(人工智能)人工智能基础考试大纲

（人工智能人工智能基础考试大纲人工智能基础（8017）考试大纲壹、课程性质和设置目的（一）课程性质和特点“人工智能”是21于计算机专业本科开设《人工智能基础》课程是十分必要的。《人工智能基础》是计算机专业本科的壹门必修课程，本课程中涉及的理论、原理、方法和技术有助于学生进壹步学习其他专业课程。开设本课程的目的是培养学生软件开发的“智能”观念；掌握人工智能的基本理论、基本方法和基本技术；提高解决“智能”问题的能力，为今后的继续深造和智能系统研制，以及进行关联的工作打下人工智能方面的基础。（二）本课程的基本要求（课程总目标）《人工智能基础》是理论性较强，涉及知识面较广，方法和技术较复杂的壹门学科。通过对本课程的学习，学生应掌握人工智能的壹个问题和三大技术，即通用问题求解和知识表示技术、搜索技术、推理技术。具体要求是：学生于较坚实打好的人工智能数学基础（数理逻辑、概率论、模糊理论、数值分析）上，能够利用这些数学手段对确定性和不确定性的知Herbrand域概念和HornRobinson归结原理进行定理证明；应掌握问题求解的状态空间法，能应用几种主要的盲目搜索和启发式搜索算法（宽度优先、深度优先、有代价的搜索Aα―β剪枝技术）完成问题求解；且能熟悉几种重要的不确定推理方法，如确定因子法、主观Bayes方法、证据理论等，利用数值分析中常用方法进行正确计算。另外，学生仍应该了解专家系统的基本概念、研究历史、系统结构、系统评价和领域应用。学生仍应认识机器学习对于智能软件研制的重要性，掌握机器学习的关联概念，机器学习的方法及其相应的学习机制，几个典型的机器学习系统的学习方法、功能和领域应用。（三）本课程和关联课程的联系、分工或区别和本课程关联的课程有：离散数学、算法设计、数值分析、程序设计语言等。/于本课程起到了基础作用。本课程涉及到许多算法设计（尤其是问题求解），算法分析中的算法的可计算性和计算复杂性、算法的可纳性等理论作为本课程中搜索算法的理论支撑。数值分析中的曲线插值方法要于本课程中仅作为数学工具进行使用，本课程且不象数值分析课程那样去介绍方法的理论。于本课程中，研究问题求解方法需要从算法到代码的转换，而这种转换的工具是程序设计语言，所以本课程要求学生已经掌握了这方面的知识。二、 课程内容和考核目标第一章 绪论（一）学习目的和要求本章内容是本课程的导论。本章的重点是：人工智能研究目标、研究内容、研究的途径（法）什么是人工智能、人工智能研究的目标（近期目标和长远目标）人工智能研究的历史和研究领域的大致情况（不少于八个领域）。同时，图灵测试的过程。（二）课程内容第壹节人工智能简介1、什么是人工智能：学者们从不同的研究角度对人工智能有多种不同的定义，于这些定义中学生应掌握其定义的实质。2、人工智能研究的对象是知识3、人工智能研究概括为壹大问题和三大技术4、关于智能的定义5、图灵测试6、D.B.Lenat和E.A.Fengenbaum的知识阈Nilsson的物理符号假设7、日本渡边慧的定义第二节人工智能研究途径1、以思维理论和认知心理学基础的符号主义学派基本思想2、符号主义学派的代表人物3、以阈值理论为基础的联结主义学派基本思想4、联结主义（神经网络）研究不存于符号运算5、联结主义研究的历史6、联结主义研究的代表任务7、以进化理论为基础的行为主义学派基本思想8、行为主义学派的代表人物第三节人工智能研究的目标1、人工智能近期研究目标2、人工智能远期研究目标第四节人工智能研究的内容1、机器感知2、机器思维3、机器学习4、机器行为5、智能系统及智能计算机的构造技术第五节人工智能研究领域1、模式识别（PatternRecognition）2、问题求解（ProblemSolving）3、自然语言理解（NaturallangrageUnderstanding）4、专家系统（ExpertSystem）5、机器学习（MachineLearning）6、自动定理证明7、自动程序设计8、机器人学（Robots）9、博弈（Game）10、智能决策支持系统（IntelligentDecisionSupportSystem）11、人工神经网络（Artificialnaturalnetworks）第六节人工智能研究的历史回顾及进展1、对人工智能起到奠基作用的几项工作2、人工智能诞生的时间和地点3、1957年纽厄尔、西慕的GPS4、1960年麦卡锡的LISP语言5、1964年鲁宾逊的归结原理6、70年代的专家系统黄金时代（1977年费根鲍母提出知识工程概念）7、1987年ComputationalIntelligence杂志发表“纯粹理性批判”的论文，次年又发表“计算机理解质疑”，开展了对人工智能发展的理性辩论8、1991年ArtificialIntelligence杂志发表了人工智能基础专集，著名专家们对人工智能基础性假设进行了辩论。（三）考核知识点1、人工智能定义2、人工智能研究的对象3、图灵测试4、人工智能研究的三大途径5、人工智能研究的近期目标和远期目标6、人工智能研究的五大内容7、人工智能研究的主要领域（四）考核要求1、人工智能定义识记：人工智能的通常定义2、人工智能研究的对象识记：人工智能研究的对象是知识领会：和计算机科学其他学科的区别3、图灵测试识记：图灵测试过程的描述4、人工智能研究的三大途径识记：人工智能研究的三种途径领会：每种研究途径的理论基础和基本思想简单应用：结合系统的研制，举例说明各个研究途径的实施方法5、人工智能研究的近期目标和远期目标识记：人工智能研究的近期目标和远期目标的内容6、人工智能研究的五大内容识记：人工智能研究的五个内容领会：每种研究内容的理论基础和基本方法7、人工智能研究的主要领域识记：至少记忆人工智能研究的八个领域领会：每个研究领域的研究内容、基本方法以及应用第二章 问题求解的基本原理（壹）学习目的和要求它是本课程的重点章节。本章的重点知识有：知识的状态空间表示法、盲目搜索的宽度优先A算法和A*算法、博弈树的α-β剪枝算法。通过对本章的学习，学生应状态及状态空间表示问题的几种主要方法（矩阵法、多图法等启发函数的含义且能根据问题实际正确构造估价函数；理解OPEN表和CLOSED表的作用及其特点；博弈树节点α值和β值的意义和其倒推值的计算，且掌握αβ剪枝技术。（二）课程内容第壹节基本概念1、什么是搜索：搜索分为盲目搜索和启发式搜索2、状态空间表示法：由状态和算法表示慰问体的壹种方法3、和/或树表示法：分解、等价变换、本原问题、节点的可解性第二节状态空间搜索策略1、状态空间的壹般搜索过程OPEN表：用来存放刚生成的节点CLOSED2、宽度优先搜索策略3、深度优先搜索策略4、有界的深度优先搜索策略5、代价树的宽度优先搜索策略6、代价树的深度优先搜索策略第三节启发式搜索1、启发信息和启发函数234A*第四节和/或树的搜索策略1或树的壹般搜索过程2或树的宽度优先搜索3或树的深度优先搜索4、和/或树的有序搜索第五节博弈树1、博弈树的启发式搜索2、极大极小法3剪枝技术（三）考核知识点1、状态空间搜索的基本概念234、有界的深度优先搜索算法的基本思想567、启发式搜索8、和/或树的有序搜索的基本思想（四）考核要求1、状态空间搜索的基本概念识记：状态、状态空间的定义；本原问题、可解节点、不可解节点、解树的定义领会：节点的等价变换和分解（1） 简单应用：对应用问题构造状态空间（树2、宽度优先搜索算法的基本思想宽度优先搜索算法的描述领会：宽度优先搜索算法OPEN表的数据结构是队列宽度优先搜索算法的优缺点简单应用：宽度优先搜索算法的程序设计3、深度优先搜索算法的基本思想识记：深度优先搜索算法的描述领会：深度优先搜索算法OPEN表的数据结构是堆栈深度优先搜索算法的优缺点简单应用：深度优先搜索算法的程序设计4、有界的深度优先搜索算法的基本思想识记：有界的深度优先搜索算法描述状态空间节点的深度定义领会：有界的深度优先搜索和深度优先搜索的区别简单应用：有界的深度优先搜索算法的程序设计5、代价树的宽度优先搜索的基本思想识记：代价树的概念：代价树的宽度优先搜索的算法描述OPEN6、代价树的深度优先搜索的基本思想识记：代价树的深度优先搜索的算法描述领会：代价树的深度优先搜索和代价树的宽度优先搜索扩展的子节点按代价从小到大排序，且存放于OPEN表的首部7、启发式搜索估价函数各项的物理意义领会：估价函数各项的物理意义局部择优搜索和全局择优的基本思想A*算法的基本思想简单应用：写出黑白将牌问题的估价函数8或树的有序搜索的基本思想或树的有序搜索的壹般过程和/或树的有序搜索的宽度优先算法和/或树的有序搜索的深度优先算法和/或树的有序搜索的有序搜索算法博弈树的启发式搜索算法领会：博弈树的假设条件大极小法α-β剪枝技术简单应用：节点的α值、β值的计算；α-β剪枝技术的应用综合应用：博弈树中各节点倒推值的计算以及αβ剪枝的应用第三章知识和知识表示（壹）学习目的和要求工智能的壹种重要技术，它是研究知识和智能系统的基础。本章的重点知识有：关于知识的人们社会活动和科学壹阶谓词逻辑的知识表示、产生脚本的知识表示法、Petri（二）课程内容第壹节基本概念1、什么是知识2、知识的特征3、知识的分类4、知识的表示第二节壹阶谓词逻辑表示方法1、表示知识方法2、壹阶谓词逻辑表示方法的特点第三节产生式表示法1、产生式的基本形式2、产生式系统3、产生式系统的分类4、产生式表示法的特点第四节框架表示法1、框架理论2、框架3、框架网络4、框架中槽的设置和组织5、框架表示法的特点第五节语义网络表示法1、语义网络的概念2、知识的语义网络表示3、常用的语义联系4、语义网络中问题求解的过程5、语义网络表示的特点第六节脚本1、概念依赖理论2、脚本1、过程的知识表示方法

第七节过程表示法2、过程表示法的特点1、Petri网知识表示2Petri网表示法的特点1、面向对象的基本概念2、面向对象知识表示（三）考核知识点1、关于知识的基本概念

第八节Petri网表示法第九节面向对象的知识表示2、知识的壹阶谓词逻辑表示3、知识的产生式表示4、知识的框架表示5、知识的语义网络表示（四）考核要求1、关于知识的基本概念识记：数据、信息的定义；知识的壹般定义领会：知识的特性；从不同角度对知识的分类2、知识的壹阶谓词逻辑表示识记：壹阶谓词逻辑表示知识的壹般形式（定义谓词、连接词和量词的使用）；（简单应用：用壹阶谓词逻辑表示法表示数学定理3、产生式系统（1）识记：产生式的基本形式：或者，其中是产生式前提，是壹组结论或操作。产生式系统的组成（规则库、综合数据库、控制系统）（2）领会：产生式系统把知识表示成“模式→动作”对；产生式系统分类；产生系统知识表示的特点（2） 4、知识的框架表示点BNFInstancePart-ofInfer、Possible-Reason（3） 5、知识的语义网络表示识的有向图；简单语义网络三元组表示领会：语义网络的BNF关系；用语义网络表示复杂的知识；语义网络知识表示的特点网络表示Composed-of、、Before、AfterAtSimilar-to,Near-to；语义网络系统第四章 基于壹阶谓词逻辑的问题求解（壹）学习目的和要求基于壹阶谓词逻辑的问题求解是模拟机器思维能力，使之能运用推理，完成问题求解。本章讨论应用有关推理的方法和推理的控制策略，特别是基于壹阶谓词逻辑的归结演绎方法。作为本课程的重点章节，本章的重点知识有：关于推理的基本概念、推理的控制策略、（反演）实现定理证明方法；掌握归结反演的控制策略；理解Herbrand域和Horn子句的概念和关Herbrand（二）课程内容第壹节推理的基本概念1、什么是推理2、推理方式和分类3、推理的控制策略4、置换和合壹第二节归结演绎推理1、子句2、Herbrand域3、Robinson归结原理4、归结反演5、归结控制策略第三节和/或形演绎系统1或形正向演绎推理2或形逆向演绎推理3、和/或形双向演绎推理（三）考核知识点1、什么是推理2、推理的控制策略3、置换和合壹4、子句5、归结反演6、归结控制策略7或形正向演绎推理8或形逆向演绎推理（四）考核要求1、什么是推理识记：推理的定义领会：推理的分类：从推理途径对推理分类（演绎推理、归纳推理、默认推理）从知识确定性对推理分类（确定性推理、不确定性推理）、从推理的单调性分类（单调推理、非单调推理）。2、推理的控制策略识记：正向推理、逆向推理、混合推理、双向推理的基本思想3、置换和合壹识记：置换表示形式；最壹般合壹的定义领会：复合置换；差异集4、子句识记：合式公式和子句的定义；子句的不可满足性简单应用：求合式公式的子句集5、归结反演识记：HerbrandHorn领会：子句集不可满足性的充要条件是Herbrand域上壹切解释为假；归结原理简单应用：命题逻辑中的归结原理；谓词逻辑中的归结原理综合应用：应用归结反演证明G是F6、归结控制策略本方法本思想简单应用：归结中应用各个控制策略，比较归结式产生的深度7或形正向演绎推理或形正向演绎推理的基本思想形式及推理过程或形8或形逆向演绎推理或形逆向演绎推理的基本思想形式及推理过程或形实公式的节点第五章 不确定性推理（壹）学习目的和要求于现实世界中，人们通常是于信息不精确、不完备、模糊、随机的情况下运用不确定性知识进行思维、求解问题的，推理出的结论也且不总是随着知识的增加而单调增加。因而，对于不确定性的研究成为人工智能学科的壹个重要内容。本章基于代数系统的讨论，描述不确定知识推理的总体框架，随后论述了几种重要的不确定性推理方法。本章的重点知识有：不确定知识推理的总体框架、不确定性推理的确定因子法、主观贝叶斯（Bayes）法、D-S理解从已知不确定性的证据和不确定性的规则，按不确定性推理方法推出不确定性的假设。掌握确定因子法中MB和MD的物理意义和方法的计算过程；掌握主观贝叶斯法中LS和LN的物理意义，曲线插值法以及该方法的求解过程。掌握D-S证据理论方法中基本概率赋值函数m(A),Bel(A)和Pl(A)的物理意义，正交和的计算以及该方法的计算过程。理解对于知识模糊性的可能性理论的推理方法，深刻理解语言变量的概念且应用于模糊推理规则中。（二）课程内容第一节不确定性推理概述1、不确定性问题的代数系统2、不确定性推理模型3、不确定性推理语义4、几种重要的不确定性推理方法第二节确定因子法1、知识的不确定性2、证据的不确定性3、不确定性推理算法第三节主观贝叶斯方法1、规则不确定性的描述2、证据不确定性的描述3、举例第四节D-S证据理论1、证据的不确定性2、证据的组合3、D-S证据理论的推理第五节可能性理论1、几个基本概念2、语言变量3、命题模糊性的描述4、模糊命题的转换规则5、模糊推理规则第六节粗集理论1、RST的概述2、粗集理论的不确定性知识表示（三）考核知识点1、什么是不确定性推理2、不确定性推理的模型3、几种主要的不确定性推理方法4、确定因子法5、主观贝叶斯方法6、D-S证据理论的不确定性推理7、可能性理论（四）考核要求1、什么是不确定性推理识记：不确定性推理的基本思想2、不确定性推理的模型识记：不确定性推理的代数模型领会：不确定性知识的表示简单应用：不确定性推理的壹般范式3、几种主要的不确定性推理方法识记：不确定性推理的几种主要方法（D-S证据理论）4、确定因子法(1)识记：计算公式及语义；确定因子法的推理算法(2)领会：和的性质(3)简单应用：证据是多个条件逻辑组合情况下等价证据的确定性因子的计算(4)综合应用：实例的确定因子法计算5、主观贝叶斯方法识记：的定义和语义；三点线性插值方法推理算法(3)简单应用：分段线性插值的应用(4)综合应用：实例的主观贝叶斯方法计算6、D-S证据理论的不确定性推理和语义以及三者之间的关系(3)简单应用：类概率的计算；不同证据来源支持同壹个假设的正交和计算(4)综合应用：推理网络图的设计；实例的D-S证据理论推理7、可能性理论识记：模糊知识的表示；模糊产生式规则的壹般形式领会：语言变量和模糊命题的转换规则简单应用：模糊修饰语的计算综合应用：模糊的不确定性推理第六章 专家系统（壹）学习目的和要求统，要了解专家系统研究的历史、几个重要的专家系统研制的理论基础和主要技术、重要的功能、应用领域等主要研究领域，应掌握专家系统的结构和研制的整个过程。（二）课程内容第壹节专家系统基本概念1、什么是专家系统2、专家系统的特征3、专家系统和常规程序的区别4、专家系统研究的历史12

第二节专家系统分类12

第三节专家系统的壹般结构第四节专家系统的建造和评价1、专家系统建造的原则2、专家系统的开发过程3、专家系统的评价第五节专家系统开发工具1、人工智能语言2、专家系统外壳3、通用专家系统工具第六节专家系统开发环境1、专家系统开发硬件环境2、专家系统开发软件环境第七节新壹代专家系统的研究1、分布协同式的体系结构2、知识的自动获取3、深层知识的利用第八节几个著名的专家系统1、动物识别系统2、MYCIN3、PROSPECTOR4、AM（三）考核知识点12、专家系统的特征3、专家系统研究的大致历史4、按专家系统特征的分类5、专家系统的基本结构6、专家系统建造的原则7、几个著名的专家系统（四）考核要求1、专家系统的概念识记：专家系统的定义领会：专家系统研制成功对人工智能乃至计算机科学的贡献2、专家系统的特征识记：专家系统的特征领会：专家系统和壹般程序的区别简单应用：举例分析专家系统和壹般程序的区别3、专家系统研究的大致历史(2)领会：专家系统发展的简单情况4、按专家系统特征的分类系统5、专家系统的基本结构识记：专家系统的基本结构模块图(3)简单应用：推理机的程序设计(4)综合应用：专家系统的理想结构6、专家系统建造的原则识记：专家系统建造的七个原则领会：专家系统的开发过程、专家系统的评价(4)综合应用：专家系统的瓶颈分析和解决方案7、几个著名的专家系统MYCIN、PROSPECTOR领会：分布协同式的体系结构、知识的自动获取、深层知识的利用、PROSPECTOR第七章机器学习（壹）学习目的和要求制以及它们之间的区别，要了解机器学习系统构造原则和步骤。（二）课程内容1、什么是机器学习2、人类学习和机器学习3、机器学习系统1、环境2、学习环节3、知识库4、执行环节1、基于推理策略的分类2、基于系统性的分类

第壹节机器学习的概念第二节学习系统模型第三节机器学习方法分类第四节机器学习研究历史1、神经元模型研究阶段2、符号概念获取研究阶段3、符号学习兴旺发达阶段4、联结学习和符号学习共发展阶段第五节机器学习的研究目标1、通用学习算法2、认知模型3、工程目标第六节几个著名的机器学习系统1、BACON2、INDUCE系统3、数学方向系统AM4、AQ（三）考核知识点12、机器学习方法分类3、机器学习研究历史4、几个著名的机器学习系统（四）考核要求1、机器学习的概念识记：机器学习的定义、机器学习系统的定义领会：机器学习和人类学习的区别简单应用：利用机器学习来智能程序的判断综合应用：机器学习模型的建立2、机器学习方法分类识记：基于推理策略的对机器学习进行分类、基于系统性对机器学习进行分类想(4)综合应用：举例说明机械学习的过程3、机器学习研究历史识记：机器学习的三个研究目标结学习和符号学习共发展阶段的特征(4)综合应用：叙述机器学习研究的大致历史4、几个著名的机器学习系统、INDUCEAM、INDUCEAMBACONINDUCE三、关于大纲的说明和考核实施要求（壹）自学考试大纲的目的和作用课程自学考试大纲是根据电工电子和信息类及关联专业自学考试计划的要求，结合自学考试的特点而确定，其目的作用是对个人自学、社会助学和课程考试命题进行指导和规定。（二）课程自学考试大纲和课件的关系围，课件的内容是大纲所规定的课程知识和内容的扩展和发挥。（三）关于自学课件和主要参考书自学课件：人工智能基础，邵军力、张景、魏长华主编，电子工业出版社，2000年3月年5月人工智能原理及其应用，蔡自兴、徐光佑主编，清华大学出版社，年9月第三版（四）关于自学要求和自学方法的指导本课程共3个学分。根据学习对象成人于职业余自学的实际以及本课程所涉及的知识面较宽，建议学生先学习好本课程的先导课程，如离散数学、概率论、数值分析和程序设计语言等课程。于此基础上，学习时应注意课程的重点知识，区分必须要掌握的知识点和壹般性要求了解的知识点。学习方法应该是做到理论和实际相结合，即对