2026年计算机人工智能考试题及答案

2026年计算机人工智能考试题及答案一、单项选择题（本大题共20小题，每小题2分，共40分。在每小题给出的四个选项中，只有一项是符合题目要求的）1.在盲目搜索策略中，若问题有解，则（）一定能找到解，且当路径代价按路径长度递增时，能找到最短路径。A.深度优先搜索B.宽度优先搜索C.有序搜索D.最佳优先搜索2.在A算法中，评价函数f(n)=g(n)+h(n)，其中g(n)是从初始节点到节点n的实际代价，h(A.h(nB.h(nC.h(nD.h3.在博弈树搜索中，极小极大算法（Minimax）主要用于（）。A.确定性环境的单Agent规划B.随机环境的单Agent规划C.完全信息下的零和博弈D.不完全信息下的合作博弈4.下列关于贝叶斯网络的描述中，错误的是（）。A.贝叶斯网络是一种有向无环图B.图中的节点表示随机变量，有向边表示变量间的依赖关系C.每个节点都有一个条件概率表（CPT）D.贝叶斯网络中所有变量必须是离散的5.在决策树学习算法ID3中，选择划分属性的主要依据是（）。A.信息增益B.信息增益率C.基尼指数D.均方误差6.支持向量机（SVM）中，核函数的主要作用是（）。A.增加样本维度B.将低维空间的非线性可分问题映射到高维空间，使其线性可分C.减少样本数量D.防止过拟合7.在人工神经网络中，常用的Sigmoid激活函数f(x)A.fB.fC.1D.8.下列关于梯度下降法的描述，正确的是（）。A.梯度下降法一定能找到全局最优解B.学习率越大，收敛速度越快，且一定能收敛C.梯度下降法沿着梯度的反方向更新参数D.随机梯度下降（SGD）比批量梯度下降（BGD）每次迭代计算量更大9.卷积神经网络（CNN）中，池化层的主要作用是（）。A.增加网络深度B.提取非线性特征C.降低特征图维度，减少计算量和参数数量D.增加图像的分辨率10.循环神经网络（RNN）在处理长序列时容易遇到梯度消失或梯度爆炸问题，长短期记忆网络（LSTM）通过引入（）机制来解决这一问题。A.门控B.卷积C.残差连接D.注意力机制11.在强化学习中，Q-learning算法试图估计（）。A.状态价值函数VB.动作价值函数QC.策略函数πD.奖励函数R12.K-均值聚类算法（K-Means）的核心步骤包括初始化质心、分配样本到最近的质心以及（）。A.计算样本间距离B.更新质心位置C.计算轮廓系数D.剪枝13.下列不属于生成式模型的是（）。A.高斯混合模型（GMM）B.隐马尔可夫模型（HMM）C.朴素贝叶斯分类器D.逻辑回归14.在主成分分析（PCA）中，我们希望找到一个新的坐标系，使得数据在该坐标系上的投影（）。A.方差最小B.方差最大C.均值为0D.偏度为015.深度学习中的Dropout技术主要用于（）。A.加速训练过程B.减少模型参数C.防止过拟合D.提高模型精度16.AlphaGoZero与AlphaGo的主要区别在于（）。A.AlphaGoZero使用了人类棋谱数据B.AlphaGoZero只使用强化学习自我对弈C.AlphaGoZero使用了更复杂的策略网络D.AlphaGoZero没有使用蒙特卡洛树搜索17.在自然语言处理中，Word2Vec模型的目标是（）。A.将单词映射为实数向量，保留语义相似度B.将句子映射为实数向量C.进行文本分类D.进行命名实体识别18.Transformer模型中，多头注意力机制的主要目的是（）。A.降低计算复杂度B.从不同的表示子空间捕捉特征C.增加模型参数D.替代循环结构以处理序列19.在评估分类模型时，若正负样本极其不平衡，下列指标最可靠的是（）。A.准确率B.精确率C.召回率D.F1分数20.人工智能的三大学派通常被认为是符号主义、连接主义和（）。A.行为主义B.逻辑主义C.统计主义D.构造主义二、多项选择题（本大题共10小题，每小题3分，共30分。在每小题给出的四个选项中，有多项是符合题目要求的。全部选对得3分，选对得2分，有选错得0分）21.下列搜索算法属于完备搜索算法的有（）。A.深度优先搜索（DFS）B.宽度优先搜索（BFS）C.一致代价搜索（UCS）D.深度受限搜索（DLS）22.机器学习中的正则化方法包括（）。A.L1正则化B.L2正则化C.EarlyStoppingD.数据增强23.关于卷积神经网络（CNN）的描述，正确的有（）。A.局部连接机制减少了参数数量B.权值共享机制减少了参数数量C.卷积核的深度必须与输入特征图的深度一致D.池化操作通常带有可学习的参数24.下列属于强化学习基本要素的有（）。A.Agent（智能体）B.Environment（环境）C.Reward（奖励）D.Policy（策略）25.常用的深度学习优化算法包括（）。A.随机梯度下降（SGD）B.AdamC.RMSpropD.Adagrad26.关于隐马尔可夫模型（HMM），下列说法正确的有（）。A.假设状态序列是马尔可夫过程B.假设观测值仅依赖于当前状态C.包含前向算法和后向算法D.可以用于语音识别27.在构建决策树时，预剪枝和后剪枝的主要区别包括（）。A.预剪枝是在划分前评估，后剪枝是在生成完整树后剪枝B.预剪枝计算开销通常小于后剪枝C.预剪枝可能欠拟合，后剪枝风险通常更低D.后剪枝不能防止过拟合28.关于生成对抗网络（GAN），下列描述正确的有（）。A.包含生成器和判别器两个网络B.生成器试图骗过判别器C.判别器试图区分真实样本和生成样本D.训练过程是极小极大博弈29.下列属于无监督学习任务的有（）。A.聚类B.降维C.异常检测D.回归30.知识图谱中的三元组形式通常为（）。A.<头实体，关系，尾实体>B.<主语，谓语，宾语>C.<实体，属性，属性值>D.<节点，边，节点>三、填空题（本大题共10小题，每小题2分，共20分）31.在谓词逻辑中，量词∀表示________，量词∃表示________。32.在计算复杂性理论中，P类问题是指________，NP类问题是指________。33.在线性回归模型中，若使用最小二乘法作为损失函数，其目标是最小化________。34.感知机学习算法的收敛性定理指出：如果数据集是线性可分的，且学习率足够小，则感知机能够在________次迭代后收敛。35.在随机森林算法中，通过________技术来降低决策树之间的相关性。36.反向传播算法（BP）的核心思想是利用________误差来更新网络的权重。37.在图像处理中，卷积操作中的“步长”决定了________，而“零填充”决定了________。38.在强化学习中，贝尔曼最优方程描述了状态价值函数s)与动作价值函数s,a)之间的关系：s)=mas,a)。对于确定性策略，Q(39.在自然语言处理中，BERT模型的中文全称是________。40.常用的距离度量中，欧氏距离公式为d(四、简答题（本大题共5小题，每小题8分，共40分）41.简述人工智能、机器学习和深度学习三者之间的关系。42.简述梯度下降法中可能出现的问题及其解决方法。43.简述支持向量机（SVM）中“支持向量”的含义及其在模型中的作用。44.简述循环神经网络（RNN）的基本结构及其处理序列数据的原理。45.简述过拟合产生的原因及常用的解决策略。五、计算与分析题（本大题共3小题，每小题15分，共45分）46.设有一个简单的搜索问题，状态空间图如下（节点间的数字为路径代价）：A->B(4),A->C(1)B->D(3),B->E(8)C->B(2),C->D(7),C->F(5)D->G(2),F->G(3)目标节点为G。设启发式函数h(n)请利用A算法求解从A到G的最优路径。要求写出OPEN表和CLOSED表的变化过程，并说明最终路径及总代价。请利用A算法求解从A到G的最优路径。要求写出OPEN表和CLOSED表的变化过程，并说明最终路径及总代价。47.给定一个简单的二维数据集：(,其中，前两个样本属于正类（+1），第三个样本属于负类（-1）。(1)请构建一个简单的单层感知机模型（含偏置），使用阶跃函数作为激活函数。(2)初始权重=0,=48.已知一个简单的全连接神经网络，输入层有2个节点,，隐藏层有1个节点h（使用Sigmoid激活函数），输出层有1个节点y（使用Sigmoid激活函数）。网络参数如下：输入到隐藏层的权重=0.15,=隐藏层到输出层的权重=0.40,=0.45（注：此处仅一个隐藏节点，假设权重为给定一个训练样本(=0.05,请进行一次前向传播计算输出值，并计算输出层的误差项（假设使用均方误差损失函数E=六、AIGC与综合应用题（本大题共2小题，每小题25分，共50分）49.随着大语言模型（LLM）的兴起，PromptEngineering（提示工程）变得至关重要。请详细阐述提示工程的主要原则，并举例说明如何利用“Few-ShotLearning”（少样本学习）和“ChainofThought”（思维链）来提升模型在复杂推理任务上的表现。50.设计一个基于深度学习的图像分类系统，用于识别交通信号灯（红、绿、黄）。请详细回答以下问题：(1)数据准备阶段：如何收集和预处理数据？请说明数据增强的必要性及常用方法。(2)模型选择：你会选择哪种卷积神经网络架构（如ResNet,VGG,MobileNet等）？请说明理由。(3)训练策略：如何选择损失函数和优化器？如何解决训练过程中可能出现的过拟合问题？(4)评估与部署：除了准确率，还需要关注哪些指标？在移动端部署时，如何进行模型压缩？参考答案与解析一、单项选择题1.【答案】B【解析】宽度优先搜索（BFS）按层遍历，只要问题有解，BFS一定能找到解。当所有边代价相等时，它找到的是最短路径。深度优先搜索（DFS）不一定能找到最短路径，甚至可能陷入无限分支。有序搜索和最佳优先搜索依赖启发函数，不一定完备。2.【答案】A【解析】A算法的可采纳性条件要求启发函数h(n)不超过从节点n到目标节点的实际最小代价n)，即h(n)≤n3.【答案】C【解析】极小极大算法用于双人、零和、完全信息、轮流行动的博弈（如象棋、围棋）。4.【答案】D【解析】贝叶斯网络可以处理离散变量和连续变量（如高斯贝叶斯网络），并非必须全是离散变量。5.【答案】A【解析】ID3算法使用信息增益作为属性选择标准；C4.5使用信息增益率；CART分类树使用基尼指数。6.【答案】B【解析】核技巧通过映射函数ϕ(7.【答案】A【解析】设f(x)8.【答案】C【解析】梯度下降法沿梯度负方向更新以寻找极小值。A错误，非凸函数可能陷入局部最优；B错误，学习率过大可能导致震荡或不收敛；D错误，SGD每次迭代只使用一个样本，计算量通常小于BGD（使用所有样本）。9.【答案】C【解析】池化层（如最大池化、平均池化）用于下采样，减小特征图尺寸，从而减少计算量和参数，并具有一定的平移不变性。10.【答案】A【解析】LSTM引入了输入门、遗忘门和输出门等门控机制，有效控制信息的流动，缓解了长序列训练中的梯度消失问题。11.【答案】B【解析】Q-learning是一种基于值的算法，目标是学习动作价值函数Q(s,a)12.【答案】B【解析】K-Means算法迭代步骤：1.分配样本到最近的质心；2.更新质心（计算簇内所有点的均值）。13.【答案】D【解析】逻辑回归是判别式模型，直接建模P(Y|14.【答案】B【解析】PCA旨在找到数据方差最大的方向作为主成分，以保留最多的信息。15.【答案】C【解析】Dropout在训练过程中随机丢弃一部分神经元，防止神经元之间产生过度复杂的适应，从而抑制过拟合。16.【答案】B【解析】AlphaGoZero不再使用人类棋谱，完全从自我对弈中进行强化学习，且结合了蒙特卡洛树搜索和深度神经网络。17.【答案】A【解析】Word2Vec（包括CB和Skip-gram）将词映射为稠密低维实数向量，语义相近的词在向量空间中距离较近。18.【答案】B【解析】多头注意力机制允许模型在不同的位置关注来自不同表示子空间的信息，捕捉更丰富的特征依赖。19.【答案】D【解析】在样本不平衡时，准确率可能具有欺骗性（如全预测负类准确率也很高）。F1分数是精确率和召回率的调和平均，能更综合地反映模型性能。20.【答案】A【解析】人工智能三大学派：符号主义（逻辑主义）、连接主义（仿生学派）、行为主义（进化主义）。二、多项选择题21.【答案】BC【解析】宽度优先搜索（BFS）和一致代价搜索（UCS）是完备的。DFS在有无限深度分支时不完备；DLS受深度限制，若解深度超过限制则不完备。22.【答案】ABC【解析】L1、L2正则化是显式的正则化项；EarlyStopping是训练策略上的正则化；数据增强通常归类于数据层面的处理，虽能起到类似正则化效果，但在狭义的正则化方法定义中通常指前三者。但在广义上，D也可视为防止过拟合的手段。本题按教材常规定义选ABC，若视广义可选ABCD。此处严格按“正则化方法”选ABC。23.【答案】ABC【解析】CNN利用局部连接和权值共享减少参数。卷积核深度必须等于输入深度。池化层通常是降采样操作，没有需要学习的权重参数（最大池化/平均池化）。24.【答案】ABCD【解析】强化学习包含Agent、Environment、Reward、Policy、State、Action等，ABCD均为核心要素。25.【答案】ABCD【解析】SGD、Adam、RMSprop、Adagrad均为常用的深度学习优化器。26.【答案】ABCD【解析】HMM假设状态是马尔可夫链（一阶），观测仅依赖当前状态。包含前向-后向算法用于概率计算。广泛应用于语音识别、NLP等序列标注任务。27.【答案】ABC【解析】预剪枝在分支前判断，可能欠拟合但快；后剪枝生成树后剪枝，泛化性能通常更好，风险更低。D错误，后剪枝可以防止过拟合。28.【答案】ABCD【解析】GAN由生成器G和判别器D组成，G试图生成逼真样本骗过D，D试图区分真假，两者进行极小极大博弈。29.【答案】ABC【解析】聚类、降维、异常检测均属于无监督学习（输入数据无标签）。回归属于监督学习。30.【答案】ABCD【解析】知识图谱三元组可表示为<实体,关系,实体>或<实体,属性,值>，主谓宾结构与之对应。三、填空题31.【答案】全称量词；存在量词32.【答案】确定性多项式时间可解问题；确定性多项式时间可验证问题33.【答案】预测值与真实值差的平方和34.【答案】有限35.【答案】Bootstrap采样（或随机采样/特征随机选择）36.【答案】输出层到输入层反向传播的37.【答案】滑动的步长；输出特征图的尺寸38.【答案】折扣因子39.【答案】BidirectionalEncoderRepresentationsfromTransformers40.【答案】d四、简答题41.【答案】人工智能、机器学习和深度学习是包含与被包含的关系。人工智能（AI）是最宏观的概念，指由人制造出来的机器所表现出来的智能，旨在模拟、延伸和扩展人的智能。机器学习（ML）是人工智能的一个子集，它侧重于研究计算机系统如何通过数据学习并改进性能，而不需要进行显式的编程。它利用算法解析数据，从中学习，然后对世界上的某件事做出决定或预测。深度学习（DL）是机器学习的一个特定子领域，它受到人脑神经网络的启发，构建人工神经网络（尤其是深层神经网络）来模拟人脑的学习过程。深度学习能够处理非结构化的数据（如图像、声音、文本），并通常在大数据环境下表现优异。简言之：深度学习⊂机器学习⊂人工智能。42.【答案】梯度下降法可能出现的问题及解决方法：(1)局部最小值：非凸函数可能陷入局部最优而非全局最优。解决方法：使用模拟退火、动量法、随机梯度下降引入噪声跳出局部最优，或使用遗传算法等全局优化策略。(2)鞍点：在某些维度上升，某些维度下降，梯度接近0导致停滞。解决方法：使用动量法或自适应优化算法（如Adam）。(3)梯度消失/爆炸：深层网络中梯度可能变得极小或极大。解决方法：使用Xavier/He初始化、BatchNormalization、残差连接、梯度裁剪。(4)震荡：学习率过大导致在极小值附近来回跳跃。解决方法：调整学习率、使用学习率衰减策略。43.【答案】支持向量是距离超平面最近的那些样本点。作用：(1)决定超平面位置：支持向量机旨在最大化间隔，而间隔完全由支持向量决定，其他样本点对超平面的位置没有影响。(2)模型泛化能力：支持向量是模型中最“难”分类的样本，决定了决策边界的复杂性。(3)稀疏性：在最终模型中，只有支持向量对应的拉格朗日乘子非零，这使得模型具有稀疏性，计算预测时只需考虑支持向量。44.【答案】基本结构：RNN包含输入层、隐藏层和输出层。其核心特点是隐藏层之间存在环状连接，即当前时刻的隐藏状态不仅取决于当前输入，还取决于上一时刻的隐藏状态。处理序列原理：设输入序列为,,...,。RNN在每个时间步t接收输入和上一时刻的隐藏状态，通过激活函数计算当前时刻的隐藏状态=σ(这种结构使得RNN能够将历史信息（通过）传递到当前时刻，从而对序列中的上下文信息进行建模，适用于语言模型、机器翻译等任务。45.【答案】原因：(1)训练数据太少，样本不足以代表总体分布。(2)模型过于复杂（参数过多），导致模型“死记硬背”了训练数据中的噪声，而不是学习到了通用特征。解决策略：(1)数据层面：获取更多训练数据；使用数据增强。(2)模型层面：简化模型结构（减少层数、神经元数）；使用正则化（L1,L2,Dropout）。(3)训练策略：早停法；交叉验证。(4)集成方法：Bagging（如随机森林）。五、计算与分析题46.【答案】A算法搜索过程：A算法搜索过程：初始化：OPEN={A(0+7=7)},CLOSED={}第1步：取出A，CLOSED={A}。展开A得B(4+4=8),C(1+5=6)。OPEN={C(6),B(8)}第2步：取出C，CLOSED={A,C}。展开C得B(1+2+4=7),D(1+7+2=10),F(1+5+2=8)。B已在OPEN中，原代价8，新代价7，更新B。OPEN={B(7),F(8),D(10)}第3步：取出B，CLOSED={A,C,B}。展开B得D(4+3+2=9),E(4+8+3=15)。D已在OPEN中，原代价10，新代价9，更新D。OPEN={D(9),F(8),E(15)}第4步：取出F，CLOSED={A,C,B,F}。展开F得G(8+3+0=11)。OPEN={D(9),G(11),E(15)}第5步：取出D，CLOSED={A,C,B,F,D}。展开D得G(9+2+0=11)。G已在OPEN中，原代价11，新代价11，不变。OPEN={G(11),E(15)}第6步：取出G，G为目标节点，结束。回溯路径：G<D<B<C<A。最优路径：A->C->B->D->G。总代价：1(A-C)+2(C-B)+3(B-D)+2(D-G)=8。47.【答案】(1)感知机模型：y=f(++(2)更新规则：若样本被误分类，则←+η·初始：w=迭代1：选样本(3,3,+1)。计算z=03+03+0=0，预测y=预测正确，不更新。（注：若初始z=0判为-1，则更新。此处假设判为1）。选样本(1,1,-1)。计算z=0，预测预测错误（真实-1）。更新：=0=0b=此时w=迭代2：重新扫描样本。选样本(3,3,+1)。z=−13+−131预测错误（真实+1）。更新：=−=−b=此时w=48.【答案】(1)前向传播：隐藏层输入：ne=隐藏层输出：o输出层输入：ne=输出层输出：=(2)误差计算：总误差：=输出层误差项（δ）：==0.688六、AIGC与综合应用题49.【答案】提示工程的主要原则：1.清晰明确：指令必须无歧义，明确告知模型任务、角色和输出格式。2.提供上下文：给予足够的背景信息，帮助模型理解场景。3.拆解任务：将复杂任务分解为简单步骤。4.指定输出格式：要求模型以JSON、列表等特定格式输出，便于后续处理。Few-ShotLearning（少样本学习）应用：原理：在提示中提供少量示例（输入-输出对），让模型模仿模式。