人工智能期末复习资料

一、智能化智能体什么是智能体什么是理性智能体智能体的特点有哪些智能体的分类有哪些智能体定义：经过传感器感知所处环境并经过执行器对该环境产生作用的计算机程序及其控制的硬件。理性智能体定义：给定感知序列(perceptsequence)和内在知识(built-inknowledge)理性智能体能够选择使得性能胸襟的希望值(expectedvalue)最大的行动。智能体的特点：自主性（自主感知学习环境等先验知识）、反应性（Agent为实现自己

，目标做出的行为）、社会性（多Agent及外在环境之间的协作协商）、进化性（Agent自主学习，渐渐适应环境变化）智能体的分类：简单反射型智能体：智能体搜寻一条规则，其条件知足当前的状态（感知），尔后执行该规则的行动。基于模型的反射型智能体：智能体依据内部状态和当前感知更新当前状态的描述，选择吻合当前状态的规则，尔后执行对应规则的行动。基于目标的智能体：为了达到目标选择适合的行动，可能会考虑一个很长的可能行动序列，比反射型智能体更灵便。基于功能的智能体：决定最好的选择达到自己的知足。学习型智能体：自主学习，不停适应环境与修正本来的先验知识。2.描述几种智能体种类实例的任务环境PFAS，并说明各任务环境的属性。答题举例：练习：给出以下智能体的任务环境描述及其属性刻画。机器人足球运动员因特网购书智能体自主的火星遨游者数学家的定理证明助手二、用搜寻法对问题求解简述有信息搜寻（启示式搜寻）与无信息搜寻（盲目搜寻、非启示式搜寻）的差别。非启示式搜寻：按已经付出的代价决定下一步要搜寻的节点。拥有较大的盲目性，产生很多的无用节点，搜寻空间大，效率不高。启示式搜寻：要用到问题自己的某些信息，以指导搜寻朝着最有希望的方向前进。因为这类搜寻针对性较强，因此原则上只需搜寻问题的部份状态空间，搜寻效率较高。怎样评论一个算法的性能（胸襟问题求解的性能）齐全性：当问题有解时，算法可否能保证找到一个解；最优性：找到的解是最优解；时间复杂度：找到一个解需要花多长时间搜寻中产生的节点数空间复杂度：在执行搜寻过程中需要多少内存在内存中储藏的最大节点数简述几种搜寻方式的思想。非启示式搜寻：广度优先搜寻：第一扩展根节点，接着扩展根节点的全部后续，尔后在扩展它们的后续，挨次类推。在下一层的任何节点扩展从前搜寻树上本层深度的全部节点都已经扩展过。代价一致搜寻：扩展路径耗资最低的节点，若单步耗散相等，则等价于广度优先搜寻算法。深度优先搜寻：扩展搜寻树的当前边沿中最深的节点。搜寻直接推动到搜寻树的最深层，

当最深层节点扩展完没达到目标节点则将向上回到下一个还有未扩展后续节点的稍浅的节点。深度有限搜寻：深度为l的节点被当作没有后续的节点对待。迭代深入深度优先搜寻：不停增大深度限制，直到找到目标节点。代价一致搜寻的迭代搜寻：不停增添路径耗散限制双向搜寻：运转两个同时的搜寻：向前搜寻（从初始状态向前搜寻）和向后搜寻（从目标状态向后搜寻），扩展节点前检查该节点可否在另一棵树的边沿。启示式搜寻：贪心最正确优先搜寻：定义一个评论函数f，对当前的搜寻状态进行评估，找出一个最有希望的节点来扩展。局部搜寻算法：从单独的一个当前状态出发，只搬动到相邻状态，找目标状态，平时不保留搜寻路径。爬山法搜寻：依据一个目标函数，搜寻当前街坊中状态最好的一个（最陡上升）。（贪心局部搜寻）模拟退火搜寻：先高温烧热，再慢慢降温。当“温度”T降低得足够慢，能找到全局最优解的概率迫近1。局部剪枝搜寻：按必然概率随机地从后续会集中选择k个后续，若出现目标状态则停止，否则再从全部后续中选择k个最正确后续，重复这一过程。遗传算法：基于进化过程中的信息遗传体系和优越劣汰的自然选择原则的搜寻算法。4.什么是启示式、启示式函数、可采用的启示式、一致的启示式、启示式搜寻PPT方法一：对h加以限制。评论函数

f(n)=g(n)+h(n)g(n):

从初始状态

s到状态n的实质耗散值。h(n):f(n):

启示函数，从状态n到目标的最短路径的预计耗散值从s经过n到目标的最短路径预计耗散值简述A*算法，证明其最优性。简述智能优化方法中遗传算法的观点及长处。遗传算法经过作用于染色体上的基因搜寻好的染色体来求解问题。随机产生初始集体，此中每个个体恩赐一个数值评论即适应度，基于适应度来随机选择染色体，使适应性好的染色体有更多生殖时机。长处：随机搜寻：始于搜寻空间的一个随机点集，而不像图搜寻那样固定地始于初始节点。满意解并行搜寻：从搜寻空间的一个点集（种群）到另一个点集。适合大规模并行计算，有能力跳出局部最优解。算法适应性强：除确立适应度函数外几乎不需要其余先验知识不要求解的连续性，所以能从失散的、多极值、含噪声的高维问题中找到全局最优。三、知识表示课本P42用谓词表达语句。四、确立性推理方法演绎推理、归纳推理、默认推理的观点。演绎推理是从全称判断推导出单称判断的过程，即由一般性知识推出适合于某一详尽状况的结论。这是一种从一般到个其余推理。归纳推理是从足够多的案例中归纳出一般性结论的推理过程，是一种从个别到一般的推理。默认推理又称为缺省推理，是在知识不完整的状况下假设某些条件已经具备所进行的推理。确立性推理、不确立性推理的观点。确立性推理：推理时所用的知识与凭据都是确立的，推出的结论也是确立的，其真值也许为真也许为假，没有第三种状况出现。不确立性推理：推理时所用的知识与凭据不都是确立的，推出的结论也是不确立的。单调推理、非单调推理的观点。单调推理：随着推理向前推动及新知识的加入，推出的结论愈来愈凑近最后目标。非单调推理：因为新知识的加入，不单没有增强已推出的结论，反而要否定它，使推理退回到前面的某一步，重新开始。5.启示式推理、非启示式推理的观点。若是推理过程中运用与推理有关的启示性知识，则称为启示性推理，不然称为非启示性推理。启示性知识：与问题有关且能加快推理过程、求得问题最优解的知识。6.正向推理、逆向推理的观点及优缺点。正向推理是以已知事实作为出发点的一种推理。正向推理简单，易实现，但目的性不强，效率低。逆向推理是以某个假设为目标作为出发点的一种推理。逆向推理不用使用与目标没关的知识，目的性强，同时利于向用户供给讲解，但初步目标的选择有盲目性，比正向推理复杂。谓词公式化为子句集。归纳原理（1）应用归纳原理证明定理（2）应用归纳原理求解问题五、不确立性推理方法不确立推理的观点。不确立性推理：从不确立性的初始凭据出发，经过运用不确立性的知识，最后推出拥有必然程度的不确立性但倒是合理也许近乎合理的结论的思想过程。可信度方法可信度：依据经验对一个事物或现象为真的相信程度。可信度带有较大的主观性和经验性，其正确性难以掌握。C－F模型：基于可信度表示的不确立性推理的基本方法。CF（H，E）的取值范围:[-1,1]。若因为相应凭据的出现增添结论H为真的可信度，则CF（H，E）>0，凭据的出现越是支持H为真，就使（，)的值越大。CFHE反之，CF（H，E）<0，凭据的出现越是支持H为假，CF（H，E）的值就