人工智能及其应用（蔡自兴）期末复习
Posted 行码棋
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了人工智能及其应用（蔡自兴）期末复习相关的知识，希望对你有一定的参考价值。
人工智能及其应用（蔡自兴）期末复习
相关资料：
1 ⭐️绪论
人工智能：人工智能就是用人工的方法在机器（计算机）上实现的智能，或称机器智能、计算机智能。
人工智能发展的三个阶段：
- 计算
- 感知
- 认知
⭐️人工智能发展时期：
-
孕育期 （ 1956年前）：亚里士多德，莱布尼茨，图灵，莫克，麦克洛奇和皮兹，维纳
-
形成期 （ 1956－1970年）：1956年第一次人工智能研讨会（达特茅斯会议），
-
暗淡期 （ 1966－1974年）：过高预言
-
知识应用期 （ 1970－1988年）：专家系统的出现
-
集成发展期 （ 1986年至今）：AI技术进一步研究
⭐️人工智能学派：
- 符号主义（功能模拟方法）：逻辑主义，以物理符号系统为原理，代表：纽厄尔，肖，西蒙，尼尔逊（诺艾尔，魈，派蒙，泥鳅）（诺艾尔打架溅了一身泥，被魈卷到天上，突然击中了派蒙）
- 连接主义（结构模拟方法）：仿生学派，神经网络之间连接机制为原理，代表：卡洛克，皮茨，霍普菲尔德，鲁梅尔哈特
- 行为主义（行为模拟方法）：控制论学派，类似于控制机器人，代表：布鲁克斯
人工智能应用：问题求解和博弈，逻辑推理和定理证明，计算智能，分布式人工智能和真体，自动程序设计，专家系统，机器学习，自然语言理解，机器人学，模式识别，机器视觉，神经网络，智能控制
人工智能系统分类：专家系统，模糊系统，神经网络系统，学习系统，仿生系统，群智能系统，多真体系统，混合智能系统
目标：
- 近期目标：建造智能计算机代替人类的部分智力劳动
- 远期目标：揭示人类智能的根本机理，用智能机器去模拟、延伸和扩展人类的智能
研究的基本内容：认知建模，知识表示，知识推理，知识应用，机器感知，机器思维，机器学习，机器行为，智能系统构建
2 知识表示
2.1 ⭐️状态空间表示
概念理解：状态，算符
状态表示（知道初始状态和目标状态），状态表示图的画法
相关问题：
- 野人传教士渡河问题
( a , b , c ) (a, b, c) (a,b,c)表示（左岸传教士人数，左岸野人数，左岸船数）
- 梵塔问题
状态：
(
S
A
,
S
B
)
(S_A, S_B)
(SA,SB)，
S
A
S_A
SA表示
A
A
A所在杆号，
S
B
S_B
SB表示
B
B
B所在杆号，
S
A
,
S
B
∈
1
,
2
,
3
S_A,S_B \\in \\1, 2, 3\\
SA,SB∈1,2,3，全部状态为：
(
1
,
1
)
,
(
1
,
2
)
,
(
1
,
3
)
,
(
2
,
1
)
,
(
2
,
2
)
,
(
2
,
3
)
,
(
3
,
1
)
,
(
3
,
2
)
,
(
3
,
3
)
(1,1), (1, 2), (1, 3), (2, 1), (2, 2),(2,3),(3,1),(3,2),(3,3)
(1,1),(1,2),(1,3),(2,1),(2,2),(2,3),(3,1),(3,2),(3,3)
初始状态：
(
1
,
1
)
(1,1)
(1,1)，目标状态：
(
3
,
3
)
(3,3)
(3,3)
状态空间图：
- 八数码问题
2.2 ⭐️归约表示（与或图）
需要理解：归约表示思路，与或图表示
- 梵塔问题（四阶为例）
假设用向量 ( D 4 , D 3 , D 2 , D 1 ) (D_4, D_3,D_2, D_1) (D4,D3,D2,D1)表示从大到小的圆盘所在的柱子号，则
初始状态： ( 1 , 1 , 1 , 1 ) (1, 1, 1, 1) (1,1,1,1)
目标状态： ( 3 , 3 , 3 , 3 ) (3, 3, 3, 3) (3,3,3,3)
问题归约为子问题：
- 移动3，2，1号圆盘至2号柱子
- 移动4号圆盘至3号柱子
- 移动3，2，1号圆盘至3号柱子
归约图表示：
2.3 谓词逻辑表示
概念理解：谓词，项，谓词公式，原子公式，合式公式
合式公式性质：
自然语言转换成谓词：
-
人都会死
( ∀ x ) ( m a n ( x ) → d i e ( x ) ) (\\forall x) (man(x) \\to die(x)) (∀x)(man(x)→die(x)) -
有的人聪明
( ∃ x ) ( m a n ( x ) → c l e v e r ( x ) ) (\\exist x) (man(x) \\to clever(x)) (∃x)(man(x)→clever(x))
谓词推理：
下面的例子使用了
P
∨
Q
¬
P
∨
Q
⟹
Q
∨
Q
=
Q
P \\lor Q \\hspace1em \\neg P \\lor Q \\implies Q \\lor Q = Q
P∨Q¬P∨Q⟹Q∨Q=Q 消解推理规则
2.4 语义网络表示
常用语义联系：
推理机制：匹配和继承
2.5 框架表示
结构：
- 节点
- 槽：每个槽可有多个侧面，每个侧面可有多个值
- 值
推理机制：
- 匹配
- 填槽（查询，默认，继承，附加过程计算）
大学教师的框架：
2.6 ⭐️知识表示方法的联系
3 搜索推理
3.1 ⭐️盲目搜索（无信息搜索）
本小节没有加以整理，请看课件
- ⭐️深度优先搜素
- ⭐️宽（广）度优先搜索
- 等代价搜索（UCS）：就是
Dijkstra算法 - 有界深搜：就是限制深度的深搜
- 迭代加深算法（IDS）
知道OPEN表和CLOSED表的作用
3.2 ⭐️启发式搜索（有信息搜索）
按选择范围不同分为：全局择优搜索（A,A*）和局部择优搜素
f
(
x
)
=
g
(
x
)
+
h
(
x
)
f(x) = g(x) + h(x)
f(x)=g(x)+h(x)
h
(
x
)
h(x)
h(x)：启发函数
搜索算法：
-
A算法： h ( x ) h(x) h(x)不做限制 -
A*算法： h ( x ) h(x) h(x)有限制
3.3 ⭐️消解原理（归结原理）
就是对几个子句推导出新的子句（几个公理推导出新的结论）
- ⭐️如何求子句集（将谓词演算公式化成子句集）P97
子句集特征：没有蕴涵词（ → \\rightarrow →）、等值词（ ↔ , ≡ \\leftrightarrow, \\equiv ↔,≡）, ¬ \\neg ¬作用原子谓词，没有全称和存在量词，合取范式，元素之间变元不同，集合形式
- ⭐️消解推理规则
P ¬ P ∨ Q ⟹ Q P ∨ Q ¬ P ∨ Q ⟹ Q ∨ Q = Q ¬ P P ⟹ N I L ¬ P ∨ R ( P → R ) ¬ Q ∨ R ( Q → R ) ⟹ ¬ P ∨ Q ( P → Q ) P \\hspace1em \\neg P \\lor Q \\implies Q \\\\ P \\lor Q \\hspace1em \\neg P \\lor Q \\implies Q \\lor Q = Q \\\\ \\neg P \\hspace1em P \\implies NIL \\\\ \\neg P \\lor R(P \\to R) \\hspace1em \\neg Q \\lor R(Q \\to R) \\implies \\neg P \\lor Q(P \\to Q) P¬P∨Q⟹QP∨Q¬P∨Q⟹Q∨Q=Q¬PP⟹NIL¬P∨R(P→R)¬Q∨R(Q→R)⟹¬P∨Q(P→Q)
- 消解反演
消解通过反演来证明。将目标公式否定添加到命题公式集中，从中推导出一个空子句。（类似于反证法，否定结论，并将其作为条件，推导出一个空结论，即不可能满足的结论）
反演树的画法与理解
- 置换与合一的概念
置换： σ = f ( a ) / x , f ( y ) / z \\sigma = \\f(a) / x , f(y) / z\\ σ=f(a)/x,f(y)/z 代表用 f ( a ) f(a) f(a)代替掉 x x x，用 f ( y ) f(y) f(y)代替掉 z z z。
合一：寻找一个置换，使两个表达式一致的过程。
3.4 规则演绎
- 产生式系统
产生式规则一般形式：
I F A 1 , A 2 , . . . , A n T H E N B IF \\hspace1em A_1,A_2,...,A_n \\hspace1em THEN \\hspace1em B IFA1,A2,...,AnTHENB
逻辑蕴含式是产生式的一种特殊形式。
产生式系统的组成：
- 总数据库
- 产生式规则（规则库）
- 控制策略（推理机）
产生式系统的推理：正向推理，逆向推理，双向推理。
3.5 不确定性推理
三种不确定性程度：
- 知识不确定性
- 证据不确定性
- 结论不确定性
不确定性表示度量：
- 静态强度：知识的不确定性程度表示，（LS,LN）为知识的不确定性表示。
- 动态强度：证据的不确定性程度表示
3.5.1 ⭐️概率推理
条件概率公式：
P
(
A
∣
B
)
=
P
(
A
B
)
P
(
B
)
P(A|B) = \\fracP(AB)P(B)
P(A∣B)=P(B)P(AB)
全概率公式：（
A
i
A_i
Ai构成一个完备事件组，互相独立，其总和为全集）
P
(
B
)
=
∑
i
=
1
n
P
(
A
i
)
P
(
B
∣
A
i
)
P(B) = \\sum \\limits_i = 1^n P(A_i)P(B|A_i)
P(B)=i=1∑nP(Ai)P(B∣Ai)
贝叶斯公式：（先验概率
P
(
H
)
P(H)
P(H)，条件概率
P
(
H
∣
E
)
P(H|E)
P