人工智能简答题

1.什么是人工智能?它的研究目的是什么？人工智能就是用人工的办法在机器（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。人工智能是研究如何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干解决的复杂问题，如医疗诊疗、石油测井解释、气象预报、交通运输管理等决策性课题。2.人工智能有哪几个重要学派？各自的特点是什么？符号主义主张运用计算机科学的办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办法，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达下的符号计算，从而思维就是符号计算。其原理重要为物理符号系统假设和有限合理性原理。联结主义主张用仿生学的办法进行研究，通过研究人脑的工作模型，搞清晰人类智能的本质，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。其原理重要为神经网络及神经网络间的连接机制与学习算法。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，认为人工智能来源于控制论，提出智能取决于感知和行为（因此称为行为主义），取决于对外界复杂环境的适应，它不需要知识、不需要表达、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体现出来，人工智能也会像人类智能同样通过逐步进化而实现（因此称为进化主义）。其原理重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。3.什么是人工神经元？它有哪几个重要模型？人工神经网络是由大量解决单元经广泛互连而构成的人工网络，用来模拟脑神经系统的构造和功效。而这些解决单元称为人工神经元。人工神经网络能够当作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4.什么是人工神经网络？它有哪些联结方式？模拟人脑神经系统的构造和功效，运用大量简朴解决单元经广泛连接而构成的人工网络系统。人工神经网络中，各神经元的连接方式普通有诸多个，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能够互连的互连网络。5.什么是机器学习？机器学习研究的目的是什么?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、不停改善性能、实现自我完善的办法。机器学习研究的目的有三个：人类学习过程的认知模型；通用学习算法；构造面对任务的专用学习系统的办法。（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，并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，探索多个可能的学习办法，建立起独立于具体应用领域的通用学习算法。（c）构造面对任务的专用学习系统（工程目的）。这一方向是要解决专门的实际问题，并开发完毕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性、最前沿的研究领域之一。机器学习的研究获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、学习成果易于传输，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明显增强，从而对人类社会产生影响，特别对今天信息化社会来说，这种影响将是十分深远的。6.什么是决策树？决策学习是如何运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”这类规则的办法。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构造，用于监督学习的层次模型。该树的根节点表达分类的开始，叶节点表达一种实例的结束，中间节点表达对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途径代表一种具体的实例，并且同一途径上的全部属性之间为合取关系，不同途径之间为析取关系。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，其中每个例子都由对应的目的分类标记。如果训练实例可表达为属性值对，同时目的分类含有离散的输出值，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停地把数据进行分组的过程，每次分组对应一种问题，也对应着一种节点。每次分组都规定所分得的组之间的“差别”最大。7.什么是遗传算法？简述其基本思想和基本构造。阐明个体选择的惯用方略以及遗传操作”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专家提出，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、全局搜索的办法，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种近似最优方案。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办法进行个体选择，产生一种新的近似解。这个过程造成种群中个体的进化，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，通过对现在种群施加选择、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。个体选择惯用方略:轮盘赌选择法、随机遍历抽样法、锦标赛选择法8.试述机器学习系统的基本构造,并阐明各部分的作用.环境环境就是指系统外部信息的来源，它能够是系统的工作对象，也能够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有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。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。普通状况下，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有关对象的知识，并将这些知识存入知识库中知识库知识库用于寄存由学习环节所学到的知识。知识库中知识的表达形式以及存储组织构造是影响学习系统设计的第二因素。知识库中惯用的知识表达办法有：谓词逻辑、产生式规则、语义网络、特性向量、过程、Lisp函数、数字多项式核框架等。执行环节执行环节是整个学习系统的核心。执行环节用于解决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，将评价的成果反馈回学习环节，方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。9.什么是专家系统?它有哪些基本特点?专家系统是一种含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种或多个专家数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，以解决该领域中的多个复杂问题。基本特点：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。透明性：专家系统能够解释本身推理过程和回答顾客提出的问题，方便让顾客理解推理过程，提高对专家系统的依赖感。例如，一种医疗诊疗专家系统诊疗某病人患有肺炎，并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，并且必须用某种抗生素治疗，就像一位医疗专家对病人具体解释病情和治疗方案同样。灵活性：专家系统能不停地增加知识，修改原有知识，不停更新。由于这一特点，使得专家系统含有十分广泛的应用领域。交互性：专家系统普通都是交互式系统，这种交互性现有助于系统从专家那里获取知识，又便于顾客在求解问题时输入条件或事实推理有效性：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对的领域不同，能够解决不同的问题，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，从而确保问题求解过程中的推理有效性。复杂性：人类的知识丰富多彩，思维方式多个多样，要想使计算机完全模拟人类的思维办法去解决问题，还是一件非常复杂和困难的工作。因此，在建造专家系统时，如何实现对不拟定知识的表达，如何构造不拟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。实用性：专家系统是根据问题的实际需求开发的，因而含有坚实的应用背景。由于专家系统中存储了有关领域许多高水平专家的知识，因此它含有解决问题的高水平和高效率，从而能够产生巨大的社会效益和经济效益，含有非常良好的实用性。知识的专门性：专家系统的知识都含有专门性，但只局限于所面对的领域，针对性很强。这与人类专家类似，由于人类也只是含有某首先的高深知识，否则也就不称其为“专家”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输。10.普通专家系统由哪些基本部分构成?每一部分的重要功效是什么?专家系统的体系构造指专家系统各构成部分的构造办法和组织形式。一种最基本的专家系统应涉及知识库、数据库、推理机构、解释机构、知识获取机构和顾客界面六个部分。知识库知识库是专家系统的知识存储器，用来寄存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，它是领域专家在长久工作实践中积累起来的经验总结。专家系统开发中一种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。知识原来是存储在专家头脑中的，让专家把自己的直觉、诀窍、经验表达为适累计算机表达和推理的形式是一种极大难题。因此在建立知识库的过程中，知识工程师需要与领域专家较好地合作，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达和使用规定，将这些知识转化成知识库的构成部分。数据库数据库又被称为全局数据库或综合数据库，它相称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、推理过程中得到的多个中间结论、求解目的等。例如，医疗专家系统中，数据库寄存的是现在患者的状况，如姓名、年纪、症状等，以及推理过程中得到的某些中间成果、病情等；气象专家系统中，数据库寄存的是现在气象要素，如云量、温度、气压，以及推理得到的中间成果等。数据库的规模和构造可根据系统目的来拟定，并且随着问题的不同，数据库的内容能够是动态变化的。推理机推理机是一组用来控制、协调节个专家系统的程序。它根据数据库中存储的现在数据，运用知识库中的知识，按一定的推理方略，求解现在的问题，即解释外部输入的事实和数据，推导出对应成果。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，最佳完全一致。对大中型专家系统，由于其知识库中的知识数量诸多，因此其推理机构由知识库管理系统和推理机两个重要部分构成。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；推理机重要用于生成并控制推理过程和使用知识库中的知识。解释机构解释机构事实上也是一组程序，它涉及系统提示、人机对话、能书写规则的语言以及解释程序。解释机构的重要功效是解释系统本身的推理成果，回答顾客的提问，使顾客能够理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。知识获取机构知识获取是专家系统的一种辅助功效，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，知识获取办法差别较大。有的系统首先由知识工程师向领域专家获取知识，然后再通过对应的知识编辑软件把知识输入到知识库中；有的系统本身就含有部分学习功效，由系统直接与领域专家对话获取知识；有的系统含有较强的学习功效，可在系统运行过程中通过归纳、总结，得出新的知识。无论采用哪种方式，知识获取都是现在专家系统研制中的一种重要问题。顾客界面顾客界面是专家系统的另一种核心构成部分，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。普通，专家系统的使用者涉及最后顾客、领域专家、知识工程师。其中，最后顾客和领域专家普通都不是计算机专业人员，顾客界面必须满足他们的需求，尽量地使用靠近自然语言的输入、输出形式，并能理解和解决声音、图像等多媒体信息。11.新一代专家系统应含有哪些特性?分布式专家系统与协同式专家系统有何区别与联系?(1)并行与分布解决:基于多个并行算法，采用多个并行推理和执行技术，适合在多解决器的硬件环境中工作，即含有分布解决的功效，是新型专家系统的一种特性。专家系统的分布解决特性规定专家系统做到功效合理均衡地分布，以及知识和数据适宜地分布，着眼点重要在于提高系统的解决效率和可靠性等。(2)多专家系统协同工作:各子专家系统间能够互相通信，一种(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重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效、性能以及接口描述，并用知识表达语言描述领域知识，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)含有自学习功效:提供高级的知识获取与学习功效。能根据知识库中已有知识和顾客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，从而不停扩充知识库，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(涉及联想、类比等推理)、多个非原则逻辑推理(例如非单调逻辑推理、加权逻辑推理等)以及多个基于不完全知识和含糊知识的推理等，在推理机制上应有一种突破。(6)含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原则。有了这种功效和上述的学习功效后，专家系统就会随着时间的推移，通过重复的运行不停地修正错误，不停完善本身，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规定，也是对新型专家系统的重要盼望。这首先需要硬件的有力支持，另首先先进的软件技术将使智能接口的实现大放异彩。12.BP算法的网络构造是什么?简述BP算法的学习过程.B-P算法的网络构造是一种前向多层网络。网络中不仅含有输入节点和输出节点，并且含有一层或多层隐（层）节点，网络中各解决单元间的连接如图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，直到最后传至输出节点层进行输出。其间各层的激发函数规定是可微的，普通是选用S型函数。B-P算法的学习过程以下：（a）选择一组训练样例，每一种样例由输入信息和盼望的输出成果两部分构成。（b）从训练样例集中取同样例，把输入信息输入到网络中。（c）分别计算经神经元解决后的各层节点的输出。（d）计算网络的实际输出和盼望输出的误差。（e）从输出层反向计算到第一种隐层，并按照某种能使误差向减小方向发展的原则，调节网络中各神经元的连接权值。（f）对训练样例集中的每一种样例重复（c）—（e）的环节，直到对整个训练样例集的误差达成规定时为止。13.在什么状况下需要采用不拟定推理或非单调推理？在日常生活中，人们普通所碰到的状况是信息不够完善、不够精确，即所掌握的知识含有不拟定性。人们就是运用这种不拟定性的知识进行思维、推理，进而求解问题。14.什么是产生式知识表达?给出这种表达办法的优缺点。产生式普通用于表达事实、规则以及它们的不拟定性度量，适合于表达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，用于指出该产生式与否可用的条件；Q是一组结论或操作，用于指出前提P所批示的条件被满足时，应当得出的结论或应当执行的操作。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）不能体现构造性知识15.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16.搜索办法的启发能力有哪几个基本的度量办法?渗入度是对一种搜索算法的搜索性能的度量，表达搜索集中指向某个目的的程度，而不是在无关的方向上徘徊。定义为：P=L/T其中，L是算法发现的解途径的长度，T是算法在寻找这条解途径期间所产生的节点（不涉及初始节点，涉及目的节点）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）=T17.简述状态空间法三要点？三要点：(1)状态（state）：表达问题解法中每一步问题状况的数据构造；(2)算符（operator）：把问题从一种状态变换为另一种状态的手段；(3)状态空间办法：基于解答空间的问题表达和求解办法，它是以状态和算符为基础来表达和求解问题的。备注：用状态空间表达问题的环节：（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全部可能的状态都表达出来，并拟定出问题的初始状态集合描述和目的状态集合描述；（3）定义一组算符，使得运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种不停把算符作用于状态的过程。（1）首先将合用的算符作用于初始状态，以产生新的状态；（2）然后再把某些合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的状态为止。这时，就得到了问题的一种解。这个解是从初始状态到目的状态所用算符构成的序列。18.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达的知识，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办法,而不是常规算法（3）人工智能的控制构造与知识领域是分离的，并允许出现不对的的解答19.什么是问题归约？问题归约的操作算子与普通图搜索有何不同？问题规约是在问题求解过程中，将一种大的问题变成若干个子问题，子问题又能够分解成更小的子问题，这样始终分解到能够直接求解为止，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，通过一种操作算子把一种问题化成若干个子问题。而普通图搜索的操作算子是引发状态中的某分量发生变化，从而使问题由一种具体状态A变化为另一种具体状态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。20.在选择知识表达的办法时，应当考虑哪些因素？(1）充足表达领域知识。（2）有助于对知识的运用。（3）便于对知识的组织、维护与管理。（4）便于理解与实现。表达能力：能够将问题求解所需的知识对的有效地体现出来，可理解性：所体现的知识简朴、明了、易于理解，可访问性：能够有效地运用所体现的知识，可扩充性：能够方便灵活地对知识进行扩充。表达范畴与否广泛、与否适于推理、与否适于计算机解决、与否有高效的算法、能否表达不精确知识、能否模块化、知识和元知识能否用统一的形式表达、与否加入启发信息、过程性表达还是阐明性表达、表达办法与否自然。总之，人工智能问题的求解是以知识表达为基础的，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、有效运用便是知识表达所应解决的问题。21.什么是蚁群算法？简述其基本思想和基本构造.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)，当碰到解的分支途径时，随机地选择某条途径行走，其中信息素浓度更高的途径含有更大的选择概率。途径越短，信息素浓度越高。（2）随着时间的推移，途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途径，释放出更多的信息素，而其它途径上的信息素在挥发特性的作用下逐步消失，从而形成正反馈效应。（3）最后整个蚁群在正反馈作用下，集中到代表最优解的途径上，表明找到了最优解。假设m只蚂蚁在都市间移动，协作异步地得到问题的解。每只蚂蚁的一步转移概率由都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，也就是全部途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。蚂蚁向下一都市的移动是通过一种随机原则来实现的，也就是运用现在存储的信息，计算出到下一种都市的概率，并按此概率实现上一步的移动，如此重复，越来越靠近最优解。（轮盘赌选择算法）蚂蚁在寻找过程中，或找到一种解后，会评定该解或解的一部分的优化程度，并把评价信息保存在有关连接的信息素中。22.什么是过程性知识表达？给出它的优缺点过程性知识表达可将所要表达的知识及如何使用这些知识的控制性方略一起隐式地表达为一种求解问题的过程。优点：（1）表达效率高（2）推理控制容易实现缺点：（1）知识库不易维护（2）合用的表达范畴较窄23.理解ID3算法树以代表训练样本的单个节点开始。如果样本都在同一种类，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，选择能够最佳的将样本分类的属性。该属性成为该节点的鉴定属性。（全部属性均为离散值，对于持续属性需先进行离散化）。对测试属性的的每个已知值，创立一种分支。算法使用同样的过程，递归形成每个划分上的样本鉴定树。一旦一种属性出现在一种结点上，就不会出现在该节点的任何后裔上。递归划分环节仅当下列条件之一成立时停止：（1）给定结点全部样本属于同一类，无需划分；（2）现在属性集为空，没有剩余属性能够用来进一步划分（3）现在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。选择含有最高信息增益的属性作为现在结点的测试属性。该属性使得对成果划分中的样本分类所需要的信息量最小（直观理解即是生成鉴定树局部较低），并反映划分的最小随机性。这种信息理论办法使得对一种对象分类所需要的盼望测试数目达成最小，并确保找到一颗简朴的树。24.有监督学习与无监督学习的区别是什么?在监督学习中，假定我们懂得每一输入对应的盼望输入，并运用学习系统的误差，不停校正系统的行为在无监督学习中，我们不懂得学习系统的盼望输出25.开发专家系统的基本规定是什么?采用原型法开发专家系统要通过哪几个环节?基本规定：1)

选择适宜的领域及问题2)

建造专家系统的可行性3)