计算机2025年《人工智能》基础试卷

计算机2025年《人工智能》基础试卷考试时间：______分钟总分：______分姓名：______一、选择题1.下列哪一项不属于人工智能研究的主要目标？A.让机器具备感知和推理能力B.使机器能够进行自我复制和进化C.实现机器的自主学习和适应D.模拟人类的情感和意识2.图灵测试主要用于评估人工智能的哪方面能力？A.计算速度B.知识存储量C.自然语言理解能力D.空间规划能力3.在人工智能发展史上，图灵机的提出被认为是哪一阶段的里程碑？A.机器学习兴起B.可计算性理论确立C.深度学习革命D.专家系统成熟4.下列算法中，哪一种属于盲目搜索算法？A.A*搜索算法B.Dijkstra算法C.深度优先搜索D.贝叶斯网络推理5.广度优先搜索（BFS）在搜索过程中，通常使用哪种数据结构来存储待扩展节点？A.栈（Stack）B.队列（Queue）C.链表（LinkedList）D.哈希表（HashTable）6.下列关于产生式规则R:IFPTHENQ的描述，哪一项是正确的？A.P是规则的前提（条件），Q是规则的结论（动作）B.P是规则的结论，Q是规则的前提C.规则表示P和Q之间存在因果关系D.该规则只能用于描述确定性知识7.逻辑表示方法中，一阶谓词逻辑相比命题逻辑，其主要优势在于什么？A.更容易进行推理B.能表示更丰富的知识C.计算复杂度更低D.更适合处理不确定性知识8.机器学习中，将数据划分为训练集和测试集的主要目的是什么？A.提高算法的运行效率B.防止模型过拟合C.评估模型的泛化能力D.减少特征工程的难度9.下列哪种算法通常被归类为无监督学习算法？A.决策树学习B.线性回归C.K均值聚类D.支持向量机（用于分类）10.神经网络中，用于计算节点输入加权和的环节称为？A.激活函数B.权重C.偏置D.输出层二、填空题1.人工智能的发展大致经历了______、______、______和______四个主要阶段。2.在知识表示中，______是一种用形式逻辑语言表示知识的方法。3.搜索算法的目标通常是在解空间中找到一个满足特定条件的______。4.决策树是一种基于______思想的分类或回归方法。5.机器学习中，过拟合现象指的是模型在______数据上表现良好，但在______数据上表现较差。6.神经网络的基本处理单元称为______，它通常具有输入、输出和一个计算加权和的单元。7.自然语言处理（NLP）是人工智能的一个重要分支，其目标之一是使机器能够理解和生成______。8.在强化学习中，环境状态、agent的动作以及环境给予的奖励构成了______。9.所谓“智能体”（Agent），是指能够感知环境并作出______以实现特定目标的实体。10.人工智能伦理关注人工智能发展带来的______、偏见和责任等社会问题。三、判断题1.人工智能的目标是完全模拟人类的思维过程。（）2.深度优先搜索（DFS）在任何情况下都比广度优先搜索（BFS）更有效率。（）3.产生式规则(IF...THEN...)可以表示不确定性的知识。（）4.命题逻辑能够表示像“所有的人都会死”这样的包含量词的知识。（）5.在机器学习中，特征选择和特征工程是同一个概念。（）6.线性回归模型只能用于分类问题。（）7.神经网络的层数越多，其表达能力就一定越强。（）8.计算机视觉的目标是让机器能够像人类一样“看”和“理解”世界。（）9.强化学习中的智能体总是知道每个动作的即时奖励。（）10.人工智能的发展不会对社会结构和人类生活产生重大影响。（）四、简答题1.简述人工智能“盲目搜索”算法的特点及其局限性。2.解释什么是“知识表示”，并简述其重要意义。3.简述监督学习、无监督学习和强化学习的主要区别。4.简述神经网络中“反向传播”算法的基本思想。五、计算题假设我们需要在一个简单的二维环境中，从起点A到终点B进行路径搜索。环境可以表示为一个3x3的网格，格子间可以通行（用'1'表示），有障碍物无法通行（用'0'表示）。使用广度优先搜索（BFS）找出从A(0,0)到B(2,2)的最短路径（可以横向或纵向移动，步长为1）。请用文字描述搜索过程（例如，按队列中节点的顺序依次列出扩展的节点及其父节点和位置坐标），并给出最终找到的路径。```环境地图:110111011```六、论述题结合当前人工智能的发展现状，论述人工智能在推动社会进步方面带来的机遇与挑战。请从至少两个方面谈谈机遇，至少两个方面谈谈挑战。试卷答案一、选择题1.B解析：人工智能的主要目标是让机器具备智能行为，如感知、推理、学习、规划等，模拟人类智能，但不一定包括自我复制和模拟情感意识。2.C解析：图灵测试旨在通过人类与机器的对话，判断机器是否能像人类一样思考，核心是评估机器的自然语言理解和生成能力。3.B解析：图灵机是可计算性理论的基础，它的提出奠定了理论计算机科学和人工智能的理论基础，是早期里程碑。4.C解析：深度优先搜索是典型的盲目搜索算法，它沿着一条路径深入探索，直到无法继续，再回溯寻找其他路径，不利用问题特定信息。5.B解析：BFS需要按层次扩展节点，确保最短路径先被找到，因此使用先进先出（FIFO）的队列来存储待扩展节点。6.A解析：产生式规则的标准形式是IF条件THEN动作（或结论），其中IF部分是前提或条件，THEN部分是结论或动作。7.B解析：一阶谓词逻辑引入了变量、量词（全称量词∀、存在量词∃）和函数，能够表示涉及个体、属性和关系的更复杂、更丰富的知识，而命题逻辑只能表示简单的事实或命题。8.C解析：划分训练集和测试集的目的是用未见数据评估模型的泛化能力，即模型对新数据的预测或分类性能，以避免过拟合和选择合适的模型。9.C解析：K均值聚类是一种无监督学习算法，旨在将数据点划分为若干个簇，使得簇内数据点相似度高，簇间数据点相似度低。A、B、D都是监督学习算法。10.B解析：在神经网络中，每个节点（神经元）接收来自前一层节点的输入，这些输入通过相应的权重（Weights）相乘后求和，这个加权和是下一层计算的基础。二、填空题1.初期探索；推理与问题求解；连接主义（或神经网络）；智能机器人解析：人工智能发展通常分为以上四个阶段，代表了不同时期的研究重点和标志性进展。2.逻辑表示解析：逻辑表示法使用形式逻辑（如命题逻辑、一阶谓词逻辑）来形式化地表达知识，是早期重要的知识表示方法之一。3.解解析：搜索算法的核心目标是在庞大的解空间中找到满足特定目标条件的解（如路径、解状态）。4.决策树解析：决策树学习通过构建树形结构进行决策或预测，其构建过程基于实例的划分，体现了贪心或递归划分的思想。5.训练；测试（或未见）解析：过拟合是指模型过度学习训练数据中的噪声或细节，导致在训练集上表现极好，但在新的、未见过的测试数据上表现差。6.神经元解析：神经元是构成神经网络的基本单元，模拟生物神经元的功能，负责处理输入信号并产生输出。7.自然语言解析：自然语言处理旨在使计算机能够理解、解释、生成人类使用的自然语言（如中文、英文），是NLP的核心目标之一。8.提示（或环境模型）解析：在强化学习中，agent的决策不仅基于当前状态，还依赖于环境的状态转移和奖励反馈，这个组合构成了学习的基础。9.决策解析：智能体通过感知环境状态，并根据自身目标和策略做出决策（选择动作），以影响环境状态并最终实现目标。10.就业（或工作）；公平性解析：人工智能发展带来的机遇包括提高生产效率、创造新产业等；挑战则包括对现有工作岗位的冲击、算法偏见可能导致的歧视问题、以及技术带来的伦理责任归属等。三、判断题1.错解析：人工智能的目标是让机器表现出智能行为，模拟人类智能的某些方面，但并非完全模拟人类思维过程，且不包含模拟情感意识。2.错解析：DFS不一定比BFS更有效率。在寻找最短路径问题时，BFS通常更优；而在解空间不大的情况下，DFS可能更快找到解，但空间复杂度通常更高。3.对解析：产生式规则可以通过增加不确定性逻辑（如概率、模糊逻辑）来表示不确定性的知识，例如在THEN部分加入条件概率。4.错解析：命题逻辑只能表示简单的、不可再分的命题，无法表示像“所有的人都会死”这样包含量词（“所有”）和个体属性（“会死”）的知识，需要使用一阶谓词逻辑。5.错解析：特征选择是指在原始特征集中选择一部分最相关的特征，而特征工程是指通过变换、组合等方式创建新的特征，两者是不同的概念，但都旨在提高模型性能。6.错解析：线性回归主要用于回归问题（预测连续值），也可以通过一些方法（如逻辑回归）用于分类问题，但它本质上是线性模型。7.错解析：神经网络的层数越多，理论上其表达能力越强（能拟合更复杂的函数），但这并不绝对，过深的网络可能导致训练困难、过拟合或梯度消失/爆炸问题。8.对解析：计算机视觉是人工智能的一个分支，致力于让计算机能够像人类一样“看”图像或视频，并从中提取信息、理解场景内容。9.错解析：在许多强化学习算法中（如Q-learning），智能体可能只在执行某个动作后的一定时间或遇到某个状态时才能获得奖励，并不总是知道每个动作的即时奖励。10.错解析：人工智能的发展正在对社会结构、就业市场、伦理规范、人际关系等产生深远且重大的影响。四、简答题1.简述人工智能“盲目搜索”算法的特点及其局限性。解析：盲目搜索算法（如DFS、BFS、UCS）的特点是它们在搜索过程中不利用关于解的特定信息或启发式知识，只是盲目地按照某种策略扩展节点。其局限性在于搜索效率可能很低，尤其是在解空间很大且解较深的情况下，可能搜索大量无关节点；并且它们无法保证找到最优解（对于路径长度等优化问题），也不能保证一定能找到解（如果解空间中存在死胡同或不可达解）。2.解释什么是“知识表示”，并简述其重要意义。解析：知识表示是指将人类知识（事实、规则、概念、关系等）用某种形式化的、计算机能够理解和处理的符号或模型进行编码和存储的过程。其重要意义在于：它是连接人类知识与计算机系统的桥梁，使得计算机能够存储、管理和运用知识；是构建智能系统（如专家系统、推理引擎）的基础，决定了系统能够进行何种类型的推理和解决问题；也是评估人工智能发展水平的重要指标之一。3.简述监督学习、无监督学习和强化学习的主要区别。解析：监督学习需要使用带有标签（或正确答案）的训练数据，目标是学习一个从输入到输出的映射函数，以对新的、未见过的输入进行预测或分类。无监督学习使用没有标签的数据，目标是发现数据中隐藏的结构、模式或关系，如聚类或降维。强化学习通过一个环境与智能体互动，智能体通过尝试不同的动作并获得奖励或惩罚来学习一个策略，目标是最大化长期累积奖励。主要区别在于学习数据类型（带标签/不带标签）、学习目标（映射/发现结构/策略）以及学习方式（输入-输出对/与环境交互）。4.简述神经网络中“反向传播”算法的基本思想。解析：反向传播（Backpropagation,BP）算法是训练神经网络的核心算法。其基本思想是：首先使用前向传播算法计算输入数据在网络中的输出，并将输出误差（实际输出与期望输出之差）从输出层反向传播到前一层；然后根据误差计算每个连接权重对总误差的影响（梯度）；最后根据计算出的梯度，使用梯度下降等优化方法调整网络中各个连接的权重，目的是最小化网络的整体输出误差，使网络学习到输入与输出之间的正确映射关系。五、计算题搜索过程：初始队列Q=[A(0,0)],父节点Parent={A:None}1.扩展A(0,0):邻居为(0,1),(1,0)。加入队列[(0,1,A),(1,0,A)]。Q=[(0,1,A),(1,0,A)]。Parent={(0,1):A,(1,0):A}2.扩展(0,1):邻居为(0,2),(1,1)。加入队列[(0,2,(0,1)),(1,1,(0,1))]。Q=[(1,0,A),(0,2,(0,1)),(1,1,(0,1))]。Parent={(0,2):(0,1),(1,1):(0,1)}3.扩展(1,0):邻居为(1,1),(2,0)。加入队列[(1,1,(1,0)),(2,0,(1,0))]。Q=[(0,2,(0,1)),(1,1,(1,0)),(2,0,(1,0))]。Parent={(1,1):(1,0),(2,0):(1,0)}4.扩展(0,2):邻居为(1,2)(障碍物),(1,1)(已扩展)。无法扩展新节点。Q=[(1,1,(1,0)),(2,0,(1,0))]。5.扩展(1,1):邻居为(1,0)(已扩展),(2,1)(障碍物),(2,2)(目标)。加入队列[(2,2,(1,1))]。Q=[(2,0,(1,0)),(2,2,(1,1))]。Parent={(2,2):(1,1)}6.扩展(2,0):邻居为(2,1)(障碍物),(1,0)(已扩展)。无法扩展新节点。Q=[(2,2,(1,1))]。7.扩展(2,2):到达目标，搜索结束。最终路径：从(2,2)回溯Parent：(2,2)->(1,1)(1,1)->(0,1)(0,1)->(0,0)路径为：A(0,0)->(0,1)->(1,1)->(2,2)。六、论述题结合当前人工智能的发展现状，论述人工智能在推动社会进步方面带来的机遇与挑战。请从至少两个方面谈谈机遇，至少两个方面谈谈挑战。在推动社会进步的机遇方面，首先，人工智能极大地提升了生产效率和经济增长潜力。