2022年人工智能课程知识归纳总结

1、Agent ：通过传感器感知所处环境并通过执行器对该环境产生作用的运算机程序及其把握的硬件； 感知信息 ：表示任意给定时刻 Agent 的感知输入 / 感知序列 ：该 Agent 所收到的全部输入数据的完整历史 Agent 函数 ：把任意给定感知序列映射到 现,该程序在 Agent 自身结构上运行； Agent 行动的描述 / Agent 程序 ：抽象的 Agent 函数的一个具体实 性能度量 ：通常由理性设计者给出, 依据实际在所处的环境中期望得到的结果来设计度量, 而不是依据 Agent 应当表现的行为； 理性的判定取决于 ：性能度量, Agent 对环境的先验学问, Agent 可执行的

2、行动, Agent 到那时为止的感知序列；理性 Agent 应当选择期望能使其性能度量最大化的行动； 任务环境的属性 :完全可 观看的 vs 部分可观看的； 确定性的 vs 随机的； 片段式的 vs 连续式的； 静态的 vs 动态的；离散的 vs 连 续的；单 Agent vs 多 Agent；有 4 种类型的 Agent 程序： 简洁反射型 Agent,基于模型的反射型 Agent ,基 于目标的 Agent ,基于效用的 Agent； A 算法 八数码问题 令： gn=dn 节点深度 hn=wn 不在位的数码个数（启示函数） 就 fn=dn+wn 如：初始节点 s 的 f 值运算结果为 f

3、n=dn+wn=0+4=4 有 4 个数码不在位 对于 fn= gn + hn ,假如单独考虑 gn或 hn ,既： fn= gn 只考虑搜寻过的路径已经耗费的 费用 fn= hn 只考虑将来的进展趋势 那么可以得到两种特殊的算法：爬山算法和分支界限算法； 动态规划算法： 仅保留 queue 中公共节点路径中耗散值最小的路径,余者删去,按 g 值升序排序； 动态规划与分支界限的差别在于去掉公共路径中的冗余部分,提高效率； 假如问题空间是树结构,动态规划与分支界限相同； A* 算法 迷宫问题 给定迷宫图如下,找出从入口到出口得最短路径；规章集：右移,下移,左移,上移 A* 算法 f 函数定义 f

4、n gn hn gn dn 从初始节点 s 到当前节点 n 的搜寻深度 hn | Xg Xn | | YgYn | 当前节点 n 与目标节点间的坐标距离 与或图搜寻 从节点 n 开头,正确选择一个外向连接符； 从该连接符指向的 每个后继节点动身,连续选择一个外向连接符； 依次类推,直到由此产生的每个后继节点都是 N 中的 一个元素为止, N 为终节点集合； 其耗散值： Kn,N Cn+ Kn1,N+ Kn2,N+ + Kni,N 极大微小值搜寻策略 在极大微小值算法基础上增加了剪枝功能 , 并接受深度优先 策略进行搜寻； 剪枝条件：微小极大,剪枝 ； 极大微小,剪枝； 留意：只有一个结点的值“

5、固定”以后,其值才能向其父结点传递,如下图所示： 谓词公式标准化： 将一个给定的公式化成一个合取前束范式,最终得到一个子句集； 1 消去包蕴符号； 2 缩小否定符号的辖域：利用 De Morgan 定律； 3 变量标准化： 利用变量代换使不 同的量词所约束的变元各不相同； 4 消去存在量词： （斯托林标准化） ； 5 化成前束形式； 6 将母式化成 第 1 页,共 3 页合取范式： （每个合取项是一个析取式） ；7 消去全称量词： 由于公式中的全部变元均受全程量词约束, 所以可直接将全称量词消去； 8 消去合取符号,得到一个子句集； 9 更换变元名称： （变元分别标准化） ； 归结的基本过程

6、：1 公式标准化,得到子句集 2 构造初始子句集 S= S0 W ； 3 检验 S 中是否存在 空子句（即永假式： P P）,如有空子句,就终止； 4 否就,用归结方法扩大子句集 S, GOTO 2； 子句合一： C1=Px,fA Px,fy Qy C2=Pz,fA Qz 第一找出能够合一的二个子集 L11= Px,fA, L21= Pz,fA 利用 unify 算法对 L11 和 L21 进行合一,求出合一置换 S=z/x L11 和 L21 的合一结果是： Pz,fA 接受归结方法,在 C1 中去掉 L11 ,在 C2 中去掉 L21 , 余下部分用 S=z/x 进行置换,得到归结式： C

7、=Pz,fy Qy Qz 归结式的不唯独性： 缘由是 C1 和 C2 的子集选择可以不同； Find-S 算法 :1. 将 h 初始化为 H 中最特殊假设 2. 对每个正例 x: 对 h 的每个属性约束 ai, 假如 x 中意 ai 那 么不做任何处理 , 否就将 h 中 ai 替换为 x 中意的下一个更一般约束 3. 输出假设 h；例如： x1=, + x2=, + x3=, - 执行算法后 h0= x4=, + h1= h2= h3= h4= 候选排除算法： 1.初始化 G 和 S； 2.假如 d 是一个正例,从 G 中移去全部与 d 不一样的假设,对 S 中每个与 d 不一样的假设 s

8、从 S 中移去 s, 把 s 的全部的微小泛化式 h 加入到 S 中,其中 h 中意： h 与 d 一样,而且 G 的某个成员比 h 更一般 从 S 中移去全部这样的假设：它比 S 中另一个假设更一般； 3.假如 d 是一个反例,从 S 中移去全部与 d 不一样的假设,对 G 中每个与 d 不一样的假设 g 从 G 中移去 g 把 g 的全部的微小特殊化式 h 加入到 G 中,其中 h 中意： h 与 d 一样,而且 S 的某个成员比 h 更特殊 从 G 中移去全部这样的假设：它比 G 中另一个假设更特殊； 熵值运算举例： “PlayTennis”中 S 是一个关于某布尔概念的 9+, 5- ；那么 S 相对于这个布尔分类的熵为： 14 个样例的集合,包括 9 个正例和 5 个反例 Entropy 9 ,5 9 /14 log 2 9 /14 5 /14 log 2 5 / 14 熵值分析： 假如 S 的全部成员属于同一类,那么 S 的熵为 0 假如 S 中正反样例的数量相等时（或者： S 中各类样例等比例时） ,熵值为 1 假如 S 集合中正反例的数量不等时,熵介于 0 和 1 之间； 运算属性 Wind 的信息增益 ValuesWind = Weak, Strong S = 9+,5- Sweak = 6+,2- Sstr