廣工人工智能復(fù)習(xí)大綱課件

人工智能復(fù)習(xí)大綱——馬少平，朱小燕編著課程重點(diǎn)章節(jié)介紹本教材共分7章，其中第0章，第1.2~1.4章，第2章，第3.2~3.4章，第4.1~4.4章，第6.1~6.6章，第7.4為重點(diǎn)章節(jié)。本課程重點(diǎn)和難點(diǎn)內(nèi)容簡介第0章

人工智能的定義，人工智能三種主要學(xué)派及其主要觀點(diǎn)，人工智能的應(yīng)用領(lǐng)域人工智能的定義定義1智能思考機(jī)器能夠像人一樣進(jìn)行一些與心智能力相關(guān)的思維活動。定義2智能行動機(jī)器能夠像人一樣執(zhí)行某些需要智能才能完成的功能。目前人工智能的主要學(xué)派符號主義

認(rèn)為人工智能源于數(shù)理邏輯。連接主義

認(rèn)為人工智能源于仿生學(xué)，特別是人腦模型的研究。行為主義

認(rèn)為人工智能源于控制論。符號主義認(rèn)為人是一個(gè)物理符號系統(tǒng)，計(jì)算機(jī)也是一個(gè)物理符號系統(tǒng)，因此，能夠用計(jì)算機(jī)來模擬人的智能行為，即用計(jì)算機(jī)的符號操作來模擬人的認(rèn)知過程。認(rèn)為人工智能的研究方法應(yīng)為功能模擬方法。通過分析人類認(rèn)知系統(tǒng)所具備的功能和機(jī)能，然后用計(jì)算機(jī)模擬這些功能，實(shí)現(xiàn)人工智能。

連接主義認(rèn)為人的思維基元是神經(jīng)元，而不是符號處理過程。它對物理符號系統(tǒng)假設(shè)持反對意見，認(rèn)為人腦不同于電腦，并提出聯(lián)結(jié)主義的大腦工作模式，用于取代符號操作的電腦工作模式。

認(rèn)為人工智能的研究方法應(yīng)為結(jié)構(gòu)模擬方法。通過分析人腦的生理結(jié)構(gòu)和工作機(jī)理

，然后用計(jì)算機(jī)模擬這些結(jié)構(gòu)與機(jī)理，實(shí)現(xiàn)人工智能。

行為主義認(rèn)為智能取決于感知和行為，取決于對外界復(fù)雜環(huán)境的適應(yīng)，而不是知識表示和推理，提出智能行為的“感知－動作”模式。認(rèn)為人工智能的研究方法應(yīng)采用行為模擬方法，模擬人在控制過程中的智能活動和行為特性（自尋優(yōu)，自適應(yīng)，自學(xué)習(xí)），強(qiáng)調(diào)“現(xiàn)場AI”。第1章搜索問題圖搜索的一般技術(shù)

回溯策略；無信息圖搜索技術(shù)，包括深度優(yōu)先、寬度優(yōu)先搜索；啟發(fā)式圖搜索技術(shù)，包括爬山法、分支界限法、動態(tài)規(guī)劃法(均一代價(jià)法)、最佳優(yōu)先搜索、A*算法等的計(jì)算。圖搜索技術(shù)的分類盲目搜索——未使用啟發(fā)性信息搜索過程無須對OPEN表進(jìn)行重排，如：寬度優(yōu)先搜索、深度優(yōu)先搜索。啟發(fā)式搜索——使用了啟發(fā)信息搜索過程需要對OPEN表重排，如：爬山法、分支界限法、動態(tài)規(guī)劃法(均一代價(jià)法)、最佳優(yōu)先搜索法、A*算法等。寬度優(yōu)先搜索與深度優(yōu)先搜索的主要區(qū)別每次新生成節(jié)點(diǎn)時(shí)，寬度優(yōu)先搜索總是將其插入OPEN表的末尾，而深度優(yōu)先搜索總是將其插入到OPEN表的前頭。爬山法爬山法是一種局部搜索方法，通過評價(jià)當(dāng)前節(jié)點(diǎn)的各個(gè)子節(jié)點(diǎn)與目標(biāo)的距離h(n)，然后優(yōu)先選取距離最短的子節(jié)點(diǎn)，作為下一步搜索的方向。分支界限法分支界限法則評價(jià)初始點(diǎn)到當(dāng)前節(jié)點(diǎn)的各個(gè)子節(jié)點(diǎn)的耗散值g(n)，然后按照最小耗費(fèi)優(yōu)先的方式，選擇下一步搜索的子節(jié)點(diǎn)。缺點(diǎn)：要存儲很多分支結(jié)點(diǎn)的界限和對應(yīng)的耗費(fèi)矩陣，花費(fèi)很多內(nèi)存空間。

動態(tài)規(guī)劃法在分支界限法得出的各種可能的局部解中，根據(jù)最小耗散值原則，舍棄那些肯定不能得到最優(yōu)解的局部解，以節(jié)約存儲空間，提高搜索效率。最佳優(yōu)先搜索算法是“爬山法”的推廣，但它是對OPEN表中所有節(jié)點(diǎn)的h(n)進(jìn)行重排，因此是一種全局尋優(yōu)法。A算法A算法對當(dāng)前節(jié)點(diǎn)n的評價(jià)函數(shù)f(n)分為兩部分：從初始點(diǎn)到n的耗散值g(n)從n到達(dá)目標(biāo)點(diǎn)的距離值h(n)。

f(n)=g(n)+h(n)A*算法在A算法中，如果滿足條件：

h(n)≤h*(n)，g*(n)≤

g(n)

則A算法稱為A*算法。

即f*(n)=g*(n)+h*(n)

對右圖所示的狀態(tài)空間圖進(jìn)行：1)深度優(yōu)先搜索;2)寬度優(yōu)先搜索；3)動態(tài)規(guī)劃(均一代價(jià))搜索；4)最佳優(yōu)先搜索；5)A*搜索。其中A為起始節(jié)點(diǎn)，E為目標(biāo)節(jié)點(diǎn)，各節(jié)點(diǎn)的啟發(fā)值表示在括號內(nèi)。FGHECADB42348243385(15)(14)(10)(2)(11)(9)(5)(0)1)深度優(yōu)先搜索算法FGHEAB1234CD搜索出的路徑為：ABCDE5OPEN:{B,H}CLOSED:{A}OPEN:{C,H}CLOSED:{A,B}OPEN:{D,G,H}CLOSED:{A,B,C}OPEN:{E,F,G,H}CLOSED:{A,B,C,D}OPEN:{F,G,H}CLOSED:{A,B,C,D}2)寬度優(yōu)先搜索算法FGHEAB1234CD567搜索到的路徑為：ABCDE8OPEN:{B,H}CLOSED:{A}OPEN:{H,C}CLOSED:{A,B}OPEN:{C,G}CLOSED:{A,B,H}OPEN:{G,D}CLOSED:{A,B,H,C}OPEN:{D,F}CLOSED:{A,B,H,C,G}OPEN:{F,E}CLOSED:{A,B,H,C,G,D}OPEN:{E}CLOSED:{A,B,H,C,G,D,F}OPEN:{}CLOSED:{A,B,H,C,G,D,F}3)動態(tài)規(guī)劃(均一代價(jià))搜索算法FGHEAB1234CD567搜索出的路徑為：AHGFDE，整條路徑的代價(jià)和為15。8OPEN:{B(3),H(4)}CLOSED:{A(0)}OPEN:{H(4),C(7)}CLOSED:{A(0),B(3)}OPEN:{G(6),C(7)}CLOSED:{A(0),B(3),H(4)}OPEN:{C(7),F(10),D(14)}CLOSED:{A(0),B(3),H(4),G(6)}OPEN:{F(10),D(14)}CLOSED:{A(0),B(3),H(4),G(6),C(7)}OPEN:{D(14→13)}CLOSED:{A(0),B(3),H(4),G(6),C(7),F(10)}OPEN:{E(15)}CLOSED:{A(0),B(3),H(4),G(6),C(7),F(10),D(14→13)}OPEN:{}CLOSED:{A(0),B(3),H(4),G(6),C(7),F(10),D(13)}4)最佳優(yōu)先搜索算法FGHEAB1234CD搜索出的路徑為：AHGDE，整條路徑的代價(jià)和為16。OPEN:{H(11),B(14)}CLOSED:{A(15)}OPEN:{G(9),B(14)}CLOSED:{A(15),H(11)}OPEN:{D(2),F(5),C(10),B(14)}CLOSED:{A(15),H(11),G(9)}OPEN:{E(0),F(5),C(10),B(14)}CLOSED:{A(15),H(11),G(9),D(2)}5OPEN:{F(5),C(10),B(14)}CLOSED:{A(15),H(11),G(9),D(2)}5)A*算法FGHEAB1234CD5搜索出的路徑為：AHGDE，整條路徑的代價(jià)和為15。6OPEN:{H(15),B(17)}CLOSED:{A(15)}OPEN:{G(15),B(17)}CLOSED:{A(15),H(15)}OPEN:{F(15),D(16),B(17),C(19)}CLOSED:{A(15),H(15),G(15)}OPEN:{D(16→15),B(17),C(19)}CLOSED:{A(15),H(15),G(15),F(15)}OPEN:{E(15),B(17),C(19)}CLOSED:{A(15),H(15),G(15),F(15),D(16→15)}OPEN:{B(17),C(19)}CLOSED:{A(15),H(15),G(15),F(15),D(16→15)}第2章與或圖搜索問題在用某一中方法求解問題時(shí)，可能需要求解幾個(gè)子問題，這些子問題必須全部求解，才能求解原始問題。這些“子”問題間的關(guān)系，就是“與”的關(guān)系，此類問題可用與或圖來表示?！?..K個(gè)耗散值的計(jì)算k(n,N)=Ci+k(n1,N)+…+k(ni,N)其中：N為終節(jié)點(diǎn)集

Ci為連接符的耗散值…...i個(gè)nn1n2ni圖2.2n0→{n7，n8}的3個(gè)解圖設(shè)N={n7,n8},且kn7=kn8=0。則0022678=？=？能解節(jié)點(diǎn)終節(jié)點(diǎn)是能解節(jié)點(diǎn)若非終節(jié)點(diǎn)有“或”子節(jié)點(diǎn)時(shí)，當(dāng)且僅當(dāng)其子節(jié)點(diǎn)至少有一能解時(shí)，該非終節(jié)點(diǎn)才能解。若非終節(jié)點(diǎn)有“與”子節(jié)點(diǎn)時(shí)，當(dāng)且僅當(dāng)其子節(jié)點(diǎn)均能解時(shí)，該非終節(jié)點(diǎn)才能解。不能解節(jié)點(diǎn)沒有后裔的非終節(jié)點(diǎn)是不能解節(jié)點(diǎn)。若非終節(jié)點(diǎn)有“或”子節(jié)點(diǎn)，當(dāng)且僅當(dāng)所有子節(jié)點(diǎn)均不能解時(shí)，該非終節(jié)點(diǎn)才不能解。若非終節(jié)點(diǎn)有“與”子節(jié)點(diǎn)時(shí)，當(dāng)至少有一個(gè)子節(jié)點(diǎn)不能解時(shí)，該非終節(jié)點(diǎn)才不能解。AO*算法評估函數(shù)采用局部解圖的耗散值k(n,N)

，即每次擴(kuò)展選擇局部解圖耗散值最小的節(jié)點(diǎn)進(jìn)行。搜索的兩個(gè)過程：圖生成過程，即擴(kuò)展節(jié)點(diǎn)從最優(yōu)的局部圖中選擇一個(gè)節(jié)點(diǎn)擴(kuò)展計(jì)算耗散值的過程對當(dāng)前的局部圖重新計(jì)算耗散值A(chǔ)O*算法舉例其中：

h(n0)=3h(n1)=2h(n2)=4h(n3)=4h(n4)=1h(n5)=1h(n6)=2h(n7)=0h(n8)=0設(shè)：k連接符的耗散值為k目標(biāo)目標(biāo)初始節(jié)點(diǎn)n0n1n2n3n4n5n6n7n8目標(biāo)目標(biāo)初始節(jié)點(diǎn)n0n1n2n3n4n5n6n7n8初始節(jié)點(diǎn)n0n1(2)n4(1)n5(1)紅色：4黃色：3目標(biāo)目標(biāo)初始節(jié)點(diǎn)n0n1n2n3n4n5n6n7n8初始節(jié)點(diǎn)n0n4(1)n5(1)紅色：4黃色：6n1n2(4)n3(4)5目標(biāo)目標(biāo)初始節(jié)點(diǎn)n0n1n2n3n4n5n6n7n8紅色：5黃色：6初始節(jié)點(diǎn)n0n4(1)n5(1)n1n2(4)n3(4)5n6(2)n7(0)n8(0)2目標(biāo)目標(biāo)初始節(jié)點(diǎn)n0n1n2n3n4n5n6n7n8紅色：5黃色：6初始節(jié)點(diǎn)n0n4(1)n5(1)n1n2(4)n3(4)5n6(2)n7(0)n8(0)21博弈樹搜索博弈問題雙人一人一步，輪流進(jìn)行雙方信息完備，即雙方得到的信息是一樣的零和，即雙方是尋找置對手于必?cái)B(tài)的過程雙方都無法干預(yù)對方的選擇可用圖搜索技術(shù)進(jìn)行，但效率很低極小極大過程05-333-3022-30-23541-30689-30-33-3-3-21-36-30316011極大極小ab-剪枝法在極小極大法中，必須求出所有終端節(jié)點(diǎn)的評估值，當(dāng)預(yù)先考慮的棋步比較多時(shí)，計(jì)算量會大大增加。為了提高搜索的效率，引入了通過對評估值的上下限進(jìn)行估計(jì)，從而減少需進(jìn)行評估的節(jié)點(diǎn)范圍的-剪枝法。-剪枝極大節(jié)點(diǎn)的下界為。極小節(jié)點(diǎn)的上界為。剪枝的條件：后輩節(jié)點(diǎn)的值≤祖先節(jié)點(diǎn)的值時(shí)，剪枝后輩節(jié)點(diǎn)的值≥祖先節(jié)點(diǎn)的值時(shí)，剪枝簡記為：極小≤極大，剪枝極大≥極小，剪枝86-31453-350-剪枝（續(xù)）3-3022-30-2309-300-303305411-31661abcdefghijkmn第3章謂詞邏輯與歸結(jié)原理基本概念個(gè)體詞：表示主語的詞謂詞：刻畫個(gè)體性質(zhì)或個(gè)體之間關(guān)系的詞量詞：表示數(shù)量的詞謂詞歸結(jié)原理基礎(chǔ)公式及其解釋個(gè)體常量：a,b,c個(gè)體變量：x,y,z謂詞符號：P,Q,R量詞符號：，轄域：xA，x

A中的A

例謂詞歸結(jié)原理基礎(chǔ)量詞轄域收縮與擴(kuò)張等值式：(x

）(

P（x）∨Q)<=>(x

）

P（x）∨Q(x

）(

P（x）∧

Q)<=>(x

）

P（x）∧

Q

(x

）(

P（x）→Q)<=>(x

）

P（x）→Q

(x

）(Q

→P（x）)<=>Q

→(x

）

P（x）(x

）(

P（x）∨Q)<=>(x

）

P（x）∨Q(x

）(

P（x）∧

Q)<=>(x

）

P（x）∧

Q

(x

）(

P（x）→Q)<=>(x

）

P（x）→Q

(x

）(Q

→P（x）)<=>Q

→(x

）

P（x）前束范式把所有的量詞都提到最左端后的謂詞公式，稱為前束范式。

(Q1x1)(Q2x2)…(Qnxn)P(x1,x2,…xn)

例如

(x)(z){[P(x)S(z)]L(x,z)}Skolem標(biāo)準(zhǔn)形消去前束范式的所有量詞，得到Skolem標(biāo)準(zhǔn)形。對任意量詞來說，只需將其取消，其轄域中的變量代表任意個(gè)體即可。對存在量詞來說，左邊有全程量詞的存在量詞，消去時(shí)該變量改寫成為全程量詞的函數(shù)；如左邊沒有全程量詞，將存在量詞改寫成為常量。

將謂詞公式G化為Skolem標(biāo)準(zhǔn)型的步驟(一)消去謂詞公式G中的蘊(yùn)涵（→）符號，以A∨B代替A→B。減少否定符號()的轄域，使否定符號“”最多只作用到一個(gè)謂詞上。重新命名變元，使所有的變元的名字均不同，并且自由變元及約束變元亦不同。將量詞等值變換到公式的左邊，構(gòu)成謂詞公式的前束范式。將謂詞公式G化為Skolem標(biāo)準(zhǔn)型的步驟(二)消去存在量詞；略去全稱量詞。將Skolem標(biāo)準(zhǔn)形化為合取范式：寫成由一些謂詞公式和謂詞公式否定的析取的有限集組成的合取。將合取(∧)符號用逗號代替，獲得子句集。謂詞邏輯的歸結(jié)原理由命題：A1，A2，A3和B，要求證明：A1∧A2∧A3→B是重言式（永真式）。歸結(jié)法的思路是證明A1∧A2∧A3∧B是矛盾式（永假式）。其中，A1，A2，A3，B可以化為子句形式S1，S2，S3，…….Sn。這樣，上述命題等價(jià)于證明S1

∧S2∧……∧Sn是矛盾式。

歸結(jié)式設(shè)p∨q和～q∨r都為真，則p∨r為真。可采用歸結(jié)式對S1

∧S2∧……∧Sn進(jìn)行歸結(jié)，獲得空子句，證明矛盾式成立。

置換由于有函數(shù)存在，例如P(x)與P(a)不能直接歸結(jié)，所以要考慮用置換項(xiàng)去置換變量。置換表示為：

{t1/x1,t2/x2,…,tn/xn}

其中，x1,x2,…,xn是被置換的變量；t1,t2,…,tn是用于置換x1,x2,…,xn的項(xiàng)(常量、變量、函數(shù))。置換的合成設(shè)＝{t1/x1,t2/x2,…,tn/xn}， ＝{u1/y1,u2/y2,…,un/yn}，是兩個(gè)置換。 則與的合成也是一個(gè)置換，記作·。它是從集合

{t1·/x1,t2·/x2,…,tn·/xn,u1/y1,u2/y2,…,un/yn}

中刪去以下兩種元素：當(dāng)ti=xi時(shí)，刪去ti/xi(i=1,2,…,n);

當(dāng)yi{x1,x2,…,xn}時(shí)，刪去uj/yj

(j=1,2,…,m)

置換的合成例：設(shè)：＝{f(y)/x,z/y}，＝{a/x,b/y,y/z}，求與的合成。解：先求出集合

{f(b/y)/x,(y/z)/y,a/x,b/y,y/z}＝{f(b)/x,y/y,a/x,b/y,y/z}

其中，f(b)/x中的f(b)是置換作用于f(y)的結(jié)果；y/y中的y是置換作用于z的結(jié)果。在該集合中，y/y滿足定義中的條件I，需要刪除；a/x，b/y滿足定義中的條件II，也需要刪除。最后得

·＝{f(b)/x，y/z}歸結(jié)原理證明步驟寫出謂詞關(guān)系公式→用反演法寫出謂詞表達(dá)式→SKOLEM標(biāo)準(zhǔn)形→

子句集S→對S中可歸結(jié)的子句做歸結(jié)→歸結(jié)式仍放入S中，反復(fù)歸結(jié)過程→得到空子句

?得證例題“快樂學(xué)生”問題假設(shè)任何通過計(jì)算機(jī)考試并獲獎的人都是快樂的，任何肯學(xué)習(xí)或幸運(yùn)的人都可以通過所有的考試，張不肯學(xué)習(xí)但他是幸運(yùn)的，任何幸運(yùn)的人都能獲獎。求證：張是快樂的。

解：先將問題用謂詞表示如下：R1:“任何通過計(jì)算機(jī)考試并獲獎的人都是快樂的”

(x)((Pass(x,computer)∧Win(x,prize))→Happy(x))R2:“任何肯學(xué)習(xí)或幸運(yùn)的人都可以通過所有考試”

(x)(y)(Study(x)∨Lucky(x)→Pass(x,y))R3:“張不肯學(xué)習(xí)但他是幸運(yùn)的”

～Study(zhang)∧Lucky(zhang)R4:“任何幸運(yùn)的人都能獲獎”

(x)(Luck(x)→Win(x,prize))結(jié)論：“張是快樂的”的否定～Happy(zhang)例題“快樂學(xué)生”問題由R1及邏輯轉(zhuǎn)換公式:P∧W→H=～（P∧W）∨H，可得

(1)～Pass(x,computer)∨～Win(x,prize)∨Happy(x)由R2：(2)～Study(y)∨Pass(y,z)(3)～Lucky(u)∨Pass(u,v)由R3：(4)～Study(zhang)(5)Lucky(zhang)由R4：(6)～Lucky(w)∨Win(w，prize)由結(jié)論：(7)～Happy(zhang) （結(jié)論的否定）(8)～Pass(w,computer)∨Happy(w)∨～Luck(w)(1)(6)，{w/x}(9)～Pass(zhang,computer)∨～Lucky(zhang)(8)(7)，{zhang/w}(10)

～Pass(zhang,computer) (9)(5)(11)

～Lucky(zhang) (10)(3)，{zhang/u,computer/v}(12)

?

(11)(5)

歸結(jié)過程的控制策略控制策略的目的——?dú)w結(jié)點(diǎn)盡量少六種控制策略：刪除策略：小的子句將大的子句歸類。采用支撐集：采用含有不可滿足子句的支撐集。語義歸結(jié)：不同語義子集中的子句進(jìn)行歸結(jié)。線性歸結(jié)：采用頂子句及后代參與歸結(jié)。單元?dú)w結(jié)：每次歸結(jié)都有一個(gè)單文字子句參加。輸入歸結(jié)：每次歸結(jié)都有一個(gè)原始子句參加。Herbrand定理（H域）由于公式G的定義域D是無限、不可數(shù)的，為了簡化定義域，需要建立一個(gè)簡單、特殊的域。在這個(gè)論域上，公式G也是不可滿足的，此域稱為H域，是無限、可數(shù)的。因此，D域與H域在證明公式G不可滿足的意義上是一致的。Herbrand定理（原子集）原子集A：謂詞套上H域的元素組成的集合。如

A={所有形如P(t1,t2,…tn)的元素}

即把H中的東西填到S的謂詞里去。S中的謂詞是有限的，H是可數(shù)的，因此，A也是無限、可數(shù)的。Herbrand定理（H解釋）子句集S在的H域上任何一組真值的指定，稱為一個(gè)H解釋。

Herbrand定理（語義樹）完全語義樹：原子集中所有元素逐層添加的一棵二叉樹。將元素的是與非分別標(biāo)記在兩側(cè)的分枝上（可不完全畫完）。S的完全語義樹是無限、可數(shù)樹。

封閉語義樹：如果S的完全語義樹的每個(gè)分枝上都有一個(gè)失敗結(jié)點(diǎn)，就稱它是一棵封閉語義樹。S的封閉語義樹是有限、可數(shù)樹。第4章知識表示知識的種類事實(shí)性知識：采用直接表示的形式過程性知識：描述做某件事的過程行為性知識：不直接給出事實(shí)本身，只給出它在某方面的行為實(shí)例性知識：只給出一些實(shí)例，知識藏在實(shí)例中類比性知識:即不給出外延，也不給出內(nèi)涵，只給出它與其它事物的某些相似之處元知識：有關(guān)知識的知識。最重要的元知識是如何使用知識的知識，如何從知識庫中找到想要的知識。知識的要素事實(shí)：事物的分類、屬性、事物間關(guān)系、科學(xué)事實(shí)、客觀事實(shí)等。（最低層的知識）

規(guī)則：事物的行動、動作和聯(lián)系的因果關(guān)系知識。（啟發(fā)式規(guī)則）?？刂疲寒?dāng)有多個(gè)動作同時(shí)被激活時(shí)，選擇哪一個(gè)動作來執(zhí)行的知識。（技巧性）

元知識：高層知識。怎樣實(shí)用規(guī)則、解釋規(guī)則、校驗(yàn)規(guī)則、解釋程序結(jié)構(gòu)等知識。表示方法

—概述表示方法直接表示局部表示分布表示陳述性表示過程性表示語義網(wǎng)絡(luò)表示產(chǎn)生式表示邏輯表示框架表示腳本表示替代表示知識的表示方法表示方法直接表示局部表示分布表示陳述性表示過程性表示語義網(wǎng)絡(luò)表示產(chǎn)生式表示邏輯表示框架表示腳本表示替代表示表示方法—產(chǎn)生式規(guī)則表示法產(chǎn)生式系統(tǒng)基本結(jié)構(gòu)推理機(jī)數(shù)據(jù)庫規(guī)則庫知識庫產(chǎn)生式系統(tǒng)結(jié)構(gòu)圖

表示方法—產(chǎn)生式規(guī)則表示法產(chǎn)生式系統(tǒng)基本結(jié)構(gòu)工作存儲器(數(shù)據(jù)庫)：存放當(dāng)前已知的數(shù)據(jù)，包括推理過程中形成的中間結(jié)論。數(shù)據(jù)是廣義的，可以是常量、多元數(shù)組、謂詞、表示結(jié)構(gòu)等。產(chǎn)生式規(guī)則：每條產(chǎn)生式規(guī)則分為左右兩個(gè)部分。左部表示激活該產(chǎn)生式規(guī)則的條件，右部表示調(diào)用該產(chǎn)生式規(guī)則后所作的動作。條件是一組復(fù)雜的模式，規(guī)則之間的控制也不是語句的傳遞，而且滿足條件的規(guī)則被激活但不一定立即執(zhí)行，取決于產(chǎn)生式系統(tǒng)的沖突消解策略。表示方法—產(chǎn)生式規(guī)則表示法產(chǎn)生式系統(tǒng)基本結(jié)構(gòu)…….規(guī)則解釋程序匹配器：判斷規(guī)則條件是否成立。沖突消解器：選擇可調(diào)用的規(guī)則。解釋器：執(zhí)行規(guī)則的動作。并且在滿足結(jié)束條件時(shí)終止產(chǎn)生式系統(tǒng)運(yùn)行。表示方法—產(chǎn)生式規(guī)則表示法推理方法： 正向、 反向、 雙向。表示方法—語義網(wǎng)絡(luò)表示法表示形式每一個(gè)要表達(dá)的事實(shí)用一個(gè)“結(jié)點(diǎn)”表示，而事實(shí)之間的關(guān)系用“弧線”表示。即，有向圖表示的三元組，（結(jié)點(diǎn)1，弧，結(jié)點(diǎn)2）連接而成。表示方法—語義網(wǎng)絡(luò)表示法類屬關(guān)系：如A-Kind-of、A-Member-of、Is-a包含關(guān)系：如Part-of屬性關(guān)系：如have、can位置關(guān)系：如located-on、at、under、inside相近關(guān)系：如similar-to、near-to時(shí)間關(guān)系：如before、after表示方法—語義網(wǎng)絡(luò)表示法推理方法網(wǎng)絡(luò)匹配：結(jié)構(gòu)上的匹配，包括結(jié)點(diǎn)和弧的匹配繼承推理：“具體與抽象”、“個(gè)體與集體”的屬性繼承，即處在具體層的結(jié)點(diǎn)可以繼承抽象層結(jié)點(diǎn)的所有屬性。表示方法—框架表示法表示方法—框架表示法推理方法：匹配：和語義網(wǎng)絡(luò)一樣遵循匹配原理。槽計(jì)算：繼承（屬性值、屬性、限制）， 附加過程，即附加在數(shù)據(jù)結(jié)構(gòu)上，啟動時(shí)計(jì)算槽值。機(jī)器學(xué)習(xí)—

概述機(jī)器學(xué)習(xí)模型學(xué)習(xí)是建立理論、形成假設(shè)和進(jìn)行歸納推理的過程。

整個(gè)過程包括：信息的存儲、知識的處理兩部分

環(huán)境學(xué)習(xí)環(huán)節(jié)知識庫

執(zhí)行環(huán)節(jié)機(jī)器學(xué)習(xí)—

概述分類：按學(xué)習(xí)策略機(jī)械式學(xué)習(xí)，直接輸入新知識（記憶學(xué)習(xí)） 學(xué)習(xí)者不需要進(jìn)行任何推理或知識轉(zhuǎn)換，將知識直接裝進(jìn)機(jī)器中。根據(jù)示教學(xué)習(xí)（傳授學(xué)習(xí)、指點(diǎn)學(xué)習(xí)） 從老師或其它有結(jié)構(gòu)的事物獲取知識。要求學(xué)習(xí)者將輸入語言的知識轉(zhuǎn)換成它本身的內(nèi)部表示形式。并把新的信息和它原有的知識有機(jī)地結(jié)合為一體?！?機(jī)器學(xué)習(xí)—

概述……….通過類推學(xué)習(xí)（演繹學(xué)習(xí)） 學(xué)習(xí)者找出現(xiàn)有知識中所要產(chǎn)生的新概念或技能十分類似的部分。將它們轉(zhuǎn)換或擴(kuò)大成適合新情況的形式，從而取得新的事實(shí)或技能。從例子中學(xué)習(xí)（歸納學(xué)習(xí)） 給學(xué)習(xí)者提供某一概念的一組正例和反例，學(xué)習(xí)者歸納出一個(gè)總的概念描述，使它適合于所有的正例且排除所有的反例。（目前研究較多的一種方法）……….機(jī)器學(xué)習(xí)—

概述

……….

類比學(xué)習(xí) 演繹學(xué)習(xí)與歸納學(xué)習(xí)的組合。匹配不同論域的描述、確定公共的結(jié)構(gòu)。以此作為類比映射的基礎(chǔ)。尋找公共子結(jié)構(gòu)是歸納推理，而實(shí)現(xiàn)類比映射是演繹推理。實(shí)例學(xué)習(xí)－兩個(gè)空間模型規(guī)則空間歸納方法：從特殊到一般的推理，把已有的知識總結(jié)歸納推廣。但歸納出來的知識不能保證正確(不怕一萬只怕萬一)。歸納方法的過程就是搜索過程，找到包含在少數(shù)例子中的正確信息。需要經(jīng)常檢驗(yàn)，用新例子去否定歸納出的錯(cuò)誤規(guī)則。即解釋例子和選擇例子的反復(fù)，反復(fù)于例子空間和規(guī)則空間之間。實(shí)例學(xué)習(xí)－兩個(gè)空間模型Winston的積木世界中的“拱”概念的學(xué)習(xí)。實(shí)例學(xué)習(xí)－學(xué)習(xí)單個(gè)概念變形空間法變形空間方法以整個(gè)規(guī)則空間為初始的假設(shè)規(guī)則集合H，進(jìn)行一般化或特殊化處理。逐步縮小集合H，最后使H收斂為只含有要求的規(guī)則，故稱為變形空間。

具體方法：消除候選元素法。決策樹學(xué)習(xí)（概述）決策樹學(xué)習(xí)是以實(shí)例為基礎(chǔ)的歸納學(xué)習(xí)。其基本思想是以信息熵為度量構(gòu)造一棵熵值下降最快的樹，到葉子節(jié)點(diǎn)處的熵值為零，此時(shí)每個(gè)葉節(jié)點(diǎn)中的實(shí)例都屬于同一類。決策樹學(xué)習(xí)（學(xué)習(xí)）條件熵設(shè)信源為X，收信者收到信息Y，用條件熵H(X|Y)來描述收信者在收到Y(jié)后對X的不確定性估計(jì)。設(shè)X的符號ai，Y的符號bj，p(ai|bj)為當(dāng)Y為bj時(shí)，X為ai的概率，則有：樣本集的信息熵設(shè)樣本數(shù)據(jù)集為：

X=[x1,x2,…,xn]

記X的兩個(gè)訓(xùn)練子集P+X和P-X分別為正例集和反例集，其中P+和P-分別為兩個(gè)集合的概率，則樣本空間的信息熵為：P=1/2時(shí)，H=？P=1或0時(shí)，H=？決策樹學(xué)習(xí)（學(xué)習(xí)）實(shí)例s含有的信息為，如果一個(gè)觀測值具有屬性，劃歸為類，并應(yīng)該有下面的規(guī)則總結(jié)出來式中xi為事件所具有的第i個(gè)屬性。這里的屬性和類具有廣泛的意義。1957年FrankRosenblatt定義了一個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，稱為感知器(Perceptron)。前饋型神經(jīng)網(wǎng)－單層感知器

w1

θ

Y

x1

xn

wn

Σ

但是，單層感知器只能做線性劃分。對于非線性或其他分類會遇到很大困難。一個(gè)簡單的XOR問題的例子就證明了這一點(diǎn)。前饋型神經(jīng)網(wǎng)－單層感知器BackPropagation（BP）學(xué)習(xí)算法，為當(dāng)今應(yīng)用最廣泛的方法之一。該方法克服了單層感知器非線性不可分類問題，給神經(jīng)網(wǎng)絡(luò)研究帶來了新的希望。前饋型神經(jīng)網(wǎng)－BP網(wǎng)

Hopfield神經(jīng)網(wǎng)絡(luò)模型是一種循環(huán)神經(jīng)網(wǎng)絡(luò)，從輸出到輸入有反饋連接，有離散型和連續(xù)型兩種。

這種全互連反饋型神經(jīng)網(wǎng)絡(luò)是提供聯(lián)想記憶功能的典型，其通過引人網(wǎng)絡(luò)的能量函數(shù)和穩(wěn)定性概率，產(chǎn)生非線性動力學(xué)系統(tǒng)所表現(xiàn)出的豐富的動態(tài)特性。前饋型神經(jīng)網(wǎng)－Hopfield網(wǎng)單層感知器的學(xué)習(xí)算法設(shè)tq為期望輸出(教師信號)，當(dāng)xA為輸入時(shí)，tq=1；xB為輸入時(shí)，tq=0。給定初始值：給每一個(gè)權(quán)值賦給一個(gè)較小的隨機(jī)非零值；在xA或xB中，任選一個(gè)作為訓(xùn)練樣本。假設(shè)選定xA中的xl為輸入，則實(shí)際輸出為：單層感知器的學(xué)習(xí)算法若yl=1，則權(quán)值不需要調(diào)整，回到②重新選取一個(gè)樣本重新訓(xùn)練。若yl=-1，則進(jìn)行下一步的權(quán)值修改；權(quán)值修改公式：

其中，0<1，學(xué)習(xí)因子，用于控制修改速度。轉(zhuǎn)步驟②，學(xué)習(xí)下一個(gè)樣本，直到所有樣本均滿足為止。例如，給定下列條件xA={x1,x2}，x1=0,x2=1,1(0)=0.0,2(0)=0.2,0(0)==0.5,=0.1要求經(jīng)過學(xué)習(xí)后，輸出yl(t)=tqA=1

1

yx1

xn

n

Σ

t=0時(shí)的情況t=1時(shí)的情況t=2時(shí)的情況實(shí)際輸出yl與教師信號tqA相等，學(xué)習(xí)停止。7.4遺傳算法遺傳算法的三個(gè)主要操作：選擇交配變異“輪盤賭”法： 設(shè)群體的規(guī)模為N，F(xiàn)(xi)(i=1,...,N)是其中N個(gè)染色體的適應(yīng)值。則第i個(gè)染色體被選中的概率由下式給出：選擇x1x2x3x4x5x6模擬“輪盤賭”算法（1）r=random(0,1)，s=0，i=0；（2）如果s≥r，則轉(zhuǎn)（4）；（3）s=s+p(xi)，i=i+1,轉(zhuǎn)（2）（4）xi即為被選中的染色體，輸出i（5）結(jié)束?！按_定性”法對于規(guī)模為N的群體，一個(gè)選擇概率為p(xi)的染色體xi被選擇次數(shù)的期望值e(xi)：

對于群體中的每一個(gè)xi，首先選擇次。這樣共得到個(gè)染色體。然后按照從大到小對染色體排序，依次取出個(gè)染色體，這樣就得到了N個(gè)染色體。交配交配發(fā)生在兩個(gè)染色體之間，由兩個(gè)被稱之為雙親的父代染色體，經(jīng)雜交以后，產(chǎn)生兩個(gè)具有雙親的部分基因的新的染色體。當(dāng)染色體采用二進(jìn)制形式編碼時(shí)，交配過程是以這樣一種形式進(jìn)行的：a1a2...aiai+1...anb1b2...bibi+1...bna1a2...aibi+1...bnb1b2...biai+1...an交配前交配后交配位置變異變異發(fā)生在染色體的某一個(gè)基因上，當(dāng)以二進(jìn)制編碼時(shí)，變異的基因由0變成1，或者由1變成0。如對于染色體x=11001，如果變異位發(fā)生在第三位，則變異后的染色體變成了y=11101。算法的終止條件滿足算法停止的最簡單的兩個(gè)條件：完成了預(yù)先給定的進(jìn)化代數(shù)則停止；群體中的最優(yōu)個(gè)體在連續(xù)若干代沒有改進(jìn)或平均適應(yīng)度在連續(xù)若干代基本沒有改進(jìn)時(shí)停止。基本遺傳算法的框圖初始化種群(t=0)計(jì)算適應(yīng)度的值選擇操作t=t+1遺傳操作(交叉、變異）結(jié)束終止條件學(xué)科前沿講座人工智能——皇帝的新腦還是人類的終結(jié)

一、關(guān)于人工智能

一、關(guān)于人工智能從數(shù)值計(jì)算文字、圖像等多媒體信息處理初步實(shí)現(xiàn)了Leibniz提出的“將人的思維機(jī)器化”的思想讓機(jī)器擁有人的心智——成為計(jì)算機(jī)專家夢寐以求的理想！1956年，M.L.Minsky，C.Shanon，J.McCarthy(人工智能之父)等在