人工智能概念复习（WUST）

1.知识的表示方法

谓词逻辑、产生式、语义网络、框架

2.知识表示的可理解性和完备性

找不到

3.归结原理

采用反证法思想，将结论取反和前提组成谓词公式并转化为子句集，在子句集中反复利用归结方法进行推理，挑选两个亲本子句，如果得到空子句则成功退出，否则得到的归结式添加到原来的子句集

4.演绎推理、归纳推理、类比推理

演绎推理：演绎推理是从已知的一般性知识出发，推理出适合于某种个别情况的结论的过程，他是一种由一般到个别的推理方法。

归纳推理：归纳推理是从大量特殊实例出发，归纳出一般性结论的推理过程，是一种由个别到一般的推理方法。

类比推理：类比推理是指在两个或两类事物有许多属性都相同或相似的基础上，推出他们在其他属性上也相同或相似的一种归纳推理。

推理的方向:

正向推理：正向推理是一种从已知事实出发、正向使用推理规则的推理方式，他是一种数据驱动的推理方式。

反向推理：反向推理是一种以某个假设目标为出发点，反向运用推理规则的推理方式。他是一种目标驱动的推理方式。

5.单调推理、非单调推理

单调推理：是指在推理过程中，由于新知识的加入和使用，是推理所得到的结论会越来越接近于最终目标，而不会出现反复情况，即不会由于新知识的加入否定了前面推出的结论，从而使推理过程又退回到前面的某一步。

非单调推理：在推理过程中，当某些新知识加入后，不但没有加强已经推出的结论，反而会否定原来已推出的结论，使推理过程要退回到先前的某一步，重新进行推理。

6.盲目搜索、启发式搜索

盲目搜索：在对OPEN表中的结点排序时，若排序是任意的或者是盲目的，则搜索为盲目搜索

启发式搜索：在对OPEN表中的结点排序时，若排序是按照某种启发信息或准则进行排序，则搜索为启发式搜索

7.评估函数（估价函数）、启发函数

估价函数：用来表示节点的"希望"程度的函数，他的一般形式为f(x)=g(x)+h(x)

g(x)为初始节点$S_0$ 到节点$x$ 已实际付出的代价；

h(x)是从节点 $x$ 到目标节点$S_g$ 的最优路径的估计代价，搜索的启发信息主要由h(x)来体现，称为启发函数

启发函数：从节点 $x$ 到目标节点$S_g$ 的最优路径的估计代价

8.全局最优、局部最优

局部择优搜索：每次只在后继节点的范围内选择下一个要考察的节点，范围比较小，所以称为局部择优搜索

局部择优搜索是一种启发式搜索

全局择优搜索：在OPEN表中的全部节点中选择一个估价函数值f(x)最小的节点，作为下一个被考察的节点，因为选择的范围时OPEN表中的全部节点，所以称为全局择优搜索

9.机器学习

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。

机器学习的主要策略：机械学习、传授学习、演绎学习、归纳学习、类比学习

10.图灵实验

“图灵实验”，是为了判断一台机器是否具备智能的实验。实验由三个封闭的房间组成，分别放置主持人、参与人和机器。主持人向参与人和机器提问，通过提问的结果来判断谁是人，谁是机器，如果主持人无法判断谁是人，谁是机器，则这台机器具备智能，即所谓的“智能机器”