人工智能期末复习资料.pdf

《人工智能期末复习资料.pdf》由会员分享，可在线阅读，更多相关《人工智能期末复习资料.pdf（3页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、.一、智能化智能体一、智能化智能体1.什么是智能体？什么是理性智能体？智能体的特性有哪些？智能体的分类有哪些？智能体定义：通过传感器传感器感知所处环境环境并通过执行器执行器对该环境产生作用的计算机程序及其控制的硬件。理性智能体定义：给定感知序列感知序列(percept sequence)和在知识在知识(built-in knowledge)，理性智能体能够选择使得性能度量性能度量的期望值期望值(e*pected value)(e*pected value)最大的行动。最大的行动。智能体的特性：自主性自主性自主感知学习环境等先验知识、反响性反响性Agent 为实现自身目标做出的行为、社会性社会性

2、多 Agent 及外在环境之间的协作协商、进化性进化性Agent 自主学习，逐步适应环境变化智能体的分类：简单反射型智能体简单反射型智能体：智能体寻找一条规则，其条件满足当前的状态感知，然后执行该规则的行动。基于模型的反射型智能体基于模型的反射型智能体：智能体根据部状态和当前感知更新当前状态的描述，选择符合当前状态的规则，然后执行对应规则的行动。基于目标的智能体基于目标的智能体：为了到达目标选择适宜的行动，可能会考虑一个很长的可能行动序列，比反射型智能体更灵活。基于效用的智能体基于效用的智能体：决定最好的选择到达自身的满足。学习型智能体学习型智能体：自主学习，不断适应环境与修正原来的先验知识。

3、2.描述几种智能体类型实例的任务环境PFASPFAS，并说明各任务环境的属性任务环境的属性。答题举例：练习：给出如下智能体的任务环境描述及其属性刻画。o机器人足球运发动o因特网购书智能体o自主的火星漫游者o数学家的定理证明助手二、用搜索法对问题求解二、用搜索法对问题求解1.简述有信息搜索启发式搜索与无信息搜索盲目搜索、非启发式搜索的区别。非启发式搜索：按已经付出的代价决定下一步按已经付出的代价决定下一步要搜索的节点。具有较大的盲目性，产生较多的无用节点，搜索空间大，效率不高。启发式搜索：要用到问题自身的用到问题自身的*些信息些信息，以指导搜索朝着最有希望的方向前进。由于这种搜索针对性较强，因而

4、原则上只需搜索问题的部份状态空间，搜索效率较高。2.如何评价一个算法的性能？度量问题求解的性能完备性：当问题有解时，算法是否能保证找到一个解；最优性：找到的解是最优解；时间复杂度：找到一个解需要花多长时间搜索中产生的节点数空间复杂度：在执行搜索过程中需要多少存在存中存储的最大节点数3.简述几种搜索方式的思想。非启发式搜索：广度优先搜索广度优先搜索：首先扩展根节点，接着扩展根节点的所有后续，然后在扩展它们的后续，依次类推。在下一层的任何节点扩展之前搜索树上本层深度的所有节点都已经扩展过。代价一致搜索代价一致搜索：扩展路径消耗最低的节点，假设单步耗散相等，则等价于广度优先搜索算法。深度优先搜索深度

5、优先搜索：扩展搜索树的当前边缘中最深的节点。搜索直接推进到搜索树的最深层，当.最深层节点扩展完没到达目标节点则将向上回到下一个还有未扩展后续节点的稍浅的节点。深度有限搜索深度有限搜索：深度为l的节点被当做没有后续的节点对待。迭代深入深度优先搜索迭代深入深度优先搜索：不断增大深度限制，直到找到目标节点。代价一致搜索的迭代搜索代价一致搜索的迭代搜索：不断增加路径耗散限制双向搜索双向搜索：运行两个同时的搜索：向前搜索从初始状态向前搜索和向后搜索从目标状态向后搜索，扩展节点前检查该节点是否在另一棵树的边缘。启发式搜索：贪婪最正确优先搜索：贪婪最正确优先搜索：定义一个评价函数 f，对当前的搜索状态进展评

6、估，找出一个最有希望的节点来扩展。局部搜索算法：局部搜索算法：从单独的一个当前状态出发，只移动到相邻状态，找目标状态，通常不保存搜索路径。爬山法搜索：爬山法搜索：根据一个目标函数，找寻目前邻居中状态最好的一个最陡上升。贪婪局部搜索模拟退火搜索：模拟退火搜索：先高温烧热，再慢慢降温。当温度T 降低得足够慢，能找到全局最优解的概率逼近 1。局部剪枝搜索：局部剪枝搜索：按一定概率随机地从后续集合中选择k 个后续，假设出现目标状态则停顿，否则再从所有后续中选择k 个最正确后续，重复这一过程。遗传算法：遗传算法：基于进化过程中的信息遗传机制和优胜劣汰的自然选择原则的搜索算法。4.什么是启发式、启发式函数

7、、可采纳的启发式、一致的启发式、启发式搜索？PPT 方法一：对 h 加以限制。评价函数 f(n)=g(n)+h(n)g(n):从初始状态s 到状态n 的实际耗散值。h(n):启发函数，从状态n 到目标的最短路径的估计耗散值f(n):从s 经过n 到目标的最短路径估计耗散值5.简述 A*算法，证明其最优性。6.简述智能优化方法中遗传算法的概念及优点。遗传算法通过作用于染色体上的基因寻找好的染色体来求解问题。随机产生初始群体，其中每个个体给予一个数值评价即适应度，基于适应度来随机选择染色体，使适应性好的染色体有更多繁殖时机。优点：随机搜索：始于搜索空间的一个随机点集，而不像图搜索那样固定地始于初始

8、节点。满意解并行搜索：从搜索空间的一个点集种群到另一个点集。适合大规模并行计算，有能力跳出局部最优解。算法适应性强：除确定适应度函数外几乎不需要其他先验知识不要求解的连续性，因此能从离散的、多极值、含噪声的高维问题中找到全局最优。三、知识表示三、知识表示课本 P42 用谓词表达语句。四、确定性推理方法四、确定性推理方法1.演绎推理、归纳推理、默认推理的概念。演绎推理演绎推理是从全称判断推导出单称判断的过程，即由一般性知识推出适合于*一具体情况的结论。这是一种从一般到个别的推理。归纳推理归纳推理是从足够多的事例中归纳出一般性结论的推理过程，是一种从个别到一般的推理。默认推理默认推理又称为缺省推理

9、，是在知识不完全的情况下假设*些条件已经具备所进展的推理。.3.确定性推理、不确定性推理的概念。确定性推理：确定性推理：推理时所用的知识与证据都是确定的，推出的结论也是确定的，其真值或者为真或者为假，没有第三种情况出现。不确定性推理：不确定性推理：推理时所用的知识与证据不都是确定的，推出的结论也是不确定的。4.单调推理、非单调推理的概念。单调推理：单调推理：随着推理向前推进及新知识的参加，推出的结论越来越接近最终目标。非单调推理：非单调推理：由于新知识的参加，不仅没有加强已推出的结论，反而要否认它，使推理退回到前面的*一步，重新开场。5.启发式推理、非启发式推理的概念。如果推理过程中运用与推理

10、有关的启发性知识，则称为启发性推理启发性推理，否则称为非启发性推理非启发性推理。启发性知识启发性知识：与问题有关且能加快推理过程、求得问题最优解的知识。6.正向推理、逆向推理的概念及优缺点。正向推理正向推理是以事实作为出发点的一种推理。正向推理简单，易实现，但目的性不强，效率低。逆向推理逆向推理是以*个假设为目标作为出发点的一种推理。逆向推理不必使用与目标无关的知识，目的性强，同时利于向用户提供解释，但起始目标的选择有盲目性，比正向推理复杂。7.谓词公式化为子句集。8.归结原理1 1应用归结原理证明定理应用归结原理证明定理2 2应用归结原理求解问题应用归结原理求解问题五、不确定性推理方法五、不确定性推理方法1.不确定推理的概念。不确定性推理：不确定性推理：从不确定性的初始证据出发，通过运用不确定性的知识，最终推出具有一定程度的不确定性但却是合理或者近乎合理的结论的思维过程。2.可信度方法可信度：根据经历对一个事物或现象为真的相信程度。可信度带有较大的主观性和经历性，其准确性难以把握。CF 模型：基于可信度表示的不确定性推理的根本方法。CFH，E的取值围:-1,1。假设由于相应证据的出现增加结论H为真的可信度，则CFH，E 0，证据的出现越是支持H为真，就使CFH，E)的值越大。反之，CFH，E