南昌大学-计科-2020-2021-2学期-人工智能复习总结

2020-2021-2学期-人工智能复习总结

0 考试重点内容和范围

• 判断 10 x 2分
  • 基本概念
• 计算应用题 4个题 共 60分
  • 每章都有(语义网络、搜索(盲目搜索写路径，OPEN表、CLOSED表；或者启发式搜索八数码搜索树等)、神经计算(感知器学习) )
  • 谓词逻辑不考
• 设计题，综合考核
  • 给你一个场景，根据场景要实现的内容，讲述如和才能实现？

1 中南配套5张试卷中的一些考点

1.1 零碎的知识点

1. 被誉为国际“人工智能之父”的是 图灵（Turing） 。

2. 已知初始问题的描述，通过一系列变换把此问题最终变为一个子问题集合；这些子问题的解可以直接得到，从而解决了初始问题。这种知识表示法叫 问题规约法 。

3. 语义网络的组成部分为 节点和弧线 。

4. 如果问题存在最优解，则下面几种搜索算法中， 宽度优先搜索 必然可以得到该最优解，启发式搜索 可以认为
   是“智能程度相对比较高”的算法。

5. 根据贝兹德克的观点，计算智能系统应该呈现 : 计算适应性、计算容错性、接近人的速度、误差率与人接近

6. 人工智能的研究领域有：问题求解与博弈、逻辑推理与定理证明、计算智能(神经计算、模糊计算、进化计算、人工生命等)、分布式与人工智能与Agent、自动程序设计、专家系统、机器学习、自然语言处理、机器人学、模式识别、机器视觉、神经网络、智能控制、智能调度与指挥、智能检索、系统与语言工具 。

7. A*算法中，节点 x 的估价函数 f(x)=g(x)+h(x)，其中 g(x)表示 从起始节点到x的代价的估计 ,h(x)表示 从x节点到目标节点的代价估计 ,并且 h(x)必须满足 h(x) <= h*(x) 不等式，估价函数的作用是: 节点位于解路径上的希望的估计 。g(n) >= g*(n) , g 是 g* 的估计，g*(n) 表示从起始节点到任意节点 n 的最佳路径的代价。

8. 人工神经网络主要有 有师学习、无师学习、增强学习 。

9. 决定神经网络的三个主要因素是 神经元、网络的拓扑结构、学习算法 ， 常用激励函数包括：二值函数、线性函数、sigmoid 函数 。

10. 采用语义网络表示知识时，图中的节点表示 实体、概念、情况等 ，弧表示 节点间的关系 。

11. 采用问题归约法的求解策略时，本原问题是指 可以直接求解的问题 ；其搜索是在一张与或图中进行，图中的节点分为可解节点和不可解节点，本原问题对应的是 可解 节点。

12. A 算法： 定义评估函数为 f(n) = g(n) + h(n) 对OPEN表的元素按照 f 值从小到大进行排列，每次从OPEN表中取出 f 值最小的节点扩展 ，这种图搜索算法称为 A 算法。

13. A* 算法 ：再A算法的前提下，如果对于任意节点n ，都有 h(n) <= h*(n) , 则此时的A算法称为 A* 算法 。 h*(n) 就是 从节点 n 到目标节点最小代价路径的代价 。

14. 人工智能三大学派：符号主义(心理学派，逻辑主义，计算机学派) 、连接主义(仿生学派，生理学派)、行为主义(进化主义，控制论学派)

15. 知识表示方法中是采用图的形式表示知识的是 状态空间法、问题规约法、语义网络法 ,不是采用图的形式表示知识的是 谓词逻辑法 。

16. 当状态空间中有重复状态会形成圈时，深度优先搜索算法 有可能找不到解。

17. 对于一个如下图的感知器，当前 w₁ = -0.3，w₂ = -0.6，w₀ 为阈值权重 w₀ = -0.7，其激励函数为二值型函数，
    x₁ = 1，x₂ = 0，输出为 0 ，若使用公式 w = w + r(t - o)x 为感知器学习的权值更新公式，其中 r 为学习常数 r = 0.1 ， t为 期 望 输 出 t =1 ， o 为 实 际 输 出 ，x 为当前输入的值 ， 则 在 上 述 输 入 下 经 过 一 次 学 习 后 ， 新 的 权 值 为 w₁= -0.2 ，w₂= -0.6 ， w₀= -0.6 。

    

18. 贪婪搜索 : 即评价函数 = 启发函数 。缺点：找到的路径不一定是最优的，节点容易陷入死循环。

1.2 大题，计算题等

1.2.1 计算八数码

1.2.2 人工神经元之3数相乘奇偶性判断

答：a) 第4个输入单元是 偏置 ，其输入值为 1 。

​ b) s = 1 * 0.3 + 2 * 0.2 + 3 * 0.5 + 4 * (-0.3) = 1 > 0 , 是偶数 。

1.2.3 搜索综合+婉约

1. 宽度优先 2) 等代价搜索 3) A* 搜索

答：

(1) 图1(a)：E的启发函数值为15，E到G的最短路径实际代价为14，不满足可纳性条件

​ 图1(b)：F的启发函数值为32，F到G的最短路径为F-E-G，实际代价为31，不满足可纳性条件

(2) 通过对图2的分析可知，节点B进行了扩展 ，此时的OPEN表{C,D,E,F,G,H} （按照节点产生的顺序）。

• 宽度优先：C，理由：宽度优先搜索是一层一层来的，所以接下来该扩展的节点是 C 。
• 等代价搜索：D , 理由：等代价搜索每次扩展的是起始节点到节点i最少代价的节点，而起点A到其中代价最小的可以由图中直接看出为节点D (5 < 3 + 4 ,5 < 3 + 5 ,5 < 3 + 5 ,5 < 3 + 6 ,5 < 19 ) 所以接下来扩展的节点为 D
• A * 搜索 ：G ，理由：A* 算法的估价函数 f(n) = g(n) + h(n) ，而由图2和题干可知，连接节点的线上的数字即为 g(i) ,而已经给出了还未扩展各点的 h(i)的值，通过计算各点的 f 值(C 点的f值为19 + 5 = 24 ，D 点的 f 值为5 + 13 = 18 ，E 点的 f 值为 4 + 10 = 14 ，F 点的 f 值为5 + 12 = 17 ，G 点的 f 值为5 + 8 = 13 ，H 点的 f 值为6 + 10 = 16 ) 选择 f 值最小的节点进行扩展，所以接下来扩展的节点为 G 。

1.2.4 语义网络

用语义网络表示下面的知识：

1. 我是一个人 。2) 我有一台计算机。3) 我的计算机是 PC/PIV1.8G。4) PC 机是计算机 。

2. PC/PIV1.8G 是 PC 机。6) PC/PIV1.8G 包括硬盘、显示器、CPU、内存。

1.2.5 搜索扩展节点顺序及解路径

1. 求 节点从OPEN表中移出的顺序（节点的扩展顺序）

2. 解路径

1.2.6 TLU

2 对上述内容的补充

2.1 零碎知识点

1. 符号主义认为，人工智能的核心问题是 知识表示、知识推理、知识运用 。知识表示是基础，知识推理实现问题求解，知识应用是目的。
2. 人工智能方法的争论：符号主义(功能模拟) ， 连接主义(结构模拟) ，行为主义(行为模拟) 。
3. 人工智能(学科)：人工智能是计算机科学中涉及研究、设计及应用智能机器的一个分支，它的近期主要目标在于研究机器来模仿和执行人脑的某些智力功能，并开发相关理论和技术。
4. 人工智能(能力) ：是智能机器所执行的通常与人类智能有关的智能行为，这些智能行为涉及学习、感知、思考、理解、识别、判断、推理、证明、通信、设计、规划、行动和问题求解等活动。
5. 宽度优先搜索中，扩展节点得到的新节点是放到 OPEN 表的 末端 ， 而在深度优先搜索中，新节点是放到OPEN 表的 前头 。
6. 人工智能系统的知识包含的4 个要素 ：事实、规则、控制和元知识 。
7. 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 继承性 。
8. 或图通常称为 状态图 。
9. 图：由节点和有向边组成的网络。按照连接同一节点的各边的逻辑关系又可分为或图和与或图。
10. 人工智能的远期目标是用自动机模仿人类的思维活动和智力功能 ，近期目标是 建造智能计算机以代替人类的某些智力活动 。
11. A 算法不一定能获得最优解，A*算法可以保证能获得最优解。
12. 如果对于所有的节点 n_i 和它的一个后继节点 n_j 有 h(n_i) - h(h_j) <= c(n_i , n_j )，其中 h(t) = 0 (t 为任一目标节点)，则称 h 满足单调性质。上式也可写成 h(n_i) <= h(h_j) + c(n_i , n_j ) 。
13. 如果 h 满足单调限制，则 A* 算法扩展的结点序列的f 值是非递减的。
14. 神经网络中的常见模型：前馈神经网络(前向神经网络)，反馈神经网路(递归神经网路)。
15. 影响神经网络泛化能力的因素主要有：训练样本的质量和数量、网络结构、问题本身的复杂程度。

2.2 应用计算题

2.3 设计题

某工厂要设计一个人工智能系统（如构建一颗决策树，以预测某同学是否会参加XX 公司的招聘）试描述该人工智能系统的主要设计思路。假设已知提供相关信息（如公司规模、工资多少、福利情况、是否需要加班等）

解答：
1、数据集的构建和预处理
2、学习算法的选择
3、基于训练集对模型进行训练即完成参数学习
4、基于测试集完成模型性能的评价或测试模型性能或效果。

标签：人工智能,知识,值为,计科,算法,搜索,2021,2020,节点
来源： https://www.cnblogs.com/lingchen1642/p/14983909.html