概念:人工智能领域的重要任务就是采用合适的技术来模仿人类求解问题,人工智能领域的两大基本课题是知识表达和搜索。
1、围绕人工智能的基础理论和方法问题的三个学派:
符号主义学派,认知过程即符号操作过程,人工智能的核心是知识的表达、知识推理和知识运用;
连接主义学派,人的思维基于神经元,用人工神经元连接的网络去模拟人脑;
行为主义学派,取决于感知和行动,智能行为可以通过显示世界与周围环境的交互作用表达出来。
2、主要的应用:
自然语言理解;
专家系统;
定理证明;
博弈;
机器人学;
感知问题;
数据挖掘。
3、搜索
搜索树是由初始状态和后继函数共同产生的,同时也定了状态空间。
3.1无信息搜索,在这个过程中只能对搜索空间中所有的状态进行穷举:
广度优先搜索,首先扩展根节点,接着扩展根节点所有的后继,然后再扩展它们的后继。完备性、最优解、时空耗费;
一致费用搜索,单步耗费相当的时候广度优先搜索是最优的。代价一致搜索对路径步数并不关心,关心的是步骤上的总耗费;
深度优先搜索,总是扩展到的当前边缘中最深的节点。缺点是它有可能错误的选择一条分支且沿着一条很长的路径一直走下去;
深度受限搜索,把深度为l的节点当做没有后继的节点来对待;
迭代深入搜索,寻找最合适的深度限制的通用策略,经常和深度优先搜索结合来使用。
3.2启发式搜索,相当于在当前搜索节点往下选择一个节点时,可以通过一个启发函数来进行选择,选择代价最少的节点作为下一个搜索节点:
贪婪最佳搜索,在每一节点扩展时,都选择到目的地直线路径最小的节点;
A*搜索,它的一个估值函数设计:f(n)=g(n)+h(n)。f是每个可能是摊点估值,g是其实搜索点到当前点的代价,h表示当前节点到目标节点的估值;
启发函数。
3.3局部搜索算法,在很多优化问题求解过程中,要求解的是目标状态,与到达目标的路径无关:
爬山法,它是一个向值增加的方向持续移动的简单循环过程,表现为登高;
模拟退火搜索,爬山法常陷于局部最优,退火算法通过赋予搜索过程中一种时变且最终趋于零概率的突跳性,将问题形式化解为解空间、目标函数和初始解三部分;
遗传算法,是模仿自然界生物进化机制发展起来的随机搜索和优化方法,其本质是一种高效、并行、全局搜索的方法,它能在搜索过程中自动获取和积累有关搜索空间的知识,并自适应的控制搜索过程以求最优解。
4约束可满足性问题
针对此类问题可归结成一些简单标准的模型,然后讨论这些模型的求解,来增强对问题的理解。
参考来源(书本不值得推荐去读):
《人工智能实用教程》罗忠文等
《智能科学技术导论》周昌乐等
《智能系统 原理、算法与应用》蔡自兴等