人工智能的主要内容和方法
人工智能（Artificial Intelligence，简称AI）是50年代兴起的一门新兴边缘学科，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能），也被认为是二十一世纪三大尖端技术之一（基因工程、纳米科学、人工智能）。广义的讲，人工智能是关于人造物的智能行为，而智能行为包括知觉、推理、学习、交流和在复杂环境中的行为。人工智能的一个长期目标是发明出可以像人类一样或能更好地完成以上行为的机器；另一个目标是理解这种智能行为是否存在于机器、人类或其他动物中。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机, 人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。除了计算机科学以外, 人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。
一、AI的主要内容
人工智能研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。
知识表示是人工智能的基本问题之一，推理和搜索都与表示方法密切相关。常用的知识表示方法有：逻辑表示法、产生式表示法、语义网络表示法和框架表示法等。
常识，自然为人们所关注，已提出多种方法，如非单调推理、定性推理
就是从不同角度来表达常识和处理常识的。
问题求解中的自动推理是知识的使用过程，由于有多种知识表示方法，相应地有多种推理方法。推理过程一般可分为演绎推理和非演绎推理。谓词逻辑是演绎推理的基础。结构化表示下的继承性能推理是非演绎性的。由于知识处理的需要，近几年来提出了多种非演绎的推理方法，如连接机制推理、类比推理、基于示例的推理、反绎推理和受限推理等。
搜索是人工智能的一种问题求解方法，搜索策略决定着问题求解的一个推理步骤中知识被使用的优先关系。可分为无信息导引的盲目搜索和利用经验知识导引的启发式搜索。启发式知识常由启发式函数来表示，启发式知识利用得越充分，求解问题的搜索空间就越小。典型的启发式搜索方法有A*、AO*算法等。近几年搜索方法研究开始注意那些具有百万节点的超大规模的搜索问题。
机器学习是人工智能的另一重要课题。机器学习是指在一定的知识表示意义下获取新知识的过程，按照学习机制的不同，主要有归纳学习、分析学习、连接机制学习和遗传学习等。
知识处理系统主要由知识库和推理机组成。知识库存储系统所需要的知识，当知识量较大而又有多种表示方法时，知识的合理组织与管理是重要的。推理机在问题求解时，规定使用知识的基本方法和策略，推理过程中为记录结果或通信需设数据库或采用黑板机制。如果在知识库中存储的是某一领域(如医疗诊断)的专家知识，则这样的知识系统称为专家系统。为适应复杂问题的求解需要，单一的专家系统向多主体的分布式人工智能系统发展，这时知识共享、主体间的协作、矛盾的出现和处理将是研究的关键问题。
二、AI的研究方法
既为人工智能的最终研究目标打好基础，又能创造出短期效益，这是选择人工智能研究最佳方法的标准。尽管人工智能已经创造了一些实用系统，但这些远未达到人类的智能水平。在过去的几十年里涌现出了大量的方法，大致可分为两大类。
第一类包括符号处理的方法。它们基于Newell和Simon的物理符号系统的假说。大多数被称为“经典的人工智能”均在其指导之下。这类方法中，突出的方法是将逻辑操作应用于说明性知识库。这种风格的人工智能运用说明语句来表达问题域的“知识”，这些语句基于或实质上等同于一阶逻辑中的语句，采用逻辑推理可推导这种知识的结果。这种方法有许多变形，包括那些强调对逻辑语言中定义域的形式公理化的角色的变形。当遇到“真正的问题”，这一方法需要掌握问题域的足够知识，通常就称作基于知识的方法。
在大多数符号处理方法中，对需求行为的分析和为完成这一行为所做的机器合成要经过几个阶段。最高阶段是知识阶段，机器所需知识在这里说明。接下来是符号阶段，知识在这里以符号组织表示（例如：列表可用列表处理语言LISP来描述），同时在这里说明这些组织的操作。接着，在更低级的阶段里实施符号处理。多数符号处理采用自上而下的设计方法，从知识阶段向下到符号和实施阶段。
第二类包括所谓的“子符号”方法。它们通常采用自下而上的方式，从最低阶段向上进行。在最低层阶段，符号的概念就不如信号这一概念确切了。在子符号方法中突出的方法是“Animat approach”。偏爱这种方式的人们指出，人的智能经过了在地球上十亿年或更长时间的进化过程，认为为了制
造出真正的智能机器，我们必须沿着这些进化的步骤走。因此，我们必须集中研究复制信号处理的能力和简单动物如昆虫的支配系统，沿着进化的阶梯向上进行。这一方案不仅能在短期内创造实用的人造物，又能为更高级智能的建立打好坚实的基础。
第二类方法也强调符号基础。在物理基础假说中，一个agent不采用集中式的模式而运用其不同的行为模块与环境相互作用来进行复杂的行为。机器与环境的相互作用产生了所谓的“自然行为（emergent behavior）”。一个agent的功能可视作该系统与动态环境密切相互作用的自然属性。agent 本身对其行为的说明并不能解释它运行时所表现的功能；相反，其功能很大程度上取决于环境的特性。不仅要动态的考虑环境，而且环境的具体特征也要运用于整个系统之中。
由子符号派制造的著名样品机器包括“神经网络（Neural network）”。根据模拟生物进化方面的进程，一些有意思的机器应运而生，包括：Sexual crossover、Mutation和Fitness-proportional reproduction。其他自下而上，含animat风格的方法是基于控制理论和动态系统地分析。介于自上而下和自下而上之间的方法是一种“环境自动机（situated automata）”的方法。Kaelbling和Rosenschein建议编写一种程序设计语言来说明agent 在高水平上所要求的行为，并编写一编译程序，以从这种语言编写的程序中产生引发行为的线路。
径向基函数神经网络MATLAB仿真
一、RBF网络的工作原理
径向基函数神经网络（Radial Basis Function Neural Network, RBF）是一种前馈神经网络，一般为三层结构，如下图：
b0
X
X
m
上图所示为n—h—m结构的RBF网络，即网络具有n个输入，h个隐节点，m个输出。其中x=(x1, x2, …, x n)T∈R n为网络输入矢量，W∈R n×m为输出权矩阵，b0, …, b m为输出单元偏移，y=(y1, y2, …, y m)T为网络输出，Φi(*)为第i 个隐节点的激活函数。图中输出层节点中的∑表示输出层神经元采用线性激活函数（输出神经元也可以采用其他非线性激活函数，如Sigmoidal函数）。
RBF网络的最显著的特点是隐节点的基函数采用距离函数（如欧式距离），并使用径向基函数（如Gaussian高斯函数）作为激活函数。径向基函数关于n维空间的一个中心点具有径向对称性，而且神经元的输入离该中心点越远，神经元的激活程度就越低。隐节点的这个特性常被称为“局部特性”。因此RBF网络的每个隐节点都具有一个数据中心，上图中c i就是网络中第i
个隐节点的数据中心值，|| * ||则表示欧式范数。
径向基函数Φi (*)可以取多种形式：
1. Gaussian 函数
22/-t e
)(i t i δΦ=
2. Reflected sigmoidal 函数 )e
1/(1)(22/t i t i δΦ+=
3. 逆Multiquadric 函数 0,)/(1)(22>+=αδΦαi i t t
以上三式中的δi 称为该基函数的扩展常数（Spread ）或宽度。显然δi 越小，径向基函数的宽度就越小，基函数就越具有选择性。
与输出节点相连的隐层第i 个隐节点的所有参数可用三元组(c i, δi, ωi )表示。每个隐层神经元都对输入x 产生一个响应||)c -x (||i i Φ，且响应特性成径向对称（即是一个个同心圆），而神经网络的输出则是所有这些响应的加权和，因此第k 个输出可表示为
∑==h
1i i ||)c -x (||i i k y Φω 由于每个神经元具有局部特性，最终整个RBF 网络也呈现“局部映射”特性，即RBF 网络是一种局部相应神经网络。这意味着如果神经网络有较大的输出，必定激活了一个或多个隐节点。
二、 RBF 网络的聚类学习算法
RBF 网络的学习算法应该解决以下问题：结构设计，即如何确定网络隐节点数h ；确定各径向基函数的数据中心c i 及扩展常数δi ；输出权值修正。
如果知道了网络的隐节点数、数据中心和扩展常数，RBF网络从输入到输出
就成了一个线性方程组，此时权值学习可采用最小二乘法。
RBF网络最常用的学习算法有聚类方法、梯度训练方法及OLS优选算法。下面将详细介绍最经典的RBF网络学习算法—聚类方法，并进行MATLAB仿真。
聚类方法的思路是先用无监督学习（用k-means算法对样本输入进行聚类）方法确定RBF网络中h个隐节点的数据中心，并根据各数据中心之间的距离确定隐节点的扩展常数，然后用有监督学习（梯度法）训练各隐节点的输出权值。
假设X1,X2, …, X N为样本输入，相应的样本输出（教师信号）为y1, y2, …, y N，网络中第j个隐节点的激活函数为Φj(*)。k为迭代次数，第k次迭代时的聚类中心为c1(k), c2(k), …, c h(k)，相应的聚类域为ω1(k), ω2(k), …, ω
。k-means聚类算法确定RBF网络数据中心c i和扩展常数δi的步骤如下：h(k)
(1) 算法初始化：选择h个不同的初始聚类中心，并令k=1。初始聚类中心的方法很多，比如，从样本输入中随机选取，或者选择前h个样本输入，但这h个初始数据中心必须取不同值。
(2) 计算所有样本输入与聚类中心的距离||X j-c i(k)||，i=1,2, …,h，j=1,2, …,N。
(3) 对样本输入X j按最小距离原则对其进行分类：即当i(x j)=
min||X j-c i(k)||，i=1,2, …,h时，X j即被归为第i类，即X j∈ωi(k)。
i
(4) 重新计算各类的新的聚类中心：
∑∈==+(k )i ,,2,1,1
)1(ω
x i i h i x N k c Λ 式中，N i 为第i 个聚类域ωi (k)中包含的样本数。
(5) 如果c i (k+1)≠c i (k)，转到步骤(2)，否则聚类结束，转到步骤(6)。
(6) 根据各聚类中心之间的距离确定各隐节点的扩展常数。隐节点的扩展常数取δi =κd i ，其中d i 为第i 个数据中心与其他最近的数据中心之间的距
离，即d i =i
min ||c j -c i (k)||，κ称重叠系数。 一旦各隐节点的数据中心和扩展常数确定了，输出权矢量ω=(ω1, ω2, …, ωh )T 就可以用有监督学习方法（如梯度法）训练得到，但更简洁的方法是使
用最小二乘方法（LMS ）直接计算。假定当输入为X i ，i=1,2, …,N 时，第j
个隐节点的输出如下式所示：
||)c -x (||j i j ij h Φ=
则隐层输出阵为
][ij h H =∧
则∧
H ∈R N ×h 。如果RBF 网络的当前权值为ω=(ω1, ω2, …, ωh )T （待定），则对
所有样本，网络输出矢量为
ω∧∧=H y 令∧-=||||y y ε为逼近误差，则如果给定了教师信号y=(y 1, y 2, …, y m )T 并确定
了∧
H ，便可通过最小化下式求出网络的输出权值：
||||||||ωε∧∧-=-=H y y y 通常ω可用最小二乘法求得
y H ∧
+=ω
式中，∧+H 为∧
H 的伪逆，即 ∧
-∧∧∧+=T T H H H H 1)( 三、 RBF 网络MATLAB 仿真实例
题目：基于聚类方法的y=sinx 函数逼近
解：RBF 网络隐层采用标准Gaussian 径向基函数，输出层采用线性激活函数，即f ( u ) = u 。数据中心和扩展常数用聚类方法得到，输出权值和偏移采用广义逆方法求解。隐节点数（即聚类数）取10，初始聚类中心取前10个训练样本。
MATLAB 程序：
function main()
SamNum=200; %训练样本数
TestSamNum=201; %测试样本数
InDim=1; %样本输入维数
ClusterNum=10; %隐节点（聚类样本）数 Overlap=1.0; %隐节点重叠系数κ
%根据目标函数获得样本输入输出
rand('state',sum(100*clock));
% resets the generator to a different state each time
%且state 不同产生的伪随机序列顺序不同
SamIn=14*rand(1,SamNum)-7;
SamOut=sin(SamIn);
TestSamIn=-7:0.07:7; %[7-(-7)]/0.07+1=201个样本 TestSamOut=sin(TestSamIn);
figure
hold on
grid
plot(SamIn,SamOut,'b +')
plot(TestSamIn,TestSamOut,'k --') %绘制目标函数曲线
xlabel('Input x');
ylabel('Output y');
title('基于聚类的RBF网络对函数y=sinx的逼近曲线'),
Centers=SamIn(:,1:ClusterNum); %初始聚类中心取前10个训练样本
NumberInClusters=zeros(ClusterNum,1); %各类中的样本数，初始化为0 IndexInClusters=zeros(ClusterNum,SamNum); %各类所含样本的索引号
while 1,
NumberInClusters=zeros(ClusterNum,1);
IndexInClusters=zeros(ClusterNum,SamNum);
%按最小距离原则对所有样本进行分类
for i=1:SamNum
AllDistance=dist(Centers',SamIn(:,i)); %求欧几里德距离
[MinDist,Pos]=min(AllDistance);
NumberInClusters(Pos)=NumberInClusters(Pos)+1;%求各类样本的个数
IndexInClusters(Pos,NumberInClusters(Pos))=i;
end
%报存旧的聚类中心
OldCenters=Centers;
%重新计算各类的聚类中心
for i=1:ClusterNum
Index=IndexInClusters(i,1:NumberInClusters(i));
Centers(:,i)=mean(SamIn(:,Index)')';
end
%判断新旧聚类中心是否一致，如果是，则聚类结束
EqualNum=sum(sum(Centers==OldCenters)); %新旧聚类中心一致的个数 if EqualNum==InDim*ClusterNum,
break,
end
end
%计算各隐节点的扩展常数(宽度)δi=κdi,其中di是Cj-Ci(k)的最小欧式距离AllDistances=dist(Centers',Centers); %求隐节点数据中心间的距离（矩阵）Maximum=max(max(AllDistances)); %找出其中最大的一个距离
for i=1:ClusterNum %某一类的中心到自身的欧式距离是0， AllDistances(i,i)=Maximum+1; %但要找隐节点间的最小距离，
end %因此将对角线上的0替换为较大的值。Spreads=Overlap*min(AllDistances)'; %以隐节点间的最小距离作为扩展常数
%计算各隐节点的输出权值
Distance=dist(Centers',SamIn); %计算各样本输入离各数据中心的距离SpreadsMat=repmat(Spreads,1,SamNum); %repmat径向基函数φj(.) HiddenUnitOut=radbas(Distance./SpreadsMat); %计算隐节点输出阵HiddenUnitOutEx=[HiddenUnitOut' ones(SamNum,1)]'; %考虑偏移
W2Ex=SamOut*pinv(HiddenUnitOutEx); %求广义输出权值。pinv求伪逆
W2=W2Ex(:,1:ClusterNum);
B2=W2Ex(:,ClusterNum+1);
W2
B2
%测试
TestDistance=dist(Centers',TestSamIn);
TestSpreadsMat=repmat(Spreads,1,TestSamNum);
TestHiddenUnitOut=radbas(TestDistance./TestSpreadsMat);
TestNNOut=W2*TestHiddenUnitOut+repmat(B2,1,TestSamNum);
plot(TestSamIn,TestNNOut,'r -')
四、输出结果
当隐节点重叠系数κ为1时，
W2 =
Columns 1 through 8
-0.9759 1.1956 1.2402 0.9509 1.3999 -0.0311 -0.1359 0.9232
Columns 9 through 10
0.7913 -0.1700
B2 =
-0.8289
第1章人工智能概述课后题答案 1.1什么是智能?智能包含哪几种能力？ 解：智能主要是指人类的自然智能。一般认为，智能是是一种认识客观事物和运用知识解决问题的综合能力。 智能包含感知能力，记忆与思维能力，学习和自适应能力，行为能力 1.2人类有哪几种思维方式?各有什么特点？ 解：人类思维方式有形象思维、抽象思维和灵感思维 形象思维也称直感思维，是一种基于形象概念，根据感性形象认识材料，对客观对象进行处理的一种思维方式。 抽象思维也称逻辑思维，是一种基于抽象概念，根据逻辑规则对信息或知识进行处理的理性思维形式。 灵感思维也称顿悟思维，是一种显意识与潜意识相互作用的思维方式。 1.3什么是人工智能?它的研究目标是什么？ 解：从能力的角度讲，人工智能是指用人工的方法在机器（计算机）上实现智能；从学科的角度看，人工智能是一门研究如何构造智能机器或智能系统，使它能模拟、延伸和扩展人类智能的学科。 研究目标： 对智能行为有效解释的理论分析； 解释人类智能； 构造具有智能的人工产品； 1.4什么是图灵实验？图灵实验说明了什么？ 解：图灵实验可描述如下，该实验的参加者由一位测试主持人和两个被测试对象组成。其中，两个被测试对象中一个是人，另一个是机器。测试规则为：测试主持人和每个被测试对象分别位于彼此不能看见的房间中，相互之间只能通过计算机终端进行会话。测试开始后，由测试主持人向被测试对象提出各种具有智能性的问题，但不能询问测试者的物理特征。被测试对象在回答问题时,都应尽量使测试者相信自己是“人”，而另一位是”机器”。在这个前提下，要求测试主持人区分这两个被测试对象中哪个是人，哪个是机器。如果无论如何更换测试主持人和被测试对象的人，测试主持人总能分辨出人和机器的概率都小于50%，则认为该机器具有了智能。 1.5人工智能的发展经历了哪几个阶段？ 解：孕育期，形成期，知识应用期，从学派分立走向综合，智能科学技术学科的兴起
人工智能的主要内容和方法 人工智能（Artificial Intelligence，简称AI）是50年代兴起的一门新兴边缘学科，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能），也被认为是二十一世纪三大尖端技术之一（基因工程、纳米科学、人工智能）。广义的讲，人工智能是关于人造物的智能行为，而智能行为包括知觉、推理、学习、交流和在复杂环境中的行为。人工智能的一个长期目标是发明出可以像人类一样或能更好地完成以上行为的机器；另一个目标是理解这种智能行为是否存在于机器、人类或其他动物中。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机, 人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。除了计算机科学以外, 人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。 一、AI的主要内容 人工智能研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。 知识表示是人工智能的基本问题之一，推理和搜索都与表示方法密切相关。常用的知识表示方法有：逻辑表示法、产生式表示法、语义网络表示法和框架表示法等。 常识，自然为人们所关注，已提出多种方法，如非单调推理、定性推理就是从不同角度来表达常识和处理常识的。
问题求解中的自动推理是知识的使用过程，由于有多种知识表示方法，相应地有多种推理方法。推理过程一般可分为演绎推理和非演绎推理。谓词逻辑是演绎推理的基础。结构化表示下的继承性能推理是非演绎性的。由于知识处理的需要，近几年来提出了多种非演绎的推理方法，如连接机制推理、类比推理、基于示例的推理、反绎推理和受限推理等。 搜索是人工智能的一种问题求解方法，搜索策略决定着问题求解的一个推理步骤中知识被使用的优先关系。可分为无信息导引的盲目搜索和利用经验知识导引的启发式搜索。启发式知识常由启发式函数来表示，启发式知识利用得越充分，求解问题的搜索空间就越小。典型的启发式搜索方法有A*、AO*算法等。近几年搜索方法研究开始注意那些具有百万节点的超大规模的搜索问题。 机器学习是人工智能的另一重要课题。机器学习是指在一定的知识表示意义下获取新知识的过程，按照学习机制的不同，主要有归纳学习、分析学习、连接机制学习和遗传学习等。 知识处理系统主要由知识库和推理机组成。知识库存储系统所需要的知识，当知识量较大而又有多种表示方法时，知识的合理组织与管理是重要的。推理机在问题求解时，规定使用知识的基本方法和策略，推理过程中为记录结果或通信需设数据库或采用黑板机制。如果在知识库中存储的是某一领域(如医疗诊断)的专家知识，则这样的知识系统称为专家系统。为适应复杂问题的求解需要，单一的专家系统向多主体的分布式人工智能系统发展，这时知识共享、主体间的协作、矛盾的出现和处理将是研究的关键问题。 二、AI的研究方法
第2章知识表示方法部分参考答案 2.8设有如下语句，请用相应的谓词公式分别把他们表示出来： (1)有的人喜欢梅花，有的人喜欢菊花，有的人既喜欢梅花又喜欢菊花。 解：定义谓词 P(x)：x是人 L(x,y)：x喜欢y 其中，y的个体域是{梅花，菊花}。 将知识用谓词表示为： (?x )(P(x)∧(L(x, 梅花)∨L(x, 菊花)∨L(x, 梅花)∧L(x, 菊花))) (2) 有人每天下午都去打篮球。 解：定义谓词 P(x)：x是人 B(x)：x打篮球 A(y)：y是下午 将知识用谓词表示为： (?x )(?y) (A(y)∧B(x)∧P(x)) (3)新型计算机速度又快，存储容量又大。 解：定义谓词 NC(x)：x是新型计算机 F(x)：x速度快 B(x)：x容量大 将知识用谓词表示为： (?x) (NC(x)→F(x)∧B(x)) (4) 不是每个计算机系的学生都喜欢在计算机上编程序。 解：定义谓词 S(x)：x是计算机系学生 L(x, pragramming)：x喜欢编程序 U(x,computer)：x使用计算机 将知识用谓词表示为： ?(?x) (S(x)→L(x, pragramming)∧U(x,computer)) (5)凡是喜欢编程序的人都喜欢计算机。 解：定义谓词 P(x)：x是人 L(x, y)：x喜欢y 将知识用谓词表示为： (?x) (P(x)∧L(x,pragramming)→L(x, computer))
2.9用谓词表示法求解机器人摞积木问题。设机器人有一只机械手，要处理的世界有一张桌子，桌上可堆放若干相同的方积木块。机械手有4个操作积木的典型动作：从桌上拣起一块积木；将手中的积木放到桌之上；在积木上再摞上一块积木；从积木上面拣起一块积木。积木世界的布局如下图所示。 图机器人摞积木问题 解：(1) 先定义描述状态的谓词 CLEAR(x)：积木x上面是空的。 ON(x, y)：积木x在积木y的上面。 ONTABLE(x)：积木x在桌子上。 HOLDING(x)：机械手抓住x。 HANDEMPTY：机械手是空的。 其中，x和y的个体域都是{A, B, C}。 问题的初始状态是： ONTABLE(A) ONTABLE(B) ON(C, A) CLEAR(B) CLEAR(C) HANDEMPTY 问题的目标状态是： ONTABLE(C) ON(B, C) ON(A, B) CLEAR(A) HANDEMPTY (2) 再定义描述操作的谓词 在本问题中，机械手的操作需要定义以下4个谓词： Pickup(x)：从桌面上拣起一块积木x。 Putdown(x)：将手中的积木放到桌面上。 Stack(x, y)：在积木x上面再摞上一块积木y。 Upstack(x, y)：从积木x上面拣起一块积木y。 其中，每一个操作都可分为条件和动作两部分，具体描述如下： Pickup(x)
实验一：知识表示方法 一、实验目的 状态空间表示法是人工智能领域最基本的知识表示方法之一，也是进一步学习状态空间搜索策略的基础，本实验通过牧师与野人渡河的问题，强化学生对知识表示的了解和应用，为人工智能后续环节的课程奠定基础。 二、问题描述 有n个牧师和n个野人准备渡河，但只有一条能容纳c个人的小船，为了防止野人侵犯牧师，要求无论在何处，牧师的人数不得少于野人的人数(除非牧师人数为0)，且假定野人与牧师都会划船，试设计一个算法，确定他们能否渡过河去，若能，则给出小船来回次数最少的最佳方案。 三、基本要求 输入：牧师人数(即野人人数)：n；小船一次最多载人量：c。 输出：若问题无解，则显示Failed，否则，显示Successed输出一组最佳方案。用三元组(X1, X2, X3)表示渡河过程中的状态。并用箭头连接相邻状态以表示迁移过程：初始状态->中间状态->目标状态。 例：当输入n=2，c=2时，输出：221->110->211->010->021->000 其中：X1表示起始岸上的牧师人数；X2表示起始岸上的野人人数；X3表示小船现在位置(1表示起始岸，0表示目的岸)。 要求：写出算法的设计思想和源程序，并以图形用户界面实现人机交互，进行输入和输出结果，如： Please input n: 2 Please input c: 2 Successed or Failed?: Successed Optimal Procedure: 221->110->211->010->021->000
四、实验结果 四、实验心得 本次实验运用了状态空间表示法，这是人工智能领域最基本的知识表示方法之一，也是进一步学习状态空间搜索策略的基础，本实验强化我对知识表示的了解和应用，为人工智能后续环节的课程奠定基础。
本页面为作品封面，下载文档后可自由编辑删除！ 精 品 文 档
知识表示方法部分参考答案 2.8设有如下语句，请用相应的谓词公式分别把他们表示出来： (1)有的人喜欢梅花，有的人喜欢菊花，有的人既喜欢梅花又喜欢菊花。 解：定义谓词 P(x)：x是人 L(x,y)：x喜欢y 其中，y的个体域是{梅花，菊花}。 将知识用谓词表示为： (?x )(P(x)∧(L(x, 梅花)∨L(x, 菊花)∨L(x, 梅花)∧L(x, 菊花))) (2) 有人每天下午都去打篮球。 解：定义谓词 P(x)：x是人 B(x)：x打篮球 A(y)：y是下午 将知识用谓词表示为： (?x )(?y) (A(y)∧B(x)∧P(x)) (3)新型计算机速度又快，存储容量又大。 解：定义谓词 NC(x)：x是新型计算机 F(x)：x速度快 B(x)：x容量大 将知识用谓词表示为： (?x) (NC(x)→F(x)∧B(x)) (4) 不是每个计算机系的学生都喜欢在计算机上编程序。 解：定义谓词 S(x)：x是计算机系学生 L(x, pragramming)：x喜欢编程序 U(x,computer)：x使用计算机 将知识用谓词表示为： ?(?x) (S(x)→L(x, pragramming)∧U(x,computer)) (5)凡是喜欢编程序的人都喜欢计算机。 解：定义谓词 P(x)：x是人 L(x, y)：x喜欢y 将知识用谓词表示为： (?x) (P(x)∧L(x,pragramming)→L(x, computer))
2.9用谓词表示法求解机器人摞积木问题。设机器人有一只机械手，要处理的世界有一张桌子，桌上可堆放若干相同的方积木块。机械手有4个操作积木的典型动作：从桌上拣起一块积木；将手中的积木放到桌之上；在积木上再摞上一块积木；从积木上面拣起一块积木。积木世界的布局如下图所示。 图机器人摞积木问题 解：(1) 先定义描述状态的谓词 CLEAR(x)：积木x上面是空的。 ON(x, y)：积木x在积木y的上面。 ONTABLE(x)：积木x在桌子上。 HOLDING(x)：机械手抓住x。 HANDEMPTY：机械手是空的。 其中，x和y的个体域都是{A, B, C}。 问题的初始状态是： ONTABLE(A) ONTABLE(B) ON(C, A) CLEAR(B) CLEAR(C) HANDEMPTY 问题的目标状态是： ONTABLE(C) ON(B, C) ON(A, B) CLEAR(A) HANDEMPTY (2) 再定义描述操作的谓词 在本问题中，机械手的操作需要定义以下4个谓词： Pickup(x)：从桌面上拣起一块积木x。 Putdown(x)：将手中的积木放到桌面上。 Stack(x, y)：在积木x上面再摞上一块积木y。 Upstack(x, y)：从积木x上面拣起一块积木y。 其中，每一个操作都可分为条件和动作两部分，具体描述如下： Pickup(x)
人工智能研究方法的文献综述 1、前言 本文综述了人工智能的主要研究方法，并对各方法进行分析和总结，并阐述了目前人工智能研究方法日趋多样化的研究现状。 2、主题 研究方法，对一个问题的研究方法从根本上说分为两种：其一，对要解决的问题扩展到他所隶属的领域，对该领域做一广泛了解，研究该领域从而实现对该领域的研究，讲究广度，从对该领域的广泛研究收缩到问题本身；其二，把研究的问题特殊化，提炼出要研究问题的典型子问题或实例，从一个更具体的问题出发，做深刻的分析，研究透彻该问题，再一般化扩展到要解决的问题，讲究研究深度，从更具体的问题入手研究扩展到问题本身。 人工智能的研究方法主要可以分为三类：一、结构模拟，神经计算，就是根据人脑的生理结构和工作机理，实现计算机的智能，即人工智能。结构模拟法也就是基于人脑的生理模型，采用数值计算的方法，从微观上来模拟人脑，实现机器智能。采用结构模拟，运用神经网络和神经计算的方法研究人工智能者，被称为生理学派、连接主义。二、功能模拟，符号推演，就是在当前数字计算机上，对人脑从功能上进行模拟，实现人工智能。功能模拟法就是以人脑的心理模型，将问题或知识表示成某种逻辑网络，采用符号推演的方法，实现搜索、推理、学习等功能，从宏观上来模拟人脑的思维，实现机器智能。以功能模拟和符号推演研究人工智能者，被称为心理学派、逻辑学派、符号主义。三、行为模拟，控制进化，就是模拟人在控制过程中的智能活动和行为特性。以行为模拟方法研究人工智能者，被称为行为主义、进化主义、控制论学派。 人工智能的研究方法，已从“一枝独秀”的符号主义发展到多学派的“百花争艳”，除了上面提到的三种方法，又提出了“群体模拟，仿生计算”“博采广鉴，自然计算”“原理分析，数学建模”等方法。人工智能的目标是理解包括人在内的自然智能系统及行为，而这样的系统在实在世界中是以分层进化的方式形成了一个谱系，而智能作为系统的整体属性，其表现形式又具有多样性，人工智能的谱系及其多样性的行为注定了研究的具体目标和对象的多样性。人工智能与前沿技术的结合，使人工智能的研究日趋多样化。 3、总结 人工智能的研究方法会随着技术的进步而不断丰富，很多新名词还会被提出，但研究的目的基本不变，日趋多样化的研究方法追根溯源也就是研究问题的两种方法的演变。对人工智能中尚未解决的众多问题，运用基本的研究问题的方法，结合先进的技术，不断实现智能化。人工智能与前沿技术密切联系，人工智能的研究方法必然日趋多样化。 4、参考文献 （1）人工智能技术导论廉师友西安电子科技大学出版社2007.8 （2）人工智能研究方法及途径熊才权2005年第三期 （3）人工智能学派及其在理论、方法上的观点蔡自兴1995.5 （4）人工智能研究的主要学派及特点黄伟聂东陈英俊2001第三期 （5）人工智能研究对思维学的方法论启示尹鑫苏国辉2002.10第四期
2.7解：根据谓词知识表示的步骤求解问题如下： 解法一： (1)本问题涉及的常量定义为： 猴子：Monkey，箱子：Box，香蕉：Banana，位置：a，b，c (2)定义谓词如下： SITE(x，y)：表示x在y处； HANG(x，y)：表示x悬挂在y处； ON(x，y)：表示x站在y上； HOLDS(y，w)：表示y手里拿着w。 (3)根据问题的描述将问题的初始状态和目标状态分别用谓词公式表示如下： 问题的初始状态表示： SITE(Monkey，a)∧HANG(Banana，b)∧SITE(Box，c)∧~ON(Monkey，Box)∧~HOLDS(Monkey，Banana) 问题的目标状态表示： SITE(Monkey，b)∧~HANG(Banana，b)∧SITE(Box，b) ∧ON(Monkey，Box)∧HOLDS(Monkey，Banana) 解法二： (1)本问题涉及的常量定义为： 猴子：Monkey，箱子：Box，香蕉：Banana，位置：a，b，c (2)定义谓词如下： SITE(x，y)：表示x在y处； ONBOX(x)：表示x站在箱子顶上； HOLDS(x)：表示x摘到了香蕉。 (3)根据问题的描述将问题的初始状态和目标状态分别用谓词公式表示如下： 问题的初始状态表示： SITE(Monkey，a)∧SITE(Box，c)∧~ONBOX(Monkey)∧~HOLDS(Monkey) 问题的目标状态表示： SITE(Box，b)∧SITE(Monkey，b)∧ONBOX(Monkey)∧HOLDS(Monkey) 从上述两种解法可以看出，只要谓词定义不同，问题的初始状态和目标状态就不同。所以，对于同样的知识，不同的人的表示结果可能不同。 2.8解：本问题的关键就是制定一组操作，将初始状态转换为目标状态。为了用谓词公式表示操作，可将操作分为条件(为完成相应操作所必须具备的条件)和动作两部分。条件易于用谓词公式表示，而动作则可通过执行该动作前后的状态变化表示出来，即由于动作的执行，当前状态中删去了某些谓词公式而又增加一些谓词公式从而得到了新的状态，通过这种不同状态中谓词公式的增、减来描述动作。 定义四个操作的谓词如下，操作的条件和动作可用谓词公式的增、删表示： (1)goto 2016 人工智能复习重点 题型：选择、填空、简答、推理、计算。各20分 主要内容： AI三大学派、 AI应用领域、 图灵测试、 谓词逻辑表示法 语义网络表示法 产生式表示法 与或树，解树，可解节点的含义及解释、 归结\子句、置换、合一 状态空间\产生式系统 盲目搜索、启发式搜索(求解城市最短路径相关例题要着重看) 演绎推理和归结推理 可信度算法和bayse算法 ID3算法 【第一章绪论】 1、三大学派及其对人工智能发展历史的不同看法 符号主义：认为人工智能源于数理逻辑。符号主义仍然是人工智能的主流派。这个学派的代表有纽厄尔、肖、西蒙和尼尔逊(Nilsson)等。 联结主义：认为人工智能源于仿生学，特别是人脑模型的研究。 行为主义：认为人工智能源于控制论。这一学派的代表作首推布鲁克斯(Brooks)的六足行走机器人，它被看做新一代的“控制论动物”，是一个基于感知－动作模式的模拟昆虫行为的控制系统。 2.人工智能的研究及应用领域 人工智能研究及应用领域很多，主要研究领域包括问题求解、机器学习、专家系统、模式识别、自动定理证明、自然语言理解等。 问题求解：人工智能的第一个大成就是发展了能够求解难题的下棋(如国际象棋)程序，它包含问题的表示、分解、搜索与归约等。 机器学习：学习是人类智能的主要标志和获得知识的基本手段；机器学习(自动获取新的事实及新的推理算法)是使计算机具有智能的根本途径；机器学习还有助于发现人类学习的机理和揭示人脑的奥秘。学习是一个有特定目的的知识获取过程，其内部表现为新知识结构的不断建立和修改，而外部表现为性能的改善。 专家系统：一般地说，专家系统是一个智能计算机程序系统，其内部具有大量专家水平的某个领域知识与经验，能够利用人类专家的知识和解决问题的方法来解决该领域的问题。发展 《人工智能》详细教学大纲 《人工智能》教学大纲 课程代码：130234 课程性质：专业必修 学分学时数： 5/80 适用专业：计算机应用技术 一、课程的性质和目的 （一）课程性质 人工智能是计算机科学理论基础研究的重要组成部分，人工智能课程是计算机科学技术专业的专业拓展选修课。通过本课程的学习使学生了解人工智能的提出、几种智能观、重要研究领域，掌握人工智能求解方法的特点。掌握人工智能的基本概念、基本方法，会用知识表示方法、推理方法和机器学习等方法求解简单问题等。 （二）课程目的 1、基本理论要求： 课程介绍人工智能的主要思想和基本技术、方法以及有关问题的入门知识。要求学生了解人工智能的主要思想和方法。 2、基本技能要求： 学生在较坚实打好的人工智能数学基础（数理逻辑、概率论、模糊理论、数值分析）上，能够利用这些数学手段对确定性和不确定性的知识完成推理；在理解Herbrand 域概念和Horn 子句的基础上，应用Robinson 归结原理进行定理证明；应掌握问题求解（GPS ）的状态空间法，能应用几种主要的盲目搜索和启发式搜索算法（宽度优先、深度优先、有代价的搜索、A 算法、A*算法、博弈数的极大—极小法、α―β剪枝技术）完成问题求解；并能熟悉几种重要的不确定推理方法，如确定因子法、主观Bayes 方法、D —S 证据理论等，利用数值分析中常用方法进行正确计算。 3、职业素质要求：结合实战，初步理解和掌握人工智能的相关技术。 二、教学内容、重（难）点、教学要求及学时分配 第一章：人工智能概述（2学时） 1、讲授内容： （1） 人工智能的概念 （2） 人工智能的研究途径和方法 ……………………………………………… （人工智能）人工智能教案章知识表示概述 4.1概述 4.1.1知识的定义 很难给知识以明确的定义，只能从不同侧面加以理解，不同的人有不同的理解。 知识表示是人工智能研究中最基本的问题之壹。于知识处理中总要问到：如何表示知识，怎样使机器能懂这些知识，能对之进行处理，且能以壹种人类能理解的方式将处理结果告诉人们。 于AI系统中，给出壹个清晰简洁的有关知识的描述是很困难的。有研究报道认为。严格地说AI对知识表示的认真、系统的研究才刚刚开始。 下面是壹些专家的见法： Feigenbaum：知识是经过消减、塑造、解释和转换的信息。 Bernstein：知识是由特定领域的描述、关系和过程组成的。 Hayes-roth：知识是事实、信念和启发式规则。 从知识库的观点见，知识是某领域中所涉及的各有关方面的壹种符号表示。 另外有壹种三维的描述方法：（范围，目的，有效性）,其中知识的范围由具体到壹般，知识的目的从说明到指定，知识的有效性从确定到不确定。例如，“今天下雨”这种知识是具体的、说明性、不确定的，而“要证A→B，只需证明A∧～B是不可满足的”这种知识是壹般性的、指示性、确定性的。 4.1.2知识的分类 从不同的角度、不同的侧面对知识有着不同的分类方法。 于此，我们根据知识表达的内容，将其简单地分为如下几类：事实性知识 知识的壹般直接表示，如果事实性知识是批量的、有规律的，则往往以表格、图册，甚至数据库等形式出现。 这种知识描述壹般性的事实，如凡是冷血动物均要冬眠，哺乳动物均是胎生繁殖后代等。 过程性知识 表述做某件事的过程。标准程序库也是常见的过程性知识，而且是系列化、配套的。 如电视机维修法，怎样烹制法国大餐等。 行为性知识 不直接给出事实本身，只给出它于某方面的行为。行为性知识经常表示为某种数学模型，从某种意义上讲，行为性知识描述的是事物的内涵，而不是外延。 如微分方程 实例性知识 只给出壹些实例。知识藏于实例中。感兴趣的不是实例本身，而是隐藏于大量实例中的规律性知识。 举例说明 类比性知识 既不给出外延，也不给出内涵，只给出它和其它事物的某些相似之处。类比性知识壹般不能完整地刻画事物，但它能够启发人们 Quizzes for Chapter 1 1单选(1 分)图灵测试旨在给予哪一种令人满意的操作定义得分/ 总分 ? A.人类思考 ? B.人工智能 ? C.机器智能1.00/1.00 ? D.机器动作 正确答案：C你选对了 2多选(1分)选择以下关于人工智能概念的正确表述得分 /总分 ? A.人工智能旨在创造智能机器 该题无法得分/1.00 ? B. 人工智能是研究和构建在给定环境下表现良好的 智能体程序该题无法得分/1.00 ? C.人工智能将其定义为人类智能体的研究该题无法 得分/1.00 ? D.人工智能是为了开发一类计算机使之能够完成通 常由人类所能做的事该题无法得分/1.00 正确答案：A、B、D你错选为A、B、C、D 3多选(1分)如下学科哪些是人工智能的基础？得分/总分 ? A.经济学0.25/1.00 ? B.哲学0.25/1.00 ? C.心理学0.25/1.00 ? D.数学0.25/1.00 正确答案：A、B、C、D你选对了 4多选(1分)下列陈述中哪些是描述强AI(通用AI)的正确答案？ 得分/总分 ? A.指的是一种机器，具有将智能应用于任何问题的 能力0.50/1.00 ? B.是经过适当编程的具有正确输入和输出的计算 机，因此有与人类同样判断力的头脑0.50/1.00 ? C.指的是一种机器，仅针对一个具体问题 ? D.其定义为无知觉的计算机智能，或专注于一个狭 窄任务的AI 正确答案：A、B你选对了 5多选(1分)选择下列计算机系统中属于人工智能的实例得分/总 分 ? A.Web搜索引擎 ? B.超市条形码扫描器 ? C.声控电话菜单该题无法得分/1.00 ? D.智能个人助理该题无法得分/1.00 正确答案：A、D你错选为C、D 6多选(1分)选择下列哪些是人工智能的研究领域 得分/总分 ? A.人脸识别0.33/1.00 ? B.专家系统0.33/1.00 ? C.图像理解 ? D.分布式计算 正确答案：A、B、C你错选为A、B 7多选(1分)考察人工智能(AI)的一些应用，去发现目前下列哪些 任务可以通过AI来解决得分/总分 ? A.以竞技水平玩德州扑克游戏0.33/1.00 ? B.打一场像样的乒乓球比赛 ? C.在Web上购买一周的食品杂货0.33/1.00 ? D.在市场上购买一周的食品杂货 正确答案：A、B、C你错选为A、C 8填空(1分)理性指的是一个系统的属性，即在_________的环境 下做正确的事。得分/总分 正确答案：已知 1单选(1分)图灵测试旨在给予哪一种令人满意的操作定义得分/ 总分 人工智能原理及应用复习提纲 第一章 1.什么是人工智能？ 答：人工智能从学科角度说是一门研究如何构造智能机器或智能系统，使它能模拟、延伸和扩展人类智能的学科。 2.人工智能的产生和发展过程有哪些？ 答：①孕育期（1956年以前）②形成期（1956年～1970年）③知识应用期（1971年～80年代末） ④综合集成期 3.人工智能的研究和应用领域 答：机器学习；自然语言理解；专家系统；模式识别；计算机视觉；机器人学；博弈；自动定理证明；自动程序设计；智能控制；智能决策支持系统；人工神经网络；知识发现和数据挖掘；分布式人工智能 第二章 1.什么是知识表示？ 答：知识表示：就是对知识的一种描述，即用一些约定的符号把知识编码成一组计算机可以接受的数据结构。 2.常用的知识表示方法有哪些？ 答：目前使用较多的有：一阶谓词逻辑表示法、产生式表示法、语义网络表示法、框架表示法等。 3.产生式系统的基本结构 答：综合数据库；规则库；控制系统 4. 什么是产生式系统？ 答：用产生式知识表示方法构造的智能系统称为产生式系统。 第三章 1.什么是推理？ 答：所谓推理是指按照某种策略从已知事实出发去推出结论的过程 2.推理的控制策略包括哪些内容？分别解决什么问题？ 答：推理的控制策略又可分为推理策略和搜索策略 推理策略主要解决推理方向、冲突消解等问题。 搜索策略主要解决推理线路、推理效果、推理效率等问题。 3.推理的方向有哪些？ 答：推理分为正向、逆向及混合推理。 4.冲突消解策略有几种？ 答：特殊知识优先；新鲜知识优先；差异性大的知识优先；领域特点优先；上下文关系优先；前提条件少者优先 第四章 1.什么是不确定性推理 答：不确定性推理就是从不确定性的初始证据出发，通过运用不确定性的知识，最终推理出具有一定程度的不确定性，但又是合理或者基本合理的结论的思维过程。 2.C-F模型（大题） 在C-F模型中，知识是用产生式规则表示的，其一般形式为： IF E THEN H (CF(H,E)) 模式识别与智能系统 摘要：人工智能(Artifical Intelligence)是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”这些说法反映了人工智能学科的基本思想和基本内容。即人工智能是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。人工智能是当前科学技术发展中的一门前沿学科，是在计算机科学、控制论、信息论、神经心理学、哲学、语言学等多种学科研究的基础上发展起来的，以模拟人类智能、智能行为及其规律为研究内容的一门综合性边缘学科。由于人工智能自出现以来取得的巨大成就及其潜在的广阔应用前景，它又同空间技术、原子能技术并称为20世纪的三大科学技术成就。 关键词：人工智能；计算机科学；发展方向 ①、人工智能的定义 人工智能(Artificial Intelligence，AI)，是一门综合了计算机科学、生理学、哲学的交叉学科。“人工智能”一词最初是在1956年美国计算机协会组织的达特莫斯(Dartmouth)学会上提出的。自那以后，研究者们发展了众多理论和原理，人工智能的概念也随之扩展。由于智能概念的不确定，人工智能的概念一直没有一个统一的标准。著名的美国斯坦福大学人工智能研究中心尼尔逊教授对人工智能下了这样一个定义“人工智能是关于知识的学科——怎样表示知识以及怎样获得知识并使用知识的科学。”而美国麻省理工学院的温斯顿教授认为“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”童天湘在《从“人机大战”到人机共生》中这样定义人工智能：“虽然现在的机器不能思维也没有“直觉的方程式”，但可以把人处理问题的方式编入智能程序，是不能思维的机器也有智能，使机器能做那些需要人的智能才能做的事，也就是人工智能。”诸如此类的定义基本都反映了人工智能学科的基本思想和基本内容。即人工智能是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。 人工智能的主要内容和方法 人工智能（ Artificial Intelligence，简称 AI）是 50 年代兴起的一门新兴边缘学科，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能），也被认为是二十一世纪三大尖端技术之一（基因工程、纳米科学、人工智能）。广义的讲，人工智能是关于人造物的智能行为，而智能行为包括知觉、推理、学习、交流和在复杂环境中的行为。人工智能的一个长期目标是发明出可以像人类一样或能更好地完成以上行为的机器；另一个目标是理解这种智能行为是否存在于机器、人类或其他动物中。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机 , 人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。除了计算机科学以外 , 人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。 一、 AI 的主要内容人工智能研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。 知识表示是人工智能的基本问题之一，推理和搜索都与表示方法密切相关。常用的知识表示方法有：逻辑表示法、产生式表示法、语义网络表示法和框架表示法等。 常识，自然为人们所关注，已提出多种方法，如非单调推理、定性推理就是从不同角度来表达常识和处理常识的。 问题求解中的自动推理是知识的使用过程，由于有多种知识表示方法， 相应地有多种推理方法。推理过程一般可分为演绎推理和非演绎推理。谓词逻辑是演绎推理的基础。结构化表示下的继承性能推理是非演绎性的。由于知识处理的需要，近几年来提出了多种非演绎的推理方法，如连接机制推理、类比推理、基于示例的推理、反绎推理和受限推理等。 搜索是人工智能的一种问题求解方法，搜索策略决定着问题求解的一个推理步骤中知识被使用的优先关系。可分为无信息导引的盲目搜索和利用经验知识导引的启发式搜索。启发式知识常由启发式函数来表示，启发式知识利用得越充分，求解问题的搜索空间就越小。典型的启发式搜索方法有 A* 、AO* 算法等。近几年搜索方法研究开始注意那些具有百万节点的超大规模的搜索问题。 机器学习是人工智能的另一重要课题。机器学习是指在一定的知识表示意义下获取新知识的过程，按照学习机制的不同，主要有归纳学习、分析学习、连接机制学习和遗传学习等。 知识处理系统主要由知识库和推理机组成。知识库存储系统所需要的知识，当知识量较大而又有多种表示方法时，知识的合理组织与管理是重要的。推理机在问题求解时，规定使用知识的基本方法和策略，推理过程中为记录结果或通信需设数据库或采用黑板机制。如果在知识库中存储的是某一领域（如医疗诊断）的专家知识，则这样的知识系统称为专家系统。为适应复杂问题的求解需要，单一的专家系统向多主体的分布式人工智能系统发展，这时知识共享、主体间的协作、矛盾的出现和处理将是研究的关键问题。 二、 AI 的研究方法 y 值。 装 订 线 内 不 得 答 题 自 觉 遵 守 考 试 规 则，诚 信 考 试，绝 不 作 弊 二、人工智能有哪些主要研究和应用领域？其中有哪些是新的研究热点（10分） 三、将下列命题写出其语义网络（10分） 1.每个学生都喜欢老师上的一门课. 2．人工智能课程的学生中有男有女，有数学系的学生也有外系的学生。 四、假设已知下列事实： 张某被盗，公安局派了五个侦察员去调查。研究案情时，侦察员Ａ说： ”；侦察员Ｄ说：“钱与孙至少有一人作案”；侦察“孙与李中至少有一个作案”；侦察员Ｄ说“赵与孙至少一个与案无“钱与李中至少有一人与此案无关”。如果这五个侦察员的（15分） 装 订 线 内 不 得 答 题 自 觉 遵 守 考 试 规 则，诚 信 考 试，绝 不 作 弊 五、.写出图中树的结点两个访问序列，要求分别满足以下两个搜索策略：(10分) 1．深度优先搜索 2.广度优先搜索 六、将下列谓词公式化成子句集 ()()()()()()a f y x R z x Q z P z y x ,,,~→∧???。（10分） 七、已知有如下不确定推理规则： r1：C 11∨C 12 ? H 1 0.7； r2：H 1 ? H 0.5； r3：C 21∧C 22 ? H －0.6； r4：(C 31∧C 32)∨C 33 ? H 0.8； 11) = 0.8， CF(C 12) = 0.9，CF(C 21) = 0.3，CF(C 22) = 0.6， ) = 0.9，CF(C 32) = 0.5，CF(C 33) =0.7； 求CF(H)。（10分） 装 订 线 内 不 得 答 题 自 觉 遵 守 考 试 规 则，诚 信 考 试，绝 不 作 弊 人工智能的原理及应用 摘要 人工智能(Artificial Intelligence，AI)一直都处于计算机技术的最前沿，经历了几起几落……长久以来，人工智能对于普通人来说是那样的可望而不可及，然而它却吸引了无数研究人员为之奉献才智，从美国的麻省理工学院(MIT)、卡内基-梅隆大学(CMU)到IBM公司，再到日本的本田公司、SONY公司以及国内的清华大学、中科院等科研院所，全世界的实验室都在进行着AI技术的实验。不久前，著名导演斯蒂文斯皮尔伯格还将这一主题搬上了银幕，科幻片《人工智能》(A.I.)对许多人的头脑又一次产生了震动，引起了一些人士了解并探索人工智能领域的兴趣。 关键词 人工智能；专家系统；模式识别 ABSTRACT AI (Artificial Intelligence, AI) has been at the forefront of computer technology, has experienced severa l ups and downs several…… a long time, the ordinary people of artificial intelligence is so elusive, but it has attracted countless It dedicated intelligence researchers, from the U.S. Massachusetts Institute of Technology (MIT), Carnegie - Mellon University (CMU) to IBM, and then to Japan's Honda, SONY, as well as domestic companies of QingHua University, China Branch Hospitals and other research institutes, laboratories around the world are carrying out the AI technology experiments. Not long ago, the fam ous director Steven Spielberg will be the subject ? onto the screen, sci-fi film "artificial intelligence" (AI) on many people's minds once again produced a shock, caused some people to understand and explore Interest in the field of artificial intelligence. Key words Artificial Intelligence(AI); Expert System ; Pattern Recognition 引言 人工智能的发展已达到很高水平，电子计算机将更接近大脑的功能了，虽然计算机解决问题的能力从技术角度看目前还有很大局限性，计算机万能论者的理论依据也是有问题的。计算机暂时不能代替人我相信他预见的会成为现实，目前也有了很多技术突破,这就是人类-机器的结合体，他预见这是人类进化史上的一个飞跃。在这样一个结合体形式下，肯定超出目前的人的智能和人工智能，这个结合体中，人类的大脑将植入能和机器直接沟通的芯片，这个芯片是人机的桥梁，而人类-机器结合体将发挥出人与机器的各自优势。 1.介绍什么是人工智能 由于人工智能是一个边缘学科，是哲学、数学、电子工程、计算机科学、心理学等众多学科的混血儿。它的研究队伍由未自不同领域的学者组成，各自从事着自己感兴趣的工作，他们对人工智能是什么有不同的认识。所以，要想在他们之间找出一个什么是人工智能的共同的看法还是有一定的困难的。 如果仅从技术的角度来看，人工智能要解决的问题是如何使电脑表现智能化，使电脑能支灵活方效地为人类服务。只要电脑能够表现出与人类相似的智能行为、就算是达到了目的，而不在乎在这过程中电脑是依靠某种算法还是真正理解了：这样，人工智能就是计算机科学中涉及研究、设计和应用智能机器的—个分支，人工智能的目标就是研究怎样用电脑来模仿和执行人脑的某些智力功能，并开发相关的技术产品，建立有关的理论。 除了上述的观点以外，人工智能领域中的心理学家、语言学家倾向于将重点放在用电脑去再现人脑思维的内部状态上．也就是要使电脑程产真正理解它所他的事情，就好保人脑一样去“思考问题”。 人工智能方法故障诊断。 2基于人工智能的故障诊断方法的应用现状基于人工智能的故障诊断方法不需要知道被控对象的精确模型，能很好的应对不确定性和模糊性的随机故障。目前基于人工智能的故障诊断方法主要有以下几个方向：基于模糊的方法、基于神经网络的方法、专家系统故障诊断方法、基于遗传算法、支持向量机的方法、基于数据挖掘的方法、基于图论的模型推理方法等，以下是对几种故障诊断方法的具体论述。 2.1基于模糊的故障诊断方法 在模糊诊断中，各种故障征兆和故障成因之间都存在不同程度的因果关系，但表现在故障与征兆之间并非存在一一对应的关系，故障征兆信息的随机性、模糊性加上某些信息的不确定性，造成了故障形式复杂多样性。这种模糊性和随机性往往不能用精确的数学公式来描述，然而用模糊逻辑、模糊诊断矩阵等模糊理论来分析其故障与现象之间的不确定性关系是可行的，从模糊数学的角度看，故障诊断是一个模糊推理问题。因而基于模糊的诊断方法得到了长足的发展［2-4］。 故障诊断通常是基于一定的征兆，做出可能引起这些征兆的故障判别，而模糊逻辑系统是应用模糊理论解决问题的重要形式。研究表明，通过建立模糊逻辑系统，采用模糊推理的方法能够实现故障诊断。不过，成熟地应用基于模糊逻辑系统的故障诊断方法，需要解决好如何建立模糊诊断规则库等关键问题。 常用的模糊逻辑诊断方法一般步骤是检测信号经过模糊化单元处理后，输入到模糊推理规则库中进行分析，其输出即为故障信息的模糊输出，经过解模糊单元处理后即可得出故障原因。 另外一种基于模糊理论的诊断方法是用模糊诊断矩阵来描述故障原因和故障征兆之间关系的方法。其模糊关系矩阵的数学模型为［3］: T T Y 二RX 丫…y「— X :=(P X]-4，) -r 1 1r 1 2 r 1 …1 1 m R =r1 2 「2 2…r 2 m =(r ij ) n xm 「1r n2…r n m _ 1 式中 :丫为诊断矩 阵, 'yi 为对象具有故障丫，的 隶属度（i= 1,2,…,n). X为起因矩阵, u Xj为对象 具有症状X j的隶属度（j =1,2,…，m）；R为征兆矩 阵，描述了故障征兆与故障原因之间的关系。 m 乞= 1 i 4 ij（0乞乞1;1乞i空n;1乞j空m） 。 基于模糊的故障诊断方法的优点在于：可将人类的 语言化的知识嵌入系统；可模拟人类的近似推理能力， 且通用性好，只要针对不同的故障类型对推理规则进行 修改就可以应当不同的故障诊断。但与传统的故障诊断 理论和方法相比，仍有不成熟之处：基于模糊逻辑的故 障诊断方法缺少在线学习能力，不适应被控对象变化的 需要；模糊隶属函数和模糊推理规则无法保证任何情况 下都为最优；尚未建立起有效的方法来分析和设计模糊 系统，主要还是依赖专家经验和试凑。 2.2基于人工神经网络的故障诊断方法 从故障诊断的过程来讲，故障诊断实质上也是一类 模式分类问题，而人工神经网络（ANN）作为一 种自适应的模式识别技术，非常适合用于建立大型复杂 系统的智能化故障诊断系统。神经网络通过输入层、隐 含层和输出层来建立故障类型和故障原因之间复杂的映 射关系。基于神经网络的故障诊断 方法具有强大的自学习和数据处理能力，其分类方式通 过网络学习来确定系统参数和结构来完成训练过程。将 样本库的知识以网络的形式存储在神经网络的连接权中 是神经网络的独特之处。待检测故障信息经已训练好的 网络处理后可自动对被识别对象进行分类。故障诊断中 神经网络所采用的模型大多为BP网络，这主要由于对 BP模型的研究比 较成熟［5-6］。神经网络故障诊断技术被广泛应用于人工智能复习题目
《人工智能》详细教学大纲
(人工智能)人工智能教案章知识表示概述
人工智能原理MOOC习题集及答案 北京大学
人工智能原理及应用复习提纲
浅谈人工智能原理及应用
人工智能的主要内容和方法
人工智能原理及应用2008年试题
人工智能的原理及应用
人工智能方法故障诊断
相关主题
文本预览