人工智能重点绪论●人工智能的定义起源和发展其他概念稍微了解1.什么是人工智能？试从能力和学科两方面加以说明。

答：学科：人工智能（学科）是计算机科学中涉及研究、设计和应用智能机器的一个分支。

其近期的主要目标在于研究用机器来模仿和执行人脑的某些智力功能，并开发相关理论和技术。

能力：人工智能（能力）是智能机器所执行的通常与人类智能有关的智能行为，如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动。

知识表示方法2.人工智能的主要研究和应用领域有哪些？答：自然语言处理、自动定理证明、智能数据检索系统、机器学习、模式识别、视觉系统、问题求解、人工智能方法和程序语言以及自动程序设计等。

3、简述人工智能的发展状况人工智能的现状和发展呈现如下特点：多种途径齐头并进，多种方法写作互补；新思想、新技术不断涌现，新领域、新方向不断开括;理论研究更加深入，应用研究更加广泛;研究队伍日益壮大，社会影响越来越大;以上特点展现了人工智能学科的繁荣景象和光明前景。

它表明，虽然在通向其最终目标的道路上，还有不少困难、问题和挑战，但前进和发展毕竟是大势所趋。

4.简述知识发现过程和知识发现的方法。

答：过程：①数据选择；②数据预处理；③数据变换；④数据挖掘；⑤知识评价方法：①统计方法；②机器学习方法；③神经计算方法；④可视化方法● 2.1状态空间法（重点）看例题状态空间法的三要素：状态、算符、状态空间方法（是一个表示该问题全部可能状态及其关系的图，它包含三种说明的集合，即三元状态（S，F，G）。

S：所有可能的问题初始状态集合；F：操作符集合；G：目标状态集合。

）状态图示法：状态空间的图示形式称为状态空间图各种问题都可用状态空间加以表示，并用状态空间搜索法来求解。

下面简单介绍一种产生式系统描述的搜索算法产生式系统由三部分:一个总数据库、一套规则、一个控制策略（程序）● 2.2问题规约法（重点）另外一种基于状态空间的问题描述与求解方法；实质：从目标出发逆向推理，建立子问题以及子问题的子问题，直到最后把初始问题归约为一个本原问题集合。

组成部分：初始问题描述、问题变换为子问题的操作符、一套本原问题描述与或图；与或图的搜索：目的在于表明起始节点是有解的问题规约法举例：汉诺塔问题2.3谓词逻辑法（了解）命题逻辑与谓词逻辑是最先用于人工智能的两种逻辑.命题逻辑具有较大的局限性;命题逻辑只能进行命题间关系的推理，无法解决与命题结构和成分有关的推理问题，不适合表示比较复杂的问题,命题这种表示方法无法把它所描述的客观事物的结构及逻辑特征反映出来，也不能把不同事物间的共同特征表述出来谓词逻辑语言的基本符号：谓词符号、变量符号、函数符号、常量符号、括号和逗号合式公式（WFF）：通常把合式公式叫做谓词公式,(1) 原子谓词公式是合式公式(2) 若A为合式公式，则¬ A也是一个合式公式(3) 若A,B是合式公式，则A∨B，A∧B，A→B，A↔B也都是合式公式(4) 若A是合式公式，x为A中的自由变元，则(x)A和(x)A都是合式公式(5) 只有按上述规则(1)至(4)求得的那些公式，才是合式公式合式公式的性质语义网络谓词逻辑与语义网络等效其他知识表示方法：框架表示法、剧本表示法、过程表示法框架表示法的优点：结构性：深层性：继承性：自然性不足：缺乏框架的形式理论：缺乏过程性知识表示：清晰性难以保证：剧本表示法：概念依赖理论的基本思想。

剧本是框架的一种特殊形式，构成：开场条件：角色：道具：场景：结果：其中最重要的是运用剧本可以预测没有明显提及的事件的发生；剧本表示法与框架表示法相比，比较呆板，知识表达的范围也很窄，剧本表示法对于表达预先构思好的特定知识，如理解故事情节等，是非常有效的。

目前剧本表示法主要在自然语言理解方面获得了一些应用。

过程表示法：过程性知识表示是将有关某一问题领域的知识，连同如何使用这些知识的方法，均隐式地表示为一个求解问题的过程。

过程式不像陈述式那样具有固定的形式，如何描述知识完全取决于具体的问题。

优点：表示效率高：控制系统容易实现：不足：不易修改及添加新知识，而且当对某一过程进行修改时，又可能影响到其它过程，对系统的维护带来不便。

对比：状态空间法：是一种基于解答空间的问题表示和求解方法，它是以状态和操作符为基础的。

在利用状态空间图表示时，我们从某个初始状态开始，每次加一个操作符，递增地建立起操作符的试验序列，直到达到目标状态为止。

由于状态空间法需要扩展过多的节点，容易出现"组合爆炸"，因而只适用于表示比较简单的问题。

问题归约法：从目标(要解决的问题)出发，逆向推理，通过一系列变换把初始问题变换为子问题集合和子-子问题集合，直至最后归约为一个平凡的本原问题集合。

这些本原问题的解可以直接得到从而解决了初始问题，用与或图来有效地说明问题归约法的求解途径。

谓词逻辑法：采用谓词合式公式和一阶谓词演算把要解决的问题变为一个有待证明的问题，然后采用消解定理和消解反演来证明一个新语句是从已知的正确语句导出的，从而证明这个新语句也是正确的。

语义网络：是知识的一种图解表示，它由节点和弧线或链线组成。

节点用于表示实体、概念和情况等，弧线用于表示节点间的关系。

框架：是一种结构化表示方法。

框架通常由指定事物各个方面的槽组成，每个槽拥有若干个侧面，而每个侧面又可拥有若干个值。

大多数实用系统必须同时使用许多框架，并可把它们联成一个框架系统。

剧本表示法：是框架的一种特殊形式，它使用一组槽来描述事件的发生序列。

剧本表示特别适用于描述顺序性动作或事件，但使用不如框架灵活，因此应用范围也不如框架那么广泛。

过程表示法：是一种知识的过程式表示，它将某一有关问题领域知识同这些使用方法一起，隐式地表示为一个问题求解过程。

过程表示用程序来描述问题，具有很高的问题求解效率。

由于知识隐含在程序中难以操作，所以适用范围较窄。

第一章搜索推理技术推理方法及其分类：1.按推理的逻辑基础分：演绎（核心是三段论），归纳，类比归纳推理（基础是相似原理）演绎推理是在已知领域内的一般性知识的前提下，通过演绎求解一个具体问题或者证明一个结论的正确性。

它所得出的结论实际上早已蕴含在一般性知识的前提中，演绎推理只不过是将已有事实揭露出来，因此它不能增殖新知识。

归纳推理所推出的结论是没有包含在前提内容中的。

这种由个别事物或现象推出一般性知识的过程，是增殖新知识的过程。

2.按推理过程所用知识的确定性分：确定性推理、不确定性推理3.按推理过程推出的结论是否单调增加分：单调推理、非单调推理4.按推理过程是否利用问题的启发性知识分：启发式推理、非启发式推理推理的控制策略可分为：搜索策略（构造一条代价较小的推理路线。

主要解决推理线路、推理效果、推理效率等问题。

）、推理策略（包括推理方向控制策略、求解策略、限制策略、冲突消解策略等）搜索策略：按是否使用启发式信息可分为：盲目搜索、启发式搜索按问题的表示方式可分为：状态空间搜索、与或树搜索推理方向控制策略：正向推理、逆向推理、混合推理、双向推理正向推理的优点：比较直观，允许用户主动提供有用的事实信息，适合于诊断、设计、预测、监控等领域的问题求解。

正向推理的缺点：推理无明确目标，求解问题是可能会执行许多与解无关的操作，导致推理效率较低。

逆向推理的主要优点：不必寻找和使用那些与假设目标无关的信息和知识，推理过程的目标明确，有利于向用户提供解释，在诊断性专家系统中较为有效。

逆向推理的主要缺点：当用户对解的情况认识不请时，由系统自主选择假设目标的盲目性比较大，若选择不好，可能需要多次提出假设，会影响系统效率。

混合推理：先正向后逆向、先逆向后正向、双向混合：推理策略：求解策略：限制策略：冲突消解策略：● 3.2盲目搜索（重点）状态空间的广度优先搜索优点是只要问题有解，用广度优先搜索总可以得到解，而且得到的是路径最短的解；缺点：广度优先搜索盲目性较大，当目标节点距初始节点较远时将会产生许多无用节点，搜索效率低。

注意：在对任一节点进行扩展的时候，如果所得的某个子节点（状态）前面已经出现过，则立即将其放弃，不再重复画出（不送入OPEN表）状态空间的深度优先搜索：如果目标节点不在此分支上，而该分支又是一个无穷分支，则就不可能得到解。

所以深度优先搜索是不完备的，即使问题有解，它也不一定能求得解状态空间的有界深度优先搜索：为了防止搜索过程沿着无益的路径扩展下去，往往给出一个节点扩展的最大深度，即深度界限。

但要恰当地给出dm的值是比较困难的。

即使能求出解，它也不一定是最优解。

代价树搜索：考虑边的代价的搜索方法，代价树搜索的目的是为了找到一条代价最小的解路径。

代价树搜索方法包括：代价树的广度优先搜索和代价树的深度优先搜索在代价树中，若用g(x)表示从初始节点S到节点x的代价，用c(x1,x2)表示从父节点x1到子节点x2的代价，则有：g(x2)=g(x1)+c(x1,x2)代价树的广度优先搜索基本思想：每次从OPEN表中选择节点往CLOSED表传送时，总是选择其中代价最小的节点。

如果问题有解，代价树的广度优先搜索一定可以求得解，并且求出的是最优解。

该算法应用的条件：该算法是针对代价树的算法。

为了采用该算法对图进行搜索，必须先将图转换为代价树。

代价树的深度优先搜索基本思想：从刚扩展出的子节点中选择一个代价最小的节点送入CLOSED表进行考察，上述几种搜索方法的本质是，以初始节点为根节点，按照既定的策略对状态空间图进行遍历，由于对状态空间图遍历的策略是既定的，因此这些方法统称为盲目搜索方法，盲目搜索具有较大的盲目性，产生的无用节点较多，效率不高。

● 3.3启发式搜索（基本了解即可）启发信息的启发能力越强，扩展的无用结点越少。

估价函数：用于评估节点重要性的函数称为估价函数。

估价函数的一般形式为：f(x) = g(x)+h(x) g(x)表示从初始节点S0到节点x的代价；h(x)是从节点x到目标节点Sg的最优路径的代价的估计，它体现了问题的启发性信息。

h(x)称为启发函数。

A算法：在图搜索算法中，如果能在搜索的每一步都利用估价函数f(n)=g(n)+h(n)对OPEN表中的节点进行排序，则该搜索算法为A算法。

包括：全局择优搜索算法（从OPEN 表的所有节点中选择一个估价函数值最小的一个进行扩展）和局部择优搜索算法（仅从刚生成的子节点中选择一个估价函数值最小的一个进行扩展）A*算法：A*算法是对A算法的估价函数f(n)=g(n)+h(n)加上某些限制后得到的一种启发式搜索算法。

假设f*(n)是从初始节点出发经过节点n达到目标节点的最小代价，估价函数f(n)是对f*(n)的估计值。

且f*(n)=g*(n)+h*(n) g*(n)是从初始节点S0到节点n的最小代价。