北京交通大学《人工智能》期末考试试题及答案

北京交通大学《人工智能》期末考试试题及答案考试时间：______分钟总分：______分姓名：______一、选择题（每小题2分，共20分。请将正确选项的代表字母填写在答题纸上。）1.下列哪一项不属于人工智能领域的主要研究任务？A.机器学习B.自然语言处理C.机器人控制D.空间探索2.在人工智能问题求解中，深度优先搜索算法通常采用哪种数据结构来存储待扩展节点？A.队列(Queue)B.栈(Stack)C.集合(Set)D.字典(Dictionary)3.以下哪种搜索算法属于启发式搜索？A.深度优先搜索B.广度优先搜索C.A*搜索算法D.插值搜索4.谓词逻辑中使用哪些符号来表示量词？A.→和↔B.∀和∃C.∧和∨D.≠和=5.在知识表示中，语义网络主要使用什么来表示实体之间的关系？A.谓词和量词B.结点和边C.规则和事实D.树和图6.下列哪种算法通常用于无监督学习中的聚类任务？A.决策树(DecisionTree)B.支持向量机(SVM)C.K-均值聚类(K-means)D.神经网络(NeuralNetwork)7.神经网络中，用于计算节点输入加权和的步骤称为？A.激活(Activation)B.前向传播(ForwardPropagation)C.反向传播(Backpropagation)D.权重更新(WeightUpdate)8.在机器学习中，过拟合现象指的是？A.模型对训练数据拟合得很好，但对未见数据泛化能力差B.模型对训练数据拟合得不好，需要更多数据C.模型参数过多，计算复杂度高D.模型无法处理非线性关系9.决策树算法中，常用的用于选择分裂属性的方法是？A.信息增益(InformationGain)B.熵(Entropy)C.相对熵(RelativeEntropy)D.均值绝对偏差(MeanAbsoluteDeviation)10.专家系统通常由哪几个主要部分组成？A.知识库、推理机、数据库B.用户界面、知识获取、知识表示C.算法设计、代码实现、测试D.数据分析、模型训练、结果评估二、填空题（每小题2分，共20分。请将答案填写在答题纸上。）1.人工智能的发展大致经历了______、______和______三个主要阶段。2.图搜索算法中，盲目搜索是指______的搜索，而启发式搜索则利用______来指导搜索方向。3.在谓词逻辑中，`∀x(P(x)→Q(x))`的含义是______。4.决策树是一种基于______的机器学习方法，它通过一系列规则对数据进行分类或回归。5.神经网络中，______层负责接收输入信号，______层负责计算并输出最终结果。6.机器学习中的监督学习需要______标签的数据进行训练。7.在自然语言处理中，词向量是一种将词语表示为______的方法。8.专家系统中的______负责存储和使用领域知识。9.人工智能伦理关注人工智能发展带来的______和______问题。10.算法的时间复杂度通常用______和______两种度量方法来描述。三、简答题（每小题5分，共20分。请将答案填写在答题纸上。）1.简述深度优先搜索（DFS）的基本思想和实现过程。2.简述A*搜索算法与盲目搜索（如BFS）相比的主要优势。3.简述机器学习中过拟合和欠拟合的概念及其可能的原因。4.简述神经网络中反向传播算法的基本思想。四、计算题（每小题10分，共20分。请将答案填写在答题纸上。）1.假设有一个简单的搜索问题，状态空间如图S所示（A为初始状态，G为目标状态，边表示可移动的路径，边旁标注为该路径的代价）：```A(0)--5-->B(2)--3-->C(3)|^||2|||v|4|1v|vD(1)--7-->E(4)--2-->F(5)--G(6)```请使用A*搜索算法（选择合适的启发式函数h，例如h(B)=3,h(C)=2,h(D)=4,h(E)=1,h(F)=1,h(G)=0）找到从A到G的最优路径，并给出该路径的路径代价。要求写出搜索过程的关键步骤（如扩展节点、当前最优路径及其代价）。2.假设有一个数据集D，包含以下样本及其类别标签：|实例|特征1|特征2|类别||------|-------|-------|------||1|0|0|A||2|1|0|A||3|0|1|B||4|1|1|B|现在要使用决策树算法（基于信息增益）对这四个样本进行分类，请计算选择特征1和特征2作为根节点分裂点的信息增益（信息熵H(S)=-p1*log2(p1)-p2*log2(p2)，其中pi为类别i在S中出现的概率）。哪个特征作为根节点分裂信息增益更大？五、算法设计题（10分。请将答案填写在答题纸上。）设计一个简单的算法，用于在给定的一组数字中找出所有重复出现的数字，并将它们按从小到大的顺序输出。要求描述算法的基本步骤（可以用自然语言描述，或伪代码形式），不需要编写具体编程语言的代码。六、论述题（10分。请将答案填写在答题纸上。）结合当前人工智能的发展趋势，论述人工智能技术在解决社会问题（如教育、医疗、环境等）方面所展现的潜力以及可能面临的挑战。试卷答案一、选择题1.D2.B3.C4.B5.B6.C7.B8.A9.A10.A二、填空题1.初期、中期、近期2.没有启发信息、启发式函数h(n)3.对所有x，如果P(x)为真，则Q(x)也为真4.决策树5.输入、输出6.标注7.向量8.知识库9.社会公平、伦理道德10.大O表示法、大Ω表示法三、简答题1.解析思路：DFS采用递归或栈的方式，从初始状态出发，沿一条路径不断扩展节点，直到达到目标状态或无法继续扩展。每一步只选择一个未访问过的相邻节点进行扩展，直到找到目标或回溯。2.解析思路：A*搜索结合了实际代价g(n)和预估代价h(n)，选择f(n)=g(n)+h(n)最小的节点进行扩展，能有效减少扩展的节点数量，避免盲目搜索可能出现的冗长搜索路径或陷入死胡同，从而更高效地找到最优解。3.解析思路：过拟合指模型对训练数据学习得太好，包括训练数据中的噪声和细节，导致泛化能力差，在未见数据上表现不佳。欠拟合指模型过于简单，未能捕捉到数据中的基本模式，在训练数据和未见数据上都表现不佳。原因可能包括模型复杂度不够、训练数据不足或噪声、特征选择不当等。4.解析思路：反向传播算法是神经网络学习的关键步骤。其基本思想是：首先进行前向传播计算输出误差，然后将误差从输出层反向传播到隐藏层，逐层计算每一层神经元的误差贡献，并根据误差调整神经元之间的连接权重，目的是最小化预测输出与实际目标之间的差异。四、计算题1.解析思路：A*算法核心是维护一个优先队列（或开放列表），按f(n)=g(n)+h(n)排序。从A开始，g(A)=0,h(A)=0,f(A)=0。扩展A，得到B和D，计算f值，B(f=3),D(f=4)。选择f最小的B扩展，得到C和E，计算f值，C(f=5),E(f=4)。选择f最小的E扩展，得到F和G，计算f值，F(f=5),G(f=6)。选择f最小的G为目标。回溯路径A->E->F->G，代价为0+4+2+2=8。搜索过程：-初始队列:A(0,0)-扩展A:队列:B(3,3),D(4,4)-扩展B:队列:D(4,4),C(5,2),E(7,1)-扩展D:队列:C(5,2),E(7,1)-扩展C:队列:E(7,1),F(7,1)-扩展E:队列:F(7,1),G(8,0)-扩展F:队列:G(8,0)-扩展G:目标达成。最优路径A->E->F->G，代价8。2.解析思路：计算整体熵H(S)。S中A类有2个，B类有2个，pA=0.5,pB=0.5。H(S)=-0.5*log2(0.5)-0.5*log2(0.5)=1。计算特征1分裂后的子节点的熵：-S1(A):A类1个，熵H(S1(A))=0。-S1(B):B类1个，熵H(S1(B))=0。-H(S|特征1)=(2/4)*H(S1(A))+(2/4)*H(S1(B))=0.5*0+0.5*0=0。计算特征2分裂后的子节点的熵：-S2(0):A类1个，B类1个，熵H(S2(0))=1。-S2(1):A类1个，B类1个，熵H(S2(1))=1。-H(S|特征2)=(2/4)*H(S2(0))+(2/4)*H(S2(1))=0.5*1+0.5*1=1。信息增益=H(S)-H(S|特征1)=1-0=1。信息增益(特征2)=H(S)-H(S|特征2)=1-1=0。特征1的信息增益更大。五、算法设计题解析思路：可以使用哈希表（字典）来记录每个数字出现的次数。遍历所有数字，对于每个数字，查看其在哈希表中的计数。如果计数为1，则将其加入哈希表；如果计数已经为2，则该数字是重复的，将其加入一个结果列表。遍历结束后，对结果列表进行排序并输出。算法步骤：1.初始化一个空的哈希表count_dict用于记录数字出现的次数，初始化一个空列表duplicates用于存储重复的数字。2.遍历给定数字列表num_list中的每一个数字num：a.如果num不在count_dict中，将num作为键，值1加入count_dict。b.如果num已经在count_dict中，说明num是重复的：i.检查count_dict[num]是否已经是2，如果是，则将num加入duplicates列表。ii.如果count_