华南理工大学《人工智能》复习资料汇总

华南理工大学《人工智能》复习资料汇总华南理工大学《人工智能》复习资料汇总17/17华南理工大学《人工智能》复习资料汇总华南理工大学《人工智能》复习资料Ch2.【状态空间表示】S，F，GS：初始状态的会集F：操作的会集G：目标状态的会集比方：{Q5}{，a，b，c}{，Q0，Q7}【状态空间图】【状态空间图找寻使用的数据结构】OPEN表：已生成但没观察的节点(待观察节点)CLOSED表：观察过的节点及节点间关系(找寻树)

【A*算法】f（x）＝g（x）＋h（x）g(x)为当前点的代价h(x)为距离目标的距离A*对A算法的改进：对h(x)作限制，使其总是小于实质最小距离（hx）h*（x），拥有齐全性【与或图】Q与Q1，Q2与等价（即Q能够分解为Q1+Q2）Q1与{Q1i},{Q1i}或’等价（即Q1能够变换为{Q1i}或{Q1i}’）【与或图中的看法】根源问题：直接可解的问题。停止节点：根源问题对应的节点端节点：无子节点的节点与节点：子节点为与关系或节点：子节点为或关系【广度/深度优先找寻特点】【与或图的广度/深度找寻】Step1:S0放入OPEN表广度优先：齐全的(必然能找到最优解)，找寻效率低，OPENStep2:OPEN表第一个点（记为N）取出放入CLOSED表，表为队列结构冠以编号n。深度优先：不能够保证找到最优解，OPEN表为货仓结构Step3:若n可扩展：有界深度优先找寻：即使能求出解，也不用然是最优(1)扩展N，其子节点放入OPEN表(深度:尾部，广度:首部)可变界深度优先找寻算法：深度可变，每次深度高出阈值(2)观察这些节点可否停止节点。若是，放入CLOSED表，的点，都被看作待观察点(在CLOSED表中)标为可解节点，并对长辈点标示。若S0被标可解，得解。(3)从OPEN表删除拥有可解长辈的节点。转Step2。【启示式找寻算法分类】Step4:若N不能扩展：(1)标示N为不能解。按选择范围分类：(2)标示长辈节。若S0被标不能解，失败。全局择优找寻：考虑所有待观察节点(3)从OPEN表删除拥有不能解长辈的节点。转Step2。局部择优找寻：只考虑当前节点的子节点【与或图启示式找寻】由下往上更新函数，函数=子点价+子点与父点距离。例子PP3Ch3.P117-120【博弈树】与点：手(MIN)力干MAX的。因此站在我方MAX）的立，由MIN出棋的点拥有与点的性。或点：我方（MAX）力通往取。MAX出棋的点拥有或点的性。【α剪枝,β剪枝】α剪枝：MIN点,若其倒推上确界β不大于MIN的父点倒推下确界α,即α≥β,不用展MIN点其他子点β剪枝：MAX点,若其倒推下确界α不小于MAX的父点倒推上确界β,即α≥β,不用展MAX点其他子点

Ch3.【失散数学相关定义】命（proposition）：拥有真假意的句(predicate)：刻画个体的性、状或个体的关系，比方P(x,y):x是y的父个体域：个体元的化范。(如P(x,y)中，x,y是元)全个体域:包所有事物的会集函数：个体之的关系,比方father(x):x的父：个体常元和元都是。若t1，t2，,，tn是，f（t1，t2，,，tn）是原子公式：若t1，t2，,，tn，P（t1，t2，,，tn）称原子公式，称原子或原子公式公式：原子公式是公式。若A、B是公式，?A，A∪B等都是公式域：接于量此后被量作用的公式指量：量后的量束量：量域中，与量的指元相同的量自由量：除了束量之外的量一：个体元被量化的二：个体元、函数符号、符号被量化从公式获取命：(1)把中的个体元代入个体常元(2)把中的个体元所有量化P(x)表示"x是素数",xP(x)，P(a)都是命合取范式：B1B2⋯Bn，如(P(x)Q(x))(Q(y)R(y))(P(z)S(z))8析取范式：B1B2⋯Bn，如(D(y)L(a，y))（P(x)C(z))(P(u))L(u，v))公式永真性：P个体域D所有建立，P在D上永真。P在全个体集建立，P永真公式可足性：P个体域D最少有一个个体建立，P在D上可足。【常用逻辑等价式】【子句集】文字：原子公式及其否定子句：任何文字的析取【子句集特点】没有含、等“?”作用原子没有量(、)合取范式元素之元不相同会集形式【由谓词公式获取子句集】(子句集特点的序号)依照含等价式消去含关系依照量律、双重否定律、摩根定律3.存在量：受x束，定f(x)替y(Skolem函数)不受x束，常量代替y(Skolem常量)全称量：直接消去4.依照分配率合取5.各个合取子句量更名6.把合取符号替逗号，成会集【常用推理定律】【Skolem标准型】消去存在量，把全称量移到最左，右式合取，如x[P(x，f(x))?R(x,g(x))]Skolem准型与原公式一般其实不等价【命题逻辑中的概括原理定义】与前提：G是F1、F2、⋯、Fn的，当且当每个解I，若是F1、F2、⋯、Fn都真，G也真。F1、F2、⋯、FnG的前提。互文字：L与?L式：C1包含L1，C2包含L2，L1与L2互。把L1和L2除，并把节余部解析取，获取C12本子句：上例中C1与C2消解基：上例中L1与L2比方：C12PSR【概括原理定理】1.公式A不能足当且当其子句集S不能足。G是公式F1、F2、⋯、Fn的，当且当F1F2⋯Fn=>GG是公式F1、F2、⋯、Fn的，当且当F1F2⋯Fn?G不能足式是其本子句的果子句集S的C1，C2替C12获取S1，S1不足=>S不足子句集S增加C12获取S2，S2不足=>S不足【概括反演法】否定目公式G，?G加入到F1F2⋯Fn中，获取子句集S。S行，并把果并入S，直到获取空子句，原得。【代替定义】替：{t1/x1,t2/x2,⋯,tn/xn}替的分子：t1,t2,⋯,tn是替的分母：x1,x2,⋯,xn是互不相同的个体元(ti,,xi不相同,xi不循出在tj中,如{f(x)/y,g(y)/x}不是替)基替：t1,t2,⋯,tn是不含元的（称基）空替：没有元素的替，作ε表达式：、原子公式、文字、子句的称基表达式：没有元的表达式/特例：公式E施替θ，Eθ，所得果称E在θ下的例复合/乘：θ＝{t1/x1,t2/x2,⋯,tm/xm}，λ＝{u1/y1,u2/y2,⋯,un/yn}，除{t1λ/x1,t2λ/x2,⋯,tmλ/xm,u1/y1,u2/y2,⋯,un/yn}中：(1)tiλ/xi当tiλ＝xi(2)ui/yi当yi∈{x1,⋯,xn}获取θ与λ的复合或乘，θ?λ比方：θ={a/x,f(u)/y,y/z},λ={b/u,z/y,g(x)/z}{a/x，f(b)/y，z/z，b/u，z/y，g(x)/z},去：z/z，z/y，g(x)/z获取：θ·λ={a/x，f(b)/y，b/u}

合一：F1λ=F2λ=⋯=FnλλF的合一，F可合一的（一个公式的合一一般不唯一）最一般合一：σF的一个合一，若是F任何合一θ都存在λ使得θ＝σ?λ，σF的最一般合一，极MGU（一个公式集的MGU不唯一）差异集：S是拥有相同名的原子公式集，从各公式左开始，同向右比，直到第一个不都相同的止，用些的差异部分红的会集【合一算法】Step1：置k＝0，Fk＝F，σk＝ε；Step2：若Fk只含有一个公式，算法停止，σk就是最一般合一；Step3：求Fk的差异集Dk；Step4：若Dk中存在元素xk和tk，其中xk是元，tk是且xk不在tk中出，置Sk＋1＝Fk{tk/xk},σk+1=k?{tk/xk}，k＝k+1尔后Step2；Step5：算法停止，F的最一般合一不存在。任一非空有限可合一的公式集，必然存在最一般合一，而且用合一算法必然能找到最一般合一【合一算法例子】求公式集F＝{Q(a,x,f(g(y))),Q(z,h(z,u),f(u))}的最一般合一解：解k＝0；F0＝F，σ0＝ε，D0＝{a,z}1＝σ0·{a/z}={a/z}F1=F0{a/z}={Q(a,x,f(g(y))),Q(a,h(a,u),f(u))}k＝1；D1={x,h(a,u)}2=σ1·{h(a,u)/x}＝{a/z,h(a,u)/x}F2=F1{a/z,h(a,u)/x}={P(a,h(a,u),f(g(y))),P(a,h(a,u),f(u))}k＝2；D2＝{g(y),u}3＝{a/z,h(a,g(y))/x,g(y)/u}F3=F2{g(y)/u}={P(a,h(a,g(y)),f(g(y)))}S3元素集，σ3MGU。【谓词逻辑中的概括原理定义】二元式（二元消解式）:（C1σ－{L1σ}）∪（C2σ－{L2σ}）,其中：本子句：C1，C2无相同元的子句消解文字：L1，L2σL1和?L2的最一般合一因子：Cσ。其中σC的子句文字的最一般合一因子：Cσ元句子【合必然义】【概括式】子句的C1，C2式，是以下二元式之一:1）C1和C2的二元式；2）C1和C2的因子的二元式；3）C1因子和C2的二元式；4）C1的因子和C2的因子的二元式。注意事：两个子句不能够含有相同的元的子句内部含有可合一的文字，需行化【谓词逻辑的消解原理/概括原理】中的消解（）式是它的本子句的果：C1C2＝>（C1σ－{L1σ}）∪（C2σ－{L2σ}）【谓词逻辑的定理】若是子句集S是不能足的，那么必存在一个由S推出空子句的消解序列。【应用概括原理求取问题答案】Step1：前提化子句集SStep2：确定目，化子句，并析取助新子句，并入到S形成S’。Step3：S’用原理。Step4：当只剩助，束。(例子CH3P105)【概括策略】Step1：子句集S置入CLAUSES表Step2：若Nil在CLAUSES，成功Step3：若CLAUSES存在可子句，，并将式并入CLAUSES表，step2Step4：失【广度优先找寻概括策略】用于确定策略step3的找寻次序第一：0（原子句集S）两两行，生1下一：1与0、1两两行，获取2再一：2与0、1、2两两行，获取3这样推，直至出Nil【概括策略齐全性】一个策略是完的，若是于不能足的子句集，使用策略行，最必出空子句Nil。（广度先是完的，亦称水平浸透法）【概括策略出发点】1）化性策略。2）限制性策略。

（3）有序性策略（包含排序策略）【概括策略种类】除策略支持集策略性策略元策略策略祖先型策略【正向演绎推理--初始事F0】任意公式前束范式表示；消去量，更名与或表示：析取部分用与点表示合取部分用或点表示【正向演绎推理--F－】形如L=>W，L一文字W任意与或型公式；(消去量，更名)【正向演绎推理—目标谓词】文字的析取式(消去量，更名)【正向演绎推理图解】F0':P(x)(Q(x)R(x))F1':P(y)S(y)F2':Q(z)N(z)G':S(a)N(a)N(a){a/x}?S(a)N(x){a/x}?S(x)Q(z)F1{x/z}?P(y)Q(x)R(x)F2{x/y}?P(x)Q(x)∧R(x)F0?P(x)∨(Q(x)∧R(x))【代换集一致性】有代集{u1,u2,⋯，un}，其中每个ui都是代{ti1/vi1,ti2/vi2,⋯，tim(i)/vim(i)}U1＝{v11,⋯,im(1)v,⋯，vn1,⋯,nm(n)v}（所有下的量）U2＝{t11,⋯im(1),t,⋯，tn1,⋯nm(n),t}（所有上的）{u1,u2,⋯，un}是一致的，当且当U1和U2是可合一合一复合：U1和U2的最一般合一解上所有代是一致的，有解，最后的代是合一复合U【反向演绎推理--目标公式】任意公式(消去量，更名)与或表示：与点合取；或点析取【反向演绎推理--B－】W=>L；一文字；W任意与或型公式(消去量，更名)【反向演绎推理—解】CAT(x)DOG(y)AFRAID(x,y)CAT(x)DOG(y)AFRAID(x,y){x/x5}{FIDO/y}{x/y2,y/x2}CAT(x5)DOG(FIDO)AFRAID(y2,x2)R5R2MEOWS(x)BARKS(y)FRIENDLY(y){MYRTLE/x}{FIDO/y}{y/x1}MEOWS(MYERTLE)BARKS(FIDO)FRIENDLY(x1)R1WAGSTAIL(y)DOG(y){FIDO/y}{FIDO/y}WAGSTAIL(FEDO)DOG(FIDO)

【双向演绎推理】分从基于事的F-正向推理出，也从基于目的B-逆向推理出，同行双向演推理。止的条件：正向推理和逆向推理互相完好般配。即所有获取的正向推理与或的叶点，正好与逆向推理获取的与或的叶点一一般配【不确定性知识分类】随机不确定性(概率)模糊不确定性(看法)不完好性(事物认识不充分)不一致性(推移)【逆概率方法公式】P(Hi|E)P(E|Hi)P(Hi)nP(E|Hj)P(Hj)j1【正向/反向演绎比较】【逆概率—多个凭据】Em)P(E1/Hi)P(E2/Hi)P(Em/Hi)P(Hi)P(Hi/E1E2nP(E1/Hj)P(E2/Hj)P(Em/Hj)P(Hj)j1其就是bayes公式。格要求各据独立。【修正因子】P(H|E)[P(E|H)]P(H)方括号内修正因子：P(E)【可信度法—不确定性胸襟】IfEthenH(CF(H,E))其中CF(H,E)可信度因子/度CF(H,E)=MB(H,E)-MD(H,E)【MB和MD】MB（MeasureBelief）：相信增加度，因凭据E的出现使结论H为真的相信增加度：MB(H,E)max{P(H|1当P(H)＝1E),P(H)}P(H)否则1()PHMD（MeasureDisbelief）：不相信增加度，因E的出现使H为真的不相信增加度：1当()＝0PH(,E)min{P(H|E),P(H)}P(H)(否则)PH因此，CF(H,E)为：P(H|E)P(H)当P(H|E)P(H)1()PHCF(H,E)0当P(H|E)＝P(H)P(H)P(H|E)当P(H|E)P(H)P(H)【可信度法--不确定性流传】组合凭据：E=E1E2,En：CF(E)=min{CF(E1),CF(E2),,CF(En)}E=E1E2,En：CF(E)=max{CF(E1),CF(E2),,CF(En)}E=E1：CF(E)=-CF(E1)推理结论的CF值：CF(H)=CF(H,E)max{0,CF(E)}重复结论的CF值：【主观贝叶斯法】表示形式：ifEthen(LS,LN)H(P(H))(LS,LN)EH(P(H))【LS和LN】LS：充分性量度，E对H支持程度，范围为[0，∞）：LN：必要性量度，E对H支持程度，范围为[0，∞）：LS、LN>0,不独立，有以下拘束关系：LS>1时，LN<1；LS<1时，LN>1；LS=1时，LN=1；

经过LN,LS把先验概率转变成后验概率：LS=O(H|E)/O(H)P(H|E)越大，O(H|E)越大，则LS越大，表示E对H为真的支持越强，当LS∞，P(H|E)1，E的存在对H为真是充分的LN=O(H|E)/O(H)P(H|E)越大，O(H|E)越大，则LN越大，表示E对H为真的支持越强。当LN=0，P(H|E)=0，E的不存在以致H为假，说明E对H是必要的【几率函数】P(E|S)与P(H|S)】其中C(E|S)由题目给出，用于刻画不确定性，值越大，证明在观察S下，E存在的可能性越大。将两式结合，和获取CP公式：【贝叶斯网络图示】以随机变量为节点，以条件概率为节点间关系强度的有向无环图（DirectedAcyclicGraph，DAG）每个节点旁的条件概率表(简称CPT)中的值对应一个条件事件的概率【条件独立关系】若是x满足ai贝叶斯网络中节点互相独立：那么不做任何办理(1)给定父节点，一个节点与它的非后代节点是条件独立的否则(2)给定一个节点的父节点、子节点以及子节点的父节点将h中ai代替为x满足的更一般的拘束(Markovblanket)，这个节点关于其他节点都是条件独立的3.输出假设h【条件独立关系的判断】d-分别（d-separation)：【候选除掉算法】给定y，x和z条件独立：P(z|x,y)P(z|y)给定y，x和z条件独立：P(z|x,y)P(z|y)给定y，x和z不条件独立：P(x,z)P(x)P(z)【贝叶斯网络推理】概率推理可分为：因果推理、诊断推理、辩解推理、混杂推理【因果推理】【BP算法误差项】由原因到结果的推理，自上而下的推理，比方已知L建立时，求P(M|L)更新规则:P(M|L)P(M,B|L)P(M,B|L)【诊断推理】由结果到原因的推理,自下而上的推理。比方已知?M成立，求P(?L|?M)P(L|M)P(M|L)P(L)P(M)【辩解推理】不过给定?B，求P(?L)。这种情况下，能够说?B讲解?M，使?L不确定。P(L|B,P(M,B|L)P(L)M)M,B)P(Ch5.FIND-S算法】候选假设：<a1，a2，,，an>“?”：可接受任何值“”：不接受任何值算法流程：1.将h初始化为H中最特别假设2.对每个正例x（循环）对h的每个属性拘束ai

【BP算法权值更新】Thelearningruleforthehidden-to-outputunits:Thelearningrulefortheinput-to-hiddenunits:Summary:Ch6.【算法的基本操作】复制从旧种群生命力的个体行复制。方法：依照个体适量/适量，每个个体分配概率范(0~1)，生随机数，般配的个体：交织在般配池中任两个染色体，随机一点或多点交点地址；交双染色体交点右的部分，即可获取两个新的染色体数字串异在染色体以二制的系中，它随机地将染色体的某一个基出处10，或由01。【算法的特点】参数的行操作，而非参数自己(因此可模拟自然界化体系)同使用多个找寻点的找寻信息(找寻效率高、并行、不坠入局部最)直接以目函数作找寻信息(不需数和其他助信息)使用概率找寻技(复制交织异基于概率，有很好灵便性)在解空行高效启式找寻(而非盲目找寻、完好随机找寻)待的函数基本无量制(不要求、可微)拥有并行算的特点(适合大模复的化)【算法的构成要素】染色体方法使用固定度的二制符号来表示集体中的个体个体适量价目函数J到个体适量f之的算子①运算:使用比率算子；②交织运算:使用点交织算子；③异运算:使用基本位异算子或平均异算子基本算法的运行参数下述4个运行参数需要提前定：①M：集体大小，即集体中所含个体的数量，一般取20~100；G：算法的止化代数，一般取100~500；③Pc：交织概率，一般取0.4~0.99；④Pm：异概率，一般取0.0001~0.1。

十大算法【C4.5】【信息增益的计算】希望信息:本会集s含有si个Ci的元,i={1,⋯,m}，一个定的本分所需的希望信息是：:拥有{a1,a2,⋯,av}的属性A的E(A)属性A致的s的划分的希望信息的加平均和：信息增益:例子:【信息增益比】C4.5算法】1.建根点2.若所有本x，x3.若Attribute空，最宽泛的4.信息增益比最大的属性，每个可能建立子点，解决【k-means】【聚目】聚内部距离平方之和的最小化：k-means算法】定:k-means算法以k入参数，把n个象的会集分k个集，使得果簇内的相似度高，而簇的相似度低。簇的相似度是关于簇中象的均胸襟，能够看做簇的心或重心。算法：把对象划分红k个非空子集；计算当前的每个聚类的质心作为每个聚类的种子点；把每一个对象分配到与它近来的种子点所在的聚类返回到第2步,当满足某种停止条件时停止。停止条件:当分配不再发生变化时停止；当前后两次迭代的目标函数值小于某一给定的阈值；当达到给定的迭代次数时。时间复杂性：计算复杂度为O(nkt)，其中n是对象的总数，k是簇的个数，t是迭代的次数【SVM】Margin】*Marginisdefinedasthewidththattheboundarycouldbeincreasedbybeforehittingadatapoint*Thelineardiscriminantfunction(classifier)withthemaximummarginisthebest.*Dataclosesttothehyperplanearesupportvectors.

DualProblemfor(aiisLagrangemultiplier):Solution(Eachnon-zeroaiindicatesthatcorrespondingxiisasupportvector.):Classifyingfunction(reliesonaninnerproductbetweenthetestpointxandthesupportvectorsxi.involvedcomputingtheinnerproductsxi‘*xjbetweenalltrainingpoints):【Slackvariables】Target：【MaximumMarginClassification】Maximizingthemarginisgoodaccordingtointuitionandtheory.Impliesthatonlysupportvectorsareimportant;othertrainingexamplesareignorable.【Kernels】*WemayuseKernelfunctionstoimplicitlymaptoanewfeaturespaceKernelmustbeequivalenttoaninnerproductinsomefeaturespaceSolvingofSVM】SolvingSVMisaquadraticprogrammingproblemTarget:maximummargin->==>SuchthatNonlinearSVM】Theoriginalfeaturespacecanalwaysbemappedtosomehigher-dimensionalfeaturespacewherethetrainingsetisseparable

DualProblemofthesoftmarginisthesameforhard.Solution:Classifyingfunctionofthesoftmarginisthesame.KernelTrick】Mapdatapointstohigherdimensionalspaceinordertomakethemlinearlyseparable.Sinceonlydotproductisused,wedonotneedtorepresentthemappingexplicitly.Discriminantfunction:(Noneedtoknowthismappingexplicitly,becauseweonlyusethedotproductoffeaturevectorsinboththetrainingandtest.)Kernelfunction:dotproductoftwofeaturevectorsinsomeexpandedfeaturespce:【OptimizationProblem】【NonlinearSVMoptimization】从繁集生关依照繁集I，生成所有非空子集。于每个子集m,若sup(m→(I-m))≥min_sup，出此其中sup(m→(I-m))==【Apriori】【支持度与置信度】A→C：【用Apriori算法挖掘强关系规则】接操作:{ABC⋯X}和{ABC⋯Y}可接，生成{ABC⋯}XY(个数相同，只有最后一个元素不相同)生成繁k-集Lk的算法：·依照k-1集Lk-1，接生成候集Ck·出Ck中支持度大于min_sup的元素，构成Lk例子：

【EM】在概率模型中找参数最大似然估也许最大后估的算法，其中概率模型依于无法的藏量。最大希望算法两个步交替行算：第一步是算希望（E），利用藏量的有估，算其最大似然估；第二步是最大化（M），最大化在E步上求得的最大似然来算参数的。M步上找到的参数估被用于下一个E步算中，个程不断交替行。体来，EM的算法流程以下：1.初始化分布参数2.重复直到收：步：估未知参数的希望，出当前的参数估。步：重新估分布参数，以使得数据的似然性最大，出未知量的希望估。【PageRank】【基本思想】*PageRank将网x指向网y的接xy的一张投票。但是PageRank不不过考虑网页得票的绝对数量，它还解析投票者自己的声威性.来自声威网页的投票能够提升被投票网页的声威性【更具基本思想】*链接是源网页对目标网页声威性的隐含表达.网页i入边（in-links）越多，表示i的声威性值越高。指向网页i的网页自己也有自己的声威性值关于网页i的声威性得分而言，一个拥有高分值的源网页比一个低分值的源网页更加重要。-换言之，若其他声威性网页指向网页i，则i也可能是声威性网页。PageRank优点与缺点】优点：防欺骗网页所有者难以设置其他重要网页指向自己的网页.(2)ageRank值独立于盘问，是一种全局胸襟.PageRank值是经过所有网页计算获取并加以存储，而不是提交盘问时才计算.缺点：不能够划分全局重要性网页和盘问主题重要性网页Web图】Web视为有向图G=(V,E)，V表示极点（网页），一条边(i,j)E当且仅当网页i指向网页j，n为总的网页数。网页P(i)定义为:Oj是网页j的出边数是Web图的毗邻矩阵表示：经过使用幂法能够求解PATP，但是Web图不符合求解条件。

Aij表示用户在状态i（网页i）转移到状态j（网页j）的概率。（公式和web图一致）步转移后的概率分布：【稳态概率分布】关于任意初始概率向量P0,Pk将收敛于一个牢固的概率向量,即,可作为PageRank值向量，其合理性：-它反响了随机冲浪的长远概率.-一个网页被接见的概率越高，其声威性越高.【收敛性】一个有限马尔可夫链收敛于一个唯一的稳态概率分布：假如矩阵A是不能约（irreducible）和非周期的aperiodic）。条件1：随机矩阵A不是一个随机矩阵，因为很多网页没有出边，以致A中某些行全为0.解决方案1：删除没有出边的网页.解决方案2：将没有出边的网页指向网络中所有其他网页条件2：不能约不能约意味着强连通(所有点对都有双向路径)，A不吻合。条件3：非周期i到i的所有路径都是K的倍数(k>1)，则成为周期的。一