人工智能 问题求解基本原理及搜索技术

人工智能(问题求解基本原理及搜索技术

)问题求解基本原理问题求解：在给定条件下，寻求一个能解决某类问题且能在有限步骤内完成的算法。

问题求解特征：传统软件：

①求解的问题是能够用数学精确描述的良结构的问题（如，解方程）；②计算机执行的繁杂的统计计算任务一般不能看成是人工智能活动。AI软件：①求解的是不可直接用数学模型描述的所谓不良结构问题（如，几何证明、求不定积分、逻辑演算等），通常需要采用弱方法进行搜索求解；②

AI程序中符号的内涵不仅局限于数值计算和数据处理中的一般数据信息，应表现人类进行推理所需要的各种知识。问题求解基本原理一、问题求解的基本方法二、搜索技术问题求解基本原理问题求解方法：基于状态空间的问题求解方法基于问题空间的问题求解方法基于博弈搜索的问题求解方法问题实例

桌上固定了3根柱子，按1，2，3次序排例。有n个大小全不一样大的盘子d1，…，dn

，按从小到大，小的在上的次序依次插在第一根柱子上，要把这n个盘子全部搬到第三根柱子上，每次只许搬一个，任何时候都不允许把大盘子放在小盘子上面，问该如何搬法。设n=3，该如何搬法？1 23123梵塔问题基于状态空间的问题求解方法（1，1，1）→（1，1，2）（1，1，1）→（1，1，3）（1，1，2）→（1，3，2）。。。。。状态合法变换规则（满足约束条件）：状态定义-（i大,j中,k小）:设向量下标分别表示大盘、中盘、小盘；向量值分别表示盘子所在柱子的编号。状态描述-大盘在第i根柱子上；中号盘在第j根柱子上，小号盘在第k根柱子上。基于问题空间的问题求解方法问题：如何将

i柱子上的m个盘子搬到k柱子上?将i柱子上的m–1个盘子搬到j柱子上；将i柱子上的第m个盘子搬到k柱子上；将j柱子上的m–1个盘子搬到k柱子上。

问题描述：问题（a,b,c):将b柱子上的a个盘子搬到c柱子上。问题分解合法规则： （3，1，3）--〉（2，1，2）(1，1，3）（2，2，3） 。。。。。。基于问题空间的问题求解方法状态空间法有关概念

状态空间法:从问题的初始状态出发，通过一系列的状态变换找到目标状态的问题求解方法。

状态：描述问题中事物形状或状况的符号或数据结构。

状态空间：所有状态的全体构成的集合；用四元组（S,S0,O,G)表示:S:非空状态子集，S0=初始状态（非空）。G:非空目标状态子集。O:操作算子集合，一个状态合法转换为另一个状态的描述规则

问题求解过程：隐含求一个普通有向图，节点-状态，边–算子

搜索空间：问题求解过程中到达过的所有状态（节点）的集合。状态空间法有关概念状态空间、搜索空间及解径的关系：

问题的解（解径）：初始状态到目标状态通路上的每一条规则（或状态）构成序列，称为解径。解不唯一。S0

R1S2R2Sk…..RkG问题有解：从代表初始状态s节点出发，存在一条通向目标节点的路径。问题空间法有关概念问题空间法：首先产生待证问题的所有子问题，而后通过解决所有子问题达到问题求解目的的方法。

问题：描述问题及其子问题的符号或数据结构。

问题空间：初始问题以及其所有子问题的全体构成的集合，用四元组（S,S0,F,G)

表示:

S:问题和子问题；S0

:初始问题。G:具有平凡解的本原问题集合。F:操作算子集合，用于将问题分解成其若干个子问题的描述规则问题空间法的有关概念（2）问题空间分解过程：隐含求一个与或图

节点

–问题，边

-

分解问题的算子。

“与”节点：如果节点A有边通向一组节点{B1，B2，…..Bn}，问题A的解决有待于A的子问题组{B1,B2…..Bn}的全部解决，则称A为“与”节点。如图a所示。

“或”节点：若节点Ａ有边通向一组节点{{Ｂ１},{Ｂ2}，…{Ｂn}}，问题Ａ的解决有待于子问题Ｂ１或Ｂ2或…或Ｂn中某一个子问题的解决，则称A为“或”节点。如图b所示。…...a:AB1B2Bn…...b:AB1B2Bn问题空间法有关概念（2）问题的解（解图）：从代表初始问题的节点出发，搜索到一个完整的‘与或’子图，图中所有叶节点均满足问题求解的结束条件。例：（C,B,Z)-〉（M,…M)重写规则:R1:C(D,L)

R2:C(B,M)

R3:B(M,M)

R4:Z(B,B,M)

解图小结–问题求解方法比较状态空间法问题空间法问题求解状态变换问题分解搜索过程隐含构建普通有向图隐含构建与或图节点状态问题边状态变换规则（算子）问题分解规则（算子）

求解解径解图问题求解基本原理一、问题求解的基本方法二、搜索技术（一）搜索技术预备状态空间搜索有关概念盲目搜索策略启发式搜索策略问题求解基本原理搜索策略预备盲目搜索：不考虑给定问题所具有的特定知识，系统按照事先确定好的某种固定顺序调用规则，或是随机地调用规则。

常用的盲目搜索算法:

深度优先搜索策略；宽度优先搜索策略搜索策略预备启发式信息：与问题求解有关的信息和知识。由于信息的片面性和不准确性，应用启发式信息不能百分之百地保证找到问题的解，但能提高问题求解的可能性。

启发式信息在问题求解过程中的作用：有助于加速求解过程；有助于找到“较优”解。

启发式搜索策略:考虑给定问题领域具有的特定知识（启发式信息），系统动态地规定规则调用顺序，优先使用“较”合适的规则。搜索策略预备常用的基于状态图的启发式搜索策略:爬山搜索策略(HillClimbing)大英博物馆搜索策略(BritishMuseum)启发式图搜索策略(A)最佳启发式图搜索策略(A*

)常用的基于与或图及博弈的启发式搜索策略：最佳启发式与或图搜索策略(AO*)极大极小搜索策略(Minimax)α－β剪枝搜索策略(Alpha-BetaPruning)基于状态空间的搜索技术：

有关搜索概念

盲目搜索策略

启发式搜索策略问题求解基本原理状态空间搜索有关概念状态图特点：多条路径通向同一节点。例：E状态空间搜索有关概念状态空间搜索有关概念

节点深度：根节点的深度为0，其它节点的深度规定为其父节 点的深度加1，即dn+1=dn+1。

标记节点n：用指针将后继节点连接到父节点n的操作。

节点：对应状态图中有关状态的描述。扩展节点n：称生成节点n的所有后继节点并计算生成这些后继节点所造成的花费的过程（即，计算各后继节点的优劣且将其连接到节点n等操作造成的开销）叫做扩展节点n。

后继节点：称将规则作用于节点n生成的新节点为节点n的后 继节点。路径：对于一个节点序列（n0,n1,…,nl,…,nk），如若每一节点ni-1都有一个后继节点ni（i=1,2,…,k），则称该节点序列为一条从节点n0到节点nk、长度为k的路径；路径还可表示为与节点序列对应的规则序列。状态空间搜索有关概念路径花费：设C（ni，nj）为节点ni到nj这段路径（或弧线）的花费。一条路径的花费等于连接这条路径各节点间所有弧线花费值的总和。路径ni

→nj→t的花费值C（ni，t）可递归计算如下:

C（ni，t）=C(ni，nj)+C（nj，t)。基于状态空间的盲目搜索算法:宽度优先搜索策略深度优先搜索策略问题求解基本原理盲目搜索算法的符号及数据结构

s：

初始节点；n：当前节点。

open：

已被生成但未被扩展的节点序列表；closed：已被生成且已被扩展的节点序列表；{mi}={mj}∪{mk}∪{ml}：扩展n后所得的n的后继节点其中，{mk}：在OPEN表中出现过的待扩展节点，{ml}：在CLOSED表中出现过的已扩展节点。{mj}：第一次生成的节点，mj∈OPEN且mj∈CLOSED表，宽度优先搜索算法

open:=[S];closed:=[];whileopen≠[]do{ n:=first(open); remove(first(open));

add(n,closed)；

ifn=goalthenexit(success); expand(n)->{mi}; delete((mi)(mi∈

{mk}∨

(mi∈{ml}

)

);

add(open,mj)};exit(fail);宽度优先搜索算法

1、S,A,D2、A,D,B,D3、D,B,A,E………Open表为队操作：先进先出！G节点扩展顺序宽度优先搜索算法

open:=[S];closed:=[];d=深度限制值whileopen≠[]do{ n:=first(open); remove(first(open)); add(n,closed)；

ifn=goalthenexit(success); ifdepth(n)>dthencontinue; expand(n)->{mi}; delete((mi)(mi∈{mk}∨(mi∈{ml}

));

add(mj,open)};exit(fail);深度优先搜索算法深度优先搜索算法

1、S2、A,D3、B,

D,D………Open表为栈操作：后进先出！4、C,

E,D节点扩展顺序深度优先搜索算法

盲目搜索算法应用实例-8数码问题描述状态：

矩阵(Sij)，其中

1≤i,j≤3，Sij∈{0,1,…,8};盲目搜索算法应用实例-

合法走步规则：设(i0、j0)为空格所在行列数值，

Si0j0=0R1:ifj-1≥1thenSi0j0:=

Si0(j0-1),Si0(j0-1):=0空格左移；R2:ifi-1≥1thenSi0j0:=

S(i0-1)j0,S(i0-1)j0:=0空格上移；R3:ifj+1≤3thenSi0j0:=

Si0(j0+1),Si0(j0+1):=0空格右移；R4:ifi+1≤3thenSi0j0:=

S(i0+1)j0,S(i0+1)j0:=0空格下移。8数码问题宽度优先策略求解8数码问题：目标R1R2R3R2R1R2R3R2R2R3R2R4R1R3深度优先策略求解8数码问题：说明：

设规则固定使用顺序：R1-左移、R2-上移、R3-右移、R4-下移；设节点深度限制值：6；合法的走步规则重复节点–造成循环问题求解基本原理基于状态空间的启发式搜索算法:

A算法；A*算法启发式图搜索算法假设：

f(n)=g(n)+h(n)

–任意节点n的评价函数：指迄今为止已找到的从初始节点s，到达节点n，再从节点n到达目标节点t的路径全程的最小费用，是对f*(n)的一个估计。

h(n)

：迄今为止从节点n到目标节点t最佳分段路径将要花费的未知估计费用，是对h*(n)的一个估计，可视为启发式分量函数，有h(n)≥0。

g(n)

：迄今为止搜索到的从初始节点s到当前节点n最佳路径分段的已知费用，是对g*(n)的一个估计。

f*(n)=g*(n)+h*(n)：从初始节点s出发，经过最佳路径上任意节点n，到达目标节点t的最小费用。

h*(n)：n→t最佳路径的分段费用。

g*(n)：s→n最佳路径的分段费用。

s：初始节点；n：当前节点；t：目标节点。启发式图搜索算法-A算法

定义：按照f(n)=g(n)+h(n)估价函数值由小到大地排列待扩展节点顺序的图搜索算法，称为A算法。

A算法流程。A算法应用实例:

普通有向图A算法搜索实例；

8数码问题A算法搜索实例。启发式图搜索算法-A算法算法中符号：s：初始节点；G：搜索图的节点集合；OPEN表：已生成但尚未被扩展的节点序列表；CLOSED表：已生成且已被扩展的节点序列表；n：待扩展的当前节点；{mi}={mj}∪{mk}∪{ml}：扩展n后生成的后继节点其中，mj：第一次生成的节点，mj∈OPEN且mj∈CLOSED表，mk：在OPEN表中出现过的待扩展节点，ml：在CLOSED表中出现过的已扩展节点。A算法n为目标t?取当前节点nn:=first(OPEN),从OPEN中删除n,CLOSED:=CLOSED∪{n}初始化G:=G0∪S,OPEN:=(S)CLOSED:=(),f(S):=g(S)+h(S)OPEN=Φ

^未发现目标tReturn(Fail)AyesNoyesNoBExit(Success)输出解径扩展节点n：生成n的后继节点；计算后继节点的花费。{mi}:=Expand(n),计算:f(n,mi):=g(n,mi)+h(mi)比较花费，修改连接标记

对于{mj}∈{mi}:OPEN:=OPEN∪{mj},mj->n;

对于{mk}∈{mi}:

iff(n,mk)<f(mk)thenf(mk):=f(n,mk),mk->n;

对于{ml}∈{mi}:iff(n,ml)<f(ml)thenf(ml):=f(n,ml),ml->n,OPEN:=OPEN∪{ml}将OPEN表中节点按f值从小到大重新排序AB启发式最佳图搜索算法-A*算法A*算法定义：

若将A算法中评价函数f(n)的启发式分量函数h（n）的值限制在h*（n）的下界范围内，亦即对所有节点n，都满足h（n）≤h*（n），则称此时的A算法为A*算法。

A*算法作用：问题有解时，A*算法一定能够找到从初始节点s到目标节点t的最佳解径。信息度定理：有两个A*算法A1和A2,若A2比A1有较多的启发式信息（即对所有非目标节点均有：

h1（n）≤h2（n）≤h*（n）），则在具有一条从s到t的隐含状态图上，搜索结束时，由A2扩展的每一个节点，也必定由A1所扩展，即A1扩展的节点数至少和A2一样多。启发式最佳图搜索算法-A*算法A*算法应用验证:

8数码问题A*算法搜索实例。8数码问题搜索策略比较：

宽度优先A算法A*算法小结启发式搜索策略g:

考虑当前路径已经花费的费用，及时抛弃已经经过的花费太大且距目标仍远的路径;h:

估计当前路径上节点到目标节点还需要的费用，引导搜索向最有希望的路径前进。

A算法：定义估计函数：f=g+h；

A*算法：定义估计函数：f=g+h； 满足h（n）≤h*（n）。作业:利用宽度优先法或深度优先法，程序实现High-waymap问题求解，只考虑节点的连接和变换,不考虑边的权值;求出有向图的一条解径,给出求解过程（Open，Closed内容）。作业:

设h=0;f=g=边的标记值，程序求解High-waymap问题，求出最短解径，给出求解过程（Open，Closed内容）。给定两个油桶,一个可装4公斤油,一个可装3公斤油,油桶上无任何度量标记。问：怎样才能使4公斤油桶里恰好只装2公斤油？ 设状态定义：(x,y)，其中， x：4公斤油桶中实际装油公斤数； y：3公斤油桶中实际装油公斤数。 问题表示：(0,0)-〉(2,y) 要求定义合法的装油规则，利用盲目搜索策略画出状态图。作业:演讲完毕，谢谢观看！附录资料：人工智能简介​AboutTeachingPlan基本要求：人工智能是计算机科学中涉及研究、设计和应用智能机器的一个分支，是目前迅速发展的一门新兴学科，新思想新方法层出不穷。其基本思想是利用机器来模仿和执行人脑的功能，如判断、推理、证明、识别、感知、理解、设计、思考、规划、学习和问题求解等思维活动。对于培养学生计算机技术的应用能力，开阔思路和视野，有重要意义。

​AboutTeachingPlan因此，要求学生掌握知识表示和问题求解的几种常用方法，尤其是不确定性推理；掌握机器学习基本概念，了解几种机器学习方法尤其是神经网络学习方法；掌握专家系统的概念，了解专家系统设计方法，掌握一些智能控制方法，了解国内外人工智能研究尤其是机器人的最新进展；具有一定的人工智能编程设计能力（利用Lisp或Prolog语言）。​AboutTeachingPlan课程内容以及学时分配人工智能引论(1) 人工智能概念及与计算机的关系，研究途径、内容和应用领域概况介绍，其他最新材料。符号主义、连接主义、行为主义三大流派人工智能数学基础(1)知识表示方法（2） 状态空间法、问题归约法，谓词逻辑法、产生式表示法（动物识别系统）；CLIPS语言；语义网络法、框架法（这是结构化表示）；剧本、过程、Petri网、面向对象的表示。​AboutTeachingPlan 搜索技术和策略（3-4）状态空间法，盲目搜索和启发式搜索，A*算法；海伯伦理论、消解原理和策略；与\或形推理和搜索策略；其他求解技术。 不确定推理技术（3-4）主观Bayes理论；可信度方法和证据理论；系统组织技术；非单调推理；Rete快速算法；模糊推理技术；基于语义网络和框架不确定推理； 专家系统（2）专家系统概念、结构和知识获取；黑板模型、知识组织、管理及系统建造和开发工具；专家系统举例及编程。

人工智能程序设计（1）人工智能语言基本机制：LISP和PROLOG。​AboutTeachingPlan 模式识别导论（3）模式识别专题：概率模式识别。模式识别专题：结构模式识别 机器学习（1）：机械,解释经验,事例,归纳,概念,类比学习等；统计,结构,模糊模式识别。 专题讲座（3次） 1)神经网络基本理论和应用 (史奎凡课程：安排于人工智能理论与应用课程内)； 2)智能体（Agent）； 3)自然语言处理； 4)智能控制和机器人科学 智能控制的结构理论和研究领域，智能控制系统及应用示例；机器人规划、机器视觉和自然语言理解等。​AboutTeachingPlan 实践：1) 搜索技术和策略2) 不确定推理技术3) 专家系统：动物识别系统4) 模式识别技术5) 调研： 搜索技术和策略、不确定推理技术、统计模式识别、机器学习等四个领域进展报告。​ChapterOne:BriefIntroductiontoArtificialIntelligence1.WhatisAI?人工智能（ArtificialIntelligence,AI）是当前科学技发展的一门前沿学科，同时也是一门新思想，新观念，新理论，新技术不断出现的新兴学科以及正在发展的学科。它是在计算机科学，控制论，信息论，神经心理学，哲学，语言学等多种学科研究的基础发展起来的，因此又可把它看作是一门综合性的边缘学科。它的出现及所取得的成就引起了人们的高度重视,并取得了很高的评价。有的人把它与空间技术，原子能技术一起并誉为20世纪的三大科学技术成就。​Intelligence智能是知识与智力的总合。 知识——智能行为的基础； 智力——获取知识并运用知识求解问题的能力。智能具有以下特征：(1)具有感知能力——指人们通过视觉、听觉、触觉、味觉、嗅觉等感觉器官感知外部世界的能力；(2)具有记忆与思维的能力——这是人脑最重要的功能，亦是人之所以有智能的根本原因；(3)具有学习能力及自适应能力；(4)具有行为能力。ArtificialIntelligence人工智能——计算机科学的一个分支，是智能计算机系统，即人类智慧在机器上的模拟，或者说是人们使机器具有类似于人的智慧（对语言能理解、能学习、能推理）。​2.BriefHistoryofAI (1) 孕育（1956年前）古希腊的Aristotle（亚里士多德）（前384-322），给出了形式逻辑的基本规律。英国的哲学家、自然科学家Bacon（培根）（1561-1626），系统地给出了归纳法。“知识就是力量”德国数学家、哲学家Leibnitz（布莱尼茨）（1646-1716）。提出了关于数理逻辑的思想，把形式逻辑符号化，从而能对人的思维进行运算和推理。做出了能做四则运算的手摇计算机英国数学家、逻辑学家Boole（布尔）（1815-1864）实现了布莱尼茨的思维符号化和数学化的思想，提出了一种崭新的代数系统——布尔代数。​美籍奥地利数理逻辑学家Godel（哥德尔）（1906-1978），证明了一阶谓词的完备性定；任何包含初等数论的形式系统，如果它是无矛盾的，那么一定是不完备的。意义在于，人的思维形式化和机械化的某种极限，在理论上证明了有些事是做不到的。英国数学家Turing(图灵)（1912-1954）,1936年提出了一种理想计算机的数学模型（图灵机），1950年提出了图灵试验，发表了“计算机与智能”的论文。图灵奖。美国数学家Mauchly，1946发明了电子数字计算机ENIAC美国神经生理学家McCulloch，建立了第一个神经网络数学模型。美国数学家Shannon（香农）,1948年发表了《通讯的数学理论》，代表了“信息论”的诞生。​ (2) 形成（1956-1969）1956年提出了“ArtificialIntelligence（人工智能）”1956年夏由麻省理工学院的J.McCarthy、M.L.Minsky,IBM公司信息研究中心的N.Rochester,贝尔实验室的C.E.Shannon共同发起，邀请了Moore,Samuel,Selfridge,Solomonff,Simon,Newell等人，10位数学家、信息学家、心理学家、神经生理学家、计算机科学家，在Dartmouth大学召开了一次关于机器智能的研讨会，会上McCarthy提议正式采用了ArtificialIntelligence（人工智能）这一术语。这次会议，标志着人工智能作为一门新兴学科正式诞生了。 McCarthy（麦卡锡）——人工智能之父。这次会议之后的10年间，人工智能的研究取得了许多引人瞩目的成就.机器学习方面：塞缪尔于1956年研制出了跳棋程序，该程序能从棋谱中学习，也能从下棋实践中提高棋艺；​在定理证明方面：王浩于1958年在IBM机上证明了《数学原理》中有关命题演算的全部定理（220条），还证明了谓词演算中150条定理85%；1965年，鲁宾逊（Robinson）提出了消解原理；在模式识别方面：1959年塞尔夫里奇推出了一个模式识别程序；1965年罗伯特（Robert）编制出可辨别积木构造的程序；在问题求解方面：1960年纽厄尔等人通过心理学试验总结出了人们求解问题的思维规律，编制了通用问题求解程序GPS,可以用来求解11种不同类型的问题；在专家系统方面：斯坦福大学的费根鲍姆（E.A.Feigenbaum）自1965年开始进行专家系统DENDRAL（化学分析专家系统），1968年完成并投入使用；在人工智能语言方面：1960年McCarthy等人建立了人工智能程序设计语言Lisp，该语言至今仍是建造智能系统的重要工具；1969年成立了国际人工智能联合会议（InternationalJointConferencesOnArtificialIntelligence）​ (3) 发展（1970年以后）70年代，开始从理论走向实践，解决一些实际问题。同时很快就发现问题：归结法费时、下棋赢不了全国冠军、机器翻译一团糟。以Feigenbaum为首的一批年轻科学家改变了战略思想，1977年提出知识工程的概念，以知识为基础的专家咨询系统开始广泛的应用。著名专家系统的有：DENDRAL化学分析专家系统（斯坦福大学1968）MACSYMA符号数学专家系统（麻省理工1971）MYCIN诊断和治疗细菌感染性血液病的专家咨询系统（斯坦福大学1973）CASNET(CausalASsciationalNetwork)诊断和治疗青光眼的专家咨询系统（拉特格尔斯（Rutgers）大学70年代中）CADUCEUS(原名INTERNIST)医疗咨询系统（匹兹堡大学）；HEARSAYI和II语音理解系统（卡内基-梅隆大学）PROSPECTOR地质勘探专家系统（斯坦福大学1976）XCON计算机配置专家系统（卡内基-梅隆大学1978）​•80年代，人工智能发展达到阶段性的顶峰。•87,89年世界大会有６－７千人参加。硬件公司有上千个。并进行Lisp硬件、Lisp机的研究。•在专家系统及其工具越来越商品化的过程中,国际软件市场上形成了一门旨在生产和加工知识的新产业——知识产业。应该说，知识工程和专家系统是近十余年来人工智能研究中最有成就的分支之一。•同年代，1986年Rumlhart领导的并行分布处理研究小组提出了神经元网络的反向传播学习算法，解决了神经网络的根本问题之一。从此，神经网络的研究进入新的高潮。•90年代，计算机发展趋势为小型化、并行化、网络化、智能化。•人工智能技术逐渐与数据库、多媒体等主流技术相结合，并融合在主流技术之中，旨在使计算机更聪明、更有效、与人更接近。•日本政府于1992年结束了为期十年的称为“知识信息处理体统”的第五代计算机系统研究开发计划。并开始了为期十年的实况计算（RealWordComputing）计划。​3.ResearchObjectsandMainContents

(1)人工智能的研究目标

人工智能的长期研究目标：构造智能计算机。

人工智能的近期研究目标：使现有的电子计算机更聪明，更有用，使它不仅能做一般的数值计算及非数值信息的数据处理，而且能运用知识处理问题，能模拟人类的部分智能行为。​(2)人工智能研究的基本内容

1.机器感知以机器视觉与机器听觉为主。机器感知是机器获取外部信息的基本途径，是使机器具有智能不可或缺的组成部分，对此人工智能中已形成两个专门的研究领域——

模式识别和自然语言理解。2.机器思维指通过感知的外部信息及机器内部的各种工作信息进行有目的的处理。主要开展以下几方面的研究：(1)知识表示(2)知识的组织，累计，管理技术(3)知识的推理(4)各种启发式搜索及控制策略(5)神经网络，人脑的结构及其工作原理​3.机器学习

使计算能自动获取知识，能直接向书本学习，能通过与人谈话学习，能通过对环境的观察学习，并能在实践中自我完善。4.机器行为机器行为主要指计算机的表达能力，即“说”、“写”、“画”等，对智能机器人，还应该有人的四肢功能，即能走路，能取物，能操作等。5.智能系统及智能计算机的构造技术​4.ResearchObjectsandMainContents人工智能面世以来，其研究途径存在两种不同的观点：以符号处理为核心的方法——主张通过运用计算机科学的方法进行研究，实现人工智能在计算机的模拟。以网络连接为主的连接机制方法——主张用生物学的方法进行研究，搞清楚人类智能的本质。(1)以符号处理为核心的方法该方法起源于纽厄尔等人的通用问题求解系统（GPS），用于模拟人类求解问题的心理过程，逐渐形成为物理符号系统，这种方法认为： 人类研究的目标是实现机器智能，而计算机自身具有符号处理能力，这种能力本身就蕴含着演绎推理的内涵，因而可通过运行相应的程序来体现某种基于逻辑思维的智能行为，达到模拟人类智能活动的效果。目前人工智能的大部分研究成果都是基于这种方法实现的。​

该方法的主要特征是：

•立足于逻辑运算和符号操作，适合于模拟人的逻辑思维过程，解决需要进行逻辑推理的复杂问题；

•知识可用显式的符号表示；

•便于模块化；•能与传统的符号数据库链接；•可对推理结论做出解释，便于对各种可能性进行选择。

但该方法不适合于形象思维；而且在用符号表示概念时其有效性在很大程度上取决于符号表示的正确性，且对带噪声的信息及不完整的信息难以处理。(2)以网络连接为主的连接机制方法该方法是在人脑神经元及其相互连接而成网络的启示下，试图通过多人工神经元间的并行协同作用来实现对人类智能的模拟。该方法认为：大脑是人类一切智能活动的基础，因而从大脑神经元及其连接机制着手进行研究，搞清楚大脑的结构及它进行信息处理的过程及机理，可望揭示人类智能的奥秘，从而真正实现人类智慧在机器上的模拟。​该方法的主要特征：•通过神经元之间的并行协同作用实现信息处理，处理过程具有并行性、动态性、全局性；•通过神经元间分布式的物理联系存储知识和信息，因而可以实现联想功能，对于带有噪声、缺损、变形的信息能进行有效地处理。近期的一些研究表明，该方法在模式识别、图像信息压缩等方面取得了一些研究成果；•通过神经元间连接强度的动态调整来实现对人类学习、分类等的模拟；•适合于模拟人类的