第一章绪论：
1.什么是人工智能？人工智能的意义和目标是什么？
人工智能是智能机器所执行的通常与人类智能有关的智能行为；用人工的方法在机器上实现的功能。

人工智能研究的近期目标是使现有的计算机不仅能做一般的数值计算及非数值信息的数据处理而且能运用知识处理问题能模拟人类的部分智能行为。

2.完整的物理符号系统的基本功能？
输入符号、输出符号、存储符号、复制符号
建立符号结构：通过找出各符号间的关系，在符号系统中形成符号结构。

条件性转移：根据已有符号，继续完成活动过程。

3.人工智能有哪些主要学派？他们的认知观分别是什么？（一两句话描述即可）
符号主义（逻辑主义、心理学派、计算机学派），物理符号系统假设和有限合理性原理，认为人工智能源于数理逻辑。

连接主义（仿生学派、生理学派），神经网络及神经网络间的连接机制与学习算法，认为人工智能源于仿生学，特别是对人脑模型的研究。

行为主义（进化主义、控制论学派），控制论及感知-动作型控制系统，认为人工智能源于控制论。

4.人工智能的研究领域包括哪些？（机器视觉。

）
数据挖掘、模式识别、机器视觉、自然语言处理、智能系统、专家系统、机器学习、神经网络、机器人学、人工生命、智能CAD、组合优化问题、自动定理证明、分布式人工智能系统、智能通信等
5.什么是图灵测试？
让一位测试者分别于一台计算机和一个人进行交谈，而测试者事先并不知道哪一个被测者是人，哪一个是计算机。

如果交谈后测试者分不出哪一个被测者是人，哪一个是计算机，则可以认为这台被测的计算机具有智能。

第二章知识表示（语义网络、谓词逻辑。

）1.知识的层次及其概念？
噪声-》数据-》信息-》知识-》元知识
数据：信息的载体和表示
信息：数据的语义
知识：把有关信息关联在一起形成的结构
元知识：有关知识的知识，是知识库的高层知识
2.知识的属性及引起不确定性的因素？
相对正确性
不确定性（引发因素：随机性、模糊性、不完全性、经验）
可表示性与可利用性
3.知识的分类？
按作用范围：常识性知识、领域性知识
按作用及表示：事实性知识、过程性知识、控制性知识
结构及表现形式：逻辑性知识、形象性
知识确定性：确定性知识、不确定性知识
4.什么是知识表示？
就是知识的符号化和形式化的过程，是研究用机器表示知识的可行性、有效性的一般方法，是一种数据结构与控制结构的统一体，既考虑知识的存储又考虑知识的使用。

5.常用的知识表示方法及其衡量标准？（6、7种、谓词、语义网络等等）
衡量标准：完备性、一致性、正确性、灵活性、可扩充性、可理解性、可利用性、可维护性
表示方法：
1.一阶谓词表示法（应用：自动问答系统、机器人行动规划系统、机器博弈系统、问题求解系统）
2.产生式表示法（应用：动物识别系统）
3.框架表示法（一种描述所论对象（一个事物、事件或概念）属性的数据结构）。

4.语义网络表示法（采用网络形式表示人类知识，应用：自然语言理解系统）
5.面向对象表示法（模块性、封装性、继承性、多态性、易维护性）
6.状态空间表示法（以状态和运算符为基础来表示和求解问题的一种方法）
7.问题规约表示法（从目标出发，逆向推理，通过一系列变换把初始问题变换为子问题集合，最终归约为一个平凡的本原问题的集合；与/或树求解）
6.会用一阶谓词表示所给的知识。

用谓词演算公式表示下列句子
(1)北京市的夏天既干燥又炎热。

(2)喜欢读《三国演义》的人必读《水浒》。

(3)有的人喜欢梅花，有的人喜欢菊花，有的人既喜欢梅花又喜欢菊花。

7.会用语义网络表示知识。

Every dog has bitten a postman.Every dog has bitten every postman.
”小信使“这只鸽子从春天到秋天占有一个窝。

北京化工大学位于北四环和北三环之间。

8.会用框架表示知识。

试构造一个描述你的寝室或办公室的框架系统。

9.面向对象的基本特征及其表示。

模块性、封装性、继承性、多态性、易维护性
第三章搜索和推理
1.搜索的分类？
搜索方向：数据驱动、目的驱动、双向搜索
搜索策略：盲目搜索、启发式搜索
盲目搜索：回溯、宽度优先、深度优先、有界深度优先
2.宽度优先与深度优先搜索算法过程的不同点。

宽度优先：队列结构（FIFO）
深度优先：堆栈结构（FILO）
3.理解A*算法和估价函数。

估计函数：估计待搜索结点的”有希望“程度，并依次给他们排定次序。

一般形式为
f(n)=g(n)+h(n)
其中，g(n)是初始结点到结点n的实际代价；h(n)是结点n到目标结点的最优路径的估计代价。

A*算法：g*(n)：初始结点到结点n的最小代价h*(n)：结点n到目标结点的最小代价4.理解产生式系统的推理方式。

知识库+推理机
5.规则推理的冲突消解方法？能根据要求进行简单的推理。

按针对性排序按已知事实新鲜性排序按匹配度排序按条件个数排序按上下文限制排序按冗余限制排序根据领域问题的特点排序
6.什么是不确定推理？
从不确定性的初始证据出发，通过运用不确定性的知识，最终推出具有一定程度的不确定性但却是合理或者近乎合理的结论的思维过程。

7.能求解证据和结论的不确定计算方法。

C-F模型
8.什么是模糊集与隶属度函数？
论域、元素、集合
集合中所有元素的隶属度全体构成集合的隶属度函数
9.模糊集的合成计算及截集。

R:A X B 合成方法：最大-最小合成
10.模糊综合评判方法及其求解方法。

最大隶属度法重心法加权平均判决法中位数法
第四章计算智能（神经计算）
1.神经网络模型的基本组成？
神经元（树突、细胞体、突触、轴突、轴突末梢）
活化函数：阈值函数、双向阈值函数、S型函数、双曲正切函数、高斯函数
神经元之间的连接方式——拓扑结构
2.理解感知器模型的二值逻辑预算。

多输入、单输出、脉冲信号M-P模型
3.开发一个神经网络的基本阶段（步骤）？
设计输入层和输出层
确定隐层及其结点
归一化输入输出集合
初始化权值
选择活化函数
网络训练阶段
工作阶段
4.理解Habb学习规则，感知器学习及其梯度下降法学习规则。

Habb学习规则：Hebb学习规则是一个无监督学习规则，这种学习的结果是使网络能够提取训练集的统计特性，从而把输入信息按照它们的相似性程度划分为若干类。

感知器学习：作为一种线性分类器，（单层）感知机可说是最简单的前向神经网络形式主，要的本质缺陷是它不能处理线性不可分问题。

梯度下降法：求导。

一般来说，三层神经网络可以逼近任何一个非线性函数。

第五章计算智能（进化计算）
1.试述遗传算法的基本原理，并说明遗传算法的求解步骤。

一类借鉴生物界自然选择和自然遗传机制的随机搜索算法,非常适用于处理传统搜索方法难以解决的复杂和非线性优化问题。

参数编码->初始群体确定->适应度函数设计->遗传操作设计（选择、交叉、变异）->确
定算法终止规则
2.会编写基本的遗传算法程序。

3.理解遗传算法的三个基本操作算子及其作用。

选择：优胜劣汰；使得种群较快地收敛，维持种群的多样性
交叉：增加物种多样性；生物逐渐向一种特殊遗传类型收敛，子串能够部分或者全部继承父串的结构特征和有效基因。

变异：（打破平衡，避免局部极值）维持群体多样性，为选择、交叉过程中可能丢失的某些遗传基因进行修复和补充。

第六章专家系统
1.专家系统的类型
解释、诊断、预测、设计、规划、控制、监督、修理、教学、调试
2.专家系统的基本组成
核心部分：知识库+推理机
人机接口、数据库、解释机构、知识获取机构
3.专家系统与一般应用程序的不同
第七章机器学习
1.什么是机器学习？
计算机能模拟人的学习行为，自动地通过学习获取知识和技能，不断改善性能，实现自我完善。

2.归纳学习和演绎学习的不同点？
归纳学习：从个别到一般，从部分到整体演绎：从一般到个别归纳推理只保证假，演绎推理保真归纳学习可以不断获取新知识而演绎学习的知识是固定的归纳推理结论适用于更大的范围，演绎推理结论不会超出前提所断定的范围
3.什么是数据挖掘/知识发现？
在大型数据库中提取有趣的（重要的，隐含的，目前未知的，潜在有用的）信息和模式4.数据挖掘的基本过程？
了解应用领域，创建目标数据集，数据清理和预加工，数据变换，选择数据挖掘功能，选择挖掘算法，数据挖掘：搜索兴趣模式、模式评估和知识表达、使用发现的知识。