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（每题2分，共20分）1.图灵测试是判断机器能否“思考”的著名思想实验，它由哪位科学家提出？A.冯·诺依曼B.阿兰·图灵C.约翰·麦卡锡D.马文·明斯基2.下列哪一学习算法属于“符号主义”流派？A.BP神经网络B.决策树C.遗传算法D.支持向量机3.在A*算法中，节点n的估价函数为f(n)A.从初始节点到节点n的实际代价B.从节点n到目标节点的实际代价C.从节点n到目标节点的启发式估计代价D.从初始节点到目标节点的启发式估计代价4.朴素贝叶斯分类器是建立在下列哪个数学公式之上的？A.全概率公式B.贝叶斯公式C.拉普拉斯公式D.最小二乘公式5.逻辑回归模型本质上解决的是A.回归问题B.聚类问题C.二分类问题D.降维问题6.专家系统的核心组成部分是A.数据仓库与联机分析处理B.知识库与推理机C.词向量与注意力机制D.遗传算子与适应度函数7.与浅层机器学习相比，深度学习的显著特点是A.不使用梯度下降B.不需要训练数据C.通过多层非线性变换自动学习特征表示D.只能处理结构化表格数据8.智能体（Agent）最基本、最核心的特性是A.自主性B.不可预测性C.随机性D.可通信性9.下列哪项属于自然语言处理中最基础的任务？A.图像分割B.文本分词C.音频降噪D.三维重建10.反向传播（Backpropagation）算法主要用于A.搜索策略的评估B.知识库的完整性校验C.神经网络参数的梯度计算D.智能体的动作选择二、判断题（每题1分，共10分）1.强人工智能已经在医疗诊断领域全面超越人类专家。2.支持向量机只能处理线性可分问题，对非线性问题无能为力。3.专家系统中的知识获取是系统构建中最困难、最耗时的环节，被称为“知识获取瓶颈”。4.训练集上准确率高而测试集上准确率低，这种现象称为过拟合。5.卷积神经网络中的池化层主要用于特征下采样，可以减小特征图尺寸。6.遗传算法通过选择、交叉、变异等操作模拟自然进化过程。7.在马尔可夫决策过程中，下一时刻的状态只与当前状态和当前动作有关，与更早的历史状态无关。8.只要训练数据足够多，机器学习模型就能在所有新样本上实现零错误。9.自然语言处理中，Transformer模型的核心是注意力机制。10.强化学习中，智能体的目标是最大化长期累积奖励。三、填空题（每空1分，共10分）1.1956年，__等人正式提出了“人工智能”这一概念，这一年召开的会议被称为__会议。2.一阶谓词逻辑中，全称量词的符号是__，存在量词的符号是__。3.盲目搜索与启发式搜索的根本区别在于是否使用了____。4.神经网络中常用的激活函数有Sigmoid、__、__等。5.在监督学习中，训练样本由特征向量和__组成；而在无监督学习中，训练样本__标记信息。6.在A*算法中，若启发函数h(n)满足可采纳性条件，即h(n四、简答题（每题8分，共32分）1.什么是产生式系统？其基本组成是什么？简述其工作过程。2.什么是机器学习中的“过拟合”？列举至少三种缓解过拟合的常用方法。3.简述卷积神经网络（CNN）的基本结构及各组成部分的作用。4.人工智能技术可能引发哪些伦理问题？请列举三类以上并提出应对思路。五、计算与分析题（共28分）1.（14分）在八数码问题中，初始状态和目标状态如下（0表示空格）：初始状态：目标状态：

123123

864804

075765（1）（4分）定义启发函数h(n)为所有棋块与其目标位置的曼哈顿距离之和（空格计入），计算初始状态S（2）（8分）用A*算法进行搜索，列出搜索过程中OPEN表的变化情况（每步扩展的节点及其g(n)、h（3）（2分）给出最优解路径及最短步数。答案：（1）将各数字（含空格）当前坐标与目标坐标比较：-数字1、2、3、8、4、5已在目标位置，曼哈顿距离为0；-数字6：从(1,1-空格0：从(2,0-数字7：从(2,1因此h(（2）A*搜索过程如下：第1步：从OPEN表取出S0，g=0，h=4-空格右移与7交换，得S1：123/864/705，g=1，h-空格上移与8交换，得S2：123/064/875，g=1，hOPEN表（按f值非降序）：{S第2步：取出S1扩展，空格在(-空格上移与6交换，得S3：123/804/765，g=2，h=0-空格左移回到S0-空格右移与5交换，得S4：123/864/750，g=2，hOPEN表：{S第3步：取出f值最小的S3，经判断它就是目标状态，搜索结束。未扩展的S2、（3）最优解路径为S0解析：A*算法每次从OPEN表中选择f=g+2.（14分）某影院收集了12条观众观影记录，属性包括“票价”（高/低）、“距离”（近/远）、“评分”（高/中/低），标签为“是否观看”（是/否），数据如下表：编号票价距离评分观看2高远高否3低近中是4低远低是5高近中否6低远高是7高远低否8低近低是9低近高是10高近低是11低远中否12高远中否（1）（3分）计算根节点的类别信息熵En（2）（9分）分别计算属性“票价”“距离”“评分”的信息增益Gain(票价)、Gain(距离)、Gain(评分)。（3）（2分）确定ID3算法应选择的根节点属性，并写出根节点划分后各分支的样本编号与类别分布。E（2）各属性信息增益计算如下：票价：-票价=高（样本1,2,5,7,10,12）：“是”1个，“否”5个，子集熵为−1-票价=低（样本3,4,6,8,9,11）：“是”5个，“否”1个，子集熵约为0.650。G距离：-距离=近（样本1,3,5,8,9,10,12）：“是”4个，“否”3个，子集熵为−4-距离=远（样本2,4,6,7,11）：“是”2个，“否”3个，子集熵为−2G评分：-评分=高（样本1,2,6,9）：“是”2个，“否”2个，子集熵为1；-评分=中（样本3,5,11,12）：“是”1个，“否”3个，子集熵约为0.811；-评分=低（样本4,7,8,10）：“是”3个，“否”1个，子集熵约为0.811。G（3）由于Gain(票价)=0.350-票价=高：样本{1-票价=低：样本{3解析：ID3在每个节点选择信息增益最大的属性进行划分，信息增益刻画了使用该属性划分前后不纯度（熵）的下降程度。本题中以“票价”划分后两个子节点的纯度显著提高，因而被选为根节点。若继续对“票价=低”分支划分，可进一步选择“评分”属性使该分支完全纯化。参考答案与解析一、单项选择题1.答案：B2.答案：B解析：决策树通过对特征做逻辑划分来形成分类规则，属于符号主义；BP神经网络属连接主义，遗传算法属进化计算。3.答案：C解析：g(n)为从初始节点到节点n的实际代价，h4.答案：B5.答案：C解析：逻辑回归虽然名称中含有“回归”，但它实际上是一个分类模型，常用于二分类任务。6.答案：B7.答案：C解析：深度学习通过多层网络自动从原始数据中逐层提取特征，避免了传统方法中人工设计特征（特征工程）的过程。8.答案：A解析：智能体的本质特征是在没有外部直接干预的情况下，能够自主感知环境并采取行动。9.答案：B解析：分词是自然语言处理的第一步，属于词法分析的基础任务；其余选项分别属于计算机视觉与语音处理领域。10.答案：C解析：反向传播利用链式法则从输出层向输入层逐层计算损失函数对各层参数的梯度，供梯度下降法更新权重。二、判断题1.答案：错误解析：目前所有AI系统均为弱人工智能，只能在特定任务上达到或超过人类水平，尚不具备通用的理解与推理能力。2.答案：错误解析：SVM通过核技巧将低维空间中非线性可分的数据映射到高维空间，从而实现线性划分。3.答案：正确解析：知识获取瓶颈是专家系统领域公认的核心问题之一。4.答案：正确解析：过拟合的典型特征正是对训练数据拟合过度、泛化能力下降。5.答案：正确解析：最大池化取窗口内最大值，平均池化取均值，二者都起到下采样作用。6.答案：正确解析：选择、交叉（重组）、变异是遗传算法的三个核心遗传算子。7.答案：正确解析：这是马尔可夫性质（无后效性）的基本假设，是强化学习建模的基础。8.答案：错误解析：受数据噪声、分布漂移、模型容量和数据标注错误等因素影响，模型不可能保证零错误。9.答案：正确解析：自注意力机制是Transformer的核心组成，它使模型能够捕捉序列中任意位置之间的依赖关系。10.答案：正确解析：强化学习通过试错与环境交互，学习使长期累积回报最大化的策略。三、填空题1.答案：约翰·麦卡锡（McCarthy）；达特茅斯（Dartmouth）2.答案：∀；∃3.答案：启发信息（启发函数）4.答案：ReLU；tanh（答tanh亦可）5.答案：标签（类别标记）；不包含（没有）6.答案：最优解（代价最小的解）四、简答题1.答案：产生式系统是一种基于规则的知识表示与推理系统，由三部分组成：(1)规则库：存放形如“IF条件THEN结论（或动作）”的产生式规则；(2)综合数据库（事实库/工作存储器）：存放当前问题求解过程中的已知事实和中间结果；(3)推理机（控制策略）：负责规则匹配与冲突消解，执行推理过程。工作过程为：推理机将综合数据库中的事实与规则前提进行匹配，按冲突消解策略选择可用的规则并执行，把得出的结论或动作更新到综合数据库中，如此循环“匹配—选择—执行—更新”，直到得到目标结果或没有规则可匹配为止。解析：产生式系统是专家系统中最常用的知识表示方法之一。答题须完整写出三个组成部分，并对匹配—执行循环作简要说明。2.答案：过拟合是指模型在训练集上表现很好（损失低、准确率高），但在测试集等未见数据上表现明显变差，即模型泛化能力弱。产生过拟合的主要原因包括：训练数据不足或含有噪声、模型过于复杂、训练时间过长等。缓解过拟合的常用方法：(1)增加训练数据量或进行数据增强；(2)降低模型复杂度（减少层数、神经元数量，或改用更简单的模型）；(3)正则化，如L1、L2正则化；(4)早停（Earlystopping），在验证集性能不再提升时停止训练；(5)Dropout，在深度网络训练中随机丢弃部分神经元；(6)使用交叉验证调整超参数。解析：先解释概念并说明原因，再列出3种以上缓解方法即可得满分。3.答案：卷积神经网络的基本结构包括：(1)输入层：接收原始图像或其他网格状数据；(2)卷积层：通过卷积核在输入上滑动，提取局部特征，具有局部连接和参数共享两个显著特点；(3)激活层：引入非线性变换，常用ReLU函数；(4)池化层：对特征图进行下采样，减小空间尺寸，增大感受野，并增强平移不变性；(5)全连接层：将提取到的高层特征映射到样本的标签空间；(6)输出层：分类任务通常使用softmax函数输出各类别的概率分布。解析：卷积层与池化层交替堆叠使CNN能自动从底层边缘特征逐步学习到高层语义特征，是深度学习应用于图像领域的代表性模型。4.答案：人工智能在应用中引发的伦理问题主要包括：(1)隐私与数据安全：AI系统依赖大量个人数据，存在数据滥用、泄露与监控风险；(2)算法偏见与歧视：训练数据中的历史偏见会使模型在招聘、信贷、司法等场景中产生不公平决策；(3)责任归属困难：自动驾驶车辆、AI辅助