2026年人工智能导论习题(附参考答案)

2026年人工智能导论习题(附参考答案)一、单项选择题（本大题共15小题，每小题2分，共30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）1.1956年，（）等人在达特茅斯会议上首次提出了“人工智能”这一术语，标志着人工智能学科的诞生。A.图灵B.麦卡锡C.冯·诺依曼D.香农2.在人工智能的研究方法中，通过模拟人脑的神经元结构及其连接机制来实现智能功能的方法称为（）。A.符号主义B.连接主义C.行为主义D.逻辑主义3.在搜索策略中，breadth-firstsearch(BFS)属于（）。A.盲目搜索B.启发式搜索C.最佳优先搜索D.爬山算法4.在A算法中，评估函数f(n)=g(n)+h(n)，其中hA.h(n)≤n)（B.h(nC.hD.h(5.在谓词逻辑中，合取范式（CNF）是指由若干子句的合取构成的公式，其中每个子句是若干文字的（）。A.合取B.析取C.蕴含D.等价6.决策树学习算法中，ID3算法使用（）作为选择分裂属性的标准。A.基尼指数B.信息增益C.信息增益率D.均方误差7.下列关于支持向量机（SVM）的描述，错误的是（）。A.SVM的目标是寻找一个超平面，使得训练数据集中的点距离该超平面尽可能远B.SVM只能用于线性可分的数据C.引入核函数可以将非线性可分问题映射到高维空间，使其线性可分D.SVM是一种二分类模型8.在贝叶斯分类中，朴素贝叶斯分类器做了一个很强的假设，即（）。A.特征之间是相互独立的B.类别之间是相互独立的C.样本之间是相互独立的D.特征和类别是独立的9.在人工神经网络中，常用的激活函数Sigmoid的表达式为（）。A.fB.fC.fD.f10.卷积神经网络（CNN）中，池化层的主要作用是（）。A.增加数据的维度B.提取特征C.降低特征图的维度，减少计算量，并防止过拟合D.增加非线性11.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的问题，为了解决这个问题，引入了（）结构。A.LSTM(长短期记忆网络)B.LeNetC.AlexNetD.ResNet12.在强化学习中，Agent通过与Environment交互，目标是最大化累积奖励。Q-learning是一种基于（）的算法。A.策略梯度B.价值迭代C.模型预测D.遗传算法13.AlphaGo结合了（）和蒙特卡洛树搜索，在围棋领域取得了突破性进展。A.专家系统B.深度神经网络C.支持向量机D.决策树14.下列关于生成对抗网络（GAN）的描述，正确的是（）。A.包含一个生成器和一个判别器，它们进行对抗训练B.只包含一个生成器C.只包含一个判别器D.不需要训练数据15.人工智能伦理中，算法的可解释性主要关注（）。A.算法的运行速度B.算法的存储空间C.人类能否理解算法的决策过程D.算法的准确率二、多项选择题（本大题共5小题，每小题3分，共15分。在每小题给出的四个选项中，有两项或两项以上是符合题目要求的）16.人工智能的主要分支包括（）。A.计算机视觉B.自然语言处理C.机器学习D.专家系统17.常用的启发式搜索算法包括（）。A.A算法A.A算法B.贪婪最佳优先搜索C.深度优先搜索D.模拟退火算法18.机器学习按照学习方式可以分为（）。A.监督学习B.无监督学习C.半监督学习D.强化学习19.深度学习中常用的优化器包括（）。A.随机梯度下降（SGD）B.AdamC.RMSpropD.Adagrad20.下列属于知识表示方法的有（）。A.产生式表示法B.框架表示法C.语义网络D.一阶谓词逻辑三、填空题（本大题共10小题，每小题2分，共20分）21.图灵测试是由________提出的，用来测试机器是否具有人类智能。22.在状态空间搜索中，一个完整的状态空间通常包含初始状态、________和操作符。23.谓词逻辑推理中，归结原理的核心步骤是________和置换。24.在机器学习中，如果模型在训练集上表现很好，但在测试集上表现很差，这种现象称为________。25.感知机是神经网络的起源，它只能解决________问题。26.K-均值聚类算法是一种________（填“监督”或“无监督”）学习算法。27.在反向传播算法中，权值的更新通常基于________下降法。28.在自然语言处理中，Word2Vec模型将词语映射为低维实数向量，相似的词语在向量空间中距离________。29.在强化学习中，Agent的行为策略通常用函数π(a|s)30.Transformer模型核心引入了________机制，极大地提升了模型对长距离依赖关系的捕捉能力。四、判断题（本大题共10小题，每小题1分，共10分。正确的打“√”，错误的打“×”）31.盲目搜索不需要任何关于问题的领域知识，只依靠问题的结构信息。（）32.A算法在启发式函数h(n)33.在一阶谓词逻辑中，量词的辖域可以任意交换而不改变公式的真值。（）34.决策树算法不需要对数据进行特征缩放（归一化或标准化）。（）35.K-近邻算法（KNN）是一种懒惰学习算法，它在训练阶段不做任何处理，直到收到测试样本才开始计算。（）36.神经网络的层数越深，模型的性能一定越好。（）37.所有的机器学习算法都需要显式的特征工程。（）38.在非确定性博弈中，Minimax算法需要引入概率期望。（）39.计算机视觉中的边缘检测通常使用高通滤波器。（）40.强人工智能是指创造出能像人类一样思考、具有自我意识的机器，目前我们已经实现了强人工智能。（）五、简答题（本大题共4小题，每小题5分，共20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.简述在A算法中，启发式函数h(n)43.简述支持向量机（SVM）中“支持向量”的含义及其在模型构建中的作用。44.简述卷积神经网络（CNN）中卷积层的两个主要特性：局部感知野和权值共享。六、应用题（本大题共3小题，共55分）45.（15分）图搜索与A算法45.（15分）图搜索与A算法假设有一个图结构如下，节点代表城市，连线代表道路，连线上的数字代表距离（代价）。节点关系：S连接到A(代价1)，B(代价4)；A连接到C(代价3)，D(代价2)；B连接到G(代价5)；C连接到G(代价4)；D连接到G(代价1)。假设目标节点是G。启发式函数h(h(请使用A算法（使用OPEN表和CLOSED表）详细描述从S到G的搜索过程，并给出最终的最优路径及其总代价。请使用A算法（使用OPEN表和CLOSED表）详细描述从S到G的搜索过程，并给出最终的最优路径及其总代价。46.（20分）决策树与信息增益给定一个训练数据集，包含14个样本，用于判断“是否去打网球”。属性包括“天气”、“湿度”、“有风”。数据如下：天气=晴天：5个样本（3个Yes，2个No）天气=阴天：4个样本（4个Yes，0个No）天气=雨天：5个样本（2个Yes，3个No）总样本中：Yes=9，No=5。(1)请计算该数据集关于类别属性的熵En(2)请计算属性“天气”的信息增益Ga(3)根据计算结果，说明如果使用ID3算法构建决策树，根节点应该选择哪个属性？（注：本题只需计算“天气”属性，若需比较请说明）。47.（20分）神经网络前向传播与反向传播计算假设有一个简单的两层神经网络（不含偏置项以便计算）。输入层有2个神经元：,。隐藏层有2个神经元：,，激活函数为Sigmoid函数σ(输出层有1个神经元：y，激活函数为线性恒等函数（即=）。网络权值如下：输入层到隐藏层：=0.1,=0.2,=0.3隐藏层到输出层：=0.5,=0.6。（其中给定一个训练样本：输入=0.5,=学习率η=(1)请进行一次前向传播，计算隐藏层的输出,以及输出层的实际输出。(2)假设损失函数为均方误差E=(t(3)计算隐藏层神经元的误差项。(4)计算权值的更新量Δ和更新后的新权值。参考答案一、单项选择题1.B2.B3.A4.A5.B6.B7.B8.A9.B10.C11.A12.B13.B14.A15.C二、多项选择题16.ABCD17.AB18.ABCD19.ABCD20.ABCD三、填空题21.艾伦·图灵22.目标状态（或一组目标状态）23.消解24.过拟合25.线性可分26.无监督27.梯度28.较近（或接近）29.概率30.自注意力四、判断题31.√32.√33.×（全称量词和存在量词不能随意交换）34.√35.√36.×（可能出现过拟合、梯度消失等问题，且不是越深越好）37.×（深度学习可以自动提取特征）38.√39.√40.×（目前仅实现了弱人工智能）五、简答题41.人工智能、机器学习和深度学习三者之间的关系：人工智能（AI）是一个最广泛的概念，指由人制造出来的机器所表现出来的智能，它包含了所有让机器模拟人类智能的方法和技术。机器学习（ML）是人工智能的一个子集，它专门研究计算机系统如何通过数据来改进性能，而不需要进行显式的编程。机器学习是实现人工智能的一种重要方法。深度学习（DL）是机器学习的一个子集，它受人脑神经元结构的启发，构建具有多层结构的深度神经网络，能够处理海量数据并自动提取复杂的特征。深度学习是机器学习中目前非常热门的一个技术分支。简而言之，三者的包含关系是：人工智能⊃机器学习⊃深度学习。42.A算法中启发式函数h(启发式函数h(n)估计从节点n到目标节点的最小代价。h(n)的设计直接影响A算法的搜索效率：启发式函数如果h(n)的估计值越接近实际代价n)，搜索效率通常越高，因为算法能更准确地导向目标。如果如果h(如果h(可采纳性是指：对于所有节点n，启发式函数h(n)都不超过从n到目标节点的实际最小代价n)，即43.支持向量机中“支持向量”的含义及作用：在支持向量机（SVM）中，支持向量是指距离决策超平面最近的那些训练样本点。作用：支持向量决定了最优超平面的位置和方向。最优超平面的构建完全依赖于这些支持向量。其他非支持向量的样本点对超平面的构建没有影响。正是依赖于支持向量，SVM具有很好的鲁棒性，且支持向量的数量通常较少，使得模型具有较好的稀疏性。44.CNN卷积层的局部感知野和权值共享：局部感知野：在卷积层中，每个神经元（卷积核）并不像全连接层那样与输入层的所有神经元连接，而是只与输入层的一个局部区域（窗口）相连接。这种设计利用了图像数据的空间局部相关性，即图像的局部像素特征相关性较强，提取局部特征（如边缘、纹理）。权值共享：在同一个卷积层中，用于提取特征的卷积核（滤波器）的权值参数在输入图像的不同位置上是共享的。这意味着无论特征出现在图像的哪个位置，都可以用同一组权值来检测。权值共享极大地减少了模型的参数数量，降低了计算复杂度，并使模型具有平移等变性。六、应用题45.图搜索与A算法解：A算法利用评估函数f(n)初始状态：OPEN=[S],CLOSED=[]。步骤1：取出S。g(扩展S的后继节点A,B。节点A：g(A)节点B：g(B)将S移入CLOSED。OPEN=[A(f=5),B(f=7)]。步骤2：取出f值最小的节点A。g(扩展A的后继节点C,D。节点C：g(C)节点D：g(D)将A移入CLOSED。OPEN=[D(f=4),B(f=7),C(f=6)]（重新排序：D,C,B）。步骤3：取出f值最小的节点D。g(扩展D的后继节点G。节点G：g(G)将D移入CLOSED。OPEN=[G(f=4),B(f=7),C(f=6)]（重新排序：G,C,B）。步骤4：取出f值最小的节点G。G是目标节点，算法结束。回溯路径：G<D<A<S。结果：最优路径为：S→总代价：g(46.决策树与信息增益解：总样本数D=(1)计算数据集的熵EnE=EE（精确值约为0.940）(2)计算属性“天气”的信息增益：属性“天气”有三个取值：=晴天，=阴天，=雨天。晴天()：5个样本(3Yes,2No)E阴天()：4个样本(4Yes,0No)E雨天()：5个样本(2Yes,3No)E计算条件熵EnE==计算信息增益GaG=(3)结论：计算得出Ga（注：在完整的ID3算法中，我们需要计算所有属性