江西财经大学-人工智能-历年考博真题及答案

江西财经大学人工智能考博真题2014-2017历年考博真题及答案2014年简答题简述什么是人工智能？人工智能（学科）是计算机科学中涉及研究、设计和应用智能机器的一个分支。它的近期主要目标在于研究用机器来模仿和执行人脑的某些智能功能，并开发相关理论和技术。人工智能（能力）是智能机器所执行的通常与人类智能有关的功能，如判断、推理、证明、识别、感知、理解、设计、思考、规划、学习和问题求解等思维活动。目前人工智能有几大学派，分别是什么？书上：(1)符号主义(symbolicism)，又称为逻辑主义(logicism)、心理学派(psychlogism)或计算机学派(computerism)，其原理主要为物理符号系统假设和有限合理性原理。(2)连接主义(connectionism)，又称为仿生学派(biònicsism)或生理学派(physiologism),其原理主要为神经网络及神经网络间的连接机制与学习算法。(3)行为主义(actionism)，又称进化主义(evolutionism)或控制论学派(cyberneticsism),其原理为控制论及感知-动作型控制系统。符号主义(Symbolicism)：认为人类的智能的基本单元是符号，认知过程是符号表示下的符号运算，从而思维就成了符号运算。大多数比较成功的专家系统是建立在符号主义的基础上（知识的表示）。联结主义（Connectionism）：认为人工神经网络的基本单元是神经元，而不是符号处理过程。认知过程是由神经网络构成的，是并行分布的。行为主义（Actionism）：认为人工智能源于控制论。智能取决于感知和行动，提出智能行为的“感知—动作”模式。行为主义者认为智能不需要知识、不需要表示、不需要推理。什么是宽度优先搜索，其优缺点？以接近起始节点的程度逐层扩展节点的搜索方法(breadth-firstsearch)。这种搜索是逐层进行的;在对下一层的任一节点进行搜索之前，必须搜索完本层的所有节点。优点：宽度优先搜索方法能够保证在搜索树中找到一条通向目标节点的最短途径。缺点：盲目搜索的效率低，耗费过多的计算空间与时间。只适用于求解比较简单的问题。简述模糊逻辑推理方法？模糊逻辑推理是建立在模糊逻辑基础上的，它是一种不确定性推理方法，是在二值逻辑三段论基础上发展起来的。这种推理方法以模糊判断为前提，动用模糊语言规则，推导出一个近似的模糊判断结论。简述人工神经网络，并给出基本类型。人工神经网络由神经元模型构成，这种由许多神经元组成的信息处理网络具有并行分布结构。每个神经元具有单一输出，并且能够与其他神经元连接；存在许多(多重)输出连接方法，每种连接方法对应于一个连接权系数。严格地说，人工神经网络是一种具有下列特性的有向图：(1)对于每个节点i存在一个状态变量Xi;(2)从节点i至节点j，存在一个连接权系数Wij;(3)对于每个节点i，存在一个阈值θi人工神经网络的结构基本上分为两类，即递归(反馈)网络和前馈网络，什么是机器学习？机器学习是研究机器模拟人类的学习活动、获取知识和技能的理论和方法，以改善系统性能的学科。。简述遗传算法及其特点？遗传算法是模仿生物遗传学和自然选择机理，通过人工方式所构造的一类优化搜索算法，是对生物进化过程进行的一种数学仿真，是进化计算的最重要的形式。遗传算法为那些难以找到传统数学模型的难题指出了一个解决方法。进化计算和遗传算法借鉴了生物科学中的某些知识，这也体现了人工智能这一交叉学科的特点。1.遗传算法的特点(1)遗传算法是对参数集合的编码而非针对参数本身进行进化；(2)

遗传算法是从问题解的编码组开始而非从单个解开始搜索；(3)

遗传算法利用目标函数的适应度这一信息而非利用导数或其它辅助信息来指导搜索；(4)

遗传算法利用选择、交叉、变异等算子而不是利用确定性规则进行随机操作。什么是不确定性推理？不确定性推理(reasoningwithuncertainty)也是一种建立在非经典逻辑基础上的基于不确定性知识的推理，它从不确定性的初始证据出发，通过运用不确定性知识，推出具有一定程度的不确定性的和合理的或近乎合理的结论。计算题P(h1)=0.4p(h2)=0.3p（h3）=0.3P(e1|h1)=0.5p(E1|H2)=0.6p(E1|H3)=0.3P(E2|H1)=0.7P(E2|H2)=0.9P(E2|H3)=0.1Question1:P(H2|E1)Question2:P(H3|E2)Question3:P(H1|E1E2)P(E1)=sigma(P(E1|Hi)*P(Hi))=0.5*0.4+0.6*0.3+0.3*0.3=0.2+0.18+0.09=0.47P(H2|E1)=p(H2)P(E1/H2)/P(E1)=0.3*0.6/0.47=0.383P(E2)=P(E2|H1)P(h1)+P(E2|H2)p(h2)+P(E2|H3)p（h3）=0.7*0.4+=p(H1)P(E1|H1)P(E2|H1)/sigmaP(E1|H1)P(E2|H1)P(H1)+P(E1|H2)P(E2|H2)P(H2)+P()Theformula:搜索题给出宽度优先搜索算法（流程图或伪代码）1）把起始节点放到OPEN表中(如果该起始节点为一目标节点，则求得一个解答)。

2）如果OPEN是个空表，则没有解，失败退出；否则继续。

3）把第一个节点(节点n)从OPEN表移出，并把它放入CLOSED的扩展节点表中。

4）扩展节点n。如果没有后继节点，则转向上述第(2)步。

5）把n的所有后继节点放到OPEN表的末端，并提供从这些后继节点回到n的指针。

6）如果n的任一个后继节点是个目标节点，则找到一个解答，成功退出；否则转向第(2)步。

给出深度优先搜索算法（流程图或伪代码）若采用深度优先搜索算法，写出到达目标节点K所经历的节点序列论述题论述机器学习的主要策略和基本结构按照学习中使用推理的多少，机器学习所采用的策略大体上可分为4种———机械学习、传授学习、类比学习和示例学习。

机械学习（死记硬背）

传授学习（灌输；推理、翻译、转化）

类比学习（模仿；寻找相似的案例）

示例学习（举一反三,归纳，抽象）机械学习就是记忆，是最简单的学习策略。这种学习策略不需要任何推理过程。外界输入知识的表示方式与系统内部表示方式完全一致，不需要任何处理与转换。虽然机械学习在方法上看来很简单，但由于计算机的存储容量相当大，检索速度又相当快，而且记忆精确、无丝毫误差，所以也能产生人们难以预料的效果。塞缪尔的下棋程序就是采用了这种机械记忆策略。为了评价棋局的优劣，他给每一个棋局都打了分，对自己有利的分数高，不利的分数低，走棋时尽量选择使自己分数高的棋局。这个程序可记住53000多棋局及其分值，并能在对弈中不断地修改这些分值以提高自己的水平，这对于人来说是无论如何也办不到的。比机械学习更复杂的是示教学习策略。对于使用示教学习策略的系统来说，外界输入知识的表达方式与内部表达方式不完全一致，系统在接受外部知识时需要一点推理、翻译和转化工作。MYCIN、DENDRAL等专家系统在获取知识上都采用这种学习策略。类比学习系统只能得到完成类似任务的有关知识，因此，学习系统必须能够发现当前任务与已知任务的相似之点，由此制定出完成当前任务的方案，因此，比上述两种学习策略需要更多的推理。采用示例学习策略的计算机系统，事先完全没有完成任务的任何规律性的信息，所得到的只是一些具体的工作例子及工作经验。系统需要对这些例子及经验进行分析、总结和推广，得到完成任务的一般性规律，并在进一步的工作中验证或修改这些规律，因此需要的推理是最多的。此外，还有基于解释的学习、决策树学习、增强学习和基于神经网络的学习等。图7.1表示学习系统的基本结构。环境向系统的学习部分提供某些信息，学习部分利用这些信息修改知识库，以增进系统执行部分完成任务的效能，执行部分根据知识库完成任务，同时把获得的信息反馈给学习部分。在具体的应用中，环境、知识库和执行部分决定了具体的工作内容，学习部分所需要解决的问题完全由上述3部分确定。下面分别叙述这3部分对设计学习系统的影响。影响学习系统设计的最重要因素是环境向系统提供的信息，或者更具体地说是信息的质量。知识库是影响学习系统设计的第二个因素。知识的表示有特征向量、一阶逻辑语句、产生式规则、语义网络和框架等多种形式。

选择知识表达方式的四原则：(1)表达能力强.(2)易于推理。(3)容易修改知识库。(4)知识表示易于扩展。论述经典推理和非经典推理长期以来，形式逻辑和数理逻辑的研究和应用一直处于主导地位。然而，这两种逻辑存在一些局限性，无法解决面临的一些应用问题，从而出现了一-些新的逻辑学派。人们把这些新的逻辑学派称为非经典逻辑，其相应的推理方法则叫做非经典推理。与此相应地把传统的逻辑学派及其推理方法称为经典逻辑和经典推理。可从如下5点来说明非经典逻辑和非经典推理与经典逻辑和经典推理的区别:(1)在推理方法上，经典逻辑采用演绎逻辑推理，而非经典逻辑采用归纳逻辑推理。(2)在辖域取值上，经典逻辑都是二值逻辑，即只有真(True)和假(False)两种，而非经典逻辑都是多值逻辑，如三值、四值和模糊逻辑等。(3)在运算法则上，两者也不大相同。属于经典逻辑的形式逻辑和数理逻辑，它们的许多运算法则在非经典逻辑中就不能成立。例如，三值逻辑就不遵循谓词逻辑中的双重否定法则(-P)=p。又如，狄·摩根定律在-些多值逻辑中也不再成立。这些例子说明，非经典逻辑背弃了经典逻辑的一些重要特性。(4)在逻辑算符上，非经典逻辑具有更多的逻辑算符。例如，谓词逻辑具有∨、∧、→、~、≡5个连词以及∀、∃两个量词。由这些逻辑算符组成的谓词合式(逻辑)公式，只能回答"什么是真?"和"什么是假?"的是非判断问题，而无法处理"什么可能真?""什么必然假?''''什么应该真?""什么允许假?"之类的问题。非经典逻辑引用了附加算符（一般叫做模态算符或算子)来解决上述面临的问题。(5)在是否单调上，两者也截然有别。经典逻辑是单调的，即已知事实（定理)均为充分可信的，不含随着新事实的出现而使原有事实变为假。这是人的认识的单调性。由于现实生活中的许多事实是在人们来不及完全掌握其前提条件下初步认可的，而当客观情况发生变化或人们对客观情况的认识有了深化时，一些旧的认识就可能被修正以至否定。这就是人的认识的非单调性。引用非单调逻辑进行非单调推理是非经典逻辑与经典逻辑的又一重要区别。论述人工智能研究的主要方法长期以来，由于研究者的专业和研究领域的不同以及他们对智能本质的理解有异，因而形成了不同的人工智能学派，各自采用不同的研究方法。与符号主义、连接主义和行为主义相应的人工智能研究方法为功能模拟法、结构模拟法和行为模拟法。此外，还有综合这3种模拟方法的集成模拟法。功能模拟法符号主义学派也可称为功能模拟学派。他们认为:智能活动的理论基础是物理符号系统，认知的基元是符号，认知过程是符号模式的操作处理过程。功能模拟法是人工智能最早和应用最广泛的研究方法。功能模拟法以符号处理为核心对人脑功能进行模拟。本方法根据人脑的心理模型，把问题或知识表示为某种逻辑结构，运用符号演算，实现表示、推理和学习等功能，从宏观上模拟人脑思维，实现人工智能功能。功能模拟法已取得许多重要的研究成果，如定理证明、自动推理、专家系统、自动程序设计和机器博弈等。功能模拟法一般采用显式知识库和推理机来处理问题，因而它能够模拟人脑的逻辑思维，便于实现人脑的高级认知功能。功能模拟法虽能模拟人脑的高级智能，但也存在不足之处。在用符号表示知识的概念时，其有效性很大程度上取决于符号表示的正确性和准确性。当把这些知识概念转换成推理机构能够处理的符号时，将可能丢失一些重要信息。此外，功能模拟难于对含有噪声的信息、不确定性信息和不完全性信息进行处理。这些情况表明，单一使用符号主义的功能模拟法是不可能解决人工智能的所有问题的。

2.结构模拟法

连接主义学派也可称为结构模拟学派。他们认为:思维的基元不是符号而是神经元，认知过程也不是符号处理过程。他们提出对人脑从结构上进行模拟，即根据人脑的生理结构和工作机理来模拟人脑的智能，属于非符号处理范畴。由于大脑的生理结构和工作机理还远未搞清，因而现在只能对人脑的局部进行模拟或进行近似模拟。人脑是由极其大量的神经细胞构成的神经网络。结构模拟法通过人脑神经网络、神经元之间的连接以及在神经元间的并行处理，实现对人脑智能的模拟。与功能模拟法不同，结构模拟法是基于人脑的生理模型，通过数值计算从微观上模拟人脑，实现人工智能。本方法通过对神经网络的训练进行学习，获得知识，并用于解决问题。结构模拟法已在模式识别和图像信息压缩领域获得成功应用。结构模拟法也有缺点，它不适合模拟人的逻辑思维过程，而且受大规模人工神经网络制造的制约，尚不能满足人脑完全模拟的要求。

3.行为模拟法

行为主义学派也可称为行为模拟学派。他们认为:智能不取决于符号和神经元，而取决于感知和行动，提出智能行为的"感知一动作"模式。结构模拟法认为智能不需要知识、不需要表示、不需要推理;人工智能可以像人类智能一样逐步进化;智能行为只能在现实世界中与周围环境交互作用而表现出来。智能行为的"感知一动作"模式并不是一种新思想，它是模拟自动控制过程的有效方法，如自适应、自寻优、自学习、自组织等。现在，把这个方法用于模拟智能行为。行为主义的祖先应该是维纳和他的控制论，而布鲁克斯的六足行走机器虫只不过是一件行为模拟法(即控制进化方法)研究人工智能的代表作，为人工智能研究开辟了一条新的途径。尽管行为主义受到广泛关注，但布鲁克斯的机器虫模拟的只是低层智能行为，并不能导致高级智能控制行为，也不可能使智能机器从昆虫智能进化到人类智能。不过，行为主义学派的兴起表明了控制论和系统工程的思想将会进一步影响人工智能的研究和发展。

4.集成模拟法

上述3种人工智能的研究方法各有长短，既有擅长的处理能力，又有一定的局限性。仔细学习和研究各个学派思想和研究方法之后，不难发现，各种模拟方法可以取长补短，实现优势互补。过去在激烈争论时期，那种企图完全否定对方而以一家的主义和方法包打人工智能天下和主宰人工智能世界的氛围，正被互相学习、优势互补、集成模拟、合作共赢、和谐发展的新氛围所代替。采用集成模拟方法研究人工智能，一方面各学派密切合作，取长补短，可把一种方法无法解决的问题转化为另一方法能够解决的问题;另一方面，逐步建立统一的人工智能理论体系和方法论，在一个统一系统中集成了逻辑思维、形象思维和进化思想，创造人工智能更先进的研究方法。要完成这个任务，任重道远。2015一、简答题机器学习有多种策略，什么是示例学习？采用示例学习策略的计算机系统，事先完全没有完成任务的任何规律性的信息，所得到的只是一些具体的工作例子及工作经验。系统需要对这些例子及经验进行分析、总结和推广，得到完成任务的一般性规律，并在进一步的工作中验证或修改这些规律，因此需要的推理是最多的。多层前馈神经网络应用广泛，简述该模型的拓扑结构前馈网络具有递阶分层结构，由一些同层神经元间不存在互连的层级组成。从输入层至输出层的信号通过单向连接流通；神经元从一层连接至下一层，不存在同层神经元间的连接。简述人工智能的符号主义学派符号主义(Symbolicism)：认为人类的智能的基本单元是符号，认知过程是符号表示下的符号运算，从而思维就成了符号运算。大多数比较成功的专家系统是建立在符号主义的基础上（知识的表示）。书：符号主义认为人的认知基元是符号，而且认知过程即符号操作过程。它认为人是一个物理符号系统，计算机也是一个物理符号系统，因此，我们就能够用计算机来模拟人的智能行为，即用计算机的符号操作来模拟人的认知过程。也就是说，人的思维是可操作的。它还认为，知识是信息的一种形式，是构成智能的基础。人工智能的核心问题是知识表示、知识推理和知识运用。知识可用符号表示，也可用符号进行推理，因而有可能建立起基于知识的人类智能和机器智能的统一理论体系。符号主义认为人工智能的研究方法应为功能模拟方法。通过分析人类认知系统所具备的功能和机能，然后用计算机模拟这些功能，实现人工智能。符号主义力图用数学逻辑方法来建立人工智能的统一理论体系，但遇到不少暂时无法解决的困难，并受到其他学派的否定。功能模拟法是人工智能研究方法中的一种，简述功能模拟法符号主义学派也可称为功能模拟学派。他们认为:智能活动的理论基础是物理符号系统，认知的基元是符号，认知过程是符号模式的操作处理过程。功能模拟法是人工智能最早和应用最广泛的研究方法。功能模拟法以符号处理为核心对人脑功能进行模拟。本方法根据人脑的心理模型，把问题或知识表示为某种逻辑结构，运用符号演算，实现表示、推理和学习等功能，从宏观上模拟人脑思维，实现人工智能功能。书上：符号主义学派也可称为功能模拟学派。他们认为:智能活动的理论基础是物理符号系统，认知的基元是符号，认知过程是符号模式的操作处理过程。功能模拟法是人工智能最早和应用最广泛的研究方法。功能模拟法以符号处理为核心对人脑功能进行模拟。本方法根据人脑的心理模型，把问题或知识表示为某种逻辑结构，运用符号演算，实现表示、推理和学习等功能，从宏观上模拟人脑思维，实现人工智能功能。功能模拟法已取得许多重要的研究成果，如定理证明、自动推理、专家系统、自动程序设计和机器博弈等。功能模拟法一般采用显式知识库和推理机来处理问题，因而它能够模拟人脑的逻辑思维，便于实现人脑的高级认知功能。功能模拟法虽能模拟人脑的高级智能，但也存在不足之处。在用符号表示知识的概念时，其有效性很大程度上取决于符号表示的正确性和准确性。当把这些知识概念转换成推理机构能够处理的符号时，将可能丢失一些重要信息。此外，功能模拟难于对含有噪声的信息、不确定性信息和不完全性信息进行处理。这些情况表明，单一使用符号主义的功能模拟法是不可能解决人工智能的所有问题的。简述深度优先搜索算法另一种盲目（无信息)搜索叫做深度优先搜索(depth-firstsearch)。在深度优先搜索中，首先扩展最新产生的(即最深的)节点，定义节点的深度如下:(1)起始节点(即根节点)的深度为0。(2)任何其他节点的深度等于其父辈节点深度加1。人工智能的一般研究目标是什么？人工智能的一般研究目标为:(1)更好地理解人类智能通过编写程序来模仿和检验有关人类智能的理论。(2)创造有用的灵巧程序该程序能够执行一般需要人类专家才能实现的任务。简述遗传算法的编码与解码。将问题结构变换为位串形式编码表示的过程叫编码；而相反将位串形式编码表示变换为原问题结构的过程叫解码或译码。把位串形式编码表示叫染色体，有时也叫个体。数据库中的知识发现非常重要，给出具体定义。数据库中的知识发现是从大量数据中辨识出有效的、新颖的、潜在有用的并可被理解的模式的高级处理过程（KDDisthenontrivialprocessofidentifyingvalid,novel,potentiallyuseful,andultimatelyunderstandablepatternsindata)。二、calculationP(A)=10%P(B)=80%P(C)=10%P(D|A)=90%P(L|A)=80%P(D|B)=70%P(L|B)=60%P(D|C)=10%P(L|C)=20%Question1:P(A|D)Question2:P(B|L)Question3:P(C|DL)=P(A)P(D|A)/P(D)=0.1*0.9/(0.9*0.1+0.7*0.8+0.1*0.1)==P(B)P（L|B）/P(L)=0.8*0.6/(0.8*0.1+0.6*0.8+0.2*0.1)==p(C)P(D|C)P(L|C)/(P(D|C)P(L|C)P(A)+P(D|C)P(L|C)P(B))+三．搜索题（同2014）四．论述题人工智能学科有非常广泛和丰富的研究内容，系统论述人工智能研究的内容。1．认知建模

浩斯顿(Houston)等把认知归纳为如下5种类型:

(1)信息处理过程;

(2)心理上的符号运算;

(3)问题求解;

(4)思维;

(5)诸如知觉、记忆、思考、判断、推理、学习、想象、问题求解、概念形成和语言使用等关联活动。

人类的认知过程是非常复杂的。作为研究人类感知和思维信息处理过程的一门学科，认知科学〈或称思维科学〉就是要说明人类在认知过程中是如何进行信息加工的。认知科学是人工智能的重要理论基础，涉及非常广泛的研究课题。除了浩斯顿提出的知觉、记忆、思考、学习、语言、想象、创造、注意和问题求解等关联活动外，还会受到环境、社会和文化背景等方面的影响。人工智能不仅要研究逻辑思维，而且还要深入研究形象思维和灵感思维，使人工智能具有更坚实的理论基础，为智能系统的开发提供新思想和新途径。

2.知识表示

知识表示、知识推理和知识应用是传统人工智能的三大核心研究内容。其中，知识表示是基础，知识推理实现问题求解，而知识应用是目的。

知识表示是把人类知识概念化、形式化或模型化。一般地，就是运用符号知识、算法和状态图等来描述待解决的问题。已提出的知识表示方法主要包括符号表示法和神经网络表示法两种。我们将在第2章中集中讨论知识表示问题，涉及状态空间法、问题归约法、谓词演算法、语义网络法、框架表示法、本体表示法、过程表示法和神经网络表示法等。

3.知识推理

推理是人脑的基本功能。几乎所有的人工智能领域都离不开推理。要让机器实现人工智能，就必须赋予机器推理能力，进行机器推理。所谓推理就是从一些已知判断或前提推导出一个新的判断或结论的思维过程。形式逻辑中的推理分为演绎推理、归纳推理和类比推理等4.知识应用人工智能能否获得广泛应用是衡量其生命力和检验其生存力的重要标志。20世纪70年代，正是专家系统的广泛应用，使人工智能走出低谷，获得快速发展。后来的机器学习和近年来的自然语言理解应用研究取得重大进展，又促进了人工智能的进一步发展.当然，应用领域的发展是离不开知识表示和知识推理等基础理论以及基本技术的进步的。5.机器感知机器感知就是使机器具有类似于人的感觉，包括视觉、听觉、力觉、触觉、嗅觉、痛觉、接近感和速度感等。其中，最重要的和应用最广的要算机器视觉(计算机视觉)和机器听觉.机器视觉要能够识别与理解文字、图像、场景以至人的身份等；机器听觉要能够识别与理解声音和语言等。机器感知是机器获取外部信息的基本途径。要使机器具有感知能力，就要为它安上各种传感器。机器视觉和机器听觉已催生了人工智能的两个研究领域一一-模式识别和自然语言理解或自然语言处理。实际上，随着这两个研究领域的进展，它们已逐步发展成为相对独立的学科。

6.机器思维机器思维是对传感信息和机器内部的工作信息进行有目的的处理。要使机器实现思维，需要综合应用知识表示、知识推理、认知建模和机器感知等方面的研究成果，开展如下各方面的研究工作：(1)知识表示，特别是各种不确定性知识和不完全知识的表示。

(2)知识组织、积累和管理技术.

(3)知识推理，特别是各种不确定性推理、归纳推理、非经典推理等。

(4)各种启发式搜索和控制策略。

(5)人脑结构和神经网络的工作机制。

7.机器学习

机器学习是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计算的核心研究课题之一。现有的计算机系统和人工智能系统大多数没有什么学习能力，至多也只有非常有限的学习能力，因而不能满足科技和生产提出的新要求。

学习是人类具有的一种重要智能行为。机器学习就是使机辅(计算机)具有学习新知识和新技术，并在实践中不断改进和完善的能力。机器学习能够使机器自动获取知识，向书本等文献资料和与人交谈或观察环境进行学习。8.机器行为机器行为系指智能系统（计算机，机器人)具有的表达能力和行动能力，如对话、描写、刻画以及移动、行走、操作和抓取物体等。研究机器的拟人行为是人工智能的高难度的任务。机器行为与机器思维密切相关，机器思维是机器行为的基础。

9.智能系统构建上述直接的实现智能研究，离不开智能计算机系统或智能系统，离不开对新理论、新技术和新方法以及系统的硬件和软件支持。需要开展对模型、系统构造与分析技术、系统开发环境和构造工具以及人工智能程序设计语言的研究。一些能够简化演绎、机器人操作和认知模型的专用程序设计以及计算机的分布式系统、并行处理系统、多机协作系统和各种计算机网络等的发展，将直接有益于人工智能的开发。主观贝叶斯方法是一种不精确推理模型，系统论述主观贝叶斯方法知识不确定性的表示：在主观贝叶斯方法中，用下列产生式规则表示知识:

式中，(LS，LN)表示该知识的静态强度，称LS为式(4.16)成立的充分性因子，LN为式(4.16)成立的必要性因子，它们分别衡量证据(前提)E对结论H的支持程度和~E对H的支持程度。定义LS和LN的取值范围为[0.+∞).其具体数值由领域专家决定。主观贝叶斯方法的不精确推理过程就是根据前提E的概率P(E)，利用规则的LS和LN.把结论H的先验概率P(H)更新为后验概率P(HIE)的过程。///////根据：以上两式相除，可得：再定义概率函数为：即X的几率等于X出现的概率与X不出现的概率之比。由式(4.20)可知，随着P(X)的增大，O(X)也在增大，且有这样，就可把取值为[0，1]的P(X)放大为取值[0.+∞]的O(X)。把式(4.20)的关系代人式(4.19)，可得,再把式(4.17)代入上式，得式(4.22)和式(4.23)就是修改的贝叶斯公式。由这两式可知:当E为真时，可利用LS将H的先验几率O(H)更新为其后验几率O(H|E);当E为假时，可利用LN将H的先验几率O(H)更新为其后验几率O(H|~E)。从以上三式还可以看出,LS越大，O(H|E)就越大，且P(HIE)也越大，这说明E对H的支持越强。当LS→∞时，O(H|E)→∞,P(H|E)→1，这说明E的存在导致H为真.因此说E对H是充分的，且称LS为充分性因子.同理，可以看出，LN反映了~E的出现对H的支持程度。当LN=0时，将使O(H|~E)=0，这说明E的不存在导致H为假.因此说E对H是必要的，且称LN为必要性因子.证据不确定性的表示：主观贝叶斯方法中证据的不确定性也是用概率表示的。例如对于初始证据E，用户根据观察S给出P(EIS)，它相当于动态强度。由于难以给出P(EIS)，因而在具体应用系统中往往采用适当的变通方法，如在PROSPECTOR中引进了可信度的概念，让用户在-5--5之间的11个整数中根据实际情况选一个数作为初始证据的可信度，表示对所提供的证据可以相信的程度.只要用户对初始证据给出相应的可信度C(EIS)，系统就会把它转化为P(EIS)，也就相当于给出了证据E的概率P(EIS).并称其为CP公式。主观贝叶斯方法的推理过程：当采用初始证据进行推理时，通过提问用户得到C(EIS)，通过CP公式就可求出P(HIS)。当采用推理过程中得到的中间结论作为证据进行推理时，通过EH公式可求得P(HIS).如果有n条知识都支持同一结论H,而且每条知识的前提条件分别是n个相互独立的证据E1.E2,….En，而这些证据又分别与观察S1,S2，….Sn.相对应，这时，首先对每条知识分别求出H的后验几率O(HISi).然后按下述公式求出所有观察下H的后验几率:主观贝叶斯方法具有下列优点:(1)主观贝叶斯方法的计算公式大多是在概率论的基础上推导出来的，具有比较坚实的理论基础。(2)规则的LS和LN是由领域专家根据实践经验给出的，避免了大量的数据统计工作。此外，它既用LS指出了证据E对结论H的支持程度，又用LN指出了E对H的必要性程度，比较全面地反映了证据与结论间的因果关系，符合现实世界中某些领域的实际情况，使推出的结论具有比较准确的确定性。(3)主观贝叶斯方法不仅给出了在证据确定情况下由H的先验概率更新为后验概率的方法，而且还给出了在证据不确定情况下更新先验概率为后验概率的方法。由其推理过程还可以看出，它确定实现了不确定性的逐级传递.因此，可以说主观贝叶斯方法是一种比较实用而又灵活的不确定性推理方法，它已成功地应用在专家系统中。主观贝叶斯方法也存在一些缺点:

(1)它要求领域专家在给出规则的同时，给出H的先验概率P(H)，这是比较困难的.

(2)贝叶斯定理中关于事件间独立性的要求使主观贝叶斯方法的应用受到一定限制.2016简答题不确定性的表示主要包含哪些？知识不确定性的表示证据不确定性的表示结论不确定性的表示简述hopfield网络(神经网络)Hopfield网络是一种典型的递归网络,这种网络通常只接受二进制输入(0或1)以及双极输入(+1或-1)。它含有一个单层神经元，每个神经元与所有其他神经元连接，形成递归结构。Hopfield网络的训练只有一步，网络的权值wij被直接指定如下:式中wij为从神经元i至神经元j的连接权值，xic(可为+1或-1)是c类训练输入模式的第i个分量，p为类数，N为神经元数或输入模式的分量数。简述图搜索策略（图搜索）可把图搜索控制策略看成一种在图中寻找路径的方法。初始节点和目标节点分别代表初始数据库和满足终止条件的目标数据库。求得把一个数据库变换为另一数据库的规则序列问题就等价于求得图中的一条路径问题。简述类比学习方法（机器学习）书:类比学习系统只能得到完成类似任务的有关知识，因此，学习系统必须能够发现当前任务与已知任务的相似之点，由此制定出完成当前任务的方案，因此，比上述两种学习策略需要更多的推理。Or: 类比(analogy)是一种很有用和很有效的推理方法，它能清晰、简洁地描述对象间的相似性，也是人类认识世界的一种重要方法。类比学习（learningbyanalogy）就是通过类比，即通过对相似事物加以比较所进行的一种学习。当人们遇到一个新问题需要进行处理，但又不具备处理这个问题的知识时，总是回想以前曾经解决过的类似问题，找出一个与目前情况最接近的已有方法来处理当前的问题。简述计算智能主要涉及的研究领域计算智能(computationalintelligence)涉及神经计算、模糊计算、进化计算、粒群计算、自然计算、免疫计算和人工生命等研究领域。简述概率推理方法设有如下产生式规则:IFETHENH则证据（或前提条件)E不确定性的概率为P(E)。概率方法不精确推理的目的就是求出在证据E下结论H发生的概率P(HIE)。概率推理方法具有较强的理论基础和较好的数学描述。当证据和结论彼此独立时，计算不很复杂。但是，应用这种方法时要求给出结论Hi的先验概率P(Hi)及证据Ej的条件概率P(EjIHi)，而要获得这些概率数据却是相当困难的。什么是观测发现学习观察发现学习（learningfromobservationanddiscovery)又称为描述性概括，其目标是确定一个定律或理论的一般性描述，刻画观察集，指定某类对象的性质。观察发现学习可分为观察学习与机器发现两种.前者用于对事例进行聚类，形成概念描述;后者用于发现规律，产生定律或规则。计算题P(H1)=2%P(E|H1)=98%P(E|H2)=2%P(H2)=98%Firsttimee1,2nd:e2,3rd:e3p(e2)=1-p(e1)p(e3)=p(e1)P(E)=P(E|H1)*P(H1)+P(E|H2)P(H2)=0.98*0.02+0.02*0.98=P(H1|E)=P(H1)P(E|H1)/P(E)=Question:P(H1|EE2)=P(H1)P(E|H1)P(E2|H1)/(P(H1)P(E|H1)P(E2|H1)+P(H2)P(E|H2)P(E2|H2))P(E2)=Question:P(H1|E1E2E3)=论述题论述遗传算法的基本机理及求解步骤（遗传）霍兰德的遗传算法通常称为简单遗传算法(SGA)。现以此作为讨论的主要对象，加上适当的改进，来分析遗传算法的结构和机理。1.编码与解码

将问题结构变换为位串形式编码表示的过程叫编码；而相反将位串形式编码表示变换为原问题结构的过程叫解码或译码。把位串形式编码表示叫染色体，有时也叫个体。

遗传算法的编码方法有二进制编码、浮点数编码方法、格雷码、符号编码方法、多参数编码方法等。

二进制编码

最常用的编码方法

假设某一参数的取值范围是[A，B]，A<B。用长度为l的二进制编码串来表示该参数，将[A，B]等分成2l-1个子部分，记每一个等分的长度为δ。参数编码的对应关系:

解码

假设某一个体的编码是：

则上述二进制编码所对应的解码公式为：

二进制编码的最大缺点之一是长度较大，对很多问题用其他主编码方法可能更有利

符号编码方法是指个体染色体编码串中的基因值取自一个无数值含义、而只有代码含义的符号集。

例如，对于TSP问题，采用符号编码方法，按一条回路中城市的次序进行编码，一般情况是从城市w1开始，依次经过城市w2，……，wn，最后回到城市w1，我们就有如下编码表示：

由于是回路，记wn+1=w1。它其实是1，……，n的一个循环排列。要注意w1，w2，……，wn是互不相同的。

2.适应度函数

体现染色体的适应能力，对问题中的每一个染色体都能进行度量的函数，叫适应度函数（fitnessfunction）

对优化问题，适应度函数就是目标函数。TSP的目标是路径总长度为最短，路径总长度可作为TSP问题的适应度函数：

3.遗传操作

简单遗传算法的遗传操作主要有有三种:选择(selection)、交叉(crossover)、变异(mutation)。改进的遗传算法大量扩充了遗传操作，以达到更高的效率。

选择操作也叫复制（reproduction）操作，根据个体的适应度函数值所度量的优劣程度决定它在下一代是被淘汰还是被遗传。

一般地说，选择将使适应度较大（优良）个体有较大的存在机会，而适应度较小（低劣）的个体继续存在的机会也较小。

交叉操作

交叉操作的简单方式是将被选择出的两个个体P1和P2作为父母个体，将两者的部分码值进行交换

假设有八位长的二个体，产生一个在1到8之间的随机数c，假如现在产生的是3，将P1和P2的低三位交换

变异操作

变异操作的简单方式是改变数码串的某个位置上的数码

二进制编码表示的简单变异操作是将0与1互换：0变异为1，1变异为0

TSP的变异操作：随机产生一个1至n之间的数k，对回路中的第k个城市的代码wk作变异操作，又产生一个1至n之间的数w，替代wk，并将wk加到尾部，得到：

这个串有n+1个数码。注意，数ω在此串中重复了，必须删除与数ω重复的数以得到合法的染色体。5.1.2遗传算法的求解步骤

1.遗传算法的特点

(1)遗传算法是对参数集合的编码而非针对参数本身进行进化；

(2)

遗传算法是从问题解的编码组开始而非从单个解开始搜索；

(3)

遗传算法利用目标函数的适应度这一信息而非利用导数或其它辅助信息来指导搜索；

(4)

遗传算法利用选择、交叉、变异等算子而不是利用确定性规则进行随机操作。

2.遗传算法的框图(图5.2)

(1)初始化种群;

(2)计算种群上每个个体的适应度值;

(3)按由个体适应度值所决定的某个规则选择将进入下一代的个体;

(4)按概率Pc进行交叉操作;

(5)按概率Pm进行变异操作;

(6)若没有满足某种停止条件，则转第(2)步，否则进入下一步。

(7)输出种群中适应度值最优的染色体作为问题的满意解或最优解。

一般遗传算法的主要步骤如下:

(1)随机产生一个由确定长度的特征字符串组成的初始种群。

(2)对该字符串种群迭代地执行下面的步骤①和步骤②，直到满足停止准则为止:

①计算种群中每个个体字符串的适应值;

②应用复制、交叉和变异等遗传算子产生下一代种群。

(3)把在后代中出现的最好的个体字符串指定为遗传算法的执行结果，这个结果可以表示问题的一个解。论述蚁群算法的基本原理1.蚁群算法基本原理蚁群算法(又称为人工蚁群算法)是受到对真实蚁群行为研究的启发而提出的。为了说明人工蚁群系统的原理，先从蚁群搜索食物的过程谈起。像蚂蚁、蜜蜂、飞蛾等群居昆虫，虽然单个昆虫的行为极其简单，但由单个简单的个体所组成的群体却表现出极其复杂的行为。仿生学家经过大量细致观察研究后发现，蚂蚁个体之间是通过一种称为外激素(pheromone)的物质进行信息传递的。蚂蚁在运动过程中，能够在它所经过的路径上留下该种物质，而且蚂蚁在运动过程中能够感知这种物质，并以此指导自己的运动方向。因此，由大量蚂蚁组成的蚁群的集体行为便表现出一种信息正反馈现象:某-路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。蚂蚁个体之间就是通过这种信息的交流达到搜索食物的目的。下面用多里科(Dorigo)所举的例子来说明蚁群系统的原理。如图5.19所示，设A是蚂蚁的巢穴，E是食物源.HC为一障碍物。由于存在障碍物，蚂蚁只能绕经H或C由A到达E，或由E到达A。各点之间的距离见图5.19.设每个时间单位有30只蚂蚁由A到达B.又有30只蚂蚁由E到达D.蚂蚁过后留下的外激素为1.为便于讨论，设外激素停留的时间为1。在初.始时刻，由于路径BHBC，DH，DC上均无信息存在，位于B和E的蚂蚁可以随机选择路径。从统计的角度可以认为它们以相同的概率选择BH，BC，DH.DC.经过一个时间单位后，在路径BCD上的信息量是路径BHD上的信息量的两倍.在t=1时刻，将有20只蚂蚁由B和D到达C，有10只蚂蚁由B和DJ1J达H.随着时间的推移，蚂蚁将会以越来越大的概率选择路径BCD.最终完全选择路径BCD，从而找到由蚁巢到食物源的最短路径，由此可见，蚂蚁个体之间的信息交换是一个正反馈过程.机器学习的主要策略可以分为几大类？分别论述这些策略。Thesameasthe2014思考题深度学习对人脑的模拟机理，以及将来可能对人们生活，工作学习经历的影响，并举例说明。理解：科学家经过大量的实验发现，神经-中枢-大脑的工作过程，或许是一个不断迭代、不断抽象的过程。从原始信号，做低级抽象，逐渐向高级抽象迭代。人类的逻辑思维，经常使用高度抽象的概念。例如，从原始信号摄入开始（瞳孔摄入像素Pixels），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定，眼前的物体的形状，是圆形的），然后进一步抽象（大脑进一步判定该物体是只气球）。这个生理学的发现，促成了深度学习等计算机人工智能的突破性发展。总的来说，人的视觉系统的信息处理是分级的。从低级的V1区提取边缘特征，再到V2区的形状或者目标的部分等，再到更高层，整个目标、目标的行为等。也就是说高层的特征是低层特征的组合，从低层到高层的特征表示越来越抽象，越来越能表现语义或者意图。而抽象层面越高，存在的可能猜测就越少，就越利于分类。例如，单词集合和句子的对应是多对一的，句子和语义的对应又是多对一的，语义和意图的对应还是多对一的，这是个层级体系。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习是无监督学习的一种。Deeplearning本身算是machinelearning的一个分支，deeplearning采用了神经网络相似的分层结构，系统由包括输入层、隐层（多层）、输出层组成的多层网络，只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接，每一层可以看作是一个logisticregression模型；这种分层结构，是比较接近人类大脑的结构的。深度学习通过学习一种深层非线性网络结构，只需简单的网络结构即可实现复杂函数的逼近，并展现了强大的从大量无标注样本集中学习数据集本质特征的能力。深度学习能够获得可更好地表示数据的特征，同时由于模型的层次深（通常有5层、6层，甚至10多层的隐层节点，“深”的好处是可以控制隐层节点的数目为输入节点数目的多项式倍，而非指数倍）、表达能力强，因此有能力表示大规模数据。目前深度学习的框架有深度神经网络DNN、卷积神经网络CNN、循环神经网络RNN、深度置信网络DBN等。应用：计算机视觉ComputerVisionImageClassification图片识别.可以自己上传图片，它就可以返回识别出来的关键词和相关图片。下面这个图，除了识别出table物体，还可以识别出elegant，noperson这样的氛围相关的标签。游乐园这张图，还可以识别出fun。还是蛮好玩的。这样的话，你在网页输入fun就会返回相关的图片啦，而更多的图片是可以自动学习出来的了。当然还有更高级的应用，例如最近火热的话题唇语识别。SpeechRecognition：2、语音识别微软研究人员通过与hinton合作，首先将RBM和DBN引入到语音识别声学模型训练中，并且在大词汇量语音识别系统中获得巨大成功，使得语音识别的错误率相对减低30%。但是，DNN还没有有效的并行快速算法，很多研究机构都是在利用大规模数据语料通过GPU平台提高DNN声学模型的训练效率。在国际上，IBM、google等公司都快速进行了DNN语音识别的研究，并且速度飞快。国内方面，阿里巴巴，科大讯飞、百度、中科院自动化所等公司或研究单位，也在进行深度学习在语音识别上的研究。3、自然语言处理等其他领域很多机构在开展研究，2013年TomasMikolov,KaiChen,GregCorrado,JeffreyDean发表论文EfficientEstimationofWordRepresentationsinVectorSpace建立word2vector模型，与传统的词袋模型（bagofwords）相比，word2vector能够更好地表达语法信息。深度学习在自然语言处理等领域主要应用于机器翻译以及语义挖掘等方面。TextProcessing：FactExtraction给一段文字，提取出里面的fact。MachineTranslation每天都在用的谷歌翻译。SentimentAnalysis情感识别，判断一段话是积极的还是消极的态度。MetaMind有个分析twitter情感的应用，输入word，会显示出positive，neutral，negative的twitter和所占比例。4、Medical在医疗领域，可以用于识别癌细胞，发现新药物等。CNN还可以用来识别异常的肿瘤或者癌细胞。5Finance金融领域可以