人工智能简答题

什么是人工智能?它的研究目标是什么？人工智能就是用人工的方法在机器（计算机）上实现的智能；或者说是人们使用机器模拟人类的智能。由于人工智能是在机器上实现的，因此又可称为机器智能。人工智能是研究怎样使计算机来模仿人脑所从事的推理、证明、识别、理解、设计、学习、思考、规划及问题求解等思维活动，来解决需要人类专家才能处理的复杂问题，如医疗诊断、石油测井解释、气象预报、交通运输管理等决策性课题。人工智能有哪几个主要学派？各自的特点是什么？a） 符号主义主张运用计算机科学的方法进行人工智能的研究，通过研究逻辑演绎在计算机上的实现方法，实现人类智能在计算机上的模拟，称为符号主义。符号主义又称为逻辑主义或计算机学派，认为人类智能的基本单元是符号，认知过程就是符号表示下的符号计算，从而思维就是符号计算。其原理主要为物理符号系统假设和有限合理性原理。b） 联结主义主张用仿生学的方法进行研究，通过研究人脑的工作模型，搞清楚人类智能的本质，称为联结主义。联结主义又称为仿生学派，认为人类智能的基本单元是神经元，认知过程是由神经元构成的网络的信息传递，这种传递是并行分布的。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。c） 行为主义主张应用进化论的思想进行人工智能的研究，通过对外界事物的动态感知与交互，使计算机智能模拟系统逐步进化，提高智能水平，称为行为主义。行为主义又称进化主义，认为人工智能起源于控制论，提出智能取决于感知和行为（所以称为行为主义），取决于对外界复杂环境的适应，它不需要知识、不需要表示、不需要推理。智能行为只能在与现实世界的环境交互作用中表现出来，人工智能也会像人类智能一样通过逐步进化而实现（所以称为进化主义）。其原理主要是通过控制论和机器学习算法实现智能系统的逐步进化。什么是人工神经元？它有哪几种主要模型？人工神经网络是由大量处理单元经广泛互连而组成的人工网络，用来模拟脑神经系统的结构和功能。而这些处理单元称为人工神经元。人工神经网络可以看成是以人工神经元为节点，用有向加权弧连接起来的有向图。根据激发函数的不同分为：阈值型（M-P模型）、分段线性型、Sigmoid函数型、双曲正切型什么是人工神经网络？它有哪些联结方式？模拟人脑神经系统的结构和功能，运用大量简单处理单元经广泛连接而组成的人工网络系统。人工神经网络中，各神经元的连接方式一般有很多种，不同的连接方式就构成了网络的不同连接模型。常见的连接模型有前向网络、从输入层到输出层有反馈的网络、层内有互连的网络和网络内任意两个神经元都可以互连的互连网络。什么是机器学习？机器学习研究的目标是什么？研究机器学习的意义何在？机器学习是研究如何使用计算机来模拟人类学习活动的一门学科。更严格地说，就是研究计算机获取新知识和新技能、识别现有知识、不断改善性能、实现自我完善的方法。机器学习研究的目标有三个：人类学习过程的认知模型；通用学习算法；构造面向任务的专用学习系统的方法。（a）人类学习过程的认知模型。这一方向是对人类学习机理的研究。这种研究不仅对人类的教育，而且对开发机器学习系统都有重要的意义。（b）通用学习算法。这个方向是对人类学习过程的研究，探索各种可能的学习方法，建立起独立于具体应用领域的通用学习算法。（c）构造面向任务的专用学习系统（工程目标）。这一方向是要解决专门的实际问题，并开发完成这些专门任务的学习系统。机器学习是人工智能中最具智能特征、最前沿的研究领域之一。机器学习的研究取得重大进展往往意味着人工智能，甚至整个计算机科学向前迈进了坚实的一步。机器学习速度快、便于知识积累、学习结果易于传播，因此人类在机器学习领域的每一点进步，都会使计算机的能力显著增强，从而对人类社会产生影响，尤其对今天信息化社会来说，这种影响将是十分深远的。什么是决策树？决策学习是如何利用决策树进行学习的？决策树是一种展示类似“在什么条件下会得到什么值”这类规则的方法。决策树是一种由节点和边构成的用来描述分类过程的层次数据结构，用于监督学习的层次模型。该树的根节点表示分类的开始，叶节点表示一个实例的结束，中间节点表示相应实例中的某一属性，而边则代表某一属性可能的属性值。在决策

树中，从根节点到叶节点的每一条路径代表一个具体的实例，并且同一路径上的所有属性之间为合取关系，不同路径之间为析取关系。决策树学习是广泛使用的一种归纳推理形式。它需要一组例子，其中每个例子都由相应的目标分类标记。如果训练实例可表示为属性值对，同时目标分类具有离散的输出值，那么这样的问题就特别适合用决策树来进行学习。建立决策树的过程，即树的生长过程是不断地把数据进行分组的过程，每次分组对应一个问题，也对应着一个节点。每次分组都要求所分得的组之间的“差异”最大。什么是遗传算法？简述其基本思想和基本结构。说明个体选择的常用策略以及遗传操作”交叉”和”变异”所起的作用.遗传算法（GeneticAlgorithm）是模拟生物在自然环境中的遗传和进化过程而形成的自适应全局优化搜索算法。它最早由美国J.H.Holland教授提出，它借鉴了达尔文的进化论和孟德尔的遗传学说，本质上是一种并行、高效、全局搜索的方法，它能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最优解。遗传算法的操作使用“适者生存”的原则，在潜在的解决方案种群中逐次产生一个近似最优方案。在每一代中，根据个体在问题域中的适应度值和从自然遗传学中借鉴来的再造方法进行个体选择，产生一个新的近似解。这个过程导致种群中个体的进化，得到的新个体比原个体更能适应环境。遗传算法使用群体搜索技术，将种群代表一组问题解，通过对当前种群施加选择、交叉和变异等一系列遗传操作来产生新一代的种群，并逐步使种群进化到包含近似最优解的状态。个体选择常用策略:轮盘赌选择法、随机遍历抽样法、锦标赛选择法试述机器学习系统的基本结构，并说明各部分的作用.学习环节知识库执行环节学习环节知识库执行环节a） 环境环境就是指系统外部信息的来源，它可以是系统的工作对象，也可以是工作对象和外界条件。环境就是为学习系统提供获取知识所需的相关对象的素材或信息，如何构造高质量、高水平的信息，将对学习系统获取知识的能力有很大影响。b） 学习环节学习环节通过对环境的搜索获得外部信息，并将这些信息与执行环节所反馈的信息进行比较。一般情况下，环境提供的信息水平与执行环节所需的信息水平之间往往有差距，经分析、综合、类比、归纳等思维过程，学习环节就要从这些差距中获取相关对象的知识，并将这些知识存入知识库中c） 知识库知识库用于存放由学习环节所学到的知识。知识库中知识的表示形式以及存储组织结构是影响学习系统设计的第二因素。知识库中常用的知识表示方法有：谓词逻辑、产生式规则、语义网络、特征向量、过程、Lisp函数、数字多项式核框架等。d） 执行环节执行环节是整个学习系统的核心。执行环节用于处理系统面临的现实问题，即应用知识库中所学到的知识求解问题，如智能控制、自然语言理解和定理证明等，并对执行的效果进行评价，将评价的结果反馈回学习环节，以便系统进一步的学习。执行环节的问题复杂性、反馈信息和执行过程的透明度都对学习环节有一定的影响。什么是专家系统?它有哪些基本特点？专家系统是一种具有大量专门知识与经验的智能程序系统，它能运用某个领域一个或多个专家多年积累的经验和专门知识，模拟领域专家求解问题时的思维过程，以解决该领域中的各种复杂问题。基本特点：1） 启发性:专家系统能运用专家的知识与经验进行推理、判断和决策。2） 透明性：专家系统能够解释本身推理过程和回答用户提出的问题，以便让用户了解推理过程，提高对专家系统的依赖感。例如，一个医疗诊断专家系统诊断某病人患有肺炎，而且必须用某种抗生素治疗，那么，这一专家系统将会向病人解释为什么他患有肺炎，而且必须用某种抗生素治疗，就像一位医疗专家对病人详细解释病情和治疗方案一样。3） 灵活性：专家系统能不断地增长知识，修改原有知识，不断更新。由于这一特点，使得专家系统具有十分广泛的应用领域。4） 交互性：专家系统一般都是交互式系统，这种交互性既有利于系统从专家那里获取知识，又便于用户在求解问题时输入条件或事实5） 推理有效性：专家系统能高效、稳定、高速地工作。不会像人类专家那样产生疲劳和不稳定。不同地专家系统所面向的领域不同，可以解决不同的问题，因此在设计专家系统时，针对不同领域问题的特点，选择不同的推理机制，从而保证问题求解过程中的推理有效性。6） 复杂性：人类的知识丰富多彩，思维方式多种多样，要想使计算机完全模拟人类的思维方法去解决问题，还是一件非常复杂和困难的工作。因此，在建造专家系统时，如何实现对不确定知识的表示，如何构造不确定性的传递算法和匹配算法以实现推理计算，其复杂性和难度都是比较大的。7） 实用性：专家系统是根据问题的实际需求开发的，因而具有坚实的应用背景。由于专家系统中存储了相关领域许多高水平专家的知识，所以它具有解决问题的高水平和高效率，从而可以产生巨大的社会效益和经济效益，具有非常良好的实用性。8） 知识的专门性：专家系统的知识都具有专门性，但只局限于所面向的领域，针对性很强。这与人类专家类似，因为人类也只是具有某一方面的高深知识，否则也就不称其为“专家”9） 易推广性：专家系统使人类专家的领域知识突破了时间和空间的限制，专家系统程序可永久保存，并可复制任意多的副本或在网上供不同地区或不同部门的人们使用，从而使专家系统的知识和技能更易于推广和传播。一般专家系统由哪些基本部分构成?每一部分的主要功能是什么？专家系统的体系结构指专家系统各组成部分的构造方法和组织形式。一个最基本的专家系统应包括知识库、数据库、推理机构、解释机构、知识获取机构和用户界面六个部分。哦嫉专成用户融亲工握眸J L用户界而 .\E 「「一 教据犀 知识序跋9」专彖桌统的基本绪构1）知识库知识库是专家系统的知识存储器，用来存放求解领域问题所需的专家知识。知识库中的知识分为两种类型：一类是事实性知识，即广泛公认的知识和常识；另一类是启发性知识，它是领域专家在长期工作实践中积累起来的经验总结。专家系统开发中一个重要任务是要认真细致地对专家的这类经验知识进行分析。知识本来是存储在专家头脑中的，让专家把自己的直觉、诀窍、经验表示为适合计算机表示和推理的形式是一个极大难题。因此在建立知识库的过程中，知识工程师需要与领域专家很好地合作，认真提取领域专家的知识，进而根据计算机对这些知识的表示和使用要求，将这些知识转化成知识库的组成部分。2） 数据库数据库又被称为全局数据库或综合数据库，它相当于专家系统的工作存储器，用来存储与领域问题有关的事实、数据、初始证据、推理过程中得到的各种中间结论、求解目标等。例如，医疗专家系统中，数据库存放的是当前患者的情况，如姓名、年龄、症状等，以及推理过程中得到的一些中间结果、病情等；气象专家系统中，数据库存放的是当前气象要素，如云量、温度、气压，以及推理得到的中间结果等。数据库的规模和结构可根据系统目的来确定，而且随着问题的不同，数据库的内容可以是动态变化的。3） 推理机推理机是一组用来控制、协调整个专家系统的程序。它根据数据库中存储的当前数据，利用知识库中的知识，按一定的推理策略，求解当前的问题，即解释外部输入的事实和数据，推导出相应结果。由于专家系统是模拟人类专家进行工作，因此设计推理机时，应使它的推理过程和专家的推理过程尽量相似，最好完全一致。对大中型专家系统，由于其知识库中的知识数量很多，因此其推理机构由知识库管理系统和推理机两个主要部分组成。其中，知识库管理系统实现对知识库中知识的合理组织和有效管理；推理机主要用于生成并控制推理过程和使用知识库中的知识。4） 解释机构解释机构实际上也是一组程序，它包括系统提示、人机对话、能书写规则的语言以及解释程序。解释机构的主要功能是解释系统本身的推理结果，回答用户的提问，使用户能够了解推理的过程及所运用的知识和数据。因此，在设计解释机构时，应预先考虑好在系统运行过程中需要回答的问题和答案。5） 知识获取机构知识获取是专家系统的一种辅助功能，用于增加和修改知识库中的知识。基本任务是把知识加入到知识库中，并维持知识的一致性及完整性，建立起性能良好的知识库。不同专家系统，知识获取方法差别较大。有的系统首先由知识工程师向领域专家获取知识，然后再通过相应的知识编辑软件把知识输入到知识库中；有的系统自身就具有部分学习功能，由系统直接与领域专家对话获取知识；有的系统具有较强的学习功能，可在系统运行过程中通过归纳、总结，得出新的知识。无论采取哪种方式，知识获取都是目前专家系统研制中的一个重要问题。6） 用户界面用户界面是专家系统的另一个关键组成部分，它作为专家系统于外界的接口，实现系统于外界之间的信息交换。通常，专家系统的使用者包括最终用户、领域专家、知识工程师。其中，最终用户和领域专家一般都不是计算机专业人员，用户界面必须满足他们的需求，尽可能地使用接近自然语言的输入、输出形式，并能理解和处理声音、图像等多媒体信息。新一代专家系统应具备哪些特征?分布式专家系统与协同式专家系统有何区别与联系？（1） 并行与分布处理：基于各种并行算法，采用各种并行推理和执行技术，适合在多处理器的硬件环境中工作，即具有分布处理的功能，是新型专家系统的一个特征。专家系统的分布处理特征要求专家系统做到功能合理均衡地分布，以及知识和数据适当地分布，着眼点主要在于提高系统的处理效率和可靠性等。（2） 多专家系统协同工作：各子专家系统间可以互相通信，一个（或多个）子专家系统的输出可能就是另一子专家系统的输入。多专家系统的协同合作其着眼点主要在于通过多个子专家系统协同工作扩大整体专家系统的解题能力。（3） 高级语言和知识语言描述：为了建立专家系统，知识工程师只需用一种高级专家系统描述语言对系统进行功能、性能以及接口描述，并用知识表示语言描述领域知识，专家系统生成系统就能自动或半自动地生成所要的专家系统。（4） 具有自学习功能：提供高级的知识获取与学习功能。能根据知识库中已有知识和用户对系统提问的动态应答，进行推理以获得新知识，总结新经验，从而不断扩充知识库，这即所谓自学习机制。（5） 引入新的推理机制：现存的大部分专家系统只能做演绎推理。新型专家系统中，除演绎推理外，还应有归纳推理（包括联想、类比等推理）、各种非标准逻辑推理（例如非单调逻辑推理、加权逻辑推理等）以及各种基于不完全知识和模糊知识的推理等，在推理机制上应有一个突破。（6） 具有自纠错和自完善能力：为了排错必须首先有识别错误的能力，为了完善必须首先有鉴别优劣的标准。有了这种功能和上述的学习功能后，专家系统就会随着时间的推移，通过反复的运行不断地修正错误，不断完善自身，并使知识越来越丰富。（7） 先进的智能人机接口：理解自然语言，实现语音、文字、图形和图像的直接输入输出是如今人们对智能计算机提出的要求，也是对新型专家系统的重要期望。这一方面需要硬件的有力支持，另一方面先进的软件技术将使智能接口的实现大放异彩。BP算法的网络结构是什么？简述BP算法的学习过程.B-P算法的网络结构是一个前向多层网络。网络中不仅含有输入节点和输出节点，而且含有一层或多层隐（层）节点，网络中各处理单元间的连接如图6.16所示。当有信息向网络输入时，信息首先由输入层传递到隐层节点，经特性函数（人工神经元）作用后，再传至下一隐层。这样一层一层传递下去，直到最终传至输出节点层进行输出。其间各层的激发函数要求是可微的，一般是选用S型函数。B-P算法的学习过程如下：（a） 选择一组训练样例，每一个样例由输入信息和期望的输出结果两部分组成。（b） 从训练样例集中取一样例，把输入信息输入到网络中。（c） 分别计算经神经元处理后的各层节点的输出。（d） 计算网络的实际输出和期望输出的误差。（e） 从输出层反向计算到第一个隐层，并按照某种能使误差向减小方向发展的原则，调整网络中各神经元的连接权值。（f） 对训练样例集中的每一个样例重复（c）一（e）的步骤，直到对整个训练样例集的误差达到要求时为止。在什么情况下需要采用不确定推理或非单调推理？在日常生活中，人们通常所遇到的情况是信息不够完善、不够精确，即所掌握的知识具有不确定性。人们就是运用这种不确定性的知识进行思维、推理，进而求解问题。什么是产生式知识表示?给出这种表示方法的优缺点。产生式通常用于表示事实、规则以及它们的不确定性度量，适合于表示事实性知识和规则性知识。基本形式IFPTHENQ，其中P是产生式的前提，用于指出该产生式是否可用的条件；Q是一组结论或操作，用于指出前提P所指示的条件被满足时，应该得出的结论或应该执行的操作。优点：（1）自然性（2）模块性（3）有效性（4）清晰性缺点：（1）效率不高（2）不能表达结构性知识简述自然语言理解的层次划分及对应的技术。词法分析、句法分析、语义分析搜索方法的启发能力有哪几种基本的度量方法？渗透度是对一个搜索算法的搜索性能的度量，表示搜索集中指向某个目标的程度，而不是在无关的方向上徘徊。定义为：P=L/T其中，L是算法发现的解路径的长度，T是算法在寻找这条解路径期间所产生的节点（不包括初始节点，包括目标节点）有效分枝系数就是一棵搜索树的平均分枝数.设搜索树的深度是L，算法所产生的总节点数为T，有效分枝系数是B，则有B+B2十•••+BL=T或B（BL-1）/（B-1）=T简述状态空间法三要点？三要点：（1） 状态（state）：表示问题解法中每一步问题状况的数据结构；（2） 算符（operator）：把问题从一种状态变换为另一种状态的手段；（3） 状态空间方法：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。备注：用状态空间表示问题的步骤：（1） 定义状态的描述形式；（2） 用所定义的状态描述形式把问题的所有可能的状态都表示出来，并确定出问题的初始状态集合描述和目标状态集合描述；（3） 定义一组算符，使得利用这组算符可把问题由一种状态转变为另一种状态。问题的求解过程是一个不断把算符作用于状态的过程。（1） 首先将适用的算符作用于初始状态，以产生新的状态；（2） 然后再把一些适用的算符作用于新的状态；（3） 这样继续下去，直到产生的状态为目标状态为止。这时，就得到了问题的一个解。这个解是从初始状态到目标状态所用算符构成的序列。同传统的计算机程序相比，人工智能程序有哪些特点？（1） 人工智能首先研究的是以符号表示的知识，而不是数值数据为研究对象（2） 人工智能采用的是启发式推理方法，而不是常规算法（3） 人工智能的控制结构与知识领域是分离的，并允许出现不正确的解答什么是问题归约？问题归约的操作算子与一般图搜索有何不同？问题规约是在问题求解过程中，将一个大的问题变成若干个子问题，子问题又可以分解成更小的子问题，这样一直分解到可以直接求解为止，全部子问题的解就是原问题的解；并称原问题为初始问题，可直接求解的问题为本原问题。问题规约的操作算子是一组变换规则，通过一个操作算子把一个问题化成若干个子问题。而一般图搜索的操作算子是引起状态中的某分量发生改变，从而使问题由一个具体状态A变化为另一个具体状态B的作用。使问题一种状态变化为另一种状态的手段称为操作符或算符，操作符可为走步、过程、规则、数学算子、运算符号或逻辑符号等。在选择知识表示的方法时，应该考虑哪些因素？（1） 充分表示领域知识。（2） 有利于对知识的利用。（3） 便于对知识的组织、维护与管理。（4） 便于理解与实现。表示能力：能够将问题求解所需的知识正确有效地表达出来，可理解性：所表达的知识简单、明了、易于理解，可访问性：能够有效地利用所表达的知识，可扩充性：能够方便灵活地对知识进行扩充。表示范围是否广泛、是否适于推理、是否适于计算机处理、是否有高效的算法、能否表示不精确知识、能否模块化、知识和元知识能否用统一的形式表示、是否加入启发信息、过程性表示还是说明性表示、表示方法是否自然。总之，人工智能问题的求解是以知识表示为基础的，如何将已获取的有关知识以计算机内部代码形式加以合理地描述、存储、有效利用便是知识表示所应解决的问题。什么是蚁群算法？简述其基本思想和基本结构.根据蚂蚁觅食过程的启示，蚁群优化算法是采用人工蚂蚁行走路线选择问题最优解的一种算法。（1） 每只人工蚂蚁独立地在问题解空间中搜索（行走），当遇到解的分支路径时，随机地选择某条路径行走，其中信息素浓度更高的路径具有更大的选择概率。路径越短，信息素浓度越高。（2） 随着时间的推移，路径短的信息素浓度越来越高，引导更多的蚂蚁通过最优的求解路径，释放出更多的信息素，而其他路径上的信息素在挥发特性的作用下逐渐消失，从而形成正反馈效应。（3） 最终整个蚁群在正反馈作用下，集中到代表最优解的路径上，表明找到了最优解。假设m只蚂蚁在城市间移动，协作异步地得到问题的解。每只蚂蚁的一步转移概率由城市之间连边的两类参数决定：一是信息素值，二是可见度，即先验值。信息素的更新有两种：一是挥发，也就是所有路径上的信息素以一定的比率减少，模拟自然蚁群的信息素随时间挥发的过程；二是增强，给评价值“好”的边增强信息素。蚂蚁向下一城市的移动是通过一个随机原则来实现的，也就是运用当前存储的信息，计算出到下一个城市的概率，并按此概率实现上一步的移动，如此反复，越来越接近最优解。（轮盘赌选择算法）蚂蚁在寻找过程中，或找到一个解后，会评估该解或解的一部分的优化程度，并把评价信息保存在相关连接的信息素中。什么是过程性知识表示？给出它的优缺点过程性知识表示可将所要表示的知识及如何使用这些知识的控制性策略一起隐式地表示为一个求解问题的过程。优点：（1）表示效率高（2）推理控制容易实现缺点：（1）知识库不易维护（2）适用的表示范围较窄了解ID3算法树以代表训练样本的单个节点开始。如果样本都在同一个类，则该节点成为叶节点，用该类标记。否则，算法使用信息增益作为启发信息，选择能够最好的将样本分类的属性。该属性成为该节点的判定属性。(所有属性均为离散值，对于连续属性需先进行离散化)。对测试属性的的每个已知值，创建一个分支。算法使用同样的过程，递归形成每个划分上的样本判定树。一旦一个属性出现在一个结点上，就不会出现在该节点的任何后代上。递归划分步骤仅当下列条件之一成立时停止：给定结点所有样本属于同一类，无需划分；当前属性集为空，没有剩余属性可以用来进一步划分当前结点包含的样本集合为空，不能划分属性选择度量：在树的每个结点上使用信息增益度量选择测试属性。选择具有最高信息增益的属性作为当前结点的测试属性。该属性使得对结果划分中的样本分类所需要的信息量最小(直观理解即是生成判定树局部较低)，并反映划分的最小随机性。这种信息理论方法使得对一个对象分类所需要的期望测试数目达到最小，并保证找到一颗简单的树。有监督学习与无监督学习的区别是什么？在监督学习中，假定我们知道每一输入对应的期望输入，并利用学习系统的误差，不断校正系统的行为在无监督学习中，我们不知道学习系统的期望输出开发专家系统的基本要求是什么？采用原型法开发专家系统要经过哪几个步骤？基本要求：选择