人工智能导论期末复习重点

绪论

人工智能诞生于1956，达特茅斯会议，与空间技术和原子能技术统称为20世纪三大科学技术成就，智能是知识和智力的总和，知识是一切智能行为的基础，智力是获取知识并应用知识求解问题的能力。

麦卡锡----人工智能之父。1969年成立国际人工智能会议。1970年创立人工智能杂志,1957年提出感知机模型

智能分类：群智能，脑智能

人工智能分类

1. 符号智能，模拟脑智能，主要是基于知识，信息为基础，主要为知识获取，知识表示，知识组织应用
2. 计算智能，模拟群智能，以数值计算为基础，主要是研究各类优化算法
3. 统计智能，通过统计概率实现的人工智能，包括统计机器学习，统计模式识别
4. 交互智能，主要是强化学习

人工智能的基本内容：搜索与求解，知识与推理，学习与发现，发明与创造，感知与响应，理解与交流，记忆与联想，竞争与合作，系统与建造，应用与工程。

研究的主要方法：心理模拟，符号推演；生物模拟，神经计算；行为模拟，控制进化；群体模拟，仿生计算；博采广鉴，自然计算；原理分析，数学建模；

图灵测试：让测试者分别于一个人和一个机器进行交谈，而测试者实现并不知道哪一个是机器哪一个是人，如果再交谈后，测试者分辨不出哪一个是机器哪一个是人的话，则可以说这个机器具有智能。

知识表示： 将人类知识形式化或者模型化，表示方法有 符号表示法，连接机制表示法 知识的基本单位：概念

搜索问题

概念： 已知一个问题的初始状态和目标状态，我们想办法找到一个操作序列，使得问题可以从问题的初始状态转移至最终目标状态，若要求搜索的操作序列总代价最低，称为最优搜索问题。

特征:

• 初始状态是确定的
• 当前状态是否是目标状态是可以检测的
• 状态空间是离散的
• 每一个状态采取的合法行动和后续产生的状态变化是确定的
• 环境是静态的
• 路径代价函数是已知的

搜索问题表示方法： 1. 状态空间表示法 2. 与/或数表示法

状态空间表示法： 使用状态图描述问题 ，使用状态和算符

状态： 用以描述问题求解过程中不同时刻的状态，例如 $S_k=(S_1,S_2,...)$

算符: 表示对状态的操作，每一次算符就使得问题由一种状态变换为另一种状态

当达到目标状态时，由初始状态转换为目标状态的算符序列就是问题的一个解

状态空间： 一般使用三元组表示 （S ，F，G）其中的S是问题的所有初始状态构成的集合，

F是算符的集合，G是目标状态的集合。

搜索算法

1. 穷举法
2. 回溯法： 不再探测不可能的路径，提出解的过程分为若干个阶段
3. 贪心算法：每一步包含必须优化的目标函数每一步都选择当前最佳的步骤。可以找出可行解，但不一定最佳。

状态空间搜索法：

数据结构： OPEN表 ：用于存放未扩展的节点 CLOSED表：已扩展的节点

搜索策略

分类： 盲目搜索：不使用启发式信息，随机或按规定选择下一步操作节点，找到一个解就停止。启发式搜索：根据启发式信息决定下一步选取后续节点

1. 盲目搜索：

   • 广度优先搜索：一定可以找到可行解，是完备的。
   • 深度优先搜索：不一定找到可行解，可能会落入无穷分支，是不完备的
   • 迭代加深的深度优先搜索：有限深度截止于深度为k的深度优先搜索，迭代加深的深度优先搜索在搜索时不断加深探索深度 ，是完备的，节点深度代价不减少的情况最优

2. 启发式搜索:
   启发信息： 1. 用于扩展节点的选择，避免盲目扩展 2. 用于生成节点的选择，避免盲目的生成过多无用的节点 3. 用于删除节点的选择，减少时空浪费。
   估价函数 一般形式 f(n) = g(n) + h(n),其中的g(n)表示从初始节点到当前节点的代价值，h(n)表示从节点n到目标节点的最优路径的代价估计。体现了问题的启发信息，f(n)表示从初始节点到目标节点的估计值。

   • 最陡爬山算法：每次选择代价最小的子节点

   • 最佳优先搜索算法：是智能搜索算法，每次将open表中的节点按照接近目标状态的启发式估计值进行顺序排列

   • 分支定界法（一致代价搜索）：f(n) = g(n) 只记录走过的路程，没有启发式估计值。open排序时按照根节点到当前节点的路径程度进行排序。

   • 低估值分支定界法：每次需要计算从起点到当前节点的路径代价和以及节点估值和，然后按从小到大排序open表 ，f(n) = g(n) + h(n)

   • A*算法：

3. 与或树：状态空间图是一种特殊的与或树，即是或树

   • 分解:把一个复杂问题进行分解成若干个子问题，每一个子问题又继续分解直至不需要再分解或不能再分解后，如此形成与树，各个子问题用圆弧连接
   • 等价变换：利用同构或者同态的等价变换，吧原问题变换为若干个容易求解的新问题形成或树。
   • 本原问题：不能再分解或变换，直接可以求解的子问题
   • 端节点与终止节点：没有子节点的节点，也即是本原问题对应的节点
   • 可解节点：1. 他是一个终止节点，2. 是一个或 节点，且子节点中至少存在一个可解节点 3. 是一个与节点，且全部子节点均为可解节点
   • 不可解节点

知识表示与逻辑推理

命题： 具有真假意义的陈述句

**谓词与谓词公式：

常量： 一个或者一组指定的个体，F(B)

变元： 没有指定的一个或者一组个体，F(x)。

函数： 一个个体到另一个个体的映射。

自然推理基础： 假言推理，拒取式，

推理控制策略 ：推理方向，搜索策略。冲突消解策略，求解策略及限制策略

推理方向 ：用于确定推理的驱动方式，分为正向推理，逆向推理，混合推理和双向推理

匹配方法、搜索策略、冲突消解策略

将谓词公式化为子句集：

归结策略： 删除策略，支持集策略、线性归结策略、输入归结策略’单元归结策略、祖先过滤形策略

删除策略：重言式删除，包孕删除，纯文字删除（没有互补文字）

产生式系统

规则： 通过如果。。。则。。。关联起来的知识 通常使用P->Q表示

规则库： 由若干规则组成的集合，一个良好的规则库需要具备知识完整，知识一致，表达灵活，组织合理四个方面

综合数据库： 存放问题求解过程 各种当前信息的数据结构

控制系统：推理机构，负责整个产生式系统的运行，实现对问题的求解。负责规则与事实进行匹配，选择冲突消解策略对多个匹配规则的处理，对不确定知识按照算法计算不确定性，对产生的规则加入到综合数据库中，随时掌握产生式系统的执行情况，并在恰当的时候终止整个系统

一个产生系统通常从选择规则到执行操作一共分三步：匹配规则、冲突消解、推理

知识发现（KDD）的对象为，数据库，数据仓库，web信息，图像视频数据

知识发现的主要方法有：统计，机器学习，粗糙集和可视化

发现学习是数据挖掘的前身

关联规则：事件或者数据项之间有着某种4相关性的一种产生式规则