南昌大学 | 您所在的位置:网站首页 › 人工智能包含的四要素 › 南昌大学 |
2020-2021-2学期-人工智能复习总结
0 考试重点内容和范围
判断 10 x 2分
基本概念
计算应用题 4个题 共 60分
每章都有(语义网络、搜索(盲目搜索写路径,OPEN表、CLOSED表;或者启发式搜索八数码搜索树等)、神经计算(感知器学习) )
谓词逻辑不考
设计题,综合考核
给你一个场景,根据场景要实现的内容,讲述如和才能实现?
1 中南配套5张试卷中的一些考点
1.1 零碎的知识点
被誉为国际“人工智能之父”的是 图灵(Turing) 。 已知初始问题的描述,通过一系列变换把此问题最终变为一个子问题集合;这些子问题的解可以直接得到,从而解决了初始问题。这种知识表示法叫 问题规约法 。 语义网络的组成部分为 节点和弧线 。 如果问题存在最优解,则下面几种搜索算法中, 宽度优先搜索 必然可以得到该最优解,启发式搜索 可以认为 是“智能程度相对比较高”的算法。 根据贝兹德克的观点,计算智能系统应该呈现 : 计算适应性、计算容错性、接近人的速度、误差率与人接近 人工智能的研究领域有:问题求解与博弈、逻辑推理与定理证明、计算智能(神经计算、模糊计算、进化计算、人工生命等)、分布式与人工智能与Agent、自动程序设计、专家系统、机器学习、自然语言处理、机器人学、模式识别、机器视觉、神经网络、智能控制、智能调度与指挥、智能检索、系统与语言工具 。 A*算法中,节点 x 的估价函数 f(x)=g(x)+h(x),其中 g(x)表示 从起始节点到x的代价的估计 ,h(x)表示 从x节点到目标节点的代价估计 ,并且 h(x)必须满足 h(x) = g*(n) , g 是 g* 的估计,g*(n) 表示从起始节点到任意节点 n 的最佳路径的代价。 人工神经网络主要有 有师学习、无师学习、增强学习 。 决定神经网络的三个主要因素是 神经元、网络的拓扑结构、学习算法 , 常用激励函数包括:二值函数、线性函数、sigmoid 函数 。 采用语义网络表示知识时,图中的节点表示 实体、概念、情况等 ,弧表示 节点间的关系 。 采用问题归约法的求解策略时,本原问题是指 可以直接求解的问题 ;其搜索是在一张与或图中进行,图中的节点分为可解节点和不可解节点,本原问题对应的是 可解 节点。 A 算法: 定义评估函数为 f(n) = g(n) + h(n) 对OPEN表的元素按照 f 值从小到大进行排列,每次从OPEN表中取出 f 值最小的节点扩展 ,这种图搜索算法称为 A 算法。 A* 算法 :再A算法的前提下,如果对于任意节点n ,都有 h(n) 0 , 是偶数 。 1.2.3 搜索综合+婉约答: (1) 图1(a):E的启发函数值为15,E到G的最短路径实际代价为14,不满足可纳性条件 图1(b):F的启发函数值为32,F到G的最短路径为F-E-G,实际代价为31,不满足可纳性条件 (2) 通过对图2的分析可知,节点B进行了扩展 ,此时的OPEN表{C,D,E,F,G,H} (按照节点产生的顺序)。 宽度优先:C,理由:宽度优先搜索是一层一层来的,所以接下来该扩展的节点是 C 。 等代价搜索:D , 理由:等代价搜索每次扩展的是起始节点到节点i最少代价的节点,而起点A到其中代价最小的可以由图中直接看出为节点D (5 < 3 + 4 ,5 < 3 + 5 ,5 < 3 + 5 ,5 < 3 + 6 ,5 < 19 ) 所以接下来扩展的节点为 D A * 搜索 :G ,理由:A* 算法的估价函数 f(n) = g(n) + h(n) ,而由图2和题干可知,连接节点的线上的数字即为 g(i) ,而已经给出了还未扩展各点的 h(i)的值,通过计算各点的 f 值(C 点的f值为19 + 5 = 24 ,D 点的 f 值为5 + 13 = 18 ,E 点的 f 值为 4 + 10 = 14 ,F 点的 f 值为5 + 12 = 17 ,G 点的 f 值为5 + 8 = 13 ,H 点的 f 值为6 + 10 = 16 ) 选择 f 值最小的节点进行扩展,所以接下来扩展的节点为 G 。 1.2.4 语义网络用语义网络表示下面的知识: 我是一个人 。2) 我有一台计算机。3) 我的计算机是 PC/PIV1.8G。4) PC 机是计算机 。 PC/PIV1.8G 是 PC 机。6) PC/PIV1.8G 包括硬盘、显示器、CPU、内存。 求 节点从OPEN表中移出的顺序(节点的扩展顺序) 解路径 |
CopyRight 2018-2019 实验室设备网 版权所有 |