第一章什么是人工智能它的研究目标是什么人工智能（Artificial Intelligence），英文缩写为AI。

它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

研究目标：人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

人工智能有哪几个主要学派各自的特点是什么主要学派：符号主义，联结主义和行为主义。

1.符号主义：认为人类智能的基本单元是符号，认识过程就是符号表示下的符号计算，从而思维就是符号计算；2.联结主义：认为人类智能的基本单元是神经元，认识过程是由神经元构成的网络的信息传递，这种传递是并行分布进行的。

3.行为主义：认为，人工智能起源于控制论，提出智能取决于感知和行动，取决于对外界复杂环境的适应，它不需要只是，不需要表示，不需要推理。

人工智能有哪些主要研究和应用领域其中有哪些是新的研究热点1.研究领域：问题求解，逻辑推理与定理证明，自然语言理解，自动程序设计，专家系统，机器学习，神经网络，机器人学，数据挖掘与知识发现，人工生命，系统与语言工具。

2.研究热点：专家系统，机器学习，神经网络，分布式人工智能与Agent，数据挖掘与知识发现。

第二章用谓词逻辑知识表示方法表示如下知识：(1)有人喜欢梅花，有人喜欢菊花，有人既喜欢梅花又喜欢菊花。

三步走：定义谓词，定义个体域，谓词表示定义谓词P(x)：x是人L(x,y)：x喜欢yy的个体域：{梅花，菊花}。

将知识用谓词表示为：(∃x)(P(x)→L(x, 梅花)∨L(x, 菊花)∨L(x, 梅花)∧L(x, 菊花)) (2) 不是每个计算机系的学生都喜欢在计算机上编程序。

定义谓词S(x)：x是计算机系学生L(x, pragramming)：x喜欢编程序U(x,computer)：x使用计算机将知识用谓词表示为：¬ (∀x) (S(x)→L(x, pragramming)∧U(x,computer))请用语义网络表示如下知识：高老师从3月到7月给计算机系的学生讲“计算机网络”课。

（天气预报框架）例如有以下一段天气预报：“哈尔滨地区今天白天多云，雾霾，偏北风≤3 级，最高气温9º，最低气温0º，降水概率25%。

”。

Frame<天气预报>地域：哈尔并时段：今天天气：多云风向：北风风力：＜3级气温：0-9°降水概率：25%第三章(6) 判断以下子句是否为不可满足{P(x)∨Q(x )∨R(x), ﹁P(y)∨R(y), ﹁Q(a), ﹁R(b)} 采用归结反演，存在如下归结树，故该子句集为不可满足。

(3) 证明G是F的逻辑结论F: (∃x)(∃y)(P(f(x))∧(Q(f(b)))G: P(f(a))∧P(y)∧Q(y)先将F和¬G化成子句集：S={P(a,b), ¬P(x,b)}再对S进行归结：P(a,b) ¬P(x,b){a/x}NIL所以，G是F的逻辑结论设有子句集{P(x)∨Q(x, b), P(a)∨﹁Q(a, b),﹁Q(a, f(a)), ﹁P(x)∨Q(x, b)}请用祖先过滤策略求出其归结式解：支持集策略不可用，原因是没有指明哪个子句是由目标公式的否定化简来的。

删除策略不可用，原因是子句集中没有没有重言式和具有包孕关系的子句。

单文字子句策略的归结过程如下：{b/f(a)}{a/x}{b/f(a)}用线性输入策略（同时满足祖先过滤策略）的归结过程如下：{a/x}{b/f(a)}第四章何谓估价函数，在估价函数中，g(n)和h(n)各起什么作用1.估价函数是用来估计节点重要性的函数。

)()(g )(n h n n f +=。

(n)是从初始节点0S 到节点n 的实际代价；(n)是从节点n 到目标节点g S 的最优路径的估价代价。

设有如下结构的移动将牌游戏：其中，B 表示黑色将牌，W 表是白色将牌，E 表示空格。

游戏的规定走法是：(1) 任意一个将牌可移入相邻的空格，规定其代价为1；(2) 任何一个将牌可相隔1个其它的将牌跳入空格，其代价为跳过将牌的数目加1。

游戏要达到的目标什是把所有W都移到B的左边。

对这个问题，请定义一个启发函数h(n)，并给出用这个启发函数产生的搜索树。

你能否判别这个启发函数是否满足下界要求在求出的搜索树中，对所有节点是否满足单调限制解：设h(x)=每个W左边的B的个数，f(x)=d(x)+3*h(x)，其搜索树如下：第五章5-15 用遗传算法求f(x)=x﹒sin(10π﹒x)+的最大值,其中x∈[-1,2]。

（选作）5-19 设有论域U={u1, u2, u3, u4, u5}并设F 、G 是U 上的两个模糊集，且有F=u1+u2+u3+u4G=u3+u4+1/u5请分别计算 F ∩G ，F ∪G ，﹁F 。

解：F ∩G=∧0)/ u 1+∧0)/ u 2+∧/u 3+∧/u 4+(0∧1)/u 5=0/ u 1+0/ u 2+u 3+u 4+0/u 5=u 3+u 4F ∪G=∨0)/ u 1+∨0)/ u 2+∨/u 3+∨/u 4+(0∨1)/u 5= u 1+ u 2+u 3+u 4+1/u 5﹁F=/ u 1+/ u 2+/u 3+/u 4+(1-0)/u 5= u 1+ u 2+u 3+u 4+1/u 5设有如下两个模糊关系：请写出R 1与R 2的合成R 1οR 2。

解：R(1,1)=∧∨∧∨∧= ∨∨=R(1,2)=∧∨∧∨∧= ∨∨=R(2,1)=(1∧∨(0∧∨∧= ∨0∨= ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=1.09.04.06.08.02.015.004.0012.07.03.021R RR(2,2)=(1∧∨(0∧∨∧= ∨0∨=R(3,1)=(0∧∨∧∨(1∧= ∨∨=R(3,2)=(0∧∨∧∨(1∧= 0∨∨=因此有⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=4.09.08.04.04.06.021R R ο 第六章设有如下一组推理规则:r1: IF E1 THEN E2r2: IF E2 AND E3 THEN E4r3: IF E4 THEN Hr4: IF E5 THEN H且已知CF(E1)=, CF(E2)=, CF(E3)=。

求CF(H)=解：(1) 先由r1求CF(E2)CF(E2)= × max{0,CF(E1)}= × max{0,}=(2) 再由r2求CF(E4)CF(E4)= × max{0, min{CF(E2 ), CF(E3 )}}= × max{0, min{, }}=(3) 再由r3求CF1(H)CF1(H)= × max{0,CF(E4)}= × max{0, }=(4) 再由r4求CF2(H)CF2(H)= ×max{0,CF(E5)}= ×max{0, }=(5) 最后对CF1(H )和CF2(H)进行合成，求出CF(H)CF(H)= CF1(H)+CF2(H)+ CF1(H) × CF2(H)=设U=V={1，2，3，4，5}且有如下推理规则：IF x is 少THEN y is 多其中，“少”与“多”分别是U与V上的模糊集，设少=1+2+3多=3+4+5已知事实为x is 较少“较少”的模糊集为较少=1+2+3请用模糊关系Rm求出模糊结论。

Rm (1,1)=∧0)∨=Rm (1,2)=∧∨=Rm (1,3)=∧∨=Rm (1,4)=∧∨=Rm (2,1)=∧0)∨=Rm (2,2)=∧∨=Rm (2,3)=∧∨=Rm (2,4)=∧∨=Rm (3,1)=∧0)∨=Rm (3,2)=∧∨=Rm (3,3)=∧∨=Rm (3,4)=∧∨=Rm (4,1)=(0∧0)∨(1-0)=1Rm (4,2)=(0∧∨(1-0)=1Rm (4,3)=(0∧∨(1-0)=1Rm (3,4)=(0∧∨(1-0)=1 即：因此有(y应为小写)即，模糊结论为：Y’={, , , }第七章假设w1(0)=, w2(0)=, θ(0)=, η=，请用单层感知器完成逻辑或运算的学习过程。

解：根据“或”运算的逻辑关系，可将问题转换为：输入向量：X1=[0, 0, 1, 1]X2=[0, 1, 0, 1]输出向量：Y=[0, 1, 1, 1]由题意可知，初始连接权值、阈值，以及增益因子的取值分别为：w1(0)=, w2(0)=, θ(0)=，η=即其输入向量X(0)和连接权值向量W(0)可分别表示为：X(0)=(-1, x1 (0), x2 (0))W(0)=(θ(0), w1(0), w2 (0))根据单层感知起学习算法，其学习过程如下：设感知器的两个输入为x1(0)=0和x2(0)=0，其期望输出为d(0)=0，实际输出为：y(0)=f(w1(0) x1(0)+ w2(0) x2(0)-θ(0))=f*0+*=f=0实际输出与期望输出相同，不需要调节权值。

再取下一组输入：x1(0)=0和x2(0)=1，其期望输出为d(0)=1，实际输出为：y(0)=f(w1(0) x1(0)+ w2(0) x2(0)-θ(0))=f*0+*=f=1实际输出与期望输出相同，不需要调节权值。

再取下一组输入：x1(0)=1和x2(0)=0，其期望输出为d(0)=1，实际输出为：y(0)=f(w1(0) x1(0)+ w2(0) x2(0)-θ(0))=f*1+*=f=0实际输出与期望输出不同，需要调节权值，其调整如下：θ(1)=θ(0)+η(d(0)- y(0))*(-1)=+*(1-0)*(-1)=w1(1)=w1(0)+η(d(0)- y(0))x1(0)=+*(1-0)*1=w2(1)=w2(0)+η(d(0)- y(0))x2(0)=+*(1-0)*0=再取下一组输入：x1(1)=1和x2(1)=1，其期望输出为d(1)=1，实际输出为：y(1)=f(w1(1) x1(1)+ w2(1) x2(1)-θ(1))=f*1+*1+=f=1实际输出与期望输出相同，不需要调节权值。

再取下一组输入：x1(1)=0和x2(1)=0，其期望输出为d(0)=0，实际输出为：y(1)=f(w1(1) x1(1)+ w2(1) x2(1)-θ(1))=f*0+*0 + =f=1实际输出与期望输出不同，需要调节权值，其调整如下：θ(2)=θ(1)+η(d(1)- y(1))*(-1)= +*(0-1)*(-1)=w1(2)=w1(1)+η(d(1)- y(1))x1(1)=+*(0-1)*0=w2(2)=w2(1)+η(d(1)- y(1))x2(1)=+*(0-1)*0=再取下一组输入：x1(2)=0和x2(2)=1，其期望输出为d(2)=1，实际输出为：y(2)=f(w1(2) x1(2)+ w2(2) x2(2)-θ(2))=f*0+*1 - =f=1实际输出与期望输出相同，不需要调节权值。