作用。
   ➊ 知识库：用来存放专家提供的知识。
   ➋ 解释器：向用户解释专家系统的行为方法，包括解释推理结论的正确性和系统输出其他候选结结果的原因等。
   ➌ 推理机：针对当前问题的条件或已知信息，反复匹配知识库中的规则，获得新的结论以得到问题的求解结果。
   ➍ 人机交互界面：系统与用户进行交流的界面。
   ➎ 综合数据库：用于储存推理过程中所需的原始数据、中间结果和最终结论，往往作为暂时的存储区。
   ➏ 知识获取模块：可以扩充和修改知识库中的内容，也可以实现自动学习技能。

进化计算

1. 遗传算法的基本原理
   ➊ 在遗传算法中，优化问题的解释被称为个体(Individual)，表示为一个参数列表，称为染色体(Chromosome)或者基因串。染色体一般被表达为简单的数字串，不过也有其他方法适用，这个过程称为编码(Encode)。
   ➋ 产生下一代个体并组成种群，这个过程式通过选择(Select)、交叉(Crossover)、变异(Mutation)完成的。