《人工智能及其应用》课程学习知识总结

1. 人工智能的三大学派？分别代表了什么观点？

符号主义：又称为功能模拟学派，主要观点认为智能活动的基础是物理符号系统，思维过程是符号模式的处理过程。
（a）立足于逻辑运算和符号操作，适合模拟人的逻辑思维过程，解决需要逻辑推理的复杂问题。
（b）知识可用显示的符号表示，在已知基本规则的情况下，无需输入大量的细节知识。
（c）便于模块化，当个别事实发生变化时，易于修改。
（d）能与传统的符号数据库进行连接。
（e）可对推理结论进行解释，便于对各种可能性进行选择。
连接主义：又称为结构模拟学派，是基于神经网络及网络间的连接机制和学习算法的人工智能学派。主要观点认为大脑是一切智能活动的基础，因而从大脑神经元及其连接机制出发进行研究，渴望揭示人类智能的奥秘，从而真正实现人类智能在机器上的模拟，
其特点：
（a）通过神经元之间的并行协作实现信息处理，处理过程具有并行性，动态性，全局性。
（b）可以实现联想的功能，便于对噪声的信息进行处理。
（c）可以通过对于神经元之间连接强度的调整实现学习和分类等。
（d）适合模拟人类的形象思维过程。
（e）求解问题时，可以较快的得到一个近似解。
行为主义：又称模拟学派、进化主义或控制论学派，认为智能行为的基础是“感知行为”的反应机制。基于智能控制系统的理论、方法和技术，研究拟人的智能控制行为。
其特点：
（a）知识和形式表达和模型化方法是人工智能的重要障碍之一。
（b）智能取决于感知和行动，应直接利用机器对机器环境作用后，以环境对作用的响应为原型。
（c）智能行为只能体现在世界中，通过与周围环境交互而表现出来。
（d）人工智能可以像人类智能一样逐步进化，分阶段发展和增强。

符号主义：又称为功能模拟学派，主要观点认为智能活动的基础是物理符号系统，思维过程是符号模式的处理过程。连接主义：又称为结构模拟学派，是基于神经网络及网络间的连接机制和学习算法的人工智能学派。
主要观点认为大脑是一切智能活动的基础，因而从大脑神经元及其连接机制出发进行研究，渴望揭示人类智能的奥秘，从而真正实现人类智能在机器上的模拟。行为主义：又称模拟学派、进化主义或控制论学派，认为智能行为的基础是“感知行为”的反应机制。基于智能控制系统的理论、方法和技术，研究拟人的智能控制行为。

2. 知识表示方法都有哪些技术？分别简要介绍？

(1)状态空间法是基于解答空间的问题表示和求解方法，是以状态和操作符为基础的。
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。(2)问题归约法是从目标（要解决的问题）出发逆向推理，建立子问题以及子问题的子问题，
直至最后把初始问题归约为一个平凡的本原问题集合。状态空间法是问题归纳法的一种特例。
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。(3)谓语逻辑法是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。(4)语义网络法是用“节点”代替概念，用节点间的“连接弧”代替概念之间的关系。
语义网络表示法的优点：结构性、联想性、自然性。

3. 图搜索策略的一般步骤？

(1) 建立一个只含有起始节点S的搜索图G，把S放到一个叫做OPEN 的未扩展节点表中。
(2) 建立一个叫做CLOSED的已扩展节点表，其初始为空表.
(3) LOOP：若OPEN表是空表，则失败退出。
(4) 选择OPEN表上的第一个节点，把它从OPEN表移出并放进 CLOSED表中。称此节点为节点n
(5) 若n为一目标节点，则有解并成功退出，此解是追踪图G中沿着指针从n到S这条路径而得到的(指针将在第7步中设置)
(6) 扩展节点n，同时生成不是n的祖先的那些后继节点的集合M。把M的这些成员作为n的后继节点添入图G中。
(7) 对那些未曾在G中出现过的M成员设置一个通向n的指针。把M的这些成员加进OPEN表。对已经在OPEN或CLOSED表上的每一个M成员，确定是否需更改通到n的指针方向。对已在CLOSED表上的每个M成员，确定是否需要更改图G中通向它的每个后裔节点的指针方向。
(8) 按某一任意方式或按某个探试值，重排OPEN表。
(9) GO  LOOP。

4. 遗传算法的步骤

(1) 初始化群体;
(2) 计算群体上每个个体的适应度值;
(3) 按由个体适应度值所决定的某个规则选择将进入下一代的个体;
(4) 按概率Pc进行交叉操作;
(5) 按概率Pc进行突变操作;
(6) 若没有满足某种停止条件，则转第(2)步，否则进入下一步。
(7) 输出群体中适应度值最优的染色体作为问题的满意解或最优解。

5. 消解原理的应用

例子—储蓄问题
前提：每个储蓄钱的人都获得利息。
结论：如果没有利息，那么就没有人去储蓄钱

6. 基于可信度的不确定性表示

组合证据的不确定性算法：

(1)合取证据
当组合证据为多个单一证据的合取时，对于多个证据合取的可信度，取其可信度最小的那个证据的 值作为组合证据的可信度。
E=E1 AND E2 AND … AND En， 若已知CF(E1), CF(E2),…, CF(En),则有：CF(E)=min{CF(E1), CF(E2),…,CF(En)}(2)析取证据
当组合证据是多个单一证据的析取时，对于多个证据的析取的可信度，取其可信度最大的那个证据的 值作为组合证据的可信度。E=E1 OR E2 OR … OR En， 若已知CF(E1), CF(E2),…, CF(En),则有：CF(E)=max{CF(E1), CF(E2),…,CF(En)}不确定性的传递算法就是根据证据和规则的可信度求其结论的可信度。若已知规则为
IF  E  THEN  H  (CF(H,E))
且证据E的可信度为CF(E)，则结论H的可信度CF(H)为
CF(H)=CF(H,E)max{0，CF(E)}
当CF(E)>0 ，即证据以某种程度为真，则CF(H)=CF(H,E)CF(E) 。若CF(E)=1 ，即证据为真，则CF(H)=CF(H,E) 。
当CF(E)<0 ，即证据以某种程度为假，规则不能使用，则 CF(H)= 0。当多个独立证据推出同一假设的合成算法
如果两条不同规则推出同一结论，但可信度各不相同，那么可用合成算法计算综合可信度。
即当组合两个以上的独立证据时，可首先组合其中的两个，再将其组合结果与第三个证据进行组合，如此继续进行组合，直至组合完成为止

例设有如下规则：
r1: IF E1 THEN H ( 0.8)
r2: IF E2 THEN H (0.9)
r3: IF E3 AND E4 THEN E1 (0.7)
r4: IF E5 OR E6 THEN E1 (－0.3)
并已知初始证据的可信度为：CF（E2）=0.8，CF（E3）=0.9，CF（E4）=0.7，CF（E5）=0.1，CF（E6）=0.5，用确定性理论计算CF（H）。

由r3可得：        CF1（E1）=0.7×min{0.9,0.7}=0.49
由r4可得：        CF2（E1）=－0.3×max{0.1,0.5}=－0.15
从而          CF1,2（E1）=（0.49－0.15）/(1－min(|0.49|,|－0.15|))=0.34/0.85=0.4
由r1可得：        CF1（H）=0.4×0.8=0.32
由r2可得：        CF2（H）=0.8×0.9=0.72
从而          CF1,2（H）=0.32+0.72-0.32×0.72=0.8096
这就是最终求得的H的可信度。

7. 决策树学习算法ID3

ID3算法思想
基本的ID3学习算法是通过自顶向下构造决策树来完成：
1、按照某标准选取一个属性，以该属性作为根节点，以这个属性的全部不同取值作为根节点的分枝，向下增长树，
同时按这个属性的不同取值将实例集划分为子集，与相应的分支节点相关联。
2、考察所得的每一个子类，看其中的所有实例的目标值是否完全相同：
3、如果完全相同，则以这个相同的目标值作为相应分枝路径末端的叶子节点；
4、否则，选取一个不同于祖先节点的属性，
5、重复上面过程，直到每个子集中的全部实例的目标值完全相同，得到所有的叶子节点为止

具体过程：

步1  创建树的Root节点；
步2  如果Exampls都为正，那么返回label=+的单节点树Root；
步3  如果Exampls都为反，那么返回label=一的单节点树Root；
步4  如果Attributes为空，则返回单节点树Root,label= Examples中最普遍的Target-attribute值，否则（1）A <—  Attributes中分类Examples能力最好的属性；（2）Root的决策属性<— A ；（3）对于A的每个可能值vi：在Root下加一个新的分支对应测试A== vi；令Examples-vi为Examples中满足A属性值为vi的子集；如果Examples-vi为空，则在这个新分支下加一个叶子节点，节点的label= Examples中最普遍的Target - attribute值；否则，在这个新分支下加一个子树：ID3（Example-vi,Target-attribute, Attributes{A}）
步5  返回Root。

举例：决策树挑西瓜

(1)要计算出当前属性集合｛色泽，根蒂，敲声，纹理，脐部，触感｝中每个属性的信息增益。以属性“色泽”为例，它有3个可能的取值：｛青绿，乌黑，浅白｝。若使用该属性对D进行划分，则可得到3个子集，分别记为：D1（色泽＝青绿），D2（色泽＝乌黑），D3（色泽＝浅白）。

(2)子集D1包含编号为｛1，4，6，10，13，17｝的6个样例，其中正例占p1＝3/6，反例占p2=3/6；D2包含编号为｛2, 3, 7, 8, 9, 15｝的6个样例，其中正、反例分别占p1＝4/6，p2=2/6；D3包含编号为｛5，11，12，14，16｝的5个样例，其中正、反例分别占p1＝1/5，p2＝4/5。

(3)根据式
，可计算出用“色泽”划分之后所获得的3个分支结点的信息熵为

根据式

可计算出属性“色泽”的信息增益为

(4)类似的，我们可计算出其他属性的信息增益：
Gain(D，根蒂）＝0.143；Gain(D，敲声）＝0.141；
Gain(D，纹理）＝0.381；Gain(D，脐部）＝0.289；
Gain(D，触感）＝0.006．
属性“纹理”的信息增益最大，于是它被选为划分属性。上图给出了基于“纹理”对根结点进行划分的结果，各分支结点所包含的样例子集显示在结点中．

8. 启发式搜索(有信息搜索)

启发式搜索采用问题自身的特性信息，以指导搜索朝着最有希望的方向前进。这种搜索针对性较强，因而效率较高。

估价函数
估价函数（evaluation function )：用于评估节点重要性的函数称为估价函数，是估算节点希望程度的量度，
表示方法f(n)——表示节点n（经过结点n且从起点到目标的最短路径长度）的估价函数值，f(n)的值越小，表示路径越短，n结点的希望程度越大启发函数
f(n)=g(n)+h(n)
g(n)为从S到n，已经走过的路径代价估计，通常即用实际花费代价，也比较容易计算。
h(n)是从n到达目标G代价的估值，这一段路径是没有走过的，必须根据问题特性，利用启发信息进行估算。搜索的启发性即体现在h(n)上，所以把h(n)叫做启发函数。