1、(选择题)P85 单点交叉:单点交叉操作的信息量比较小,交叉点位置的选择可能带来较大的偏差。
单点交叉不利于长距模式的保留与重组多点交叉2、(填空题)产生式系统组成:全局数据库、产生式规则集、控制策略组成。
产生式系统知识表示:包括事实的表示和规则的表示事实的表示:孤立事实的表示——三元组(对象,属性,值)或(关系,对象1,对象2)有关联事实的表示——树型结构、网状结构规则的表示:单个规则的表示:单个规则包括前项和后项两部分组成(前项由逻辑连接词组成各种不同的前提条件;后项表示前提条件为真时,应采取的行为或者所得的结论。
)3、10.3.3产生式系统的推理方式(选择题2)产生式系统的推理方,正向推理、逆向推理和双向推理3种,正向推理:正向推理从已知事实出发,通过规则库求得结论,称为数据驱动的方式,也称为自底向上的方式。
推理过程如下:1)规则集中规则的前件与数据库中的事实进行匹配,得到匹配的规则集合。
2)从匹配规则集合中选择一条规则作为使用规则,3)执行使用规则,将该使用规则后件的执行结果送入数据库。
重复这个过程直至达到目标。
具体地说,如果数据库中含有A,而规则库中有规则A->B,那么这条规则便是匹配规则,进而将后件B送入数据库。
这样可不断扩大数据库,直至数据库中包成功结束。
如有多条匹配规则,则需从中选一条作为使用规则,不同的选择方法直接影响着求解效率,如何选取规则称为冲突消解,它是控制策略的一部分。
逆向推理:逆向推理是从目标(作为假设)出发,逆向使用规则,找到已知事实。
逆向推理也称目标驱动方式或称自顶向下的方式,其推理过程如下。
(1)规则集中的规则后件与假设的目标事实进行匹配,得到匹配的规则集合。
(2)从匹配规则集合中选择一条规则作为使用规则。
(3)将使用规则的前件作为新的假设子目标,重复这个过程,直至各子目标均为已知事实后成功结束。
如果目标明确,使用逆向方式推理效率较高,所以常为人们所使用。
4、模拟退火算法(填空题)基本思想:在系统朝着能量减小的趋势这样一个变化过程中,偶尔允许系统跳到能量较高的状态,以避开局部极小点,最终稳定到全局最小点。
能量越小,则平衡状态概率就越大,因而系统处于能量较小的平衡状态的可能性也越大。
对于搜索问题中的爬山法,利用模拟退火法,不但可以使变化的随机选择大一些的步长,而且可以跨过局部极小点。
通常做法:最初阶段倾向于取大步,后续阶段倾向于取小步。
5.(填空题)或图搜索策略:只记录状态空间那些被搜索过的状态,它们组成一个搜索图叫G。
G由两存放节点的表组成:Open表,用于存放已经生成,且已用启发式函数做过估价或评价,但尚未产生他们的后继结点的那些结点,也称为考察结点;Closed表,用于存放已经生成,且已经考察过的节点。
还有一个辅助结构Tree,它的及节点为G的一个子集。
Tree用来存放当前已生成的搜索树,该树由G的反向边组成。
6、(填空题)遗传算法涉及5大要素:参数编码、初始群体设定、适应度函数设计、遗传操作设计和控制参数设定。
遗传算法的流程:1)选择编码策略,把参数集合X和域转换为相应编码空间S2)定义适应值函数f(X)。
3)定义遗传策略,包括选择群体大小,选择、交叉、变异方法以及确定交叉概略P c、变异概略P m等遗传参数。
4)随机初始化生成群体P(t)5)计算群体中个体适应值f(X)6)按照遗传策略,运用选择、交叉和变异操作作用于群体,形成下一代群体7)判断群体性能是否能满足某一指标,或者已完成预定迭代次数,不满足则返回步骤(6),或者修改遗传策略再返回步骤(6)。
遗传算法的操作:选择、交叉、变异选择:即从当前群体中选出个体以生成交配池的过程交叉:将两个个体的遗传物质交换产生新的个体变异:在个体中遗传物质被改变遗传编码:二进制编码、Gray编码(格雷码)、实数编码、有序编码、结构式编码(二进制编码首先要确定二进制的长度l,l取决于变量的定义域以及计算所需要的精度)7、(填空题)知识的作用来分类:陈述式知识、过程式知识陈述式知识:描述系统状态、环境和条件,以及问题的概念,定义和事实。
(描述事实性知识,描述客观事物所涉及的对象是什么,是显示的)过程式知识:表示如何做的知识,有关系统的变化、问题求解过程的操作、演算和行为的知识。
8、(填空题)语义网结构:由一些三元组(节点1,弧,节点2)的图形表示连接而成的有向图。
弧上标注表示节点1的属性或节点1和节点2之间的关系9、(填空题)归结过程的控制策略:简化策略支撑集策略——完备的策略线性输入策略—不完备的策略利用该策略选择亲本子句时每次都有一个子句来自于原始子句集10、(填空题)启发式搜索:利用启发式信息进行的搜索方法叫做启发式搜索方法。
启发式信息可以分为表示为估计函数、表示为成规则、表示为元规则。
选择有希望的节点加以扩展,那么搜索效率会大大提高。
搜索时不是任取一个分支,而是根据一些启发式信息,选择最佳的一个或几个分支往下搜索。
使用启发式信息可以避免某些领域里的组合爆炸问题。
11、(判断题)知识&元知识智能系统中的知识:关于对象和物体的知识、事件、行为、元知识元知识:关于知识的知识,即怎样知道什么是知识以及如何运用知识。
如果将知识组成知识库,那么元知识是最高层的知识,它关于怎么获取、使用、解释、校验知识的知识。
12、(判断题)A算法:f(n) = g(n)+h(n)f(n):从初始状态经点n到目标状态的代价估计g(n):从初始状态到n点搜索费用的估计h(n):从n到目标状态接近程度的估计若h(n)>0,且f*(n) = g*(n) + h*(n)f*(n) : 从初始状态经点n到目标状态最优路径的搜索费用g*(n): 从初始状态到n实际最小费用h*(n): 从n到目标状态实际最小费用的估计!!当h(n)<= h*(n),就称这种A算法为A*算法。
13、归结原理:将普通形式逻辑中充分条件的假定联锁推理形式符号化,并向一阶谓词逻辑推广的一种推理方法。
14、(判断题)与或图搜索限制:仅对不含回路的图进行操作,其原因是:含回路的图没有必要搜索,因为循环路径表示循环推理,它不可能对问题进行规约。
15、(判断题)规则的选择方式:专用于通用性排序:选择更专门化的规则排序:最适用或使用频率最高的规则优先使用数据排序、规模排序、就近排序16、(判断题)模糊子集——一个集合没有清晰的内涵和外延,则为一个模糊集17、(简答题)遗传算法和粒子群算法异同:从以上步骤可以看到,PSO和GA有很多共同之处。
两种算法都随机初始化种群,并都使用适应值来评价系统,而且都根据适应值来进行一定的随机搜索。
两种算法都不保证一定找到最优解。
但是,PSO没有遗传操作,如交叉(crossover)和变异(mutation)操作,而是根据自己的速度来决定搜索。
粒子还有一个重要的特点,就是有记忆。
与遗传算法比较,PSO的信息共享机制是差别很大的。
在遗传算法中,通过染色体(chromosomes)互相共享信息,所以整个种群的移动是比较均匀地向最优区域移动。
而在PSO中,只有通过g Best、,将信息给其他的粒子,这是单向的信息流动。
整个搜索更新过程是跟随当前最优解运动的过程。
与遗传算法比较,在大多数的情况下,所有的粒子可能更快地收敛于最优解。
18、(简答题)产生式表示的特点上述产生式系统具有一般性,可用来模拟大量的计算或求解过程。
产生式系统作为人工智能中的一种形式体系,具有以下特点。
(1)产生式以规则作为形式单元,格式固定,易于表示,且知识单元间相互独立,易于建立知识库。
(2)推理方式单纯,适于模拟强数据驱动特点的智能行为。
当一些新的数据输入时,系统的行为就会发生改变。
(3)知识库与推理机相分离,这种结构易于修改知识库,可增加新的规则去适应新的情况,而不会破坏系统的其他部分。
(4)易于对系统的推理路径作出解释。
19、(简答题)语义网的一般描述语义网络具有以下特点。
(1)语义网络能把实体的结构、属性与实体间的因果关系显式地和简明地表达出来,与实体相关的事实、特征和关系可以通过相应的节点弧线推导出来。
这样可以联想方式实现对系统的解释。
(2)由于与概念相关的属性和联系被组织在一个相应的节点中,因而语义网络使概念易于访问和学习。
(3)语义网络表现问题更加直观,更易于理解,适合于知识工程师与领域专家沟通。
语义网络中的继承方式也符合人类的思维习惯。
(4)语义网络结构的语义解释依赖于该结构的推理过程而没有固定结构的约定,因而得到的推理不能保证像谓词逻辑法那样有效。
(5)语义网络节点间的联系可能是线状、树状或网状的,至是递归状的结构,使相应的知识存储和检索需要比较复杂的过程。
20、人工神经网络定义:"人工神经网络是一个并行、分布处理结构,它由处理单元及称为连接的无向信号通道互连而成。
这些处理单元(process element)具有局部内存,并可以完成局部操作。
每个处理单元有一个单一的输出连接,这个输出可以根据需要被分支多个并行连接,且这些并行连接都输出相同的信号,即相应处理单元的信号及其信号的太小不因分支的多少而变化。
处理单元的输出信号可以是任何需要的数学模型,每个处理单元中进行的操作必须是完全局部的。
也就是说,它必须仅仅依赖于经过输入连接到达处理单元的所有输入信号的当前位和存储在处理单元局部范围的值。
有4个方面的内容:并行、分布处理结构一个处理单元的输出可以被任意分支且大小不变输出信号可以是任意的数学模型处理单元的局部操作21、估价函数在启发式搜索中,用于评价节点重要性的函数叫估价函数。
估价函数的主要任务是估计特点的重要程度以确定节点的优先级程度。