人工智能课后习题.docx
《人工智能课后习题.docx》由会员分享,可在线阅读,更多相关《人工智能课后习题.docx(9页珍藏版)》请在冰点文库上搜索。
人工智能课后习题
第一章绪论
1、什么是人工智能?
试从学科和能力两方面加以说明。
答:
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,他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力功能,并开发相关理论和技术。
能力:
是智能机器所执行的通常与人类智能有关的智能行为,这些智能行为涉及学习、感知、思考、理解、识别、判断、推理、证明、通信、设计、规划、行为和问题求解等活动。
2、为什么能够用机器模仿人的智能?
答:
物理符号系统的假设:
任何一个系统,如果它能够表现出智能,那么它就必定能执行输入符号、输出符号、存储符号、复制符号、建立符号结构、条件性迁移6种功能。
反之,任何系统如果具有这6种功能,那么它就能够表现出智能(人类所具有的智能)。
物理符号系统的假设伴随有3个推论。
推论一:
既然人具有智能,那么他(她)就一定是个物理符号系统。
推论二:
既然计算机是一个物理符号系统,它就一定能够表现出智能。
推论三:
既然人是一个物理符号系统,计算机也是一个物理符号系统,那么我们就能够用计算机来模拟人的活动。
3、人工智能研究包括哪些内容?
这些内容的重要性如何?
答:
1)认识建模。
认识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。
2)知识表示。
知识表示、知识推理和知识应用是传统人工智髓的三大核心研究内容其中,知识表示是基础,知识推理实现问題求解,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。
3)知识推理。
知识推理,包括不确定性推理和非经典推理等,似乎已是人工智能的一个永恒研究课题,仍有很多尚未发現和解决的问题值得研究。
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。
5)机器感知。
机器感知是机器获吹外部信息的基本途径。
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。
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題。
8)机器行为。
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。
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俥和软陴支持.
第二章知识表示方法
1、状态空间法、问题归约法、谓词逻辑法和语义网络法的要点是什么?
它们有何本质上的联系及异同点?
答:
状态空间法:
基于解答空间的问题表示和求解方法,它是以状态和算符为基础来表示和求解问题的。
一般用状态空间法来表示下述方法:
从某个初始状态开始,每次加一个操作符,递增的建立起操作符的试验序列,直到达到目标状态为止。
问题规约法:
已知问题的描述,通过一系列变换把此问题最终变成一个子问题集合:
这些子问题的解可以直接得到,从而解决了初始问题。
问题规约的实质:
从目标(要解决的问题)出发逆向推理,建立子问题以及子问题的子问题,直至最后把出示问题规约为一个平凡的本原问题集合。
谓词逻辑法:
采用谓词合式公式和一阶谓词算法。
要解决的问题变为一个有待证明的问题,然后采用消解定理和消解反演莱证明一个新语句是从已知的正确语句导出的,从而证明这个新语句也是正确的。
语义网络法:
是一种结构化表示方法,它由节点和弧线或链组成。
节点用于表示物体、概念和状态,弧线用于表示节点间的关系。
语义网络的解答是一个经过推理和匹配而得到的具有明确结果的新的语义网络。
语义网络可用于表示多元关系,扩展后可以表示更复杂的问题
2、把下列语句表示成语义网络描述:
(1)Allmanaremortal.
(2)Everycloudhasasilverlining.
(3)AllbranchmanagersofDECparticipateinaprofit-sharingplan.
解:
(1)
(2)
(3)
3、试构造一个描述你的寝室或办公室的框架系统。
解:
第三章确定性推理
1、什么是图搜索过程?
其中,重排OPEN表意味着什么,重排的原则是什么?
答:
图搜索的一般过程如下:
(1)建立一个搜索图G(初始只含有起始节点S),把S放到未扩展节点表中(OPEN表)中。
(2)建立一个已扩展节点表(CLOSED表),其初始为空表。
(3)LOOP:
若OPEN表是空表,则失败退出。
(4)选择OPEN表上的第一个节点,把它从OPEN表移出并放进CLOSED表中。
称此节点为节点n,它是CLOSED表中节点的编号。
(5)若n为一目标节点,则有解并成功退出。
此解是追踪图G中沿着指针从n到S这条路径而得到的(指针将在第7步中设置)。
(6)扩展节点n,生成不是n的祖先的那些后继节点的集合M。
将M添入图G中。
(7)对那些未曾在G中出现过的(既未曾在OPEN表上或CLOSED表上出现过的)M成员设置一个通向n的指针,并将它们加进OPEN表。
对已经在OPEN或CLOSED表上的每个M成员,确定是否需要更改通到n的指针方向。
对已在CLOSED表上的每个M成员,确定是否需要更改图G中通向它的每个后裔节点的指针方向。
(8)按某一任意方式或按某个探试值,重排OPEN表。
(9)GO LOOP。
重排OPEN表意味着,在第(6)步中,将优先扩展哪个节点,不同的排序标准对应着不同的搜索策略。
重排的原则当视具体需求而定,不同的原则对应着不同的搜索策略,如果想尽快地找到一个解,则应当将最有可能达到目标节点的那些节点排在OPEN表的前面部分,如果想找到代价最小的解,则应当按代价从小到大的顺序重排OPEN表。
2、用宽度优先搜索求图3.29(图略)所示迷宫的出路。
解:
第一步:
SAB
第二步:
BH
BC
第三步:
HG
CF
最终路径为:
SABCF
3、在什么情况下需要采用不确定推理或非单调推理?
答:
不完全的信息、不断变化的情况、以及求解复杂问题过程中生成的假设
第四章非经典推理
1、什么是不确定性推理?
为什么需要采用不确定性推理?
答:
不确定性推理实际上是一种从不确定的初始证据出发。
通过运用不确定性知识,最终推出具有一定程度的不确定性但却又是合理或基本合理的结论的思维过程。
原因:
1)所需知识不完备、不精确
2)所需知识描述模糊
3)多种原因导致同一结论
4)解决方案不唯一。
2、不确定性推理可分为哪几种类型?
答:
不确定性推理中存在三种不确定性,即关于知识的不确定性、关于证据的不确定性和关于结论的不确定性。
不确定推理方法可以分为两大类:
一类称为模型方法,另一类称为控制方法。
第五章计算智能
1、试述计算智能(CI)、人工智能(AI)和生物智能(BI)的关系。
答:
计算智能是智力的低层认知,主要取决于数值数据而不依赖于知识。
人工智能是在计算智能的基础上引入知识而产生的智力中层认知。
生物智能,尤其是人类智能,则是最高层的智能。
即CI包含AI包含BI
2、什么是模糊推理?
答:
模糊推理是建立在模糊逻辑基础上的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。
它以模糊判断为前提,动用模糊语言规则,推导出一个近似的模糊判断结论。
第六章专家系统
1、专家系统由哪些部分构成?
各部分的作用为何?
答:
(1)知识库(knowledge base)
知识库用于存储某领域专家系统的专门知识,包括事实、可行操作与规则等。
(2)综合数据库(global database)
综合数据库又称全局数据库或总数据库,它用于存储领域或问题的初始数据和推理过程中得到的中间数据(信息),即被处理对象的一些当前事实。
(3)推理机(reasoning machine)
推理机用于记忆所采用的规则和控制策略的程序,使整个专家系统能够以逻辑方式协调地工作。
推理机能够根据知识进行推理和导出结论,而不是简单地搜索现成的答案。
(4)解释器(explanator)
解释器能够向用户解释专家系统的行为,包括解释推理结论的正确性以及系统输出其它候选解的原因。
(5)接口(interface)
接口又称界面,它能够使系统与用户进行对话,使用户能够输入必要的数据、提出问题和了解推理过程及推理结果等。
系统则通过接口,要求用户回答提问,并回答用户提出的问题,进行必要的解释。
2、新型专家系统有何特征?
什么是分布式专家系统和协同式专家系统?
答:
特征:
(1)并行与分布处理
(2)多专家系统协同工作
(3)高级语言和知识语言描述
(4)具有自学习功能
(5)引入新的推理机制
(6)具有自纠错和自完善能力
(7)先进的智能人机接口
分布式专家系统:
具有分布处理的特征,能把一个专家系统的功能经分解以后分布到多个处理器上去并行地工作,从而有总体上提高系统的处理效率。
它可以工作在紧耦合的多处理器系统环境中,也可工作在松耦合的计算机网络环境中,其总体结构在很大程度上依赖于其所在的硬件环境。
协同式专家系统:
又称为“群专家系统”,是一个能综合若干个相近领域或一个领域的多个方面的子专家系统互相协作,共同解决一个更广领域问题的专家系统。
是克服一般专家系统的局限性的重要途径。
它不着重于处理的分布和知识的分布,而是更强调子系统间的协同合作。
它并不一定要求有多个处理机的硬件环境,而且一般都是在同一个处理机上实现各子专家系统的。
第七章机器学习
1、什么是类比学习?
其推理和学习过程为何?
答:
类比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,是人类认识世界的一种重要方法。
类比学习就是通过类比,即通过对相似事物加以比较所进行的一种学习。
类比推理过程如下:
(1)回忆与联想
通过回忆与联想在源域S中找出与目标域T相似的情况。
(2)选择
从找出的相似情况中,选出与目标域T最相似的情况及其有关知识。
(3)建立对应关系
在源域S与目标域T之间建立相似元素的对应关系,并建立起相应的映射。
(4)转换
把S中的有关知识引到T中来,从而建立起求解当前问题的方法或者学习到关于T的新知识。
类比学习过程主要包括:
(1)输入一组已经条件(已解决问题)和一组未完全确定的条件(新问题)。
(2)按照某种相似性的定义,寻找两者可类比的对应关系。
(3)根据相似变换的方法,建立从已解决问题到新问题的映射,以获得待求解问题所需的新知识。
(4)对通过类比推理得到的关于新问题的知识进行校验。
验证正确的知识存入知识库中,暂时无法验证的知识作为参考性知识,置于数据库中。
2、什么是知识发现?
知识发现与数据挖掘有何关系?
答:
根据费亚德的定义,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。
数据挖掘是知识发现中的一个步骤,它主要是利用某些特定的知识发现算法,在一定的运算效率内,从数据中发现出有关的知识。