浙工大人工智能考博复习汇总

..浙工大人工智能考博复习汇总2013年人工智能考博简答题人工智能的根本研究容。知识表示知识表示：将人类知识形式化或者模型化。知识表示方法：符号表示法、连接机制表示法。符号表示法：用各种包含具体含义的符号，以各种不同的方式和顺序组合起来表示知识的一类方法。例如，一阶谓词逻辑、产生式等。连接机制表示法：把各种物理对象以不同的方式及顺序连接起来，并在其间互相传递及加工各种包含具体意义的信息，以此来表示相关的概念及知识。例如，神经网络等。2.机器感知机器感知：使机器〔计算机〕具有类似于人的感知能力。以机器视觉(machinevision)与机器听觉为主。3.机器思维机器思维：对通过感知得来的外部信息及机器部的各种工作信息进展有目的的处理。4.机器学习机器学习〔machinelearning〕：研究如何使计算机具有类似于人的学习能力，使它能通过学习自动地获取知识。1957年，Rosenblatt研制成功了感知机。5.机器行为机器行为：计算机的表达能力，即"说〞、"写〞、"画〞等能力。专家系统和传统程序的区别。〔1〕编程思想：传统程序=数据构造+算法专家系统=知识+推理〔2〕传统程序：关于问题求解的知识隐含于程序中。专家系统：知识单独组成知识库，与推理机别离。〔3〕处理对象：传统程序：数值计算和数据处理。专家系统：符号处理。〔4〕传统程序：不具有解释功能。专家系统：具有解释功能。〔5〕传统程序：产生正确的答案。专家系统：通常产生正确的答案，有时产生错误的答案。〔6〕系统的体系构造不同。什么是估价函数？A*搜索算法的估价函数是如何确定的？估价函数的任务就是估计待搜索结点的"有希望〞程度，并依次给它们排定次序〔在open表中〕。估价函数：从初始结点经过结点到达目的结点的路径的最小代价估计值，其一般形式是一般地，在f(n)中，g(n)的比重越大，越倾向于宽度优先搜索方式，而h(n)的比重越大，表示启发性能越强。其中f(n)是从初始状态经由状态n到目标状态的代价估计，g(n)是在状态空间中从初始状态到状态n的实际代价，h(n)是从状态n到目标状态的最正确路径的估计代价。〔对于路径搜索问题，状态就是图中的节点，代价就是距离〕h(n)的选取保证找到最短路径〔最优解的〕条件，关键在于估价函数f(n)的选取〔或者说h(n)的选取〕。我们以d(n)表达状态n到目标状态的距离，那么h(n)的选取大致有如下三种情况：如果h(n)<=d(n)到目标状态的实际距离，这种情况下，搜索的点数多，搜索围大，效率低。但能得到最优解。如果h(n)=d(n)，即距离估计h(n)等于最短距离，那么搜索将严格沿着最短路径进展，此时的搜索效率是最高的。如果h(n)>d(n),搜索的点数少，搜索围小，效率高，但不能保证得到最优解。我们先下个定义，如果一个估价函数可以找出最短的路径，我们称之为可采纳性。A*算法是一个可采纳的最好优先算法。A*算法的估价函数可表示为：f'(n)=g'(n)+h'(n)这里，f'(n)是估价函数，g'(n)是起点到节点n的最短路径值，h'(n)是n到目标的最短路经的启发值。由于这个f'(n)其实是无法预先知道的，所以我们用前面的估价函数f(n)做近似。g(n)代替g'(n)，但g(n)>=g'(n)才可〔大多数情况下都是满足的，可以不用考虑〕，h(n)代替h'(n)，但h(n)<=h'(n)才可〔这一点特别的重要〕。可以证明应用这样的估价函数是可以找到最短路径的，也就是可采纳的。我们说应用这种估价函数的最好优先算法就是A*算法。遗传算法中的编码是什么？有哪几种编码方法？编码是把一个问题的可行解从其解空间转换到遗传算法所能处理的搜索空间的转换方法。而由遗传算法解空间向问题空间的转换称为解码。位串编码一维染色体编码方法：将问题空间的参数编码为一维排列的染色体的方法。〔1〕二进制编码二进制编码：用假设干二进制数表示一个个体，将原问题的解空间映射到位串空间B={0，1}上，然后在位串空间上进展遗传操作。优点：类似于生物染色体的组成，算法易于用生物遗传理论解释，遗传操作如穿插、变异等易实现；算法处理的模式数最多。缺点：①相邻整数的二进制编码可能具有较大的Hamming距离，降低了遗传算子的搜索效率。15：0111116：10000②要先给出求解的精度。③求解高维优化问题的二进制编码串长，算法的搜索效率低。〔2〕Gray编码Gray编码:将二进制编码通过一个变换进展转换得到的编码。2.实数编码采用实数表达法不必进展数制转换，可直接在解的表现型上进展遗传操作。多参数映射编码的根本思想：把每个参数先进展二进制编码得到子串，再把这些子串连成一个完整的染色体。多参数映射编码中的每个子串对应各自的编码参数，所以，可以有不同的串长度和参数的取值围。3.有序串编码有序问题：目标函数的值不仅与表示解的字符串的值有关，而且与其所在字符串的位置有关。4,构造式编码利用归结原理进展定理证明将一个谓词公式化为不带存在量词的Skolem标准式利用可信度方法计算CF(H)模糊推理(书上的，温度和风门大小的模糊推理)六、离散Hopfield神经网络和BP神经网络的输入层、输出层神经元个数，及非线性映射函数。2009年期末一、单项选择题〔此题共8小题，每题2分，共16分〕1.在谓词公式中，连接词的优先级别从高到低排列是〔D〕。A．﹁，∨，∧，→，B．∧，∨，﹁，→，C．﹁，∧，∨，，→D．﹁，∧，∨，→，2.在语义网络中，用〔〕来标明类与子类之间的关系。A．实例联系B.泛化联系C.聚集联系D.属性联系3.谓词公式G在海伯伦域上是不可满足的，那么该公式在个体变量域D上是〔〕。A．可满足的B.不可满足的C.无法确定设S为子句集，那么按下述方法构造的域QUOTE称为海伯伦域，简记为H域。〔1〕令H0是S中所有个体常量的集合，假设S中不包含个体常量，那么令QUOTE，其中QUOTE为任意指定的一个个体常量。〔2〕令{S中所有n元函数是H中的元素}，其中。定理3.2〔海伯伦定理〕：子句集不可满足的充要条件是存在一个有限的不可满足的基子句集。4.假设S是不可满足的，那么〔A〕一个归结推理规那么的从S到空子句的推理过程。A．存在B.不存在C.无法确定5.在主观Bayes方法中，几率O(x)的取值围为〔〕。A．[-1,1]B．[0,1]C．[-1,∞〕D．[0,∞〕几率〔odds〕函数：概率：几率函数和概率函数有一样的单调性。6.在可信度方法中，CF〔H，E〕的取值为〔c〕时，前提E为真不支持结论H为真。A．1B.0C.<0D.>0CF〔H，E〕的取值围:[-1,1]。假设由于相应证据的出现增加结论H为真的可信度，那么CF〔H，E〕>0，证据的出现越是支持H为真，就使CF〔H，E)的值越大。反之，CF〔H，E〕<0，证据的出现越是支持H为假，CF〔H，E〕的值就越小。假设证据的出现与否与H无关，那么CF〔H，E〕=0。7.在深度优先搜索策略中，open表是〔b〕的数据构造。A．先进先出B.先进后出C.根据估价函数值重排8.归纳推理是〔b〕的推理。A．从一般到个别B．从个别到一般C．从个别到个别二、多项选择题〔此题共5小题，每题2分，共10分〕1.人工智能研究的三大学派是()。A.符号主义B.进化主义C.任知主义D.连接主义2.对于框架表示法，下面表达正确的选项是〔AC〕。A．框架中，一个槽用于描述所论对象某一方面的属性，一个侧面用于描述相应属性的一个方面。B．槽值可以是另一个框架的名字，从而实现一个框架对另一个框架的调用，表示出框架之间的纵向联系。C.框架系统中问题的求解主要是通过匹配与填槽实现的。D.框架表示法不能表示具有因果关系的知识。框架〔frame〕：一种描述所论对象〔一个事物、事件或概念〕属性的数据构造。一个框架由假设干个被称为"槽〞〔slot〕的构造组成，每一个槽又可根据实际情况划分为假设干个"侧面〞〔faced〕。一个槽用于描述所论对象某一方面的属性。一个侧面用于描述相应属性的一个方面。槽和侧面所具有的属性值分别被称为槽值和侧面值。3.在主观Bayes推理中，充分性度量LS和必要性度量LN的取值下面哪些是合理的〔bc〕。A．LS>1,LN>1B．LS>1,LN<1C．LS<1,LN>1D．LS<1,LN=1IFETHEN(LS,LN)H(LS,LN)用来表示该知识的知识强度,LS(充分性度量)和LN(必要性度量)不可能同时支持H或同时反对H不应该存在：〔1〕LS>１，LN>1〔2〕LS<１，LN<1存在两种情况:〔1〕LS≥1且LN≤1〔2〕LS≤1且LN≥14.下面对专家系统表达错误的选项是：()。bcdA．专家系统是运用知识和推理来解决问题的；B．专家系统是把关于问题求解的知识隐含于程序中的；C．专家系统不具有透明性，无法答复用户"Why〞和"How〞等问题。D．利用骨架系统开发专家系统，相对于其他开发工具，其效率是最高的，灵活性是最好的，局限性也是最少的。5.下面对机器学习方法表达正确的选项是：(bd)。A．解释学习需要环境提供一组例如，而例如学习只要环境提供一个例如；B．机械式学习是没有推理能力的。C．符号学习对模拟人类较低级的神经活动是比拟有效的。D．观察与发现学习是基于归纳推理的。例如学习〔learningfromexamples〕又称为实例学习或从例子中学习：通过从环境中取得假设干与某概念有关的例子，经归纳得出一般性概念的一种学习方法。例如学习中，外部环境〔教师〕提供一组例子〔正例和反例〕，然后从这些特殊知识中归纳出适用于更大围的一般性知识，它将覆盖所有的正例并排除所有反例。解释学习〔explanation-basedlearning〕：演绎学习方法。它是通过运用相关的领域知识，对当前提供的单个问题求解实例进展分析，从而构造解释并产生相应知识的。解释学习：通过运用相关的领域知识及一个训练实例来对某一目标概念进展学习，并最终生成这个目标概念的一般性描述。解释学习与例如学习的主要区别：〔1〕例如学习：系统要求输入一组实例。解释学习：输入一个实例。〔2〕例如学习：归纳学习，不要求提供领域知识。解释学习：演绎学习，要求提供完善的领域知识。〔3〕例如学习：概念的获取，即知识增加的一面。解释学习：技能提高的一面。以推理能力排列机械式学习，指导式学习，解释学习，类比学习，例如学习，观察与发现学习。对领域理论的要求例如学习、观察与发现学习：领域理论要求较少。解释学习：要求提供完善的领域知识。适用领域连接学习：模拟人类较低级的神经活动。符号学习：模拟人类的高级思维活动。三、填空题〔此题共5小题，每个空格1分，共14分〕1.产生式系统一般由三个根本局部组成：、、。规那么库、推理机，综合数据库2.在证据理论中，命题A的信任函数Bel(A)又称为函数，似然函数Pl(A)又称为函数，Pl(A)－Bel(A)表示对A的程度。A(0,0.85)表示对A为假有一定的信任，信任度为。：对命题A为真的总的信任程度。：对A为真的信任程度。：对A为非假的信任程度。：对A信任程度的下限与上限。Pl(A)－Bel(A)表示对A是真是假不知道的程度,既不信任A,也不信任非A的程度下限或信任，上限或似然或不可驳斥，不知道，0.153.假设用三层BP神经网络解决字母T和L的识别问题。每个字母用3×3二维二值图表示，令黑方格为1，白方格为0。要求网络输出为1时，对应的字母是T；而输出为0时，对应的字母是L。因此该BP神经网络的输入层应包含个神经元，输出层应包含个神经元，输出层神经元的非线性函数为。914.BP学习算法的学习过程包括两个过程，它是通过过程使误差最小。反向学习或反向传播BP网络：多层前向网络〔输入层、隐层、输出层〕。连接权值：通过Delta学习算法进展修正。神经元传输函数：S形函数。学习算法：正向传播、反向传播。层与层的连接是单向的，信息的传播是双向的。5.遗传算法的根本操作算子包括、、。变异算子,穿插算子,选择或者复制四、〔8分〕设A、B、C三人中有人从不说真话，也有人从不说假话。某人向这三人分别提出用一个问题："谁是说谎者？〞A答："B和C都是说谎者〞；B答："A和C都是说谎者〞；C答："A和B至少一个是说谎者〞。试用归结原理证明C是老实人，即C从不说假话。〔提示：定义谓词T〔x〕表示x说真话。〕如果A说真话，那么有；如果A说假话，那么有；同理，有，，。(NO)结论的否认为。——〔3分〕可得子句集为1〕，2〕，3〕，4〕，5〕，6〕。——〔3分〕显然，子句3〕和5〕归结，可得NIL。因而即证。——〔2分〕如果A说的是假话，那么有：T(A)T(B)T(C)。同理，对B和C有：T(B)T(A)T(C)T(B)T(A)T(C)T(C)T(A)T(B)T(C)T(A)T(B)化为子句集S：〔1〕、T(A)T(B)〔2〕、T(A)T(C)〔3〕、T(A)T(B)T(C)〔４〕、T(B)T(C)〔５〕、T(A)T(B)T(C)五、〔8分〕设有如下一组推理规那么r1:IFE1THENE2(0.5)r2:IFE2ANDE3THENE4(0.8)r3:IFE4THENH(0.7)r4:IFE3ORE5THENH(0.9)且CF〔E1〕＝0.5，CF〔E3〕＝0.6，CF〔E5〕＝0.5，用可信度方法计算CF〔H〕，并画出推理网络。R1:CF(E2,E1)=0.5CF(E2)=0.5*0.5=0.25R2:CF(E4)=0.8*MIN(CF〔E2〕,CF(E3))=0.8*0.25=0.2CF(H)2=0.7*0.2=0.14R4:CF(H,MAX(E3,E5))=CF(H,0.6)=0.9CF(H)1=0.9*0.6=0.54CF(H)=CF(H1)+CF(H2)-*=六、〔10分〕用A*搜索算法求解八数码难题，其初始状态和目标状态分别如以下图所示。〔1〕试确定求解该问题的A*算法的估价函数，给出相应的搜索图〔图中需标注各状态的估价值〕，以及问题的最优解。〔2〕说明A*搜索算法与A搜索算法的区别。利用A搜索算法求解八数码问题的搜索树，其估价函数定义为：状态的深度，每步为单位代价。：以"不在位〞的将牌数作为启发信息的度量。：为状态到目的状态的最优路径的代价。：A搜索算法→A*搜索算法。七、(10分)设有模糊控制规那么："如果温度低，那么将风门开大〞。设温度和风门开度的论域为{1,2,3,4,5}。"温度低〞和"风门大〞的模糊量可以表示为事实"温度较低〞，可以表示为试用模糊推理确定风门开度。要求：〔1〕确定模糊控制规那么的蕴含关系R。〔2〕确定"温度较高〞时"风门开度〞的模糊量〔其中合成采用最大－最小合成法〕。〔3〕给出〔2〕所得模糊量的Zadeh表示，并用加权平均判决法进展模糊决策，给出"风门开度〞的清晰量。〔1〕R=[10.60.300]T。[000.20.61]=解：〔1〕——〔3分〕〔2〕确定"温度较高〞时"风门开度〞的模糊量〔其中合成采用最大－最小合成法〕。——〔3分〕〔3〕所得模糊量的Zadeh表示为，用加权平均判决法进展模糊决策，那么"风门开度〞的清晰量为——〔4分〕八、〔8分〕离散Hopfield神经网络的连接权值矩阵为各神经元的阈值取为0。任意给定一个初始状态V(0)={-1,-1,1}，请确定其所对应的一个稳定状态。V2=f(W*v(0)t)=f(2/3-2/3)=f(0)=1;v(1)={-1,1,1}V1=f(-2/3+2/3)=f(0)=1;v(2)={1,1,1}V3=f(2/3–2/3)=f(0)=1;v(3)={}注意:是串行解一：假设离散Hopfield神经网络中个神经元状态的调整顺序为2→1→3，那么，因而V(1)={-1,1,1}；，因而V(2)={-1,1,1}；，因而V(3)={-1,1,1}；——〔6分〕显然，{-1,1,1}是V(0)所对应的稳定状态。——〔1分〕或解二：假设与解一不同的神经元状态调整顺序，得到另一稳定状态{1,-1,1}。九、〔16分〕一个非线性函数：1〕假设用连续Hopfield神经网络〔CHNN〕求解其最小值，要求画出CHNN的网络构造图〔图中需标注各神经元的输入连接权和阈值〕，给出神经元的输出变换函数，以及求解上述问题的计算能量函数；〔6分〕令〔1分〕，神经元的输出变换函数可采用Sigmoid型函数，即，其中〔1分〕。求解上述问题的计算能量函数为〔1分〕2〕用遗传算法〔GA〕GA

(

GeneticAlgorithm

)求解其最小值，假设采用二进制编码，试确定染色体的长度，设计GA的适应度函数，并说明适应度函数在GA中的作用；〔5分〕2〕由(1分)，可确定染色体的长度为，即为10。〔1分〕(保证精度到小数点后一位，故每个xi至少2.5/0.1=25个二进制码)GA的适应度函数为，其中为的常数。〔1分〕适应度函数在GA中的作用：用于评价种群中个体的好坏，它是算法演化过程的驱动力，是进展自然选择的唯一依据。〔2分〕分别给出CHNN和GA求解上述问题的主要求解步骤。〔5分〕用神经网络方法求解优化问题的一般步骤：〔1〕将优化问题的每一个可行解用换位矩阵表示。〔2〕将换位矩阵与由n个神经元构成的神经网络相对应：每一个可行解的换位矩阵的各元素与相应的神经元稳态输出相对应。〔3〕构造能量函数，使其最小值对应于优化问题的最优解，并满足约束条件。〔4〕用罚函数法构造目标函数，与Hopfield神经网络的计算能量函数表达式相等，确定各连接权和偏置参数。〔5〕给定网络初始状态和网络参数等，使网络按动态方程运行，直到稳定状态，并将它解释为优化问题的解。CHNN求解约束优化问题的步骤〔2分〕〔1〕选择适宜的问题表示方法，使CHNN的输出与优化问题的可行解彼此对应；〔2〕用罚函数法写出优化问题的目标函数；〔3〕令目标函数和能量函数相等，确定CHNN的连接权和偏置电流，以及动态方程；〔4〕给定CHNN的初始状态和参数等，使CHNN按动态方程运行，直至到达稳定状态，并把它解释为问题的解；GA求解约束优化问题的步骤〔3分〕〔1〕确定表示问题解的编码〔染色体/个体〕；〔2〕初始化种群；〔3〕计算每个个体的适应值；〔4〕使用遗传操作算子〔选择、穿插、变异〕产生下一代种群；〔5〕假设不满足终止条件那么转〔3〕，否那么进入下一步；〔6〕输出种群中适应值最优的染色体作为问题的满意解或最