人工智能搜索习题学生-PPT精品

05
未来人工智能教育的发展趋势
Chapter
人工智能技术不断发展，推动教育领域的创新与变革
人工智能技术在教育领域的应用 不断拓展，如智能辅助教学、智
能评估、智能推荐等。
未来，人工智能技术将进一步实 现个性化教学、智能化评估等，
提高教育质量和效率。
人工智能技术将推动教育模式的 创新，如在线教育、混合式教育 等，突破时间和空间的限制，使
02
人工智能基础知识
Chapter
机器学习算法
支持向量机（SVM） 线性支持向量机 非线性支持向量机
机器学习算法
软间隔支持向量机 决策树
基础决策树
机器学习算法
随机森林 AdaBoபைடு நூலகம்st
K最近邻算法（KNN）
机器学习算法
K值的选择
分类和回归问题
距离度量方法
机器学习算法
贝叶斯网络 朴素贝叶斯分类器 隐马尔可夫模型（HMM）
人工智能分类
人工智能可按照技术类型分为弱人工智能和强人工 智能，其中弱人工智能指的是只能完成特定任务的 智能，而强人工智能则指的是可以胜任人类所有工 作的智能。
人工智能的发展历程
第一阶段
第二阶段
第三阶段
第四阶段
起步发展期（1956年 -20世纪60年代）。 这一阶段人工智能技 术开始起步，出现了 基于规则的专家系统 ，如医疗专家系统 MYCIN。
03
Adam优化算法
深度学习算法
RMSProp优化算法 卷积神经网络（CNN）及其应用领域 LeNet模型
深度学习算法
AlexNet模型 GoogLeNet模型
VGGNet模型 ResNet模型
自然语言处理（NLP）

• • • • • 广度优先搜索（BFS，Breadth-first search） 代价一致搜索（UCS，Uniform-cost search） 深度优先搜索（DFS，Depth-first search） 深度有限搜索（Depth-limited search） 迭代深入搜索（Iterative deepening search）
几个典型的搜索问题
起始状态 目标状态
8-Puzzle问题
华容道是不是一个搜索问题？
状态空间的离散性： 8个格子的排列方式是离散的
环境的静态性： 九宫格的大小和形状在格子移动 过程中不会改变
路径的耗散函数的确定性： 相邻两个状态之间所需步骤为1
合法行动与后继的确定性： 只有空格四周的格子是可以 移动的
搜索问题：从起始状态到目标状态的移动方法 最优化搜索问题：从起始状态到目标状态步骤最少的移动方法
几个典型的搜索问题
八皇后问题
起始状态：空的棋盘 目标状态：棋盘上摆了八个皇后，并 且任意两个皇后都不能互相攻击。目 标状态不确定，但是当前状态是否为 目标状态是可以检测的。
状态空间的离散性： 0-8个皇后在棋盘上的摆放方式
无信息的搜索策略
迭代深入搜索
• 用来寻找最合适的深度限制的通用策略，经常和深度优先 搜索结合使用 • 不断增大深度限制，直到找到目标节点 • 结合了深度有限搜索的优点，又保证了完备性，还能保证 得到最优解
无信息的搜索策略
迭代深入搜索
无信息的搜索策略
策略之间的比较
为了避免含有相同状态的节点被重复扩展，可以用一个数据结构来记录所有被访 问过的节点。如果当前待扩展节点与某个已访问过的节点对应的状态相同的话， 则当前节点将不会被扩展。 这时树搜索（Tree Search）策略将成为图（Graph Search）策略

尊重生命和尊严
AI应尊重人类生命和尊严， 避免对人类造成身体或精 神上的伤害。
2024/1/25
公平与公正
AI系统应确保公平和公正， 避免歧视和偏见，确保所 有人都能平等地受益于AI 技术。
责任与透明
AI系统应具备可解释性和 透明度，以便人们理解其 决策背后的原因，同时明 确责任归属。
24
数据安全与隐私保护问题
AI领域人才短缺是一个全球性问题， 需要加强人才培养和引进。
2024/1/25
26
THANKS
感谢观看
2024/1/25
27
12
卷积神经网络（CNN）应用
01 02
图像识别
卷积神经网络（CNN）是深度学习的典型算法之一，特别适用于图像 识别领域。它可以直接从原始图像中学习到有效的特征表达，进而用于 分类、识别等任务。
人脸识别
CNN在人脸识别领域也有广泛应用。通过训练CNN模型，可以实现人 脸检测、人脸关键点定位、人脸识别等功能。
深度学习、神经网络等技术的突破推 动了人工智能的飞速发展，应用领域 不断扩展。
专家系统、语言识别等初级人工智能 技术得到发展。
2024/1/25
5
人工智能应用领域
对图像进行分类、识别和分析， 应用于安全监控、医学影像分析 等领域。
根据用户历史行为和偏好，为用 户推荐个性化内容，例如电商推 荐、音乐推荐等。
析等。
语音识别
RNN也可用于语音识别任务。通 过训练RNN模型，可以将语音信 号转换为文本信息，进而实现语
音输入、语音控制等功能。
时间序列预测
RNN还适用于时间序列预测任务， 如股票价格预测、气象预报等。 它可以学习到时间序列数据中的 长期依赖关系，并据此进行预测。

7 283 714 65 15 2 8 3 714 6 5 24 2 8 3 7 4 615
16 1 2 3 84 765 26 25 2 8 3 1 2 3 1 2 3 714 8 4 784 65 765 65
234 234 28 248 1 8 185 143 1 3 765 76 765 765
3.1 盲目搜索
3.1.2 宽度优先搜索
定义3.1 如果搜索是以接近起始节点的程度依次扩展节点的， 那么这种搜索就叫做宽度优先搜索（breadth-first search)
3.1 盲目搜索
3.1.2 宽度优先搜索
宽度优先搜索算法 (1) 把起始节点放到OPEN表中(如果该起始节点为一目标节点， 则求得一个解答)。 (2) 如果OPEN是个空表，则没有解，失败退出；否则继续。 (3) 把第一个节点(节点n)从OPEN表移出，并把它放入 CLOSED的扩展节点表中。 (4) 扩展节点n。如果没有后继节点，则转向上述第(2)步。 (5) 把n的所有后继节点放到OPEN表的末端，并提供从这些后 继节点回到n的指针。 (6) 如果n的任一个后继节点是个目标节点，则找到一个解答， 成功退出；否则转向第(2)步。
9
2 5 1 4 6 7 3 8 2 5 1 4 6 7 3 8 2 4 5 1 6 7 3 8 2 4 5 1 6 7 3 8 2 4 5 1 3 6 7 8 2 4 5 1 6 7 3 8 2 4 5 1 3 6 7 8 2 4 5 1 3 6 72 8 3 1 6 4 7 5 2 8 3 1 4 7 6 5 2 3
4.图搜索方法分析：
图搜索过程的第8步对OPEN表上的节点进行排序，以便能够 从中选出一个“最好”的节点作为第4步扩展用。这种排序可 以是任意的即盲目的(属于盲目搜索)，也可以用以后要讨论的 各种启发思想或其它准则为依据(属于启发式搜索)。每当被选 作扩展的节点为目标节点时，这一过程就宣告成功结束。这时， 能够重现从起始节点到目标节点的这条成功路径，其办法是从 目标节点按指针向S返回追溯。当搜索树不再剩有未被扩展的 端节点时，过程就以失败告终(某些节点最终可能没有后继节 点，所以OPEN表可能最后变成空表)。在失败终止的情况下， 从起始节点出发，一定达不到目标节点。

索和深度优先搜索，属于盲目搜索方法。
16 of 31
3.2 盲目搜索
第三章 智能搜索
1．宽度优先搜索
宽度优先搜索（Breadth First Search，BFS）又称广度优先搜索，是最简便的
图的搜索算法之一，这一算法也是很多重要的图的算法的原型。Dijkstra单源最短
路径算法和Prim最小生成树算法都采用了和宽度优先搜索类似的思想。
（因为那些节点是下一步探索的目标点了），但是这里有个判断，当访问
到1 节点的时候，它的下一个节点应该是0 和4 ，但是0 已经在前面被染
成黑色了，所以不会将它染灰色（即不会回头去探索它），如图3-5(c)所
示
20 of 31
3.2 盲目搜索
第三章 智能搜索
1．宽度优先搜索
4、循环执行步骤3，直到目标节点 6 被染灰色，说明了下一步就到终点了，
高了效率。
如果能够利用搜索过程所得到的问题自身的一些特征信息来指导搜索过程，则
可以缩小搜索范围，提高搜索效率。像这样利用问题自身特征信息来引导搜索过程
的方法成为启发式方法。
启发式策略可以通过指导搜索向最有希望的方向前进，降低了复杂性。通过删
除某些状态及其延伸，启发式算法可以消除组合爆炸，并得到令人能接受的解(通常
f3=数字1移动到X位上。产生对应的状态为：Q4=[X,2,3,8,6,4,1,7,5]。
f4=数字6移动到X位上。产生对应的状态为：Q5=[1,2,3,8,X,4,6,7,5]。
f5=数字5移动到X位上。产生对应的状态为：Q6=[1,2,3,8,6,4,5,7,X]。
f6=数字6移动到X位上。产生对应的状态为：Q7=[1,2,3,8,X,4,6,7,5]。

8, 对OPEN中的节点按某种原则重新排序； 9, GO LOOP；
34
节点类型说明
…...
…...
…...
mk
mj
ml
…...
…...
35
修改指针举例
s
1
2 6
3
4
5
36
修改指针举例（续1）
s
1
2 6
3
4
5
37
修改指针举例（续2）
s
1
2 6
3
4
5
38
修改指针举例（续3）
s
1
2 6
3
4
5
39
31
一些基本概念（续2）
• 扩展一个节点 生成出该节点的所有后继节点，并给出它 们之间的耗散值。这一过程称为“扩展一 个节点”。
32
一般的图搜索算法
1, G=G0 (G0=s), OPEN:=(s); 2, CLOSED:=( ); 3, LOOP: IF OPEN=( ) THEN EXIT(FAIL); 4, n:=FIRST(OPEN), REMOVE(n, OPEN),
– 盲目搜索 – 启发式搜索
• 关键问题： 如何利用知识，尽可能有效地找到问题 的解（最佳解）。
1
整体 概述
一 请在这里输入您的主要叙述内容
二
请在这里输入您的主要 叙述内容
三 请在这里输入您的主要叙述内容
2
问题的状态空间表示
• 状态空间可用三元组（S,O,来描述。
S：状态的集合，状态是某种事实的符号或数据 O：操作算子，利用它将一个状态转化为另一状态 G：S的非空子集，表示目标状态集 S0：初始状态，也是S的非空子集

F ≥6
G 0 H ≤-3 I 3
*
K 4 L -3 M 6 N
0 5 -3 * 3 6
5 4 -3 * 6 8 9 -3
4.15 解答
A0
≥40 S0
C0
D ≥3
B 4≤ 4
E4
F ≥6
G 0 H ≤-3 I 3
*
K 4 L -3 M 6
*
0 5 -3 * 3 6
5 4 -3 * 6 8
人工智能习题课
2.10
• 设农夫、狼、山羊、白菜全部在一条河的 左岸，现在要把他们全部送到河的右岸去。 农夫有一条船，过河的时候除农夫外船上 至多能载狼、山羊、白菜中的一种。狼要 吃山羊，山羊要吃白菜，除非农夫在那里。 试规划出个确保安全过河的计划。请写出 所用谓词的定义，并给出每个谓词的功能 及变量的个体域。
2.18
• 请对下列命题分别写出他们的语义网络：
– 每个学生都有一台计算机 – 高老师从3月到7月给计算机系学生讲《计算机
网络》课 – 学习班的学员有男有女，有研究生有本科生 – 创新公司在科海大街56号，刘泽是该公司的经
理，他32岁，硕士学位 – 红队与蓝队进行足球比赛，最后以3:2的比分结
束
2.18 解答
K
L
M
N
0 5 -3 * 3 6 -2 3 5 4 -3 0 6 8 9 -3
4.15 解答
≥0 S0
A ≤0
B
C0
D ≥3
E ≥4
F
G 0 H ≤-3 I 3
*
K 4 L -3 M
N
0 5 -3 * 3 6
5 4 -3 0 6 8 9 -3
4.15 解答

强化学习：通过与环境的交互，不断试错并学习最优策略，实现自适应控制和决策。
迁移学习：将在一个任务上学到的知识迁移到其他相关任务上，从而加速学习过程并提高性 能。
PART SEVEN
智能客服系统的定义和功能 智能客服系统在实际应用中的优势 智能客服系统在不同行业中的应用案例 智能客服系统的未来发展趋势
PART EIGHT
深度学习技术的持续发展
单击此处输入你的正文，请阐述观点
计算机视觉技术的不断创新
单击此处输入你的正文，请阐述观点
数据隐私和安全问题
单击此处输入你的正文，请阐述观点
人工智能的道德和伦理问题
单击此处输入你的正文，请阐述观点
自然语言处理和语音识别技术的广泛应用 单击此处输入你的正文，请阐述观点
情感分析：对文本中的情感倾向进行分析，例如正面、负面、中性等情感倾向，用 于舆情监控、产品评价等领域。
自然语言处理技术：利用自然语言处理技术实现文本分类与情感分析，例如基于深度 学习的文本分类模型、基于规则的情感分析方法等。
应用场景：文本分类与情感分析在各个领域都有广泛的应用，例如搜索引擎、社交 媒体、电商网站等。
机器翻译原理：基于深度学习技术，将一种语言自动翻译成另一种语言 语音识别原理：通过识别语音信号，将其转换为文本或命令 机器翻译应用：跨语言交流、自动翻译工具、智能客服等 语音识别应用：智能家居、智能车载、语音助手等
PART FIVE
定义：计算机视觉是一门研究如何使机器“看”的科学 目标：从图像中获取信息，理解图像内容 应用领域：机器人视觉、医学影像分析、安防监控等 技术手段：图像处理、模式识别、深度学习等
人工智能的应用领 域
人工智能的未来展 望
交通：智能驾驶、交通流量 管理、智能停车等

目标语言)
Artificial Intelligence
NLP: 5
© Graduate University , Chinese academy of Sciences.
自然语言理解的一般问题(3)
• 自然语言理解 – 自然语言理解是语言信息处理技术的一个高层次的重要 方向。是人工智能领域关注的核心问题之一。 – 自然语言理解的困难原因： • 目标表示的复杂性 • 映射类型的多样性 • 源表示中各元素间交互程度的差异性
• 自然语言“理解”的准则：
给计算机输入一段自然语言文本，如果计算机能 – 问答(question-answering)－机器能正确地回答输入 文本中的有关
问题； – 文摘生成(summarizing)－机器有能力产生输入文本 的摘要； – 释义(paraphrase)－机器用不同的词语和语句复述输入文本； – 翻译(translation)－机器把一种语言(源语言)翻译为 另一种语言(
• 语言学的研究－理解的层次
– 语音分析：找出最小可独立的声音单元----音素 – 词法分析：找出词汇的各个词素（词根），从中获得语
言学信息 例：我们研究所有东西;把手放在桌上 我们--研究所--有--东西 （交叉歧义） 我们--研究--所有--东西 把--手--放在--桌上 （组合歧义） 把手--放在--桌上
The Principles of AI-----Wang Wenjie
自然语言理解
NLP: 2
© Graduate University , Chinese academy of Sciences.
Artificial Intelligence
NLP: 3
© Graduate University , Chinese academy of Sciences.

rule is put in the system is high.
Iffrothnet o“f twheorlsiset”, itr在cualen利ibse用puustAeidnPtPfhiRresftUlryoK,ntthE,eStehfe得fiscy到isetne规cmy 则noef et表hdes之to
52
143 786 52
143 763 582
143 762 58
例 旅行推销员问题
A
100
B
75
125
E
125
125 100
125 75
50
50
D
100
C
问题表示, 形式为(A****)的字符串和(A****A)的字符串。
其中****为B,C, D, E 的排列.
问题的节，形式为(A****A)的字符串, 其中****为B,C, D, E 的排列.
2 if MEMBER(DATA, TAIL(DATALIST)), return FAIL;
3 if TERM(DATA), return NIL;
4 if DEADEND(DATA), return FAIL;
5 if LENGTH(DATALIST) > BOUND, return FAIL;
1.2 图搜索策略graph-search strategies
回溯算法只包含一条探索路径, 如果发现 deadend节点或无规则可用时要退回来, 因此可能产 生把探索过的节点擦掉后又重新产生的现象.
在图搜索算法中.将所有搜索过的状态用一个图(搜 索图)记录下来, 图的弧反映状态之间的关系.在图 中选择节点加以扩展, 直至把搜索图扩展到充分大, 包含解路径在内.

例 3-3 用全局择优搜索法解八数码难题。初始 棋局和目标棋局如下面的图3-8所示。
解 设启发函数h(x)为节点x的格局与目标格局 相比数码不同的位置个数。以这个函数制导的搜索树 如图3-8所示。此八数问题的解为：So, S1, S2, S3, Sg。
■教材的微课视 频中有搜索过 程的动画
图 3-8 八数码问题的全局择优搜索
(6) 扩展N, 将其所有子节点配上指向N的指针依次放入
OPEN表尾部, 转步(2)。
2.深度优先搜索 深度优先搜索就是
在搜索树的每一层始终 先只扩展一个子节点， 不断地向纵深前进，直 到不能再前进（到达叶 子节点或受到深度限制） 时，才从当前节点返回 到上一级节点，沿另一 方向又继续前进。这种 方法的搜索树是从树根 开始一枝一枝逐渐形成 的。
• 可回溯的线式搜索
(1) 把初始节点So放入CLOSED表中。 (2) 令N＝So。 (3) 若N是目标节点, 则搜索成功, 结束。
(4) 若N不可扩展, 则移出CLOSED表的末端节点Ne,若Ne ＝So,则搜索失败, 退出。否则, 以CLOSED表新的末端节点Ne 作为N,即令N＝Ne, 转步(4)。
r5: (X1==0)( X2==n) (X1=n) ( X2=0) r6: (X1==0)( X8==n) (X1=n) ( X8=0)
2组规则：
r7: (X2==0)( X1==n) (X2=n) ( X1=0) r8: (X2==0)( X3==n) (X2=n) ( X3=0) r9: (X2==0)( X0==n) (X2=n) ( X0=0)
盘子的搬动次数：
264-1＝18 446 744 073 709 511 615
二阶梵塔问题

从初始节点So开始，逐层地对节点进行扩展并考察它是否为目标 节点，在第n层的节点没有全部扩展并考察之前，不对第n+1层的 节点进行扩展。它是一种先生成的节点先扩展的搜索方法。
◆ 课件演示
8数码问题的宽度优先搜索过程
盲目搜索
❖宽度优先搜索示例
◆求解八数码问题
宽度优先搜索示例
8数码问题的宽度优先搜索树
启发式搜索的算法
启发式搜索算法 有很多种，如局 部择优搜索、全 局择优搜索等等 。 右图表示了全局 择优的启发式搜 索流程 。
启发式搜索示例
设估价函数为 f (n)=g (n)+h (n)，
其中g (n)表示节点 n的搜索深度， h (n)表示节点n与 目标节点两个棋局 之间位置不相同的 棋子数 。 每个节点左边的蓝 色数字表示其估价 值。
盲目搜索
❖深度优先搜索示例
◆求解八数码问题（课件演示）
深度优先搜索示例
8数码问题的 深度优先搜索树
深度优先搜索算法
盲目搜索
❖有界深度优先搜索
◆ 在深度优先搜索的基础上，给出了搜索树深度限制，当从 初始节点出发沿某一分枝扩展到一限定深度时，就不能再 继续向下扩展，而只能改变方向继续搜索。
❖算法示例
盲目搜索
❖ OPEN表
◆ 用来存放将要扩展的节点。
❖CLOSE表
◆ 在进行子节点的扩展时，为了避免同一个节点被重复扩展，可以把扩 展过一次的节点，记录到CLOSED表中，从而使其不再成为以后扩展 时的候选对象。
宽度优先搜索算法
盲目搜索
❖深度优先搜索
◆ 深度优先搜索中，搜索树是从树根开始一枝一枝逐渐生成 的。它是一种后生成的节点先扩展的搜索方法。
全国高中AI课程研修班