盛年不重来，一日难再晨。及时宜自勉，岁月不待人。
#include
#include
#include
#include
using namespace std;
#define M 3
class MatrixNode{ //定义MatrixNode类
public:
int m; //在位个数
int d; //深度
int p; //牌与其目标位置直接步数之和
int f; //f=d+p，估价函数
int place[M][M]; //当前矩阵
int placetrue[M][M]; //目标矩阵
int kong_x; //空位的横坐标
int kong_y; //空位的纵坐标
//-------------------------------------------------------------------------------
public:
MatrixNode();
MatrixNode start(MatrixNode M_Matrix); //初始矩阵
int TruePlace(MatrixNode T_place ); //查找在位数
int p_place(MatrixNode P_place); //坐标差绝对值之和
int f_kongx(MatrixNode find_kongx); //找出空格的横坐标
int f_kongy(MatrixNode find_kongy); //找出空格的纵坐标
bool solved(MatrixNode M_Matrix); //判断是否有解,奇偶性相同则有解，否则无解
MatrixNode up_move(MatrixNode M_Matrix); //空格上移
MatrixNode down_move(MatrixNode M_Matrix); //空格下移
MatrixNode left_move(MatrixNode M_Matrix); //空格左移
MatrixNode right_move(MatrixNode M_Matrix); //空格右移
MatrixNode updata_m(MatrixNode M_Matrix); //移动后更新状态
MatrixNode parents(deque
};
//============================================================================= ============
MatrixNode::MatrixNode(){ //目标矩阵
placetrue[0][0] = 1;
placetrue[0][1] = 2;
placetrue[0][2] = 3;
placetrue[1][0] = 8;
placetrue[1][1] = -1;
placetrue[1][2] = 4;
placetrue[2][0] = 7;
placetrue[2][1] = 6;
placetrue[2][2] = 5;
}
//-----------------------------------------------------------------------------------------
MatrixNode MatrixNode::start(MatrixNode M_Matrix){ //初始矩阵
cout<<"请按如下格式输入初始矩阵(空位用0表示)："< cout<<"1 2 3\n4 5 6\n7 0 8"< cout<<"八数码的初始状态如下:" << endl; for(int a = 0;a < M;a++) for(int b = 0;b < M;b++ ) cin>>M_Matrix.place[a][b]; M_Matrix.d = 0; M_Matrix = M_Matrix.updata_m( M_Matrix ); M_Matrix.d=M_Matrix.d-1; //初始更新时深度多加1，应该减去 M_Matrix.f=M_Matrix.f-1; return M_Matrix; } //----------------------------------------------------------------------------------------- bool solved(MatrixNode M_Matrix){ //判断是否可解 int num[8]; int target[8]; int a=0; int b=0; for(int m = 0;m < M;m++){ for(int n = 0;n < M;n++ ) {if(M_Matrix.place[m][n] != 0) //不考虑空格 num[a++]=M_Matrix.place[m][n]; if(M_Matrix.placetrue[m][n] != -1) target[b++]=M_Matrix.placetrue[m][n]; } } int i,j; int count_num = 0,count_target = 0; for (i = 0;i < (8-1);i++){ for (j = i+1;j < 8;j++) { if(num[j] < num[i]) count_num++; if(target[j] count_target++; } } if((count_num%2 == 0&&count_target%2 == 0)||(count_num%2 == 1&&count_target%2 == 1)) return true; else return false; } //------------------------------------------------------------------------------------------ int MatrixNode::TruePlace(MatrixNode T_place ) { // 查找在位数T_place.m = 0; int NumT_place = 0; for(int i = 0;i < M;i++){ for(int j = 0;j < M;j++ ){ if( T_place.place[i][j] == placetrue[i][j]) { T_place.m = T_place.m + 1; NumT_place = NumT_place + 1; } } } return NumT_place; } //---------------------------------------------------------------------------------- int MatrixNode::p_place(MatrixNode P_place){ //坐标差的绝对值之和 P_place.p = 0; int num = 0; for(int Pa = 0;Pa < M;Pa++){ for(int Pb = 0;Pb < M;Pb++){ if(P_place.place[Pa][Pb] == 1){ P_place.p = P_place.p+ (abs(Pa - 0)+abs(Pb - 0)); } if(P_place.place[Pa][Pb] == 2){ P_place.p = P_place.p+ (abs(Pa - 0)+abs(Pb - 1)); } if(P_place.place[Pa][Pb] == 3){ P_place.p = P_place.p+ (abs(Pa - 0)+abs(Pb - 2)); } if(P_place.place[Pa][Pb] == 4){ P_place.p = P_place.p+ (abs(Pa - 1)+abs(Pb - 2)); } if(P_place.place[Pa][Pb] == 5){ P_place.p = P_place.p+ (abs(Pa - 2)+abs(Pb - 2)); } if(P_place.place[Pa][Pb] == 6){ P_place.p = P_place.p+ (abs(Pa - 2)+abs(Pb - 1)); } if(P_place.place[Pa][Pb] == 7){ P_place.p = P_place.p+ (abs(Pa - 2)+abs(Pb - 0)); } if(P_place.place[Pa][Pb] == 8){ P_place.p = P_place.p+ (abs(Pa - 1)+abs(Pb - 0)); } } } num = P_place.p; return num; } //---------------------------------------------------------------------------------- int MatrixNode::f_kongx(MatrixNode find_kongx){ //返回空格横坐标int num; for(int i = 0;i < M;i++){ for(int j = 0;j < M;j++){ if(find_kongx.place[i][j] == 0){ num = i; } } } return num; } //----------------------------------------------------------------------------------- int MatrixNode::f_kongy(MatrixNode find_kongy){ //返回空格纵坐标int num; for(int i = 0;i < M;i++){ for(int j = 0;j < M;j++){ if(find_kongy.place[i][j] == 0){ num = j; } } } return num; } //----------------------------------------------------------------------------------- MatrixNode MatrixNode::up_move(MatrixNode M_Matrix){ //空格上移 int num; //num为交换的中间变量 MatrixNode up_m = M_Matrix; num = up_m.place[up_m.kong_x][up_m.kong_y]; up_m.place[up_m.kong_x][up_m.kong_y] = up_m.place[up_m.kong_x - 1][up_m.kong_y ]; up_m.place[up_m.kong_x - 1][up_m.kong_y ] = num; up_m = up_m.updata_m(up_m); return up_m; } //----------------------------------------------------------------------------------- MatrixNode MatrixNode::down_move(MatrixNode M_Matrix){ //空格下移int num; MatrixNode up_m = M_Matrix; num = up_m.place[up_m.kong_x][up_m.kong_y]; up_m.place[up_m.kong_x][up_m.kong_y] = up_m.place[up_m.kong_x + 1][up_m.kong_y ]; up_m.place[up_m.kong_x + 1][up_m.kong_y ] = num; up_m = up_m.updata_m(up_m); return up_m; } //----------------------------------------------------------------------------------- MatrixNode MatrixNode::left_move(MatrixNode M_Matrix){ //空格左移int num; MatrixNode up_m = M_Matrix; num = up_m.place[up_m.kong_x][up_m.kong_y]; up_m.place[up_m.kong_x][up_m.kong_y] = up_m.place[up_m.kong_x ][up_m.kong_y - 1 ]; up_m.place[up_m.kong_x ][up_m.kong_y - 1] = num; up_m = up_m.updata_m(up_m); return up_m; } //----------------------------------------------------------------------------------- MatrixNode MatrixNode::right_move(MatrixNode M_Matrix){ //空格右移int num; MatrixNode up_m = M_Matrix; num = up_m.place[up_m.kong_x][up_m.kong_y]; up_m.place[up_m.kong_x][up_m.kong_y] = up_m.place[up_m.kong_x ][up_m.kong_y + 1 ]; up_m.place[up_m.kong_x ][up_m.kong_y + 1] = num; up_m = up_m.updata_m(up_m); return up_m; } //---------------------------------------------------------------------------------- MatrixNode MatrixNode::updata_m(MatrixNode M_Matrix){ //移动后更新状态MatrixNode up_m = M_Matrix; up_m.m = up_m.TruePlace(up_m); // 查找在位数 up_m.p = up_m.p_place(up_m); //距离和 up_m.d = M_Matrix.d+1; //深度加1 up_m.f = up_m.p + up_m.d; //估价值 up_m.kong_x = up_m.f_kongx(up_m); //找出空格的横坐标 up_m.kong_y = up_m.f_kongy(up_m); //找出空格的纵坐标 return up_m; } //----------------------------------------------------------------------------------- bool father(deque MatrixNode up_m; int m; up_m = M_Matrix1.up_move(M_Matrix1); m = 0; for(int a1 = 0;a1 < M;a1++) for(int b1 = 0;b1 < M;b1++ ){ if(up_m.place[a1][b1] == M_Matrix.place[a1][b1]) m++; } if(m == 9) return true; up_m=M_Matrix1.down_move(M_Matrix1); m = 0; for(int a2 = 0;a2 < M;a2++) for(int b2 = 0;b2 < M;b2++ ){ if(up_m.place[a2][b2] == M_Matrix.place[a2][b2]) m++; } if(m == 9) return true; up_m=M_Matrix1.left_move(M_Matrix1); m = 0; for(int a3 = 0;a3 < M;a3++) for(int b3 = 0;b3 < M;b3++ ){ if(up_m.place[a3][b3] == M_Matrix.place[a3][b3]) m++; } if(m == 9) return true; up_m=M_Matrix1.right_move(M_Matrix1); m = 0; for(int a4 = 0;a4 < M;a4++) for(int b4 = 0;b4 < M;b4++ ){ if(up_m.place[a4][b4] == M_Matrix.place[a4][b4]) m++; } if(m == 9) return true; else return false; } //----------------------------------------------------------------------------------- void printMatrix(const MatrixNode Matrix){ //输出矩阵for(int i = 0;i < M;i++){ for(int j = 0;j < M;j++ ){ cout< } cout< } cout< } //----------------------------------------------------------------------------------- bool less_f(const MatrixNode M_Matrix1, const MatrixNode M_Matrix2) { return M_Matrix1.f < M_Matrix2.f; } //----------------- ------------------------------------------------------------------ bool lookout(deque deque int i,j,m; while(Vi != ilist.end()){ m=0; for(i = 0;i < M;i++) for(j = 0;j < M;j++ ){ if((*Vi).place[i][j] == M_Matrix.place[i][j]) m++; } if(m == 9) return true; //不是新扩展的 Vi++; } return false; //是新扩展的 } //========================================================================== void main(){ int step = 0; MatrixNode mat; MatrixNode mat_trn; MatrixNode mat_trn1; MatrixNode mat_trn2; MatrixNode mat_trn3; MatrixNode mat_trn4; MatrixNode parent; mat = mat.start(mat); deque openlist.push_front(mat); deque if(solved(mat) == false) {cout<<"无法找到路径!!!"< return; } mat_trn=openlist.front(); //访问第一个元素 while(mat_trn.m != 8){ closedlist.push_front(mat_trn); openlist.pop_front(); //删除第一个元素 //-------向上移 mat_trn1 = mat_trn; if(mat_trn1.f_kongx(mat_trn1) >= 1){ mat_trn1 = mat_trn1.up_move(mat_trn1); if(lookout(openlist,mat_trn1) == false && lookout(closedlist,mat_trn1) == false){ //检查新节点是否已扩展 openlist.push_front(mat_trn1); } } //--------向下移 mat_trn2 = mat_trn; if(mat_trn2.f_kongx(mat_trn2) <= 1){ mat_trn2 = mat_trn2.down_move(mat_trn2); if(lookout(openlist,mat_trn2) == false && lookout(closedlist,mat_trn2) == false){ //检查新节点是否已扩展 openlist.push_front(mat_trn2); } } //--------向左移 mat_trn3 =mat_trn; if(mat_trn3.f_kongy(mat_trn3) >= 1){ mat_trn3 = mat_trn3.left_move(mat_trn3); if(lookout(openlist,mat_trn3) == false && lookout(closedlist,mat_trn3) == false){ //检查新节点是否已扩展 openlist.push_front(mat_trn3); } } //--------向右移 mat_trn4 = mat_trn; if(mat_trn4.f_kongy(mat_trn4) <= 1){ mat_trn4 = mat_trn4.right_move(mat_trn4); if(lookout(openlist,mat_trn4) == false && lookout(closedlist,mat_trn4) == false){ //检查新节点是否已扩展 openlist.push_front(mat_trn4); } } sort(openlist.begin(),openlist.end(),less_f); mat_trn=openlist.front(); } cout<<"最优路径如下："< deque while(Vi != (closedlist.end()-1)){ //由于我的father 函数中用到首元素，所以不应该是不等于end if(father(closedlist,mat_trn) == true){ parent = closedlist.front(); printMatrix(parent); mat_trn = parent; step = step+1; } Vi++; closedlist.pop_front(); } printMatrix(mat); step++; cout<<"走的步数:"< } 盛年不重来，一日难再晨。及时宜自勉，岁月不待人。 基于规则的专家系统 1.基于规则的专家系统有5个部分组成：知识库、数据库、推理引擎、____和用户界面 A.解释设备 B.外部接口 C.开发者接口 D.调试工具 2.前向（正向）推理是数据驱动的。推理从已知的数据开始，依次执行每条可执行的规则，规则所产生的新的事实被加入到数据库中，直到没有规则可以被执行为止。请根据以下的数据库和知识库推出有哪些元素被加入到数据库中 A. N X Y Z B. L X Y Z C. N L X Z D. L N X Y 3.关于专家系统，以下说法错误的是 A.允许不精确的推理，但不能处理不完整、不确定和模糊的数据 B.当数据不完账或模糊时，有可能会出错 C.当需要新知识时，很容易实现调整。 D.提供知识与处理过程明确分离的机制 4.对于规则的专家系统的缺点，下列说法错误的是 A.规则之间的关系不明确 B.低效的搜索策略 C.没有学习能力 D.没有统一的结构 5.对于规则的专家系统的优点，下列说确的是 A.规则之间的关系透明 B.高效的搜索策略 C.处理不完整、不确定的知识 D.具备学习能力 基于规则的专家系统中的不确定性管理 6.专家系统中不确定性知识的来源一般分为4种：弱暗示、____、未知数据，以及合并不同专家观点时的困难 A.不完整的信息 B.不一致的信息 C.不确定的信息 D.不精确的语言 7.有一同学，考试成绩数学不及格的概率是0.15，语文不及格的概率是0.05，两者都不及格的概率为0.03，在一次考试中，已知他数学不及格，那么他语文不及格的概率是多少？ A.0.2 B.0.25 C.0.4 D.0.6 8.掷三枚骰子，事件A为出现的点数之和等于5的概率为 A.1/18 B.1/36 C.1/72 D.1/108 9.下列哪个符合著名的贝叶斯公式 A.P(Ai/B) = P(Ai) x P(B/Ai) /Σ(P(Aj) x P(B/Aj)) B.P(Ai/B) = P(Ai) x P(Ai/B) /Σ(P(Aj) x P(B/Aj)) C.P(Ai/B) = P(B) x P(B/Ai) /Σ(P(Aj) x P(B/Aj)) A*算法实验报告 实验目的 1．熟悉和掌握启发式搜索的定义、估价函数和算法过程 2. 学会利用A*算法求解N数码难题 3. 理解求解流程和搜索顺序 实验原理 A*算法是一种有序搜索算法，其特点在于对估价函数的定义上。对于一般的有序搜索，总是选择f值最小的节点作为扩展节点。因此，f是根据需要找到一条最小代价路径的观点来估算节点的，所以，可考虑每个节点n的估价函数值为两个分量：从起始节点到节点n的代价以及从节点n到达目标节点的代价。 实验条件 1.Window NT/xp/7及以上的操作系统 2.内存在512M以上 3.CPU在奔腾II以上 实验内容 1.分别以8数码和15数码为例实际求解A*算法 2.画出A*算法求解框图 3.分析估价函数对搜索算法的影响 4.分析A*算法的特点 实验分析 1. A*算法基本步骤 1）生成一个只包含开始节点n0的搜索图G，把n0放在一个叫OPEN的列表上。 2）生成一个列表CLOSED，它的初始值为空。 3）如果OPEN表为空，则失败退出。 4）选择OPEN上的第一个节点，把它从OPEN中移入CLPSED，称该节点为n。 5）如果n是目标节点，顺着G中，从n到n0的指针找到一条路径，获得解决方案，成功退出（该指针定义了一个搜索树，在第7步建立）。 6）扩展节点n，生成其后继结点集M，在G中，n的祖先不能在M中。在G中安置M的成员，使他们成为n的后继。 7）从M的每一个不在G中的成员建立一个指向n的指针（例如，既不在OPEN 中，也不在CLOSED中）。把M1的这些成员加到OPEN中。对M的每一个已在OPEN中或CLOSED中的成员m，如果到目前为止找到的到达m的最好路径通过n，就把它的指针指向n。对已在CLOSED中的M的每一个成员，重定向它在G中的每一个后继，以使它们顺着到目前为止发现的最好路径指向它们的祖先。 8）按递增f*值，重排OPEN（相同最小f*值可根据搜索树中的最深节点来解决）。 9）返回第3步。 在第7步中，如果搜索过程发现一条路径到达一个节点的代价比现存的路径代价低，就要重定向指向该节点的指针。已经在CLOSED中的节点子孙的重定向保存了后面的搜索结果，但是可能需要指数级的计算代价。 实验步骤 算法流程图 人工智能之机器学习常见算法 摘要机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。这里小编为您总结一下常见的机器学习算法，以供您在工作和学习中参考。 机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，第一个方面是学习的方式，第二个方面是算法的类似性。 学习方式 根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学习方式分类是一个不错的想法，这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择最合适的算法来获得最好的结果。 监督式学习： 在监督式学习下，输入数据被称为训练数据，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中垃圾邮件非垃圾邮件，对手写数字识别中的1，2，3，4等。在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与训练数据的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。常见算法有逻辑回归（LogisTIc Regression）和反向传递神经网络（Back PropagaTIon Neural Network） 非监督式学习： 在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法以及k-Means 算法。 半监督式学习： 在此学习方式下，输入数据部分被标识，部分没有被标识，这种学习模型可以用来进行预 最新文件---------------- 仅供参考--------------------已改成-----------word文本 --------------------- 方便更改 一、选择题(每题1分，共15分) 1、AI的英文缩写是 A)Automatic Intelligence B)Artifical Intelligence C)Automatice Information D)Artifical Information 2、反演归结（消解）证明定理时，若当前归结式是（）时，则定理得证。 A)永真式B)包孕式（subsumed）C)空子句 3、从已知事实出发，通过规则库求得结论的产生式系统的推理方式是 A)正向推理B)反向推理C)双向推理 4、语义网络表达知识时，有向弧AKO 链、ISA 链是用来表达节点知识的（）。 A)无悖性B)可扩充性C)继承性 5、(A→B)∧A => B是 A)附加律B)拒收律C)假言推理D)US 6、命题是可以判断真假的 A)祈使句B)疑问句C)感叹句D)陈述句 7、仅个体变元被量化的谓词称为 A)一阶谓词B)原子公式C)二阶谓词D)全称量词 8、MGU是 A)最一般合一B)最一般替换C)最一般谓词D)基替换 9、1997年５月，著名的“人机大战”，最终计算机以3.5比2.5的总比分将世界国际象棋棋王卡斯帕罗夫击败，这台计算机被称为（） A）深蓝B）IBM C）深思D）蓝天 10、下列不在人工智能系统的知识包含的4个要素中 A)事实B)规则C)控制与元知识D)关系 11、谓词逻辑下，子句, C1=L∨C1‘, C2= ? L∨C2‘,若σ是互补文字的（最一般）合一置换，则其归结式C=（） A) C1’σ∨C2’σB)C1’∨C2’C)C1’σ∧C2’σD)C1’∧C2’ 12、或图通常称为 A）框架网络B)语义图C)博亦图D)状态图 13、不属于人工智能的学派是 A)符号主义B)机会主义C)行为主义D)连接主义。 14、人工智能的含义最早由一位科学家于1950年提出，并且同时提出一个机器智能的测试模型，请问这个科学家是 A)明斯基B).扎德C)图林D)冯.诺依曼 15.要想让机器具有智能，必须让机器具有知识。因此，在人工智能中有一个研究领域，主要研究计算机如何自动获取知识与技能，实现自我完善，这门研究分支学科叫（）。 A)专家系统B)机器学习C)神经网络D)模式识别 二、填空题(每空1.5分，共30分) 1、不确定性类型按性质分：，， ，。 2、在删除策略归结的过程中删除以下子句：含有的子句;含 有的子句;子句集中被别的子句的子句。 3、对证据的可信度CF（A）、CF（A1）、CF（A2）之间，规定如下关系： CF（~A）=、CF（A1∧A2 ）=、 CF（A1∨A2 ）= 4、图：指由与组成的网络。按连接同一节点的各边的逻辑关系又可分为与。 5、合一算法：求非空有限具有相同谓词名的原子公式集的 6、产生式系统的推理过程中，从可触发规则中选择一个规则来执行，被执行的规则称为。 7、P(B|A) 表示在规则中，证据A为真的作用下结论B为真的。 8、人工智能的远期目标是， 近期目标是。 1．启发式搜索算法A 启发式搜索算法A，一般简称为A算法，是一种典型的启发式搜索算法。其基本思想是：定义一个评价函数f，对当前的搜索状态进行评估，找出一个最有希望的节点来扩展。 评价函数的形式如下： f（n）＝g（n）＋h（n） 其中n是被评价的节点。 f（n）、g（n）和h（n）各自表述什么含义呢？我们先来定义下面几个函数的含义，它们与f（n）、g（n）和h（n）的差别是都带有一个"*"号。 g*(n)：表示从初始节点s到节点n的最短路径的耗散值； h*(n)：表示从节点n到目标节点g的最短路径的耗散值； f*(n)=g*(n)+h*(n)：表示从初始节点s经过节点n到目标节点g 的最短路径的耗散值。 而f（n）、g（n）和h（n）则分别表示是对f*（n）、g*（n）和h*（n）三个函数值的的估计值。是一种预测。A算法就是利用这种预测，来达到有效搜索的目的的。它每次按照f(n)值的大小对OPEN表中的元素进行排序，f值小的节点放在前面，而f 值大的节点则被放在OPEN表的后面，这样每次扩展节点时，都是选择当前f值最小的节点来优先扩展。 利用评价函数f（n）＝g（n）＋h（n）来排列OPEN表节点顺序的图搜索算法称为算法A。 过程A ①OPEN:＝（s），f（s）:＝g（s）+h（s）; ②LOOP：IF OPEN＝（）THEN EXIT（FAIL）； ③n:＝FIRST（OPEN）； ④IF GOAL（n）THEN EXIT（SUCCESS）； ⑤REMOVE（n，OPEN），ADD（n，CLOSED）； ⑥EXPAND（n）→{mi}，计算f（n，mi）＝g（n，mi）+h（mi）；g（n，mi）是从s通过n到mi的耗散值，f（n，mi）是从s通过n、mi到目标节点耗散值的估计。 ·ADD（mj，OPEN），标记mi到n的指针。 ·IF f（n，mk） 一、粒子群算法 粒子群算法，也称粒子群优化算法（Particle Swarm Optimization），缩写为PSO，是近年来发展起来的一种新的进化算法(（Evolu2tionary Algorithm - EA）。PSO 算法属于进化算法的一种，和遗传算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的交叉(Crossover) 和变异(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。 优化问题是工业设计中经常遇到的问题,许多问题最后都可以归结为优化问题.为了解决各种各样的优化问题,人们提出了许多优化算法,比较著名的有爬山法、遗传算法等.优化问题有两个主要问题:一是要求寻找全局最小点,二是要求有较高的收敛速度.爬山法精度较高,但是易于陷入局部极小.遗传算法属于进化算法(EvolutionaryAlgorithms)的一种,它通过模仿自然界的选择与遗传的机理来寻找最优解.遗传算法有三个基本算子:选择、交叉和变异.但是遗传算法的编程实现比较复杂,首先需要对问题进行编码,找到最优解之后还需要对问题进行解码,另外三个算子的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依靠经验.1995年Eberhart博士和kennedy博士提出了一种新的算法;粒子群优化(ParticalSwarmOptimization-PSO)算法.这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视,并且在解决实际问题中展示了其优越性. 粒子群优化(ParticalSwarmOptimization-PSO)算法是近年来发展起来的一种新的进化算法(Evolu2tionaryAlgorithm-EA).PSO算法属于进化算法的一种,和遗传算法相似,它也是从随机解出发,通过迭代寻找最优解,它也是通过适应度来评价 人工智能（A*算法） 一、 A*算法概述 A*算法是到目前为止最快的一种计算最短路径的算法，但它一种‘较优’算法，即它一般只能找到较优解，而非最优解，但由于其高效性，使其在实时系统、人工智能等方面应用极其广泛。 A*算法结合了启发式方法（这种方法通过充分利用图给出的信息来动态地作出决定而使搜索次数大大降低）和形式化方法（这种方法不利用图给出的信息，而仅通过数学的形式分析，如Dijkstra算法）。它通过一个估价函数（Heuristic Function）f(h)来估计图中的当前点p到终点的距离(带权值)，并由此决定它的搜索方向，当这条路径失败时，它会尝试其它路径。 因而我们可以发现，A*算法成功与否的关键在于估价函数的正确选择，从理论上说，一个完全正确的估价函数是可以非常迅速地得到问题的正确解答，但一般完全正确的估价函数是得不到的，因而A*算法不能保证它每次都得到正确解答。一个不理想的估价函数可能会使它工作得很慢，甚至会给出错误的解答。 为了提高解答的正确性，我们可以适当地降低估价函数的值，从而使之进行更多的搜索，但这是以降低它的速度为代价的，因而我们可以根据实际对解答的速度和正确性的要求而设计出不同的方案，使之更具弹性。 二、 A*算法分析 众所周知，对图的表示可以采用数组或链表，而且这些表示法也各也优缺点，数组可以方便地实现对其中某个元素的存取，但插入和删除操作却很困难，而链表则利于插入和删除，但对某个特定元素的定位却需借助于搜索。而A*算法则需要快速插入和删除所求得的最优值以及可以对当前结点以下结点的操作，因而数组或链表都显得太通用了，用来实现A*算法会使速度有所降低。要实现这些，可以通过二分树、跳转表等数据结构来实现，我采用的是简单而高效的带优先权的堆栈，经实验表明，一个1000个结点的图，插入而且移动一个排序的链表平均需500次比较和2次移动；未排序的链表平均需1000次比较和2次移动；而堆仅需10次比较和10次移动。需要指出的是，当结点数n大于10，000时，堆将不再是正确的选择，但这足已满足我们一般的要求。 第1章概述 1、重点掌握人工智能的几种定义。 2、掌握目前人工智能的三个主要学派及其认知观。 3、一般了解人工智能的主要研究范围和应用领域。 人工智能的三大学派及其认知观： (1)符号主义：认为人工智能起源于数理逻辑。 (2)连接主义：认为人工智能起源于仿生学，特别是对人脑模型的研究。 (3)行为主义：认为人工智能起源于控制论。 第2章确定性知识系统 ?重点掌握用谓词逻辑法、产生式表示、语义网络法、框架表示法来描述问题，解决 问题； ?重点掌握归结演绎推理方法 谓词逻辑法 一阶谓词逻辑表示法适于表示确定性的知识。它具有自然性、精确性、严密性及易实现等特点。 用一阶谓词逻辑法表示知识的步骤如下： （1）定义谓词及个体，确定每个谓词及个体的确切含义。 （2）根据所要表达的事物或概念，为每个谓词中的变元赋以特定的值。 （3）根据所要表达的知识的语义，用适当的连接符号将各个谓词连接起来，形成谓词公式。例1：设有下列事实性知识： 张晓辉是一名计算机系的学生，但他不喜欢编程序。 李晓鹏比他父亲长得高。 请用谓词公式表示这些知识。 （1）定义谓词及个体。 Computer(x):x是计算机系的学生。 Like(x,y):x喜欢y。 Higher(x,y):x比y长得高。 这里涉及的个体有：张晓辉(zhangxh),编程序(programming), 李晓鹏(lixp)，以及函数father(lixp)表示李晓鹏的父亲。 第二步：将这些个体代入谓词中，得到 Computer(zhangxh) ?Like(zhangxh, programming) Higher(lixp, father(lixp)) ?第三步：根据语义，用逻辑联结词将它们联结起来，就得到了表示上述知识的谓词 公式。 Computer(zhangxh)∧?Like(zhangxh, programming) Higher(lixp, father(lixp)) 例2：设有下列语句，请用相应的谓词公式把它们表示出来： （1）人人爱劳动。 （2）自然数都是大于零的整数。 （3）西安市的夏天既干燥又炎热。 （4）喜欢读《三国演义》的人必读《水浒》。 （5）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。 （6）他每天下午都去打篮球。 1.在高血压诊断标准的变迁史上，（）将高血压的诊断标准定为120/80mmHg以下更受益。（ 2.0分） A.1949年 B.1984年 C.1993年 D.2016年 2.我国在语音语义识别领域的领军企业是（）。（2.0分） A.科大讯 飞 B.图谱科 技 C.阿里巴 巴 D.华为 3.中国人工智能产业初步呈现集聚态势,人工智能企业主要集聚在经济发达的一二线城市及沿海地区，排名第一的城市是（）。（2.0分） A. B.北京 C. D. 4.MIT教授Tomaso Poggio明确指出，过去15年人工智能取得的成功，主要是因为（）。（2.0分） A.计算机视 觉 B.语音识别 C.博弈论 D.机器学习 5.1997年，Hochreiter&Schmidhuber提出（）。（2.0分） A.反向传播算法 B.深度学习 C.博弈论 D.长短期记忆模型 6.（），中共中央政治局就人工智能发展现状和趋势举行第九次集体学习。（2.0分） A.2018年3月15日 B.2018年10月31日 C.2018年12月31日 D.2019年1月31日 7.（）是指能够自己找出问题、思考问题、解决问题的人工智能。（2.0分） A.超人工智 能 B.强人工智 能 C.弱人工智 能 D.人工智能 8.据清华原副校长施一公教授研究，中国每年有265万人死于（），占死亡人数的28%。（2.0分） A.癌症 B.心脑血管疾病 C.神经退行性疾 病 D.交通事故 9.2005年，美国一份癌症统计报告表明：在所有死亡原因中，癌症占（）。（2.0分） A.1/4 B.1/3 C.2/3 D.3/4 10.（）是自然语言处理的重要应用，也可以说是最基础的应用。（2.0分） A.文本识别 B.机器翻译 C.文本分类 D.问答系统 11.（）是人以自然语言同计算机进行交互的综合性技术，结合了语言学、心理学、工程、计算机技术等领域的知识。（2.0分） A.语音交互 B.情感交互 C.体感交互 D.脑机交互 12.下列对人工智能芯片的表述，不正确的是（）。（2.0分） A.一种专门用于处理人工智能应用中大量计算任务的芯片 B.能够更好地适应人工智能中大量矩阵运算 C.目前处于成熟高速发展阶段 D.相对于传统的CPU处理器，智能芯片具有很好的并行计算性能 13.（）是指能够按照人的要求，在某一个领域完成一项工作或者一类工作的人工智能。（2.0分） A.超人工智 能 B.强人工智 能 C.弱人工智 能 D.人工智能 未来人工智能的十大应用方向 导读: 随着人工智能理论和技术的不断完善，应用范围领域也在逐渐向多方向发展。未来，人工智能虽然不能向人类一样，拥有自己的意识和思维方式，但是这种自我思考的人工智能已经打破了常规。未来，人工智能带来的产品，或许将是人类智慧的“容器”。由此，对于未来人工智能应用方向，也将会成为热点。 关键字：人工智能机器视觉 人工智能（ArtificialIntelligence），英文缩写为AI。它是研究、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。 人工智能是对人的意识、思维的信息过程的模拟。但不是人的智能，能像人那样思考、也可能超过人的智能。但是这种会自我思考的高级人工智能还需要科学理论和工程上的突破。从诞生以来，人工智能理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。正因为如此，人工智能的应用方向才十分之广。 1、机器视觉 机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品（即图像摄取装置，分CMOS和CCD两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。 人工智能能使机器能够担任一些需要人工处理的工作。而这些工作需要做一定的决策，要求机器能够自行的根据当时的环境做出相对较好的决策。这就需要计算机不仅仅能够计算，还能够拥有一定得智能。而要对周围的环境进做出好的决策就需要对周边的环境进行分析,即要求机器能够“看”到周围的环境，并能够理解它们。就像人做的那样。所以机器视觉是人工智能中非常重要的一个领域。 机器视觉在许多人类视觉无法感知的场合发挥重要作用，如精确定律感知、危险场景感知、不可见物体感知等，机器视觉更突出他的优越性。现在机器视觉已在一些领域的到应用，如零件识别与定位，产品的检验，移动机器人导航遥感图像分析，安全减半、监视与跟踪，国防系统等。它们的应用于机器视觉的发展起着相互促进的作用。 2、指纹识别 指纹识别技术把一个人同他的指纹对应起来，通过比较他的指纹和预先保存的指纹进行比较，就可以验证他的真实身份。每个人（包括指纹在内）皮肤纹路在图案、断点和交叉点上各不相同，也就是说，是唯一的，并且终生不变。依靠这种唯一性和稳定性，我们才能创造指纹识别技术。 人工智能算法实现：[1]A*算法c语言 ? 分步阅读 A*算法，A*（A-Star)算法是一种静态路网中求解最短路最有效的方法。估价值与实际值越接近，估价函数取得就越好。 A*[1]（A-Star)算法是一种静态路网中求解最短路最有效的方法。 公式表示为：f(n)=g(n)+h(n), 其中f(n) 是从初始点经由节点n到目标点的估价函数， g(n) 是在状态空间中从初始节点到n节点的实际代价， h(n) 是从n到目标节点最佳路径的估计代价。 保证找到最短路径（最优解的）条件，关键在于估价函数h(n)的选取： 估价值h(n)<= n到目标节点的距离实际值，这种情况下，搜索的点数多，搜索范围大，效率低。但能得到最优解。 如果估价值>实际值,搜索的点数少，搜索范围小，效率高，但不能保证得到最优解。 工具/原料 ?DEVC++或VC 6.0 方法/步骤 1.估价值与实际值越接近，估价函数取得就越好 例如对于几何路网来说，可以取两节点间欧几理德距离（直线距离）做为估价值，即f=g(n)+sqrt((dx-nx)*(dx-nx)+(dy-ny)*(dy-ny))；这样估价函数f在g值一定的情况下，会或多或少的受估价值h的制约，节点距目标点近，h值小，f 值相对就小，能保证最短路的搜索向终点的方向进行。明显优于Dijkstra算法的毫无方向的向四周搜索。 conditions of heuristic Optimistic (must be less than or equal to the real cost) As close to the real cost as possible 详细内容： 创建两个表，OPEN表保存所有已生成而未考察的节点，CLOSED表中记录已访问过的节点。 算起点的估价值; 将起点放入OPEN表; 2. A star算法在静态路网中的应用，以在地图中找从开始点s 到e点的最短 行走路径为例： 首先定义数据结构 #define MAPMAXSIZE 100 //地图面积最大为100x100 #define MAXINT 8192 //定义一个最大整数, 地图上任意两点距离不会超过它#define STACKSIZE 65536 //保存搜索节点的堆栈大小 #define tile_num(x,y) ((y)*map_w+(x)) //将x,y 坐标转换为地图上块的编号#define tile_x(n) ((n)%map_w) //由块编号得出x,y 坐标 #define tile_y(n) ((n)/map_w) // 树结构, 比较特殊, 是从叶节点向根节点反向链接 一、选择题(每题1分，共15分) 1、AI的英文缩写是 A)Automatic Intelligence B)Artifical Intelligence C)Automatice Information D)Artifical Information 2、反演归结（消解）证明定理时，若当前归结式是（）时，则定理得证。 A)永真式B)包孕式（subsumed）C)空子句 3、从已知事实出发，通过规则库求得结论的产生式系统的推理方式是 A)正向推理B)反向推理C)双向推理 4、语义网络表达知识时，有向弧AKO 链、ISA 链是用来表达节点知识的（）。 A)无悖性B)可扩充性C)继承性 5、(A→B)∧A => B是 A)附加律B)拒收律C)假言推理D)US 6、命题是可以判断真假的 A)祈使句B)疑问句C)感叹句D)陈述句 7、仅个体变元被量化的谓词称为 A)一阶谓词B)原子公式C)二阶谓词D)全称量词 8、MGU是 A)最一般合一B)最一般替换C)最一般谓词D)基替换 9、1997年５月，著名的“人机大战”，最终计算机以3.5比2.5的总比分将世界国际象棋棋王卡斯帕罗夫击败，这台计算机被称为（） A）深蓝B）IBM C）深思D）蓝天 10、下列不在人工智能系统的知识包含的4个要素中 A)事实B)规则C)控制与元知识D)关系 11、谓词逻辑下，子句, C1=L∨C1‘, C2= ? L∨若σ是互补文字的（最一般）合一置换，则其归结式C=（） A) C1’σ∨C2’σB)C1’∨C2’C)C1’σ∧C2’σD)C1’∧C2’ 12、或图通常称为 A）框架网络B)语义图C)博亦图D)状态图 13、不属于人工智能的学派是 A)符号主义B)机会主义C)行为主义D)连接主义。 14、人工智能的含义最早由一位科学家于1950年提出，并且同时提出一个机器智能的测试模型，请问这个科学家是 A)明斯基B).扎德C)图林D)冯.诺依曼 15.要想让机器具有智能，必须让机器具有知识。因此，在人工智能中有一个研究领域，主要研究计算机如何自动获取知识与技能，实现自我完善，这门研究分支学科叫（）。 A)专家系统B)机器学习C)神经网络D)模式识别 二、填空题(每空1.5分，共30分) 1、不确定性类型按性质分：，， ，。 2、在删除策略归结的过程中删除以下子句：含有的子句;含 有的子句;子句集中被别的子句的子句。 3、对证据的可信度CF（A）、CF（A1）、CF（A2）之间，规定如下关系： CF（~A）=、CF（A1∧A2 ）=、 CF（A1∨A2 ）= 4、图：指由与组成的网络。按连接同一节点的各边的逻辑关系又可分为与。 5、合一算法：求非空有限具有相同谓词名的原子公式集的 一单项选择题（每小题2分，共10分） 1.首次提出“人工智能”是在（D ）年 A.1946 B.1960 C.1916 D.1956 2. 人工智能应用研究的两个最重要最广泛领域为：B A.专家系统、自动规划 B. 专家系统、机器学习 C. 机器学习、智能控制 D. 机器学习、自然语言理解 3. 下列不是知识表示法的是 A 。 A：计算机表示法B：“与/或”图表示法 C：状态空间表示法D：产生式规则表示法 4. 下列关于不确定性知识描述错误的是 C 。 A：不确定性知识是不可以精确表示的 B：专家知识通常属于不确定性知识 C：不确定性知识是经过处理过的知识 D：不确定性知识的事实与结论的关系不是简单的“是”或“不是”。 5. 下图是一个迷宫，S0是入口，S g是出口，把入口作为初始节点，出口作为目标节点，通道作为分支，画出从入口S0出发，寻找出口Sg的状态树。根据深度优先搜索方法搜索的路径是 C 。 A：s0-s4-s5-s6-s9-sg B：s0-s4-s1-s2-s3-s6-s9-sg C：s0-s4-s1-s2-s3-s5-s6-s8-s9-sg D：s0-s4-s7-s5-s6-s9-sg 二填空题（每空2分，共20分） 1.目前人工智能的主要学派有三家：符号主义、进化主义和连接主义。 2. 问题的状态空间包含三种说明的集合，初始状态集合S 、操作符集合F以及目标状态集合G 。 3、启发式搜索中，利用一些线索来帮助足迹选择搜索方向，这些线索称为启发式(Heuristic)信息。 4、计算智能是人工智能研究的新内容，涉及神经计算、模糊计算和进化计算等。 5、不确定性推理主要有两种不确定性，即关于结论的不确定性和关于证据的不确 定性。 人工智能算法综述人工智能算法大概包括五大搜索技术，包括一些早期的搜索技术或用于解决比较简单问题的搜索原理和一些比较新的能够求解比较复杂问题的搜索原理，如遗传算法和模拟退火算法等。 1、盲目搜索 盲目搜索又叫做无信息搜索，一般只适用于求解比较简单的问题。包括图搜索策略，宽度优先搜索和深度优先搜素。 1、图搜索(GRAPH SERCH)策略是一种在图中寻找路径的方法。在有关图的表示方法中，节点对应于状态，而连线对应于操作符。 2、如果搜素是以接近其实节点的程度依次扩展节点的，那么这种搜素就叫做宽度优先搜素( breadth-first search。 3、深度优先搜索属于图算法的一种，英文缩写为DFS即Depth First Search其过程 简要来说是对每一个可能的分支路径深入到不能再深入为止,而且每个节点只能访问一次。 二、启发式搜索 盲目搜索的不足之处是效率低，耗费过多的时间和空间。启发信息是进行搜索技术所需要的一些有关具体问题的特性的信息。利用启发信息的搜索方法叫做启发式搜索方法。 启发式搜索就是在状态空间中的搜索对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标。这样可以省略大量无谓的搜索路径，提高了效率。在启发式搜索中，对位置的估价是十分重要的。采用了不同的估价可以有不同的效果。 3、博弈树搜索 诸如下棋、打牌、竞技、战争等一类竞争性智能活动称为博弈。博弈有很多种，我们讨论最简单的"二人零和、全信息、非偶然" 博弈，其特征如下： (1对垒的MAX MIN双方轮流采取行动，博弈的结果只有三种情况：MA)方胜，MIN方败；MIN方胜，MAX方败；和局。 (2 在对垒过程中，任何一方都了解当前的格局及过去的历史。 (3 任何一方在采取行动前都要根据当前的实际情况，进行得失分析，选取对自 已为最有利而对对方最为不利的对策，不存在掷骰子之类的"碰运气"因素即双方都是很理智地决定自己的行动。 在博弈过程中，任何一方都希望自己取得胜利。因此，当某一方当前有多个行 #include "Stdio.h" #include "Conio.h" #include "stdlib.h" #include "math.h" void Copy_node(struct node *p1,struct node *p2); void Calculate_f(int deepth,struct node *p); void Add_to_open(struct node *p); void Add_to_closed(struct node *p); void Remove_p(struct node *name,struct node *p); int Test_A_B(struct node *p1,struct node *p2); struct node * Search_A(struct node *name,struct node *temp); void Print_result(struct node *p); struct node // 定义8数码的节点状态 { int s[3][3]; //当前8数码的状态 int i_0; //当前空格所在行号 int j_0; //当前空格所在列号 int f; //当前代价值 int d; //当前节点深度 int h; //启发信息，采用数码"不在位"距离和 struct node *father; //指向解路径上该节点的父节点 struct node *next; //指向所在open或closed表中的下一个元素 } ; struct node s_0={{2,8,3,1,6,4,7,0,5},2,1,0,0,0,NULL,NULL}; //定义初始状态 struct node s_g={{1,2,3,8,0,4,7,6,5},1,1,0,0,0,NULL,NULL}; //定义目标状态 struct node *open=NULL; //建立open表指针struct node *closed=NULL; //建立closed表指针int sum_node=0; //用于记录扩展节点总数 //*********************************************************** //********************** ********************** //********************** 主函数开始********************** //********************** ********************** //*********************************************************** void main() { 5-1 简述机器学习十大算法的每个算法的核心思想、工作原理、适用 情况及优缺点等。 1）C4.5 算法： ID3 算法是以信息论为基础，以信息熵和信息增益度为衡量标准，从而实现对数据的归纳分类。ID3 算法计算每个属性的信息增益，并选取具有最高增益的属性作为给定的测试属性。C4.5 算法核心思想是ID3 算法，是ID3 算法的改进，改进方面有： 1）用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足； 2）在树构造过程中进行剪枝 3）能处理非离散的数据 4）能处理不完整的数据 C4.5 算法优点：产生的分类规则易于理解，准确率较高。 缺点： 1)在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。 2)C4.5 只适合于能够驻留于内存的数据集，当训练集大得无法在内存容纳时程序无法运行。 2）K means 算法： 是一个简单的聚类算法，把n 的对象根据他们的属性分为k 个分割，k < n。算法的核心就是要优化失真函数J,使其收敛到局部最小值但不是全局最小值。 其中N 为样本数，K 是簇数，rnk b 表示n 属于第k 个簇，uk 是第k 个中心点的值。 然后求出最优的uk 优点：算法速度很快 缺点是，分组的数目k 是一个输入参数，不合适的k 可能返回较差的结果。 3）朴素贝叶斯算法： 朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。算法的基础是概率问题，分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。朴素贝叶斯假设是约束 性很强的假设，假设特征条件独立， 但朴素贝叶斯算法简单，快速，具有较小的出错率。在朴素贝叶斯的应用中，主要研究了电子邮件过滤以及文本分类研究。 4)K 最近邻分类算法（KNN） 分类思想比较简单，从训练样本中找出K个与其最相近的样本，然后看这k个样本中哪个类别的样本多，则待判定的值（或说抽样）就属于这个类别。缺点： 1）K 值需要预先设定，而不能自适应 2）当样本不平衡时，如一个类的样本容量很大，而其他类样本容量很小时，有可能导致当输入一个新样本时，该样本的K 个邻居中大容量类的样本占多数。 该算法适用于对样本容量比较大的类域进行自动分类。 5)EM 最大期望算法 EM 算法是基于模型的聚类方法，是在概率模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量。E步估计隐含变量，M步估计其他参数，交替将极值推向最大。EM 算法比K-means 算法计算复杂，收敛也较慢，不适于大规模数据集和高维数据，但比K-means 算法计算结果稳定、准确。EM 经常用在机器学习和计算机视觉的数据集聚（Data Clustering）领域。 6）PageRank 算法 研究与开发 Research & Development 63当前，伴随网络及计算机技术的长足发展，人工智 能随着深度学习技术应用的突破取得极大进展，各种落 地应用及概念产品层出不穷，人们对其在生产生活中的 革命性创新充满期待。捋顺人工智能算法脉络，解析基 本算法应用场景，可使我们对人工智能技术有一个更为 理性深入和全面的理解及思考。1 人工智能技术理解 纵观人工智能技术发展历史，人工智能在实现上可 归类为六种途径，即符号主义、连接主义、学习主义、 行为主义、进化主义和群体主义[1]。六种途径并非泾渭 分明，它们只是从不同的角度提出了解决方案，如学习 主义就用到了人工神经网络来实现。目前流行的机器学 习以及深度学习算法实际上是符号主义、连接主义以及 行为主义理论的进一步拓展。 对于机器学习的理解，笔者认为可以从三个问题 入手，即学什么、怎么学、做什么。首先，机器学习需 要学习的内容是能够表征此项任务的函数，即能够实现 人们需要的输入和输出的映射关系，从信息论的角度 来看，其学习的目标是确定两个状态空间内所有可能取王蕴韬 中国信息通信研究院 北京 100037 摘 要?文章旨在梳理当前人工智能主流算法脉络，简析其原理及应用场景，帮助人们更加理性深入地对人工智能技术有一个比较全面的理解和思考。文章在对人工智能技术背后数学理论及实际应用的分析基础上，对机器学习算法主要任务、深度学习发展动因、深度学习算法应用进行梳理和分析，提取出人工智能算法主要能够完成的三类任务，并在技术层面针对人工智能下一步发展做出了分析和展望。 关键词?人工智能；机器学习；深度学习；回归；分类；聚类人工智能算法梳理及解析 值之间的关系，使得熵尽可能最低[2]。其次，机器怎么学。要实现学习目标，就要教给机器一套评判的方法，而不同于告诉机器每个具体步骤如何操作的传统方法，这需要对机器描述过程演进为对机器描述结果。从数学角度来看，就是为机器定义一个合适的损失函数，能够合理量化真实结果和训练结果的误差，并将之反馈 给机器继续作迭代训练。最后，机器学习究竟要做什 么，其实主要做三件事，即分类(Classification)、回归(Regression)和聚类(Clustering)，其中分类和回归属于监督学习的范畴，而聚类则属于非监督学习的范畴。目前多数人工智能落地应用的背后，都是通过对现实问题抽象成相应的数学模型，分解为这三类基本任务的有机组合，并对其进行建模求解的过程。2 机器学习算法分类这里，我们首先讨论当前的三大最常见的机器学习任务及其常用算法[3]。首先是回归。回归是一种用于连续型数值变量预测和建模的监督学习算法；回归任务的特征是具有数值型目标变量的标注数据集。回归算法有很多种，其中最为 实验二 A*算法实验 一、实验目的： 熟悉和掌握启发式搜索的定义、估价函数和算法过程，并利用A*算法求解N数码难题，理解求解流程和搜索顺序。 二、实验原理： A*算法是一种有序搜索算法，其特点在于对估价函数的定义上。对于一般的有序搜索，总是选择f值最小的节点作为扩展节点。因此，f是根据需要找到一条最小代价路径的观点来估算节点的，所以，可考虑每个节点n的估价函数值为两个分量：从起始节点到节点n的代价以及从节点n到达目标节点的代价。 三、实验内容： 1分别以8数码和15数码为例实际求解A*算法。 2画出A*算法求解框图。 3分析估价函数对搜索算法的影响。 4分析A*算法的特点。 四、实验步骤： 1开始演示。进入N数码难题演示程序，可选8数码或者15数码，点击“选择数码”按钮确定。第一次启动后，点击两次“缺省”或者“随机”按钮，才会出现图片。 2点击“缺省棋局”，会产生一个固定的初始节点。点击“随机生成”，会产生任意排列的初始节点。 3算法执行。点击“连续执行”则程序自动搜索求解，并演示每一步结果；点击“单步运行”则每次执行一步求解流程。“运行速度”可自由调节。 4观察运行过程和搜索顺序，理解启发式搜索的原理。在下拉框中选择演示“15数码难题”，点击“选择数码”确定选择；运行15数码难题演示实例。 5算法流程的任一时刻的相关状态,以算法流程高亮、open表、close表、节点静态图、当前扩展节点移动图等5种形式在按钮上方同步显示,便于深入学习理解A*算法。 6根据程序运行过程画出A*算法框图。 五、实验报告要求： 1A*算法流程图和算法框图。 2试分析估价函数的值对搜索算法速度的影响。 3根据A*算法分析启发式搜索的特点。人工智能经典考试题目,例题
人工智能化(A星算法)
人工智能之机器学习常见算法
人工智能经典考试试题与答案(优选.)
人工智能a算法
AI人工智能的几种常用算法概念
A-算法人工智能课程设计
人工智能复习总结讲解-共30页
2019年人工智能考试题答案
未来人工智能的十大应用方向
人工智能算法实现
最新人工智能--经典考试试题与答案
人工智能期末试题及答案完整版(最新)
人工智能算法综述
人工智能A星算法解决八数码难题程序代码
人工智能十大算法总结
人工智能算法梳理及解析
人工智能实验 实验三 A算法实验
相关主题
文本预览