《人工智能》课后习题答案.docx

《《人工智能》课后习题答案.docx》由会员分享，可在线阅读，更多相关《《人工智能》课后习题答案.docx（48页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、人工智能课后习题答案第一章绪论1.1 答：人工智能就是让机器完成那些假如由人来做则需要智能的情况的科学。人工智能是 相关于人的自然智能而言，即用人工的方法与技术，研制智能机器或者智能系统来模仿延伸 与扩展人的智能，实现智能行为与“机器思维”，解决需要人类专家才能处理的问题。1.2 答：“智能”一词源于拉丁“Legere”,意思是收集、汇合，智能通常用来表示从中进行选 择、懂得与感受。所谓自然智能就是人类与一些动物所具有的智力与行为能力。智力是针对具体情况的，根据不一致的情况有不一致的含义。“智力”是指学会某种技能 的能力，而不是指技能本身。1.3 答：专家系统是一个智能的计算机程序，他运用知识

2、与推理步骤来解决只有专家才能解 决的复杂问题。即任何解题能力达到了同领域人类专家水平的计算机程序度能够称之专家系 统。1.4 答：自然语言处理一语言翻译系统，金山词霸系列机器人一足球机器人模式识别一Microsoft Cartoon Maker博弈围棋与跳棋第二章知识表达技术2.1 解答：（1）状态空间（State Space）是利用状态变量与操作符号，表示系统或者问题的有关知识 的符号体系，状态空间是一个四元组（S, 0, SO, G）：S状态集合;0操作算子集合;SO初始状态,S0uS;G目的状 态,GuS,（G可若干具 体状态，也可满足某些性质的路径信息描述）从SO结点到G结点的路径被称

3、之求解路径。状态空间一解是一有限操作算子序列，它使初始状态转换为目标状态：0102030kS1TS2 TG其中O1,.，0k即为状态空间的一个解（解往往不是唯一的）（2）谓词逻辑是命题逻辑的扩充与进展，它将原子命题分解成客体与谓词两个部分。与命题逻辑中命题公式相对应，谓词逻辑中也有谓词（命题函数）公式、原子谓词公 式、复合谓词公式等概念。一阶谓词逻辑是谓词逻辑中最直观的一种逻辑。（3）语义网络是一种使用网络形式表示人类知识的方法。即用一个有向图表示概念与 概念之间的关系，其中节点代表概念，节点之间的连接弧（也称联想弧）代表概念之间的关系。常见的语义网络形式有命题语义网络、数据语义网络：E-R图

4、（实体-关系图）、语言语 义网络等。2.2 解答：（1）(C , 。，)，( C ,。)J (1) 2)(A, A) , A, (A, A)(A, A, A)(A, A)3.10 答:余一棋的弈法如下：两棋手能够从5个钱币堆中轮番拿走一个、两个或者三个钱币，拣 起最后一个钱币者算输。试通过博弈证明，后走的选手必胜，并给出一个简单的特征标记来 表示取胜策略。为了方便起见，用(AB)()()这样的表表示一个状态。这样得到搜索图如下:(CAB) O O)(B) CK) O)CO OBA)非法CO O (AB)CCA) oCO g CBJ) CO Q (AB) COBA) o O) (8 CB) O)

5、状态重复状态重复非法CO CAB) O)目标(2)八数码问题 空格：Up,Left,Down,Right1 4 3765 8 2137 4 65 8 21 4 37 8 6521 4 37 65 8 21414376376258258AAAAAAAA3.11 答：与/或者图的解图：那些可解结点的子图，包含一结点到目的结点集的、连通的可解结点 的子图。在问题的完整的隐含图中扩展生成出包含初始结点与目的结点集合的连通的明显子 图。算法AO*：务必对当前已生成出的与或者图中的所有结点实施其每解点是否为可解结点 的标注过程，假如起始结点被标注为可解的，则搜索过程可成功地结束；假如起始结点还不 能被标注

6、为可解的，则应当继续扩展生成结点（尽可能地记录，所有生成的结点中，什么结 点被标注了可解的，以便减少下一次标注过程的工作量）；同样地，对不可解结点也同样如 此。利用结点的可解/不可解性质，能从搜索图中删去可解结点的任何不可解结点的子结点; 同样地，能删去不可解结点的所有的子结点（搜索这些被删除的结点是没有意义的，而只会 降低搜索的效率）。两个要紧过程的反复：自上而下的图生长过程，并通过跟踪有标记的连接符寻找一个候选局部解图自下而上的估价函数值的修正、连接符的标记与SOLVED的标注过程（3）3.12 答：此题要求按照课中例题的方式，给出算法，下列是每个循环结束时的搜索图。上面这种做法比较简单，

7、也能够如下做:849F.454:二;C 4 )JgF.41二;4cz5 )L：646第七步4L：第八步4：-；IOF.(6 )43.13 答：略3.14 答：博弈搜索通常被限制在一定的范围，搜索的目标是确定一步好的走法(好棋)，等 对手回手后，再继续搜索。因此，博弈搜索过程总是由当前状态向目标状态搜索，而不是由 目标状态向当前状态搜索。这类博弈的实例有西洋跳棋等。3.15 答：8 (3, 0, 8) (7, 8, 3)、(0, 6)、(8, 9) (7,6)、(8,6,5)、 (2,3)、(0,-2)、(6,2)、(5,8)、(9,2) 8(3, 0, 8)3.16 答：见上图3.17 答：略

8、3.18 答：a一。剪裁算法.a剪裁一若极小层的pv=a(先辈层)则中止这个MIN下列的搜索.0剪裁一若极大层的a0(先辈层)则中止这个MAX下列的搜索 算法如下：double alphabeta( int depth, double alpha, double beta, Position p);/* alpha是MAX的当前值 beta是MIN的当前值,depth 是在搜索树中的深度,p是所 求结点的位置*/double t;if( depth=O ) return evaluate(p); /* 假如 P 是叶结点，算出 P 的值 */for( i=l; i a!pha&MAX)if(t

9、 beta) returnt;/*直接返回*/else alpha =t;if( talpha&MIN)if(t beta) returnt;/*直接返回*/else alpha=t;)return alpha;)3.19 -3.22 答：略第四章基本的推理技术4.1 答：(1)推理：按照某种策略从已有事实与知识推出结论的过程。正向推理正向推理(事实驱动推理)是由已知事实出发向结论方向的推理。基本思想是：系统根据用户提供的初始事实，在知识库中搜索能与之匹配的规则即当前 可用的规则，构成可适用的规则集RS,然后按某种冲突解决策略从RS中选择一条知识进 行推理，并将推出的结论作为中间结果加入到数据

10、库DB中作为下一步推理的事实，在此之 后，再在知识库中选择可适用的知识进行推理，如此重复进行这一过程，直到得出最终结论 或者者知识库中没有可适用的知识为止。正向推理简单、易实现，但目的性不强，效率低。需要用启发性知识解除冲突并操纵中 间结果的选取，其中包含必要的回溯。由于不能反推，系统的解释功能受到影响。(3)反向推理R(x,y)=( Vx)(三 y)P(x,y) AQ(x,y) v R(x,y)=P(x)V P(x)=(V x)P(x,f(x) A Q(x, f(x) v R(X, f(x)=P(x,f(x) A Q(x, f(x) v R(X, f(x)= hP(x,f(x)VR(x, f

11、(x)A-Q(x, f(x)VR(x, f(x)= FP(x,f(x)VR(x, f(x) A Q(y, f(y) V R(y, f(y)子句集为P(x,f(x) v R(x, f(x)与Q(y, f(y) v R(y, f(y)(3) (Vx)(Vy)P(x,y)- (Vy)Q(x,y) -R(x,y)=(Wx) )(3y)P(x,y)V(Vy)Q(x,y) 一R(x,y)= (Vx) (3y) P(x,y)V(3y)Q(x,y)VR(x,y)= (Vx) FP(x,f(x)V-Q(x, f(x)VR(x, f(x)=P(x,f(x) V Q(x, f(x)VR(x, f(x)子句集为P(x

12、,f(x)V Q(x, f(x)VR(x, f(x)4.6 答：(1)(2)A/x,A/y, A/z, A/w, A/u1.14.7 答：(1) (3X) P (x) -P (A) AP (x) P (B) 目标取反化子句集：(3X) P (x) P (A) AP (x) -P (B) (3X) P (x) VP (A)八P (x) VP (B) (Vx) P (x) AP (A) VP (x) AP (B) (Vx) P (x) AP (A) VP (x) AP (x)八P (A) VP (B) (Vx) P (x) AP (A) VP (x) AP (x) VP (B) AP (A) VP

13、 (B) P (x) A-P (A) VP (x) AP (x) VP (B) A-P (A) VP (B) 得子句集：l,P(xl)2,P(A)VPx23,P(x3)V P(B)4,P(A)VP(B)P(x)NIL(2) (Vx) P (x) AQ (A) VQ (B) 一(ex) P (x) AQ (x) 目标取反化子句集：(Vx) P(x) A Q(A)V Q(B) 一 (ex)P(x) A Q(x)(Vx)P(x) A Q(A)V Q(B) V(Wx)P(x) A Q(x)(Vx)P(x) A Q(A)VQ(B)A( Wx)P(x) V Q(x)(Vx)P(x) A Q(A)VQ(B)

14、A( Vy)P(y) V Q(y)(Vx)(Vy) P(x) A Q(A)VQ(B)A P(y) V Q(y)P(x) A Q(A)V Q(B) A P(y) V Q(y)得子句集：b P(x)2, Q(A)VQ(B)3,P(y)V Q(y)4.8 答：4.9 答：答：我们用Skier(x)表示x是滑雪运动员，Alpinist(x)表示x是登山运动员，Alpine(x)表示x 是Alpine俱乐部的成员。问题用谓词公式表示如下：已知：(1) Alpine(Tony)(2) Alpine(Mike)(3) Alpine(John)(4) (Vx) Alpine(x)Skier(x) V Alpi

15、nist(x)(5) (Vx)Alpinist(x)-Like(x, Rain)(6) (Vx) Like(x, Snow)Skier(x)(7) (Vx)Like(Tony, x)7Like(Mike, x)(8) (Vx) -Like(Tony, x)-Like(Mike, x)(9) Like(Tony, Snow)(10) Like(Tony, Rain)目标：(3x)Alpine(x)AAlpinist(x)A-Skier(x)化子句集：(1) Alpine(Tony)(2) Alpine(Mike)(3) Alpine(John)(4)( V x)Alpine(x)Skier(x)

16、 V Alpinist(x) = ( V x)Alpine(x) V Skier(x) V Alpinist(x) = Alpine(x) V Skier(x) V Alpinist(x)(5) (Vx)Alpinist(x)-Like(x, Rain) = (Wx)Alpinist(x)VLike(x, Rain) =*-Alpinist(x)V Like(x, Rain)(6) (Vx)Like(x, Snow)-Skier(x) = (Vx)Like(x, Snow)VSkier(x) = Like(x, Snow)V Skier(x)(7)( V x)Like(Tony? x)Like

17、(M汰e, x) = ( V x)Like(Tony, x) V Like(Mike, x) =Like(Tony, x)V-Like(Mike, x)(8) (Vx)Like(Tony, x)一Like(Mike, x) = (Vx)Like(Tony, x)VLike(Mike, x) = Like(Tony, x) VLike(Mike, x)(9) Like(Tony, Snow) (10) Like(Tony, Rain) 目标取反：(m x) Alpine(x) A Alpinist(x) A Skier(x)二(Vx) Alpine(x) V Alpinist(x) V Skie

18、r(x)= Alpine(x) V Alpinist(x) V Skier(x)经变量换名后，得到子句集：Alpine(Tony), Alpine(Mike), Alpine(John), -Alpine(xl)VSkier(xl)VAlpinist(xl), -Alpinist(x2) VLike(x2, Rain), Like(x3, Snow) VSkier(x3),Like(Tony, x4)VLike(Mike, x4), Like(Tony, x5)VLikc(Mikc, x5), Likc(Tony, Snow), Likc(Tony, Rain), -Alpinc(x) V -

19、Alpinist(x) V Skicr(x) 归结树如下：4.10 答：基于规则的演绎推理可分为正向演绎推理、反向演绎推理与正反向混合演绎推理。在正向演绎推理中，作为F规则用的蕴含式对事寥的总数据库进行操作运算，直至得到 该目标公式的一个终止条件为止。事实目标公式在反向演绎推理中，作为B规则用的蕴含式对且标的总数据库进行操作运算，直至得到包含这些事实的终止条件为止。目标公式事实4.11 答：第五章不精确推理5.1 答：不精确推理是建立在韭经典逻辑基础上的一种推理，是基于不确定性知识的推理。 不精确推理就是从不确定性的初始事实(证据)出发，通过运用不确定性的知识,最终推出 具有一定程度的丕确定性

20、却是合理或者者近乎合理的结论的思维过程。在不精确推理中，知识与证据都具有不确定性，这为推理机的设计与实现增加了复杂度 与难度。它除了务必解决推理方向、推理方法与操纵策略等基本问题外，通常还需要解决不 确定性的表示、不确定性的匹配与不确定性的更新算法等问题。5.2 答：有明确定义但不一定出现的事件中包含的不确定性称之随机性，他不因人的主观意 思变化，由事物本身的因果律决定。不精确推理就是表示与处理随机性的推理方法。5.3 答：(1)当有一个证据E1时，根据Bayes公式，可得P()P(E曲)P(i | 用)=P(口)x P(4 IM)+P(%)尸(g I %)+ P(4)尸(即凡)=0.4*0.

21、5/ (0.4*0.5+03*03+03*05) =0.2/0.44=0.45同理可得：P(”| | E2) =0.09/0.44=0.20P(% | E3) =0.15/0.44=0.34这说明，由于证据El的出现，H1与H3成立的可能性有所增加，而H2成立的可能性 有所下降。当证据El、E2同时出现时，根据多证据情况下的Bayes公式，可得P(HJg&)= P(E IP(石2 麻 P(HI ) + P(| %) P 田 2) P(“2)+ P(耳 I “3) P(石2 I ”3) P(“3=0.14/ (0.14+0.162+0.009) =0.59同理可得：P(”2 I 与石2)=。34

22、 P(H3 I E(E2) =0.064这说明，由于证据El与E2的出现，H1与H2成立的可能性有不一致程度的增加，而H3成立的可能性则有了较大幅度的下降。5.4 答：LSLS为规则的充分性量度，它反映E的出现对H的支持程度。当LS=1时，O (H|E)= 0(H), 说明E对H没有影响；当LS1时，O(H|E)O(H),说明E支持H,且LS越大，E对H的 支持越充分，若LS为8,则e为真时H就为真；当LS1时，O(H|E)1 时、O(H|E)O(H),说明E 支持H,且LN越大，E对H的支持越充分，若LN为8,则_为真时H就为真；当LN1 时，O(H|E)1 且 LN1情形 2： LS1情形

23、 3： LS=LN=J5.5 答：5.6 答：根据经验对一个事物或者现象为确实相信程度称之可信度。规则的通常形式为：IF E THEN H (CF(H,E)。其中，CF(H,E)是该规则的可信 度，称之可信度因子或者规则强度。CF(H,E)在-1, 1上取值，它表示在已知证据E的情况 下对假设H为确实支持程度-CF(H, E)定义如下：CF(H,E)=MB(H,E)MD(H,E)。其中，MB (Measure Belief)称之信任 增长度，表示因证据E的出现而增加对假设H为确实信任增加程度MB(H, E)0 P(H|E)P(H)； MD (Measure Disbelief)称之不信任增长度

24、，表示因证据E的出现对假设H 为假的信任减少的程度MD(H, E)0 P(H|E)0.9Xmax0, CF(E3 AND E4)=0.9X 0.8=0.72(3)求证据E6、E7逻辑组合的可信度CF(E6 OR E7)=max CF(E6),CF(E7) =max 0.1,0.5 =0.5(4)根据规则R5求CF1(E2)CFl(E2-0.3Xmax0, CF(E6 OR E7)=-0.3X0. 5=0.15(5)根据规则R4求CF2(E2)CF2(E2)=0.7Xmax0, CF(E5) =0.7X0. 8=-0.56(6)根据规则R5求CF1(E2)CFl(E2)=-0.3Xmax0, C

25、F(E6 OR E7)=-0.3X0. 5=-0.15(7)组合由独立证据导出的假设E2的可信度CF1(E2)、CF2(E2),得到E2的综合可信度 CF(E2)CF(E2)=CF1 (H)+CF2(H)=0.56-0.15=0.41(8)根据规则R1求CFl(Hl)CF1(H 1 )=0.8X max0, CF(El)=0.8 X0. 72=0.576(8)根据规则R2求CF2(H1)CF2(H1 )=0.9 X max 0, CF(E2) =0.9X0. 41 =-0.369(9)组合由独立证据导出的假设Hl的可信度CFl(Hl)、CF2(H1),得至Hl的综合可信度 CF(H1)CF(H

26、)=CFl(H)+CF2(H)-CFl(H)CF2(H)=0.576+0.369-0.576X 0.369=0.7235.8 答：已经出现但难以给出精确定义的事件中包含的不确定性称之模糊性，是山事物的概 念界限模糊与人的主观推理与推断产生的。而有明确定义但不一定出现的事件中包含的不确 定性称之随机性，他不因人的主观意思变化，由事物本身的因果律决定。不精确推理就是表 示与处理随机性的推理方法。两者之间有着本质的区别。5.9 答：acb=0.5/x1+0.65/x2+0.8/x3+0.9/x4+0.7/x5；aub =0.85/xl+0.7/x2+0.9/x3+0.98/x4+0.77/x5；GS

27、MANAREMORTAL2.3解答：设有如下四个谓词： HUMAN(X) X 是人 LAWED(X) X受法律管制 COMMIT(X) X 犯法4 =0.15/x 1 +0.3/x2+0. l/x3+0. 1/x4+0.3/x5。5.10 答:0.7 0.41AoB=0.70.50.40.45.11答：模糊推理实质上是在模糊集合上进行操作。在同一论域中，证据的“与”、“或者”、 “非”运算通常能够对应于模糊集的交、并、求补操作；不一致论域中的逻辑运算通常需拓广 至笛卡尔意义下的相应操作。逻辑推理是通过逻辑蕴含实现的。设U与V为两个论域，A是U上的模糊子集，B是V上的模糊子集，则规则IF A T

28、HEN B能够定义为UXV上的一个模糊关系：(AxB)U(TlxM)或者等价表不成：A . b = Jmax(min(/A(，)1_(%)/(%, y)次第六章PROLOG语言6.3 答：(1)目标不成功(2)(3)(4)(5)目标不成功目标成功，x,y,z被例化为xl,yl,zl目标不成功目标不成功6.4 答:poglog 规则Is_mother(x):_mother(x,y)Is_father(x):_father(x,y)Is_son(x):_father(y,x),male(x)Grandpa(x,y):_father(x,y 1 ),father(y 1 ,y)Sibling(x,y

29、):_diff(x,y),mother(zl,x),mother(zl,y),father(z2,x), father(z2,y),parent(x,y)文件头：/一，, ，*,1*/*7*Tw 卜卜 *1* *1*卜*T* *1、*7*7* *1* rT* *1*rTw 卜 *1* *7* *7、*7*1* *Tw *7* *7* *7、*7*T* 卜 *7*卜卜 *7* *T*Copyright (c) Sabu Francis Associates* *1 *1 *1* *1*1 *1*kI* kJ* kI*1 *1* *1* *!*.J* .J*1 *1 *1* *1* *1 *1*

30、*1*/rrwri* ri* ri*ri* ri* rj* ri*ri*r?* ri* ri*1 ri* rT*ri*ri* ri*7* *7*ri* ri* *7* rj* rT* ri*rT*T* rj* rj* ri* /class family 1open corepredicatesclassinfo : core:classlnfo.% short Class information predicate.% detail This predicate represents information predicate of this class.% endpredicatesrun

31、: corc:runnablc.end class family 1文件头：/ *1* *4* *.!*的1* *1* *；!*1*的 kLkL kL L *1* *1*1* *；!* *.!* *1*J*T*T*7* *T*T* *7* *T*1* *1*T* *T* *1*Copyright (c) Sabu Francis Associates*、X* 1*.!* *1* * *1* .!* .!* *!* *1* !* * X* *1* !* * * * !* .!* .!* * !* !* .!* .!* *t* *L* * * .!* .!* .!* *x* *L*!* !* *1

32、* *1* *1* * * 1* *i* .!* *t* *1* *1* !* !* !* .!* *i* * !* .!* .!* * *X* .!* 1* !* !* *1* *1* * /.、彳* JJw4* 彳 彳、rJ* .、.、彳*JJw，Jw ，Jw q* 彳* 吓* 吓* JJ* JJw，J*JJ、彳*4* 彳*,、.、.、ej*rjw .、*jw.、/#include Hfamilyl.phn% privately used packages#include ,pfcfilesystemfilesystem.phn#include Hpfcapplicationexeexe.

33、ph#include npfcconsoleconsole.phn#include Hpfcexceptionexception.phn% private interfaces% private classes% implementations#include nfamilyl.proH文件头：Copyright (c) Sabu Francis Associates*1* !* *1* *1* *1* *1* !* !* *1* *1* *1* !* *1* !* *1* /. 卜.、.、卜卜卜、.、.、,卜卜卜,.、.、1、.、.、.、.、，卜卜；、,卜、1、卜卜卜卜 力、卜卜卜,.、.、

34、卜,.、.、卜卜卜卜 .、,.、/#requires nfamilyl .pack1 % publicly used packages #include npfccore.ph % exported interfaces % exported classes #include familyl.cl (4) familyl.prj6文件头：Copyright (c) Sabu Francis Associates/ri* *1*rjw ri* ri* ri* rj* r?* ri* 1*rvw1* rT* ri* ri*rjw rTw ri* ri* *7* ri* ri* rT* ri* ej

35、* ej*ri* ri* ri* ri* ej* rj* rj* ri* ri* rj* rj* rjw rj* *T*1* *7* rT* rT* /implement family 1open coreconstantsclassName = familylclassVersion = n$JustDate: $Revision: $n.clausesclassInfo(className, classVersion).domainsgender = female(); male().class facts - familyDBperson : (string Name, gender G

36、ender).parent: (string Person, string Parent).class predicatesfather : (string Person, string Father) nondeterm anyflow. clausesfather(Person, Father):- parent(Person, Father), person(Father, male(). class predicatesgrandFather : (string Person, string GrandFather) nondeterm (o,o).clausesgrandFather

37、(Person, GrandFather)parent(Persoicates)文件尾：reconsult: (string FileName).clausesreconsult(FileName)retractFactDB(familyDB), file:consult(FileName, familyDB).clausesrun():-console:init(),stdIO:write。Load datann),reconsult(H.fa.txtn),stdIO: write(nnfather testn),father(X, Y),stdIO:writef(n% is the fat

38、her of%n; Y, X), fail.run():-stdlO: write(n ngrandFather testn),grandFather(X, Y),stdIO:writef(n% is the grandfather of %n”, Y, X), fail.run():-stdlO:write(nnancestor of Pam testn),X 二 Pam”，ancestor(X, Y),stdIO:writef(n% is the ancestor of %nn, Y, X), fail.run():-stdIO:write(HEnd of testnn).end impl

39、ement family 1goal补充习题：1 .编写一 Prolog程序使得你能与计算机“交谈”(Conversations with a computer)。下图显示 了对话时的情景，字体加粗的语句表示用户从键盘输入的内容，其他则是计算机的回答。HELLOHIDO YOU WANT TO TALKNO I WANT TO SLEEPYOU ARE A STUPID COMPUTERI AM A NICE COMPUTER1 .答：domains/*领域段，说明程序要用到的数据类型*/words=stringsentence二words*predicates/*谓词段，说明程序要用到的谓词名与参数*/nondeterm talknondeterm human(sentence)nondete