人工智能及其应用课程总结

第一篇：人工智能及其应用课程总结

《人工智能及其应用》课程总结

20世纪40年代，计算机的发明揭开了人类发展的新篇章，使得人类追寻已久的脑力劳动机械化问题获得了解决的方法和途径。计算机能够代替人类大脑进行复杂的计算，并且能够根据计算对某些问题做出判断，从某种程度上代替了人脑的部分功能。而随着计算机计算机技术的发展，20世纪50年代人工智能(AI)这一新的学科门类的诞生，对人类的发展和进步有着重大的意义。

人工智能是指人类的各种脑力劳动或智能行为，诸如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动，可用某种智能化的机器来予以人工的实现。诸如机器编译、机器诊断、机器推理以及各种专家系统。随着人工智能技术的发展，引起了众多学科和不同专业背景学者们的日益重视，并且发展出了若干个研究子学科，如计算机科学、哲学、生理学、社会学、生物学、信息学和计算机数学等，人工智能成为一门广泛的交叉和前沿学科。因此，《人工智能及其应用》课程的学习，对于计算机应用研究技术、机械技术以及本人的专业——农业机械工程的学习和科研工作中，具有十分重要的作用。《人工智能及其应用》课程所讲授的知识涵盖面广、内容较多，其中许多章节所设计的知识都可以单独作为一门课程学习。因此，通过本学期对《人工智能及其应用》课程的学习，我重点总结一下主要学习和掌握的几方面知识：

1．人工智能的研究与应用领域。在人工智能这门学科中，包含有多个研究领域，每个研究领域都有其特有的感兴趣的研究课题、研究技术和术语，它们包括：自然语言处理、自动定理证明、智能数据检索系统、机器学习、模式识别、视觉系统、问题求解、人工智能方法和程序语言以及自动程序设计等。通过对这些研究领域的研究和应用介绍，我发现其中专家系统、机器学习、神经网络、模式识别、机器视觉和数据挖掘等方面的知识，是我所研究的专业领域和课题中，使用计算机软件进行数据处理和自动判别所需要的知识，对我课题的研究和完成将会有很大帮助。

2．知识表示与推理。本部分研究了传统人工智能的知识表示方法、搜索技术和知识推理。以符号和逻辑为基础的传统人工智能问题求解是通过知识表示和

知识推理来实现的。知识表示的方法有很多，包括图示法、公式法、结构化方法、陈述式表示、过程式表示、状态空间法和问题归约法等。表示问题是为了进一步求解问题，从问题表示到问题的解决有一个求解的过程，也就是搜索过程。因此，学习了图搜索策略和A*算法的方法和步骤。学习了消解原理这一用于一定的子句公式的重要推理规则，包括消解推理规则、含有变量的消解式、消解反演求解过程等。并且学习了规则演绎系统和产生式系统。它们是解决比较复杂的系统和问题的较为先进的推理技术和系统求解方法，能够解决搜索推理方法难以解决的一些问题。

3．计算智能。包括人工神经网络计算、模糊计算、粗糙集理论、遗传算法、进化策略、进化编程、人工生命、粒群优化、蚁群算法、自然计算和免疫计算。其中每一部分都可以作为单独的一门课程和知识进行深入的学习和研究。其中，我结合课程内容，重点学习和研究了人工神经网络。人工神经网络是模拟生物神经元的特性而产生的，是基于生物神经元特性的互联模型制造的算法及机器。包括有以下几个重要特性：并行分布处理、非线性映射、通过训练进行学习、适应与集成、硬件实现性。在本部分学习了神经网络是由基本处理单元——神经元及其互联方法构成的。其网络基本结构分为两类：递归网络和前馈网络。人工神经网络的主要学习算法有：有师学习、无师学习和强化学习三种。具体学习了自适应谐振理论网络、学习矢量量化网络、Kohonen网络、Hopfield网络，并且学习了基于神经网络的知识表示方法和推理方法。通过这部分的学习，了解了神经网络的应用方法和应用领域，由于其学习和适应、自组织、函数逼近和大规模并行处理等能力，因而在模式识别、信号处理、系统辨识和优化等方面有着广泛的应用。

4．机器学习。机器学习是一门研究机器获取新知识和新技能，并实现现有知识的学问。在此部分，主要学习了机器学习的主要策略、系统的基本结构和各种机器学习算法，包括：机械学习、归纳学习、类比学习、解释学习、神经学习和知识发现。而其中的一些学习方法又与以前学习章节中的内容有所交叉，如神经学习和人工神经网络。介绍了各种学习方法的定义、结构、基本计算方法和流程等知识。机器学习广泛的应用于图像处理、模式识别、机器人动力学与控制、自动控制、自然语言理解、语音识别、信号处理和专家系统等领域。

通过对《人工智能及其应用》课程的学习，使我学习了人工智能的各种基本算法和思想，了解了各种方法的应用领域和适用范围。由于我的研究课题中，也需要对采集的数据进行处理和做出判断，因此必然涉及人工智能的相关知识。课程包含内容很多，涵盖的领域非常广泛，虽然学习深度有限，但是正是对人工智能知识的广泛了解，才能扩展我的研究思路，选定方向和研究算法，进行更深层次的研究。

第二篇：人工智能及其应用总结

第一章：绪论 智能：

根据对人脑已有的认识，结合智能的外在表现，从不同的角度、不同的侧面、用不同的方法对智能进行研究，提出了几种不同的观点，其中影响较大的观点有思维理论、知识阈值理论及进化理论。综合三个方面，智能是知识与智力的总和。其中，知识是一切智能行为的基础，而智力是获取知识并应用知识求解问题的能力。智能的基本特征：

1、感知能力、2、记忆与思维能、3、学习能力、4、行为能力（表达能力）

人工智能的研究内容：

知识表示、机器感知、机器思维、机器学习、机器行为 人工智能的研究目标：

近期目标：使现有的电子数字计算机更聪明、更有用，使它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。建造智能机器人代替人类的部分智力劳动。

远期目标：用自动机模仿人类的思维过程和智能行为。最终目标：机器智能实现生物智能的各项功能。

智能行为：感知、推理、学习、通信和复杂环境下的动作行为 知识发现的处理过程：数据挖掘、数据选择、知识评价 人工智能的主要学派：符号主义、连接主义和行为主义 人工智能的研究途径：心理模拟、生理模拟和行为模拟

人工智能的应用领域：智能控制、智能管理、智能决策、智能仿真。人工智能的基本技术：表示、运算、搜索归纳技术、联想技术 人工智能（机器智能）、学科和能力：（书）所谓人工智能就是用人工的方法在机器(计算机)上实现的智能，或者说是人们使机器具有类似于人的智能。从学科角度来看：人工智能是计算机科学中涉及研究、设计和应用智能机器的一个分支。它的近期主要目标在于研究用机器来模仿和执行人脑的某些智能功能，并开发相关理论和技术。从能力角度来看：人工智能是智能机器所执行的通常与人类智能有关的功能。

对认知行为进行研究：心理活动的最高层级是思维策略，中间一层是初级信息处理，最低层级是生理过程，与此相应的是计算机程序、语言和硬件。研究认知过程的主要任务是探求高层次思维决策与初级信息处理的关系，并用计算机程序来模拟人的思维策略水平，而用计算机语言模拟人的初级信息处理过程。

人工智能新的研究热点：新的研究热点：分布式人工智能与Agent，计算智能与进化计算，数据挖掘与知识发现(超市市场商品数据分析)，人工生命

第二章：知识表示方法

知识的一般概念：知识是人们在改造客观世界的实践中积累起来的认识和经验

知识表示：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。

知识表示的要求：表示能力、可利用性、可实现性、可组织性、可维护性、自然性、可理解性

状态空间法的三要素：状态、算符、状态空间方法 问题求解技术：问题的表示和求解的方法

二种不确定性：关于证据的不确定性和关于结论的不确定性 原子公式：由若干谓词符号和项组成

问题的状态空间包含三种说明的集合：初始状态集合S、操作符集合以及目标状态集合 “我听音乐或者绘画”的谓词表示的析取式LISTEN(I,MUSIC)VDRAW(I,PAINTING)句子变换成子句形式：(x)｛P(x)→P(x)｝

(ANY x){ P(x)P(x)}(ANY x){~P(x)OR P(x)} ~P(x)OR P(x)最后子句为~P(x)OR P(x)第三章：搜索推理技术

如果搜索是以接近起始节点的程序来依次扩展节点，这种搜索叫宽（广）度优先搜索 盲目（无信息）搜索叫做深度优先搜索

盲目搜索包括：宽度优先搜索，深度优先搜索和等代价搜索 第四章：计算智能（神经计算、模糊计算）

对于人的思维的模拟可以从两条道路进行：一是结构模拟，二是功能模拟 计算智能，涉及研究分支

贝兹德克认为计算智能取决于制造者提供的数值数据，而不依赖于知识。计算智能是智力的低层认知。主要的研究领域为神经计算，模糊计算，进化计算，人工生命。计算智能（CI）、人工智能（AI）和生物智能（BI）的关系。

计算智能是智力的低层认知，主要取决于数值数据而不依赖于知识。人工智能是在计算智能的基础上引入知识而产生的智力中层认知。生物智能，尤其是人类智能，则是最高层的智能。即CI包含AI包含BI 人工神经网络的主要学习算法：(1)指导式(有师)学习(2)非指导(无导师)学习(3)强化学习

第五章：计算智能（进化计算、人工生命）

遗传算法：从一组随机初始化的候选解出发，按某种指标从解群中选取较优的个体，利用遗传算子（选择、交叉和变异）对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止 遗传算法的特点：

(1)遗传算法是对参数集合的编码而非针对参数本身进行进化；

(2)遗传算法是从问题解的编码组（种群）开始而非从单个解开始搜索；

(3)遗传算法利用目标函数的适应度这一信息而非利用导数或其它辅助信息来指导搜索；

(4)遗传算法利用选择、交叉、变异等算子而不是利用确定性规则进行随机操作。遗传算法的优势:

(1)适应度函数不受连续、可微等条件的约束，适用范围很广。(2)不容易陷入局部极值，能以很大的概率找到全局最优解。(3)由于其固有的并行性，适合于大规模并行计算。(4)不是盲目穷举，而是启发式搜索。

设用遗传算法求解某问题时，产生了四个个体A、B、C和D，适应度值分别为34、88、60和45，采用赌轮选择机制，则个体A的适应度值所占份额为34/227 遗传算法步骤：（1）随机产生一个由确定长度的特征字符串组成的初始种群。

（2）对该字符串种群迭代地执行下面的步骤①和步骤②，直到满足停止准则为止： ① 计算种群每个 字符串的适应值

②应用复制、交叉和变异等遗传算子产生下一代群体。

（3）把在后代中出现的最好的个体字符串指定为遗传算法的执行结果，这个结果可以表示问题的一个角。进化计算包括遗传算法，进化策略，进化编程和遗传编程。遗传算法、进化策略和进化编程的关系如何？有何区别？

关系：它们都是模拟生物界自然进化过程而建立的鲁棒性计算机算法。

区别：进化策略和进化编程把变异作为主要搜索算子，标准遗传算法中，变异处于次要位置。

交叉在遗传法起着重要作用，而在进化编程中却被完全省去，在进化策略中与自适应结合使用，起了很重要的作用。标准遗传算法和进化编程都强调随机选择机制的重要性，而进化策略的选择是完全确定的。进化策略和进化编程，确定地把某个个体排除在被选择之外，而标准遗传算法都对每个个体指定一个非零的选择概率。第六章：专家系统（与一般应用程序有区别）专家系统:

专家系统是一种模拟人类专家解决领域问题的智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。

专家系统的特点:启发性、透明性、灵活性

建立专家系统的一般步骤：设计初始知识库、原型机的开发与实验、知识库的改进与归纳

专家系统的类型：

解释，预测，诊断，设计，规划，监视，控制，调试，教学，修理 新型专家系统有何特征？什么是分布式专家系统和协同式专家系统？

新型专家系统的特征：并行与分布处理、多专家系统协同工作、高级语言和知识语言描述、具有自学习功能、引入新的推理机制、具有自纠错和自完善能力、先进的智能人机接口

分布式专家系统

具有分布处理的特征，能把一个专家系统的功能经分解以后分布到多个处理器上去并行地工作，从而有总体上提高系统的处理效率。它可以工作在紧耦合的多处理器系统环境中，也可工作在松耦合的计算机网络环境中，其总体结构在很大程度上依赖于其所在的硬件环境。协同式专家系统

又称为“群专家系统”，是一个能综合若干个相近领域或一个领域的多个方面的子专家系统互相协作，共同解决一个更广领域问题的专家系统。是克服一般专家系统的局限性的重要途径。它不着重于处理的分布和知识的分布，而是更强调子系统间的协同合作。它并不一定要求有多个处理机的硬件环境，而且一般都是在同一个处理机上实现各子专家系统的。

什么是建造专家系统的工具?你知道哪些专家系统开发工具，各有什么特点?专家系统开发工具是一些比较通用的工具，作为设计和开发专家系统的辅助手段和环境，以求提高专家系统的开发效率、质量和自动化水平。专家系统开发工具是一种更高级的计算机程序设计语言。比一般的计算机高级语言具有更强的功能。

主要分为骨架型工具(又称外壳)、语言型工具、构造辅助工具和支撑环境等4类。第七章：机器学习机器学习的三要素

一致性假设：样本空间划分：泛化能力： 机器学习的主要策略

机械学习：示教学习：类比学习：示例学习：

归纳学习是以归纳推理为基础的学习，其任务是从某一概念的分类例子集出发，归纳出一个一般概念描述。归纳学习是目前研究最多的学习方法，其学习目的是为了获得新概念、构造新规则或发现新理论。归纳是人类拓展认识能力的重要方法，是一种从个别到一般，从部分到整体的推理行为

类比学习：通过类比，即通过对相似事物加以比较所进行的一种学习

机械学习就是记忆，即把新的知识存储起来，供需要时检索调用，而不需要计算和推理 机器学习所采用的策略：机械学习，示教学习，类比学习，示例学习

任务规划是机器人高层规划最重要的一个方面，它包含建立模型，任务说明，程序综合 第九章：Agent（真体）

多种类型的多真体模型：协商模型、协作规划模型、自协调模型 真体通信语言KQML和KIF 按节点间协作量的多少，多agent的协作分为三类：全协作系统、无协作系统和半协作系统

分布式人工智能系统的特点：分布性、连接性、协作性、开放性、容 错性、独立性 艾真体（真体）

Agent是能够通过传感器感知其环境，并借助执行器作用于该环境的实

体，可看作是从感知序列到动作序列的映射。其特性为：行为自主性，作用交互性，环境协调性，面向目标性，存在社会性，工作协作性，运行持续性，系统适应性，结构分布性，功能智能性

艾真体在结构上有何特点、在结构上又是如何分类的 真体＝体系结构+程序

(1)在计算机系统中，真体相当于一个独立的功能模块，独立的计算机应用系统。(2)真体的核心部分是决策生成器或问题求解器，起到主控作用(3)真体的运行是一个或多个进程，并接受总体调度(4)各个真体在多个计算机CPU上并行运行，其运行环境由体系结构支持。

结构分类及特点反应式、慎思式、跟踪式、基于目标、基于效果、复合式

第十章：自然语言理解

语言理解：从微观上讲，语言理解是指从自然语言到机器(计算机系统)内部之间的一种映射。从宏观上看，语言理解是指机器能够执行人类所期望的某些语言功能。

自然语言处理：是研究人类交际和人机通信的语言问题的一门学科。它要开发表示语言能力和性能的模型，建立实现这种语言模型过程的计算框架，提出不断完善这些过程和模型的辨识方法，以及探究实际系统的评价技术。

自然语言理解过程的层次 ：语音分析：词法分析：句法分析：语义分析

第三篇：人工智能及其应用复习资料

人工智能及其应用(2)

第一章 绪 论

1-1.什么是人工智能？试从学科和能力两方面加以说明。

从学科角度来看：人工智能是计算机科学中涉及研究、设计和应用智能机器的一个分支。它的近期主要目标在于研 究用机器来模仿和执行人脑的某些智能功能，并开发相关理论和技术。

从能力角度来看：人工智能是智能机器所执行的通常与人类智能有关的功能，如判断、推理、证明、识别、感知、理解、设计、思考、规划、学习和问题求解等思维活动

1-2.在人工智能的发展过程中，有哪些思想和思潮起了重要作用？

控制论之父维纳 1940 年主张计算机五原则。他开始考虑计算机如何能像大脑一样工作。系统地创建了控制论，根 据这一理论，一个机械系统完全能进行运算和记忆。

帕梅拉·麦考达克(Pamela McCorduck)在她的著名的人工智能历史研究《机器思维》(Machine Who Think,1979)中曾 经指出：在复杂的机械装置与智能之间存在着长期的联系。

著名的英国科学家图灵被称为人工智能之父,图灵不仅创造了一个简单的通用的非数字计算模型，而且直接证明了计 算机可能以某种被理解为智能的方法工作。提出了著名的图灵测试。

数理逻辑从 19 世纪末起就获迅速发展；到 20 世纪 30 年代开始用于描述智能行为。计算机出现后，又在计算机上 实现了逻辑演绎系统。

1943 年由生理学家麦卡洛克(McCulloch)和数理逻辑学家皮茨(Pitts)创立的脑模型，即 MP 模型。60-70 年代，联结 主义，尤其是对以感知机(perceptron)为代表的脑模型的研究曾出现过热潮，控制论思想早在40-50 年代就成为时代思潮的重要部分，影响了早期的人工智能工作者。到60-70 年代，控制论系 统的研究取得一定进展，播下智能控制和智能机器人的种子。

1-3.为什么能够用机器（计算机）模仿人的智能？

物理符号系统的假设：任何一个系统，如果它能够表现出智能，那么它就必定能执行输入符号、输出符号、存储符 号、复制符号、建立符号结构、条件性迁移6 种功能。反之，任何系统如果具有这6 种功能，那么它就能够表现出 智能(人类所具有的智能)。

物理符号系统的假设伴随有3 个推论。

推论一: 既然人具有智能，那么他(她)就一定是个物理符号系统。

推论二: 既然计算机是一个物理符号系统，它就一定能够表现出智能。

推论三: 既然人是一个物理符号系统，计算机也是一个物理符号系统，那么我们就能够用计算机来模拟人的活动。

1-4.现在人工智能有哪些学派？它们的认知观是什么？

符号主义(Symbolicism)，又称为逻辑主义(Logicism)、心理学派(Psychlogism)或计算机学派(Computerism)[ 其原理 主要为物理符号系统(即符号操作系统)假设和有限合理性原理。]

认为人的认知基元是符号，而且认知过程即符号操作过程。认为人是一个物理符号系统，计算机也是一个物理符号 系统，因此，我们就能够用计算机来模拟人的智能行为。知识是信息的一种形式，是构成智能的基础。人工智能的 核心问题是知识表示、知识推理和知识运用。

联结主义(Connectionism)，又称为仿生学派(Bionicsism)或生理学派(Physiologism)[ 其原理主要为神经网络及神经网 络间的连接机制与学习算法 ]

认为人的思维基元是神经元，而不是符号处理过程。认为人脑不同于电脑，并提出联结主义的大脑工作模式，用于 取代符号操作的电脑工作模式。

行为主义(Actionism)，又称进化主义(Evolutionism)或控制论学派(Cyberneticsism)[ 其原理为控制论及感知-动作型控 制系统 ] 认为智能取决于感知和行动。认为智能不需要知识、不需要表示、不需要推理；人工智能可以象人类智能一样逐步进化。智能行为只能在现实世界中与周围环境交互作用而表现出来。符号主义、联结主义对真实世界客观事物的描 述及其智能行为工作模式是过于简化的抽象，因而是不能真实地反映客观存在的。

1-5.你认为应从哪些层次对认知行为进行研究？

心理活动的最高层级是思维策略，中间一层是初级信息处理，最低层级是生理过程，与此相应的是计算机程序、语 言和硬件。

研究认知过程的主要任务是探求高层次思维决策与初级信息处理的关系，并用计算机程序来模拟人 的思维策略水平，而用计算机语言模拟人的初级信息处理过程。

1-6.人工智能的主要研究和应用领域是什么？其中，哪些是新的研究热点？

问题求解(下棋程序)，逻辑推理与定理证明(四色定理证明)，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(星际探索机器人)，模式识别(手写识别，汽车牌照识别，指纹识别)，机器视觉(机器装配，卫星图像处理)，智能控制，智能检索，智能调度与指挥(汽车运输高度，列车编组指挥)，系统与语言工具。

新的研究热点： 分布式人工智能与Agent，计算智能与进化计算，数据挖掘与知识发现(超市市场商品数据分析)，人工生命。

第二章 知识表示方法

2-2 设有 3 个传教士和 3 个野人来到河边，打算乘一只船从右岸渡到左岸去。该船的负载能力为两人。在任何时候，如果野人人数超过传教士人数，那么野人就会把传教士吃掉。他们怎样才能用这条船安全地把所有人都渡过河去?

用S i(nC, nY)表示第i 次渡河后，河对岸的状态，nC 表示传教士的数目，nY 表示野人的数目，由于总人数的确定 的，河对岸的状态确定了，河这边的状态也即确定了。考虑到题目的限制条件，要同时保证，河两岸的传教士数目 不少于野人数目，故在整个渡河的过程中，允许出现的状态为以下3 种情况：

1.nC=0 2.nC=3

3.nC=nY>=0(当nC 不等于0 或3)

用d i(dC, dY)表示渡河过程中，对岸状态的变化，dC 表示，第i 次渡河后，对岸传教士数目的变化，dY 表示，第i 次渡河后，对岸野人数目的变化。当i 为偶数时，dC,dY 同时为非负数，表示船驶向对岸，i 为奇数时，dC, dY 同时 为非正数，表示船驶回岸边。

初始状态为S 0(0, 0)，目标状态为S 0(3, 3)，用深度优先搜索的方法可寻找渡河方案。在此，用图求法该问题，令横坐标为 nY, 纵坐标为 nC，可行状态为空心点表示，每次可以在格子上，沿对角线移 动一格，也可以沿坐标轴方向移动1 格，或沿坐标轴方向移动2 格。第奇数次数状态转移，沿右方，上方，或右上 方移动，第偶数次数状态转移，沿左方，下方，或左下方移动。

从(0,0)开始，依次沿箭头方向改变状态，经过11 步之后，即可以到达目标状态(3,3)，相应的渡河方案为： d1(1,1)--d2(-1,0)--d3(0,2)--d4(0,-1)--d5(2,0)--d6(-1,-1)--d7(2,0)--d8(0,-1)--d9(0,2)--d10(-1,0)--d11(1,1)

2-4 试说明怎样把一棵与或解树用来表达图2.28 所示的电网络阻抗的计算。单独的R、L 或C 可分别用R、jωL 或1/jωC 来计算，这个事实用作本原问题。后继算符应以复合并联和串联阻抗的规则为基础。

约定，用原来的与后继算法用来表达并联关系，用原来的或后继算法用来表达串联关系

2-5 试用四元数列结构表示四圆盘梵塔问题，并画出求解该问题的与或图。

用四元数列(nA, nB, nC, nD)来表示状态，其中nA 表示A 盘落在第nA 号柱子上，nB 表示B 盘落在第nB 号柱子 上，nC 表示C 盘落在第nC 号柱子上，nD 表示D 盘落在第nD 号柱子上。初始状态为 1111，目标状态为 3333

如图所示，按从上往下的顺序，依次处理每一个叶结点，搬动圆盘，问题得解。

2-6 把下列句子变换成子句形式：

(1)(x)｛P(x)→P(x)｝

(2)x y(On(x,y)→Above(x,y))

(3)x y z(Above(x,y)∧Above(y,z)→Above(x,z))(4)～｛(x)｛P(x)→｛（y）〔p(y)→p(f(x,y))〕∧(y)〔Q(x,y)→P(y)〕｝｝｝(1)(ANY x){ P(x)P(x)}(ANY x){~P(x)OR P(x)} ~P(x)OR P(x)

最后子句为 ~P(x)OR P(x)

(2)(ANY x)(ANY y){ On(x,y)Above(x,y)}(ANY x)(ANY y){ ~On(x,y)OR Above(x,y)} ~On(x,y)OR Above(x,y)

最后子句为 ~On(x,y)OR Above(x,y)

(3)(ANY x)(ANY y)(ANY z){ Above(x,y)AND Above(y,z)Above(x,z)}(命题联结词之优先级如下:否定→合取→析取→蕴涵→等价)

(ANY x)(ANY y)(ANY z){ ~ [ Above(x,y)AND Above(y,z)] OR Above(x,z)} ~ [ Above(x,y)AND Above(y,z)] OR Above(x,z)最后子句为 ~[Above(x,y), Above(y,z)] OR Above(x,z)

(4)~{(ANY x){ P(x){(ANY y)[ p(y)p(f(x,y))] AND(ANY y)[ Q(x,y)P(y)] } } } ~ {(ANY x){ ~P(x)OR {(ANY y)[ ~p(y)OR p(f(x,y))] AND(ANY y)[ ~Q(x,y)OR P(y)] } } }(EXT x){ P(x)AND {(EXT x)[ p(y)AND ~p(f(x,y))] OR(EXT y)[ Q(x,y)AND ~P(y)] } }(EXT x){ P(x)AND {(EXT w)[ p(y)AND ~p(f(w,y))] OR(EXT v)[ Q(x,v)AND ~P(v)] } } P(A)AND { [ p(y)AND ~p(f(B,y))] OR [ Q(A,C)AND ~P(C)] }

P(A)AND { [ p(y)AND ~p(f(B,y))OR Q(A,C)] AND [ p(y)AND ~p(f(B,y))OR ~P(C)] } P(A)AND { { p(y), ~p(f(B,y))} OR Q(A,C)} AND { { p(y), ~p(f(B,y))} OR ~P(C)} 最后子句为

P(A)

{ p(x), ~p(f(B,x))} OR Q(A,C){ p(y), ~p(f(B,y))} OR ~P(C)

2-7 用谓词演算公式表示下列英文句子(多用而不是省用不同谓词和项。例如不要用单一的谓词字母来表示每个句 子。)A computer system is intelligent if it can perform a task which, if performed by a human, requires intelligence.先定义基本的谓词

INTLT(x)means x is intelligent

PERFORM(x,y)means x can perform y REQUIRE(x)means x requires intelligence CMP(x)means x is a computer system HMN(x)means x is a human 上面的句子可以表达为

(任意x)

{(存在t)(存在y)[ HMN(y)合取 PERFORM(y,t)合取 REQUIRE(t)合取 CMP(x)合取 PERFORM(x,t)] INTLT(x)}

2-8 把下列语句表示成语义网络描述：

(1)All man are mortal.(2)Every cloud has a silver lining.(3)All branch managers of DEC participate in a profit-sharing plan.(1)

(2)

(3)

2-9 作为一个电影观众，请你编写一个去电影院看电影的剧本。

(1)开场条件

(a)顾客想看电影

(b)顾客在足够的钱

(2)角色

顾客，售票员，检票员，放映员

(3)道具

钱，电影票

(4)场景

场景 1 购票

(a)顾客来到售票处

(b)售票员把票给顾客

(c)顾客把钱给售票员

(d)顾客走向电影院门

场景 2 检票

(a)顾客把电影票给检票员

(b)检票员检票

(c)检票员把电影票还给顾客

(d)顾客进入电影院

场景 3 等待

(a)顾客找到自己的座位

(b)顾客坐在自己座位一等待电影开始

场景 4 观看电影

(a)放映员播放电影

(b)顾客观看电影 场景 5 离开

(a)放映员结束电影放映

(b)顾客离开电影院

(5)结果

(a)顾客观看了电影

(b)顾客花了钱

(c)电影院赚了钱

2-10 试构造一个描述你的寝室或办公室的框架系统。

第三章 搜索推理技术

3-1 什么是图搜索过程?其中，重排OPEN 表意味着什么，重排的原则是什么?

图搜索的一般过程如下：

(1)建立一个搜索图G(初始只含有起始节点S)，把S 放到未扩展节点表中（OPEN 表）中。

(2)建立一个已扩展节点表（CLOSED 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，它是CLOSED 表中 节点的编号

(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，生成不是n 的祖先的那些后继节点的集合M。将M 添入图G 中。

(7)对那些未曾在G 中出现过的(既未曾在OPEN 表上或CLOSED 表上出现过的)M 成员设置一个通向n 的指针，并将 它们加进OPEN 表。对已经在OPEN 或CLOSED 表上的每个M 成员，确定是否需要更改通到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。

重排OPEN 表意味着，在第(6)步中，将优先扩展哪个节点，不同的排序标准对应着不同的搜索策略。

重排的原则当视具体需求而定，不同的原则对应着不同的搜索策略，如果想尽快地找到一个解，则应当将最有可能 达到目标节点的那些节点排在OPEN 表的前面部分，如果想找到代价最小的解，则应当按代价从小到大的顺序重排 OPEN 表。

3-2 试举例比较各种搜索方法的效率。

(1)把起始节点放到OPEN 表中(如果该起始节点为一目标节点，则求得一个解答)。

(2)如果OPEN 是个空表，则没有解，失败退出；否则继续。

(3)把第一个节点(节点n)从OPEN 表移出，并把它放入CLOSED 扩展节点表中。

(4)扩展节点n。如果没有后继节点，则转向上述第(2)步。

(5)把n 的所有后继节点放到OPEN 表的末端，并提供从这些后继节点回到n 的指针。

(6)如果n 的任一个后继节点是个目标节点，则找到一个解答，成功退出；否则转向第(2)步。

有界深度优先搜索

(1)把起始节点S 放到未扩展节点OPEN 表中。如果此节点为一目标节点，则得到一个解。

(2)如果OPEN 为一空表，则失败退出。

(3)把第一个节点(节点n)从OPEN 表移到CLOSED 表。

(4)如果节点n 的深度等于最大深度，则转向(2)。

(5)扩展节点n，产生其全部后裔，并把它们放入OPEN 表的前头。如果没有后裔，则转向(2)。

(6)如果后继节点中有任一个为目标节点，则求得一个解，成功退出；否则，转向(2)。

等代价搜索方法以g(i)的递增顺序扩展其节点，其算法如下：

(1)把起始节点S 放到未扩展节点表OPEN 中。如果此起始节点为一目标节点，则求得一个解;否则令g(S)=0。

(2)如果OPEN 是个空表，则没有解而失败退出。

(3)从 OPEN 表中选择一个节点 i，使其 g(i)为最小。如果有几个节点都合格，那么就要选择一个目标节点作为节 点i(要是有目标节点的话)；否则，就从中选一个作为节点i。把节点i 从OPEN 表移至扩展节点表CLOSED 中。(4)如果节点i 为目标节点，则求得一个解。

(5)扩展节点i。如果没有后继节点，则转向第(2)步。(6)对于节点 i 的每个后继节点 j，计算g(j)=g(i)+c(i,j)，并把所有后继节点 j 放进 OPEN 表。提供回到节点 i 的指针。

(7)转向第(2)步。

3-3 化为子句形有哪些步骤?请结合例子说明之。

任一谓词演算公式可以化成一个子句集。其变换过程由下列九个步骤组成：

(1)消去蕴涵符号

将蕴涵符号化为析取和否定符号

(2)减少否定符号的辖域

每个否定符号最多只用到一个谓词符号上，并反复应用狄· 摩根定律

(3)对变量标准化

对哑元改名以保证每个量词有其自己唯一的哑元

(4)消去存在量词

引入Skolem 函数，消去存在量词

如果要消去的存在量词不在任何一个全称量词的辖域内，那么我们就用不含变量的Skolem 函数即常量。

(5)化为前束形

把所有全称量词移到公式的左边，并使每个量词的辖域包括这个量词后面公式的整个部分。

前束形 =(前缀)(母式)前缀 = 全称量词串

母式 = 无量词公式

(6)把母式化为合取范式

反复应用分配律，将母式写成许多合取项的合取的形式，而每一个合取项是一些谓词公式和(或)谓词公式的否定的析取

(7)消去全称量词

消去前缀，即消去明显出现的全称量词

(8)消去连词符号(合取)

用{合取项1,合取项2}替换明显出现的合取符号

(9)更换变量名称

更换变量符号的名称，使一个变量符号不出现在一个以上的子句中

3-4 如何通过消解反演求取问题的答案?

给出一个公式集S 和目标公式L，通过反证或反演来求证目标公式L，其证明步骤如下：

(1)否定L，得～L；

(2)把～L 添加到S 中去；

(3)把新产生的集合｛～L，S｝化成子句集；

(4)应用消解原理，力图推导出一个表示矛盾的空子句NIL。

3-5 什么叫合适公式?合适公式有哪些等价关系? 合式公式的递归定义为：

(1)原子谓词公式是合式公式

(2)若A 为合式公式，则A 的否定也是合式公式

(3)若A、B 都是合式公式，则A AND B, AOR B, AB, A>B 也都是合式公式

(4)若A 是合式公式，x 为A 中的自由变元，则(ANY x)A 和(EXT x)A 都是合式公式

(5)只有按规则(1)~(4)求得的公式，才是合式公式 等价关系有：否定之否定，蕴含与与或形式的等价，狄.摩根定律；分配律，交换律，结合律，逆否律，否定跨越量 词，全称量词同与或连词，量词中的哑元

3-6 用宽度优先搜索求图3.33 所示迷宫的出路。

第一步 SAB 第二步 BH

BC

第三步 HG

CF

最终路径为SABCF

3-7 用有界深度优先搜索方法求解图3.34 所示八数码难题。

解：定义操作符集：F={f1,f2,f3,f4}，其中： f1 表示空格右移； f2 表示空格上移；

f3 表示空格左移； f4 表示空格下移。

搜索时，节点的扩展顺序规定为按右、左、上、下方向移动空格。并设置深度界限为8。

由上述有界深度优先搜索树中可见，当d=8 时，八数码难题的一个解为： f4, f4, f3, f2, f2, f3, f4, f3

3-10 一个机器人驾驶卡车，携带包裹(编号分别为＃

1、＃2 和＃3)分别投递到林(LIN)、吴(WU)和胡(HU)3 家住宅处。规定了某些简单的操作符，如表示驾驶方位的drive(x,y)和表示卸下包裹的unload(z)都有一定的先决条件和结果。试说明状态空间问题求解系统如何能够应用谓词演算求得一个操作符序列，该序列能够生成一个满足AT(#1，LIN)∧AT(#2，WU)∧AT(#3,HU)的目标状态。

初始状态可描述为：AT(#1, ~LIN)AND AT(#2, ~WU)AND AT(#1, ~HU)AND AT(#1, CAR)AND AT(#2, CAR)AND AT(#3, CAR)目标状态可描述为：AT(#1, LIN)AND AT(#2, WU)AND AT(#1, HU)AND AT(#1, ~CAR)AND AT(#2, ~CAR)AND AT(#3, ~CAR)

对每个操作符都有一定的先决条件和结果，详细如下

drive(x, y)

先决条件：AT(CAR, x)

结果： AT(CAR, y)unload(z)先决条件：AT(z, CAR)AND AT(CAR, x)结果： AT(z, ~CAR)AND AT(z, x)

原问题就转换为寻找一个可将初始状态转换到目标状态的操作序列 如何求得该操作序列???

3-11 规则演绎系统和产生式系统有哪几种推理方式?各自的特点为何?

规则演绎系统的推理方式有正向推理、逆向推理和双向推理

双向推理组合了正向推理和逆向推理的优点，克服了各自的缺点，具有更高的搜索求解效率。

产生式系统的推理方式有正向推理、逆向推理和双向推理

双向推理结合了正向推理和逆向推理的长处，克服了两者的短处，其控制策略比两者都要复杂。

3-12 为什么需要采用系统组织技术?有哪几种系统组织技术?

如果不采用系统组织技术，而直接写出包含所有知识的规则，并让系统利用这些规则，找出一条从给定状态到目标 状态的路径，这种方法有严重的缺点：

(1)随着规则的增加，既要加入新的规则，又要使新规则不与现有规则产生冲突，这将使问题变得愈来愈困难

(2)在问题求解过程中，由于每一步都必须考虑所有规则，效率就会大大降低，然而，实际上却往往是只有应用完 一组规则之后，才考虑另一组别的规则

(3)一种问题求解技术和知识表达形式可能对问题的某一部分是最好的，而对另一部分却不是最好的 因此，采用系统组织技术，将一个大系统中的知识分成一组相对独立的模块比较合适。

有3 种系统组织技术：议程表、黑板法和Delta 极小搜索法

3-13 研究不确定性推理有何意义?有哪几种不确定性?

不确定性推理是研究复杂系统不完全性和不确定性的有力工具。

有3 种不确定性，关于证据的不确定性(观测有误差)，关于结论的不确定性和多个规则支持同一事实时的不确定性。

3-14 单调推理有何局限性?什么叫缺省推理?非单调推理系统如何证实一个节点的有效性?

单调系统不能很好地处理常常出现在现实问题领域中的3 类情况，即不完全的信息、不断变化的情况、以及求解复杂问题过程中生成的假设

有两种方法可以证实节点的有效性：

(1)支持表。

(SL(IN-节点表)(OUT-节点表))

如果某节点的IN 节点表中提到的节点当前都是IN, 且OUT 节点表中提到的节点当前都是OUT，则它是有效的(2)条件证明。

(CP(结论)(IN-假设)(OUT-假设))

条件证明(CP)的证实表示有前提的论点，无论何时，只要在IN 假设中的节点为IN, OUT 假设中的节点为OUT, 则 结论节点往往为IN，于是条件证明的证实有效。

3-15 在什么情况下需要采用不确定推理或非单调推理?

不完全的信息、不断变化的情况、以及求解复杂问题过程中生成的假设

3-16 下列语句是一些几何定理，把这些语句表示为基于规则的几何证明系统的产生式规则：

(1)两个全等三角形的各对应角相等。

(2)两个全等三角形的各对应边相等。

(3)各对应边相等的三角形是全等三角形。

(4)等腰三角形的两底角相等。

规则(1): IF 两个三角形全等

THEN 各对应角相等

规则(2): IF 两个三角形全等

THEN 各对应边相等

规则(3): IF 两个三角形各对应边相等

THEN 两三角形全等

规则(4): IF 它是等腰三角形

THEN 它的两底角相等

第四章 计算智能（1）：神经计算 模糊计算

4-1 计算智能的含义是什么？它涉及哪些研究分支？

贝兹德克认为计算智能取决于制造者提供的数值数据，而不依赖于知识。计算智能是智力的低层认知。

主要的研究领域为神经计算，模糊计算，进化计算，人工生命。

4-2 试述计算智能（CI）、人工智能（AI）和生物智能（BI）的关系。

计算智能是智力的低层认知，主要取决于数值数据而不依赖于知识。人工智能是在计算智能的基础上引入知识而产 生的智力中层认知。生物智能，尤其是人类智能，则是最高层的智能。即CI 包含AI 包含BI

4-3 人工神经网络为什么具有诱人的发展前景和潜在的广泛应用领域？

人工神经网络具有如下至关重要的特性：

(1)并行分布处理 适于实时和动态处理

(2)非线性映射 给处理非线性问题带来新的希望

(3)通过训练进行学习

一个经过适当训练的神经网络具有归纳全部数据的能力，能够解决那些由数学模型或描述规则难以处理的问题

(4)适应与集成

神经网络的强适应和信息融合能力使得它可以同时输入大量不同的控制信号，实现信息集成和融合，适于复杂，大 规模和多变量系统

(5)硬件实现

一些超大规模集成是电路实现硬件已经问世，使得神经网络成为具有快速和大规模处理能力的网络。

4-4 简述生物神经元及人工神经网络的结构和主要学习算法。

生物神经元

大多数神经元由一个细胞体(cell body 或soma)和突(process)两部分组成。突分两类，即轴突(axon)和树突(dendrite)，轴突是个突出部分，长度可达 1m，把本神经元的输出发送至其它相连接的神经元。树突也是突出部分，但一般较 短，且分枝很多，与其它神经元的轴突相连，以接收来自其它神经元的生物信号。

轴突的末端与树突进行信号传递的界面称为突触(synapse)，通过突触向其它神经元发送信息。对某些突触的刺激促 使神经元触发(fire)。只有神经元所有输入的总效应达到阈值电平，它才能开始工作。此时，神经元就产生一个全强 度的输出窄脉冲，从细胞体经轴突进入轴突分枝。这时的神经元就称为被触发。突触把经过一个神经元轴突的脉冲 转化为下一个神经元的兴奋或抑制。学习就发生在突触附近。

每个人脑大约含有 10^11-10^12 个神经元，每一神经元又约有 10^3-10^4 个突触。神经元通过突触形成的网络，传 递神经元间的兴奋与抑制。大脑的全部神经元构成极其复杂的拓扑网络群体，用于实现记忆与思维。

人工神经网络的结构

人工神经网络由神经元模型构成。每个神经元具有单一输出，并且能够与其它神经元连接，存在许多输出连接方法，每种连接方法对应于一个连接权系数。

人工神经网络的结构分为2 类：

(1)递归(反馈)网络 有些神经元的输出被反馈至同层或前层神经元。信号能够从正向和反向流通。Hopfield 网络，Elmman 网络和Jordan 网络是代表。

(2)前馈网络 具有递阶分层结构，由一些同层神经元间不存在互连的层级组成。从输入层至输出层的信号通过单向连接流通，神 经元从一层连接至下一层，不存在同层神经元之间的连接。多层感知器(MLP)，学习矢量量化网络(LVQ)，小脑模 型连接控制网络(CMAC)和数据处理方法网络(GMDH)是代表。

人工神经网络的主要学习算法

(1)指导式(有师)学习

根据期望和实际的网络输出之间的差来调整神经元连接的强度或权。包括Delta 规则，广义Delta 规则，反向传播算 法及LVQ 算法。

(2)非指导(无导师)学习

训练过程中，神经网络能自动地适应连接权，以便按相似特征把输入模式分组聚集。包括 Kohonen 算法，Carpenter-Grossberg 自适应谐振理论(ART)(3)强化学习

是有师学习的一种特例。它不需要老师给出目标输出，而是由一个“评论员”来评介与给定输入相对应的神经网络 输出的优度。例如遗传算法(GA)

4-10 什么是模糊集合和隶属函数或隶属度？

论域U 模糊子集F 隶属函数

序偶 P119

4-11 模糊集合有哪些运算，满足哪些规律？

并(取max)，交(取min)，补

幂等律，交换律，结合律，分配律，吸收律，同一律，Demorgan 律，复原律，对偶律，互补律不成立

4-12 什么是模糊推理？有哪几种模糊推理方法？

模糊推理是建立在模糊逻辑基础上的，一种不确定性推理方法，是在二值逻辑三段论基础上发展起来的。它以模糊判断为前提，动用模糊语言规则，推导出一个近似的模糊判断结论。

有许多模糊推理方法。在Zadeh 法中，有2 种重要的模糊推理规则：广义取式(肯定前提)假言推理法(GMP)和广义 拒式(否定结论)假言推理法(GMT)，分别简称为广义前向推理法和广义后向推理法。

4-13 有哪些模糊蕴含关系？ 模糊合取，模糊析取，基本蕴涵，命题演算，GMP 推理，GMT 推理

4-14 什么叫模糊判决？有哪几种常用的模糊判决方法？

从推理得到的模糊集合中，取一个相对最能代表这个模糊集合的单值的过程就称为解模糊或模糊判决。

常用的模糊判决方法有：重心法，最大隶属度法，系数加权平均法，隶属度限幅元素平均法

第五章 计算智能(2):进化计算 人工生命

5-1 什么是进化计算？它包括哪些内容？它们的出发点是什么？

什么是？

进化计算包括遗传算法，进化策略，进化编程和遗传编程。

出发点？

5-2 试述遗传算法的基本原理，并说明遗传算法的求解步骤。

基本原理？

求解步骤：

(1)随机产生一个由确定长度的特征字符串组成的初始种群体

(2)对该字符串种群迭代地执行下步的步骤[1]和步骤[2]，直到满足停止准则为止：

[1] 计算种群中每个个体字符中的适应值

[2] 应用复制，交叉和变异等遗传算子产生下一代种群

(3)把在后代中出现的最好个体字符指定为遗传算法的执行结果，这个结果可以表示问题的一个解。

5-5 进化策略是如何描述的？

最简单的进化策略可描述如下： P137

5-6 简述进化编程的机理和基本过程，并以四状态机为例说明进化编程的表示。

机理？

基本过程？

P139

5-7 遗传算法、进化策略和进化编程的关系如何？有何区别？

关系： 它们都是模拟生物界自然进化过程而建立的鲁棒性计算机算法。

区别：

进化策略和进化编程把变异作为主要搜索算子，标准遗传算法中，变异处于次要位置。

交叉在遗传法起着重要作用，而在进化编程中却被完全省去，在进化策略中与自适应结合使用，起了很重要的作用。标准遗传算法和进化编程都强调随机选择机制的重要性，而进化策略的选择是完全确定的。

进化策略和进化编程，确定地把某个个体排除在被选择之外，而标准遗传算法都对每个个体指定一个非零的选择概率。

5-8 人工生命是否从1987 年开始研究？为什么？

不是。

1987 年第一次人工生命研讨会上，美国圣塔菲研究所非线性研究组的兰顿正式提出了人工生命的概念，建立起人工 生命新学科。世纪，60 年代，罗森布拉特研究感知机，斯塔尔建立细胞活动模型，林登迈耶提出了生长发育中的细胞交互作 用数学模型。

年代，康拉德等人研究人工仿生系统中的自适应，进化和群体动力学，提出不断完善的“人工世界”模型。细胞 自动机被用于图像处理。康韦提出生命的细胞自动机对策论。

年代，人工神经网络再度兴起，促进了人工生命的发展。

5-9 什么是人工生命？请按你的理解用自己的语言给人工生命下个定义。

1987 年兰德提出的人工生命定义为：人工生命是研究能够演示出自然生命系统特征行为的人造系统。通过计算机或 其它机器对类似生命的行为进行综合研究，以便对传统生物科学起互补作用。

凡是具有自然生命现象和特征的人造系统，都可称为人工生命。

5-10 人工生命要模仿自然生命的特征和现象。自然生命有哪些共同特征？

自然生命的共同特征和现象，包括但不限于：

18(1)自繁殖，自进化，自寻优

(2)自成长，自学习，自组织

(3)自稳定，自适应，自协调

(4)物质构造

(5)能量转换

(6)信息处理

5-11 为什么要研究人工生命？

具有重大的科学意义和广泛的应用价值

(1)开发基于人工生命的工程技术新方法，新系统，新产品(2)为自然生命的研究提供新模型、新工具、新环境(3)延伸人类寿命，减缓衰老，防治疾病(4)扩展自然生命，实现人工进化和优生优育

(5)促进生命科学，信息科学，系统科学的交叉发展

5-12 人工生命包括哪些研究内容？其研究方法如何？ 研究内容大致分为两类：

（1）构成生物体的内部系统，包括脑，神经系统，内分泌系统，免疫系统，遗传系统，酶系统，代谢系统

（2）生物体及其群体的外部系统，包括环境适应系统和遗传进化系统 研究方法主要可分为两类：

（1）信息模型法，根据内部和外部系统所表现出来的生命行为来建造信息模型

（2）工作原理法：生命行为所显示的自律分散和非线性行为，其工作原理是混沌和分形，以此为基础研究人工生命的机理。

第六章 专家系统

6-1 什么叫做专家系统？具有哪些特点和优点？

专家系统是一种模拟人类专家解决领域问题的智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。也就是说，专家系统是一个具有 大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某一个领域或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，一边解决那些需要人类专家处理的复杂问题。特点：

（1）启发性 专家系统能运用专家的知识与经验进行推理、判断和决策

（2）透明性 专家系统能够解释本身的推理过程和回答用户提出的问题，以便让用户能够了解推理过程，提高对专家系统的信赖感。

（3）灵活性 专家系统能不断地增长知识，修改原有知识，不断更新 优点

（1）专家系统能够高效率、准确、周到、迅速和不知疲倦地进行工作（2）专家系统解决实际问题时不受周围环境的影响，也不可能遗漏忘记

（3）可以使专家的专长不受时间和空间的限制，以便推广珍贵和稀缺的专家知识与经验

（4）专家系统能够促进各领域的发展，它使各领域专家的专业知识和经验得到总结和精炼，能够广泛有力地传播专家的知识、经验和能力

（5）专家系统能够汇集多领域专家的知识和经验以及他们写作解决重大问题的能力，它拥有更渊博的 19 知识、更丰富的经验和更强的工作能力

（6）军事专家系统的水平是一个国家国防现代化的重要标志之一（7）专家系统的研制和应用，具有巨大的经济效益和社会效益

（8）研究专家系统能够促进整个科学技术的发展。专家系统对人工智能的各个领域的发展起了很大的促进作用，并将对科技、经济、国防、教育、社会和人民生活产生极其深远的影响。

6-2 专家系统由哪些部分构成？各个部分的的作用为何？

（1）知识库（knowledge base）知识库用于存储某领域的专门知识，包括事实、可行操作与规则等。（2）综合数据库（global database）综合数据库又称全局数据库或总数据库，它用于存储领域或问题的厨师数据和推理过程中得到的中间数据（信息），即被处理对象的一些当前事实。

（3）推理机（reasoning machine）推理机用于记忆所采用的规则和控制策略的程序，使整个专家系统能够以逻辑方式协调地工作。推理机能够根据指示进行推理和导出结论，而不是简单地搜索现成的答案。（4）解释器（explanator）解释器能够向用户解释专家系统的行为，包括解释推理结论的正确性以及系统输出其他候选解的原因。

（5）接口（interface）又称界面，他能够使系统与用户进行对话，使用户能够输入必要的数据、提出问题和了解推理过程及推理结果等。系统则通过接口，要求用户回答提问，并回答用户提出的问题，进行必要的解释。

6-3 建造专家系统的关键步骤是什么？

是否拥有大量知识是专家系统成功与否的关键，因而知识表示就成为设计专家系统的关键（1）设计初始知识库

问题知识化、知识概念化、概念形式化、形式规则化、规则合法化

（2）原型机（prototype）的开发与试验

建立整个系统所需要的实验子集，它包括整个模型的典型知识，而且只涉及与试验有关的足够简单的任务和推理过程

（3）知识库的改进与归纳

反复对知识库及推理规则进行改进试验，归纳出更完善的结果

6-4 专家系统程序与一般的问题求解软件程序有何不同？开发专家系统与开发其他软件的任务有何不同？

一般应用程序与专家系统的区别在于：前者把问题求解的知识隐含地编入程序，而后者则把其应用领域的问题求解知识单独组成一个实体，即为知识库。知识库的处理时通过与知识库分开的控制策略进行的。更明确地说，一般应用程序把知识组织为两级：数据级和程序级；大多数专家系统则将知识组织成三级：数据、知识库和控制。

在数据级上，是已经解决了的特定问题的说明性知识以及需要求解问题的有关事件的当前状态、在知识库级是专家系统的专门知识与经验。是否拥有大量知识是专家系统成功与否的关键，因而知识表示就成为设计专家系统的关键。

在控制程序级，根据既定的控制策略和所求解问题的性质来决定应用知识库中的哪些知识。

6-5 基于规则的专家系统是如何工作的？其结构为何？

系统的主要部分是知识库和推理引擎。

知识库由谓词演算事实和有关讨论主题的规则构成。“知识工程师”与应用领域的专家共同工作以便把专家的相关知识表示成一种形式，由一个知识采集子系统协助，输入到知识库。

推理引擎由所有操作知识库来演绎用户要求的信息的过程构成-如消解、前向链或反向链。

用户接口可能包括某种自然语言处理系统，它允许用户用一个有限的自然语言形式与系统交互。也可是用带有菜单的图形接口界面。

解释子系统分析被系统只需的推理结构，并把它解释给用户。

6-6 基于框架的专家系统与面向目标的编程技术，以提高系统的能力和灵活性。它们共享许多特征。面向目标的编程其所有数据结构均以目标形式出现，每个目标含有两种基本信息：描述目标的信息和说明目标能做什么的信息。面向目标的编程为表示实际世界目标提供了一种自然的方法。应用专家系统的术语来说，每个目标具有陈述性知识和过程知识。

结构的主要特点在于基于框架的专家系统采用框架而不是规则来表示知识。框架提供一种比规则更丰富的获取问题知识的方法，不仅提供某些目标的包描述，而且还规定了该目标如何工作。开发基于框架的专家系统的主要任务有：

（1）定义问题（对问题和结论的考察与综述）

（2）分析领域（定义事物、事物特征、事件和框架结构）（3）定义类及其特征（4）定义例及其框架结构（5）确定模式匹配法则（6）规定事物通信方法（7）设计系统界面（8）对系统进行评价

（9）对系统进行扩展，深化和扩展知识

6-7 为什么要提出基于模型的专家系统？试述神经网络专家系统的一般结构。

有一种关于人工智能的观点认为：人工智能是对各种定性模型的获得、表达及使用的计算方法进行研究 21 的学问。根据这一观点，一个知识系统中的知识库是由各种模型综合而成的，而这些模型又往往是定性的模型。

采用各种定性模型来设计专家系统，一方面它增加了系统的功能，提高了性能指标，另一方面，可独立地深入研究各种模型及其相关问题，把获得的结果用于改进系统设计。

6-8 新型专家系统有何特征？什么是分布式专家系统和协同式专家系统？ 新型专家系统的特征：（1）并行于分布处理（2）多专家系统协同工作（3）高级语言和知识语言描述

知识工程师只需用一种高级专家系统描述语言对系统进行功能、性能及接口描述，并用知识表示语言描述领域知识，专家系统生成系统就能自动或半自动地生成所需专家系统。（4）具有自学习功能

具有高级的知识获取与学习能力（5）引入新的推理机制

除了能进行演绎推理之外，还有归纳推理（联想、类比）、非标准逻辑推理（非单调逻辑推理、加权逻辑推理）及各种基于不完全知识和模糊知识的推理。（6）具有自纠错和自完善能力（7）先进的智能人机接口

理解自然语言，实现语声、文字、图形和图像的直接输入输出时如今人们对智能计算机提出的要求。

分布式专家系统

具有分布处理的特征，能把一个专家系统的功能经分解以后分布到多个处理器上去并行地工作，从而有总体上提高系统的处理效率。它可以工作在紧耦合的多处理器系统环境中，也可工作在松耦合的计算机网络环境中，其总体结构在很大程度上依赖于其所在的硬件环境。

协同式专家系统

又称为“群专家系统”，是一个能综合若干个相近领域或一个领域的多个方面的子专家系统互相协作，共同解决一个更广领域问题的专家系统。是克服一般专家系统的局限性的重要途径。它不着重于处理的分布和知识的分布，而是更强调子系统间的协同合作。它并不一定要求有多高处理机的硬件环境，而且一般都是在同一个处理机上实现各子专家系统的。

6-9 在设计专家系统时，应考虑哪些技术？（1）具有可靠知识与数据的小搜索空间问题

数据可靠（无噪声、无错误、不丢失、不多余）和知识可靠（不出现假的、近似的或推测性的结论），决定了系统具有单调性并可采用单路推理路线。而小搜索空间的问题一般允许采用穷举搜索策略。（2）不可靠的数据或知识

这种情况应采用概率推理、模糊推理、不可靠数据的精确推理方法或专门的不确定性推理技术。（3）时变数据

一般要设计时间推理技术，推理过程要求较复杂的表示法。（4）大搜索空间的问题

一般要引入启发式搜索策略或采用分层体系结构，来降低求解过程的复杂程度。对打空间的问题通常还要根据具体问题的特征来去相应的对策。

6-10 什么是建造专家系统的工具？你知道哪些专家系统工具，各有什么特点？

专家系统开发工具室一些比较通用的工具，作为设计和开发专家系统的辅助手段和环境，以求提高专家系统的开发效率、质量和自动化水平。专家系统工具是一种更高级的计算机程序设计语言。比一般的计算机高级语言具有更强的功能。主要分为骨架型工具（又称外壳）、语言型工具、构造辅助工具和支撑环境等四类。（1）骨架型工具

借用以前开发好的专家系统，将描述领域知识的规则从原系统中“挖掉”，只保留其独立于问题领域知识的推理机部分，这样形成的工具成为骨架型工具，如EMYCIN, KAS 以及EXPERT等。（2）语言型工具

提供给用户的是建立专家系统所需要的基本机制，其控制策略也不固定于一种或几种形式，用户可以通过一定手段来影响其控制策略。因此语言型工具的结构变化范围广泛，表示灵活，所适应的范围要比骨架型工具广泛得多。像OPS5，OPS83，RLL及ROSIE等，均属于这一类工具。（3）构造辅助工具

主要分两类：一类是设计辅助工具，典型的有AGE系统，另一类是知识获取工具，典型的有TEIRESIAS系统。

（4）支撑环境

是指帮助进行程序设计的工具，它常备作为知识工程语言的一部分。工具支撑环境仅是一个附带的软件包，以便使用户界面更友好，它包括四个典型组件：调试辅助工具、输入输出设施、解释设施和知识库编辑器。ART就属于这一类系统。

第七章 机器学习

7-1 什么是学习和机器学习？为什么要研究机器学习？

按照人工智能大师西蒙的观点，学习就是系统在不断重复的工作中对本身能力的增强或者改进，使得系统在下一次执行同样认为或类似任务时，会比现在做得更好或效率跟高。

机器学习室研究如何使用机器来模拟人类学习活动的一门学科，机器学习是一门研究机器获取新知识和 23 新技能，并识别现有知识的学问。这里说的“机器”，指的就是计算机。

现有的计算机系统和人工智能系统没有什么学习能力，至多也只有非常有限的学习能力，因而不能满足科技和生产提出的新要求。

7-2 试述机器学习系统的基本结构，并说明各部分的作用。

环境向系统的学习部分提供某些信息，学习部分利用这些信息修改知识库，以增进系统执行部分完成任务的效能，执行部分根据知识库完成任务，同时把获得的信息反馈给学习部分。

7-3 试解释机械学习的模式。机械学习有哪些重要问题需要加以研究？

机械学习是最简单的机器学习方法。机械学习就是记忆，即把新的知识存储起来，供需要时检索调用，而不需要计算和推理。是最基本的学习过程。任何学习系统都必须记住它们获取的知识。在机械学习系统中，知识的获取是以较稳定和直接的方式进行的，不需要系统进行过多的加工。要研究的问题：

（1）存储组织信息

只有当检索一个项目的时间比重新计算一个项目的时间短时，机械学习才有意义，检索的越快，其意义也就越大。

（2）环境的稳定性

机械学习基础的一个重要嘉定是在某一时刻存储的信息必须适用于后来的情况。（3）存储与计算之间的权衡

如果检索一个数据比重新计算一个数据所花的时间还要多，那么机械学习就失去了意义。

7-4 试说明归纳学习的模式和学习方法。

归纳是一种从个别到一般，从部分到整体的推理行为。归纳学习的一般模式为：

给定：观察陈述（事实）F，嘉定的初始归纳断言（可能为空），及背景知识 求：归纳断言（假设）H，能重言蕴含或弱蕴含观察陈述，并满足背景知识。学习方法：

（1）示例学习

它属于有师学习，是通过从环境中取得若干与某概念有关的例子，经归纳得出一般性行概念的一种学习方法。示例学习就是要从这些特殊知识中归纳出适用于更大范围的一般性知识，它将覆盖所有的正例并排除所有的反例。（2）观察发现学习

它属于无师学习，其目标是确定一个定律或理论的一般性描述，刻画观察集，制定某类对象的性质。它分为观察学习与机器发现两种，前者用于对事例进行聚类，形成概念描述，后者用于发现规律，产生定律或规则。

7-5 什么是类比学习？其推理和学习过程为何？

类比是一种很有用和很有效的推理方法，它能清晰，简洁地买哦书对象间的相似性，是人类认识世界的 24 一种重要方法。类比推理的目的是从源域S中，选出与目标域T最近似的问题及其求解方法，解决当前问题，或者建立起目标域中已有命题间的联系，形成新知识。

类比学习就是通过类比，即通过对相似事物加以比较所进行的一种学习。类比推理过程如下：（1）回忆与联想

通过回忆与联想在源域S中找出与目标域T相似的情况。（2）选择

从找出的相似情况中，选出与目标域T最相似的情况及其有关知识。（3）建立对应关系

在源域S与目标域T之间建立相似元素的对应关系，并建立起相应的映射。（4）转换

把S中的有关知识引导T中来，从而建立起求解当前问题的方法或者学习到关于T的新知识。

类比学习过程主要包括：

（1）输入一组已经条件（已解决问题）和一组未完全确定的条件（新问题）（2）按照某种相似性的定义，寻找两者可类比的对应关系

（3）根据相似变换的方法，建立从已解决问题到新问题的映射，以获得带求解问题所需的新知识。（4）对通过类比推理得到的关于新问题的知识进行校验。验证正确的知识存入知识库中，暂时无法验证的知识作为参考性知识，置于数据库中。

7-10 考虑一个具有阶梯型阈值函数的神经网络，假设（1）用一常数乘所有的权值和阈值（2）用一常数加于所有权值和阈值 试说明网络性能是否会变化？（1）不会（2）会

7-11 什么是知识发现？知识发现与数据挖掘有何关系？

根据费亚德的定义，数据库中的知识发现时从大量数据中辨识出有效的，新颖的，潜在有用的，并可被理解的模式的高级处理过程。

数据挖掘时知识发现中的一个步骤，它主要是利用某些特定的知识发现算法，在一定的运算效率内，从数据中发现出有关知识。

7-12 增大权值是否能使BP学习变慢？ 是

7-13 试说明知识发现的处理过程。费亚德的知识发现过程包括：（1）数据选择

根据用户需求从数据库中提取与知识发现相关的数据（2）数据预处理

检测数据的完整性与数据的一致性，对噪音数据进行处理，对丢失的数据利用统计方法进行填补，进行发掘数据库

（3）数据变换

利用聚类分析和判别分析，从发掘数据库里选择数据（4）数据挖掘（5）知识评价

对所获得的规则进行价值评定，以决定所得到的的规则是否存入基础知识库

知识发现的全过程，可进一步归纳为三个步骤，即数据挖掘预处理，数据挖掘，数据挖掘后处理。

7-14 有哪几种比较常用的知识发现方法？试略加介绍。常用的知识发现方法有：（1）统计方法

统计方法是从事物外在数量上的表现去推断事物可能的规律性，包括传统方法，模糊集，支持向量机，粗糙集

（2）机器学习方法

包括规则归纳、决策树、范例推理、贝叶斯信念网络，科学发现，遗传算法（3）神经计算方法

常用的有剁成感知器，反向传播网络，自适应映射网络（4）可视化方法

使用有效的可视化界面，可以快速，高效地与大量数据打交道，以发现其中隐藏的特征，关系，模式和趋势

7-15知识发现的应用领域有哪些？试展望知识发现的发展和应用评估。（1）金融业

数据清理，金融市场分析和预测，账户分类，银行担保和信用评估（2）保险业

通过对索赔者的资料与索赔历史数据模式进行比较，以判定用户的索赔是否合理（3）制造业

零部件故障诊断，资源优化，生产过程分析（4）市场和零售业

销售预测，库存需求，零售点选择和价格分析（5）医疗业

数据清理，预测医疗保险费用（6）司法

案件调查，诈骗检测，洗钱认证，犯罪组织分钟（7）工程与科学 工程与科学数据分析

第八章 机器人规划

8-1 有哪几种重要的机器人高层规划系统？它们各有什么特点？你认为哪种规划方法有较大的发展前景？

基于谓词逻辑的规划是用谓词逻辑来描述世界模型机规划过程的一种规划方法（1）规划演绎法。用F规则求解规划序列

（2）逻辑演算和通用搜索法。STRIPS和ABSTRIPS系统。（3）具有学习能力的规划系统。如PULP-I系统

（4）分层规划方法。如NOAH规划系统，他具有更快的规划速度，更强的规划能力和更大的适应性。发展前景？

8-5 机器人Rover 正在房外，想进入房内，但不能开门让自己进去，而只能喊叫，让叫声促使开门。另一机器人Max 在房间内，他能够开门并喜欢平静。Max 通常可以把门打开来使Rover 停止叫喊。假设 Max 和Rover 各有一个STRIPS规划生产系统和规划执行系统。试说明Max 和 Rover 的STRIPS规则和动作，并描述导致平衡状态的规划序列和执行的步骤。用来描述状态的谓词公式有： INROOM(X): X在房间里 OUTROOM(X): X不在房间里 SOUND(X): X在喊叫 QUIET(X): X保持安静

OPENEN(X): X处于打开状态 CLOSED(X): X处于关闭状态

Rover 可执行的动作有： Shout(X): X喊叫

先决条件：OUTROOM(X)AND CLOSED(Door)AND QUIET(X)删除表：QUIET(X)添加表：SOUND(X)ComeIn(X): X走进房间

先决条件：OUTROOM(X)AND OPEN(Door)删除表：OUTROOM(X)添加表：INROOM(X)

Max 可执行的动作有：

Open(X, Door): 为X打开门

先决条件：SOUND(X)AND OUTROOMX AND CLOSED(Door)删除表：OPENED(X)添加表：CLOSED(X)

初始状态M0 OUTROOM(Rover)AND QUIET(Rover)AND CLOSED(Door)AND INROOM(Max)目标状态G0 INROOM(Rover)AND QUIET(Rover)AND CLOSED(Door)AND INROOM(Max)

导致平衡状态的规划序列为{Shout(Rover), Open(Rover, Door), ComeIn(Rover), Close(Door)} 执行步骤：(1)M0：OUTROOM(Rover)AND QUIET(Rover)AND CLOSED(Door)AND INROOM(Max)OP1：Shout(Rover)M1：OUTROOM(Rover)AND SOUND(Rover)AND CLOSED(Door)AND INROOM(Max)(2)M1：OUTROOM(Rover)AND SOUND(Rover)AND CLOSED(Door)AND INROOM(Max)OP2：Open(Rover，Door)M2：OUTROOM(Rover)AND QUIET(Rover)AND OPENED(Door)AND INROOM(Max)(3)M2：OUTROOM(Rover)AND QUIET(Rover)AND OPENED(Door)AND INROOM(Max)OP3：ComeIn(Rover)M3：INROOM(Rover)AND QUIET(Rover)AND OPENED(Door)AND INROOM(Max)OP4：Close(Door)M4(G0)：INROOM(Rover)AND QUIET(Rover)AND CLOSED(Door)AND INROOM(Max)

8-6 用本章讨论过的任何规划生成系统，解决图8.22所示机械手堆积木问题。

用来描述状态的谓词公式有： ON(A,B): 积木A在积木B 上 ONTABLE(A): 积木A在桌子上 CLEAR(A): A上没有东西

HOLDING(A): 机械手正抓住A HANDEMPTY: 机械手为空

机械手可执行的动作有：

Stack(X,Y): 把积木X堆在积木Y上

先决条件：HOLDING(X)AND CLEAR(Y)删除表：HOLDING(X)AND CLEAR(Y)添加表：HANDEMPTY AND ON(X,Y)

UnStack(X,Y): 把堆在积木Y上的积木X抬起

先决条件：HANDEMPTY AND ON(X,Y)AND CLEAR(X)删除表：HANDEMPTY AND ON(X,Y)添加表：HOLDING(X)AND CLEAR(Y)28

PickUp(X): 从桌面上抓起积木X 先决条件：HANDEMPTY AND ONTABLE(X)AND CLEAR(X)删除表：ANDEMPTY AND ONTABLE(X)添加表：HOLDING(X)

PutDown(X): 将积木X 放到桌面上 先决条件：HOLDING(X)删除表：HOLDING(X)添加表：ONTABLE(X)AND HANDEMPTY 初始布局M0：

ON(D,B)AND ON(A,C)AND CLEAR(D)AND ONTALBE(B)AN ONTALBE(C)AND HANDEMPTY 目标布局G0：

ON(A,B)AND ON(B,C)AND ON(C,D)AND ONTABLE(D)AND CLEAR(A)AND HANDEMPTY 如何规划？

第九章 Agent 9-1 分布式人工智能系统有何特点？试与多艾真体系统的特性加以比较。分布式人工智能系统的特点：（1）分布性

系统信息（数据、知识、控制）在逻辑上和物理上都是分布的（2）连接性

各个子系统和求解机构通过计算机网络相互连接（3）协作性

各个子系统协调工作（4）开放性

通过网络互连和系统的分布，便于扩充系统规模（5）容错性

具有较多的冗余处理结点、通信路径和知识，提高工作的可靠性（6）独立性

系统把求解任务规约为几个相对独立的子任务，降低了问题求解及软件开发的复杂性

9-2 什么是艾真体？你对Agent的译法有何见解？

Agent是能够通过传感器感知其环境，并借助执行器作用于该环境的实体，可以看做是从感知序列到动作序列的映射。

其特征为：行为自主性，作用交互性，环境协调性，面向目标性，存在社会性，工作协作性，运行持续性，系统适应性，结构分布性，功能智能性 把agent 译为艾真体的原因有：

（1）一种普遍的观点认为，Agent是一种果果传感器感知其环境，并通过执行器作用于该环境的实体。（2）“主体”一词考虑到了Agent 具有自主性，但并未考虑Agent 还具有交互性，协调性，社会性，适应性和分布性等特性。

（3）“代理”一词在汉语中已经有明确的含义，并不能表示出Agent的原意。

（4）把Agent译为艾真体，含有一定物理意义，即某种“真体”或事物，能够在十分广泛的领域内得到认可。

（5）在找不到一个确切和公认的译法时，宜采用音译。

9-3 艾真体在结构上有什么特点？在结构上如何分类？每种结构的特点如何？ 真体=体系结构+程序

（1）在计算机系统中，真体相当于一个独立的功能模块，独立的计算机应用系统（2）真体的核心部分是决策生成器或问题求解器，起到主控作用（3）真体的运行时一个或多个进程，并接受总体调度

（4）各个真体在多个计算机CPU上并行运行，其运行环境由体系结构支持

结构分类及特点：（1）反应式

只是简单地对外部刺激产生响应，没有内部状态（2）慎思式

是一个具有显示符号模型的基于知识的系统（3）跟踪式

是具有内部状态的反应式真体，通过找到一个条件与现有的环境匹配的规则进行工作，然后执行与规则相关的作用

30（4）基于目标

真体的程序能够与可能的作用结果信息结合起来，以便选择达到目标的行为，只要指定新的目标，就能够产生新的作用（5）基于效果

一个具有显示效果函数的真体能够比较由不同作用获得的效果，从而做出理性决策（6）复合式

在一个真体内组合多种相对独立和并行执行的智能形态，其结构包括感知、动作、反应、建模、规划、通信和决策。

9-4 艾真体为什么需要互相通信？

一些交谈能向受话者传送信息，还有一些交谈要受话者采取行动。通信的双重目的就是建立信任和创建社会联系。

9-5 试述艾真体通信的步骤、类型和方式。通信的步骤：

在一个通信事件中，讲话者（T）要使用文字（W）向受话者（H）调查建议（P）在讲话者身上发生三种作用：（1）意向：T要H相信P（2）生成：T选择文字W（3）总和：H决定相信P 在受话者身上发生四种作用：

（1）感知：H 感知W(理想状态下W’=W，但可能会有错觉)（2）分析：H推断，W’有多个可能的含义P1，P2，P3…….Pn（3）消岐：H推断，T要调查Pi(理想地，Pi=P，但误解是可能的)（4）总和：H决定相信Pi 通信的类型：

（1）使用TELL和ASK通信

真体分享相同的内部表示语言，并通过界面TELL 和ASK 直接访问相互的知识库（2）使用形式语言通信

外部通信语言可以与内部表示语言不同，并且这些真体的每一个都可以有不同的内部语言，只人每个真体能可靠地从外部语言映射到自己的内部语言，它们就无须同意任何内部符号，其通信是通过语言而不是直接访问知识库而实现的 通信的方式：

（1）黑板结构方式

黑板提供公共工作区，真体可以交换信息，数据和知识（2）消息/对话方式

这是实现灵活和复杂的协调策略的基础。各真体使用规定的协议相互交换信息，用于建立通信和协调机制。两真体之间的信息是直接交换的，执行中没有缓冲。

9-6 艾真体有哪几种主要通信语言？它们各自有什么特点？ 知识询问与操作语言KQML KQML定义了一种真体间传递信息的标准语法以及一些动作表达式，分为通信、消息和内容三个从此 知识交换语言KIF 其语法基本上类似于用LISP语法书写的一阶谓词演算

9-7 多艾真体系统有哪几种基本模型？其体型结构又有哪几种？ 基本模型：

（1）BDI模型

它是一个概念和逻辑上的理论模型，渗透在其他模型中，成为研究真体理性和推理机制的基础。将BDI模型扩展至多真体系统时，提出了联合意图、社会承诺、合理行为等描述真体行为的形式化定义。（2）协商模型

产生于经济活动理论，主要用于资源竞争，任务分配和冲突消解等问题（3）协作规划模型

用于制定其协调一致的问题求解规划。每个真体都具有自己的求解目标，考虑其它真体的行动与约束，并进行独立规划。（4）自调整模型

为适应复杂控制系统的动态实时控制和优化而提出来。自协调模型随环境变化自适应地调整行为，是简历在开放和动态环境下的多真体系统模型。

体系结构：

（1）真体网络

无论是远距离还是短距离的真体，其通信都是直接进行的，当真体数目较大时，这种一一交互的结构将导致系统效率低下。（2）真体联盟

若干近程真体通过助手真体进行交互，而远程真体则由各个局部真体群体的助手真体完成交互和消息发送。一个真体无须知道其他真体的详细信息，比真体网络有较大的灵活性。（3）黑板结构

局部真体群体共享数据存储——黑板。其中控制外壳真体负责信息交互，而网络控制真体负责局部真体群体之间的远程信息交互。

9-8 试说明多艾真体的协作方法、协商技术和协调方式。

协作是保持非对抗真体间行为协调的特例，它通过适当的协调，合作完成共同目标。协作方法：

（1）决策网络和递归建模

决策网络可看做是增加了决策节点和效益节点的贝叶斯网络。根据对环境和其他真体的观察信息和贝叶斯学习方法来修正模型，即修正对其他真体行为的信念，并预测它们的行为。（2）Markov对策

单真体系统中真体的动态决策其实是一个Markov过程，在多真体系统中真体的Markov决策过程的扩展形式就是随机对策，即Markov对策（3）真体学习方法

多真题系统的协作，本质上说是每个真体学习其他真体的邢翁策略模型而采取相应的最优反应。（4）决策树和对策树

实质是将对策理论和对策过程形式化，以实现真体的自动推理过程 协商时多真体系统实现协同，协作，冲突消解和矛盾处理的关键环节

协商技术：

（1）协商协议

主要研究真体通信语言的定义，表示，处理和语义解释，主要处理协商过程总，真体之间的交互

32（2）协商策略

用于真体决策及选择协商协议和通信消息，主要修改真体内的决策和控制过程（3）协商处理

侧重描述和分析单个真体和多真体协商社会的整体协作行为，包括协商算法和系统分析两方面 协调时一种动态行为，是真体对环境及其它真体的适应，往往通过改变真体的心智状态来实现

协调方法：

（1）基于集中规划

至少有一个真体具备其他真体的知识，能力和环境资源知识，它作为主控真体，对系统的目标进行分解，任务进行规划，并指示其他真体执行任务（2）基于协商

属于分布式协调，系统中没有作为规划的主控真体（3）基于对策论

包括无通信协调和有通信协调两类（4）基于社会规划

以每个真体都必须遵循的社会规则，过滤策略，标准和惯例为基础的协调方法

9-9 为什么多艾真体需要学习与规划？

学习能力是衡量多真体系统和其他智能系统的重要特征之一。多真体系统学习比单真体学习复杂得多，因为其学习对象处于动态变化中，且其学习离不开真体间的通信。只要给计算机设定一个目标，然后计算机不断与环境交互以达到该目标。

规划是连接精神状态（打算，设想）与执行动作的桥梁。多真体系统中的规划与经典规划有所不同，需要反映环境的持续变化。

9-10 你认为多艾真体系统的研究方向应是哪些？其应用前景又如何？ 研究方向？

应用领域有：多机器人协调，过程智能控制，网络通信与管理，交通控制，电子商务，远程教学，远程医疗，网上数据挖掘，信息过滤、评估和集成以及数据库管理。

第四篇：人工智能课程论文解读

人工智能课程论文

题目：人工智能：用科学解密生命与智慧

姓

名：

学

号：

指导老师：

人工智能：用科学解密生命与智慧

摘要

本文是对人工智能及其应用的一个综述。首先介绍了人工智能的理论基础以其与人类智能的区别和联系。然后简要介绍了人工智能的发展现状以及未来趋势，并列举了一些人工智能在生活中的应用。对人工智能的一个热门分支——神经计算进行了着重介绍，人工神经网络通过模拟人脑的学习机制，将人工智能的重点从符号表示可靠的推理策略问题转化到学习和适应的问题，描述了其在字符识别问题上的实际应用。

人工智能：用科学解密生命与智慧

目录

一，人工智能与人类智能..............................................................................................4

1，什么是智能？.................................................................................................4 2，机器智能不等同于人类智能.........................................................................5 二，人工智能当前进展..................................................................................................6 三，人工智能在生活中的应用......................................................................................7 四，人工智能的前沿分支：神经计算..........................................................................9

1，人工神经网络：从大脑得到灵感.................................................................9 2，神经网络应用实例：基于Deep autoencoder的字符图像识别...............10 五，人工智能未来发展趋势........................................................................................12 小结................................................................................................................................13 参考文献........................................................................................................................1

4人工智能：用科学解密生命与智慧

一，人工智能与人类智能

人工智能（Artificial Intelligence，AI）是计算机科学的一个分支，它关心智能行为的自动化。AI是计算机科学的一部分，因而必须建立在坚实的理论知识之上并应用于计算机科学领域。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。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。1，什么是智能？

虽然大多数人确信看到智能行为是能判断它是智能的，但是似乎没有人能够使“智能”的定义既足够又具体以评估计算机程序的智能性，同时又反映了人类意识的生动性和复杂性。

这样实现一般智能就是塑造特定智能的人工制品。这些制品通常以诊断、预测或可视化工具实现，能够使得人类使用者完成复杂的任务。例如：用语言理解的马尔可夫模型，提供新数学理论的自动推理系统，通过大脑皮层网跟踪信号的动态贝叶斯网络，以及基因表达的数据模式的可视化，等等。

因此，定义人工智能完全领域的问题就变成了定义智能本身的问题：智能是一种独立的才能，还是一系列独一无二且不相关的能力的总称？在多大程度上可以说智能是学到的不是预先存在的？准确的说，学习时发生什么？什么是创造力？什么是直觉？智能是从可观察行为推断出的，还是需要特定内部机制的证据？在一个生物体的神经组织中，知识是以何种方式表示的？什么是自觉，它在智能中起着怎样的作用？另外，有必要按照已知的人类智能模式来设计智能计算机程序吗？智能实体是不是需要只有在生物中存在的丰富感受和经历？

这一系列的问题很难回答，但这些问题帮助我们勾勒出现代人工智能研究的核心问题以及求解方法。实际上，人工智能提供了一种独特而强大的工具来精确探索这些问题。AI为智能理论提供了一种媒介和实验台：首先用计算机程序语言表达出这些理论，然后在实际计算机上执行来进行测试和验证。

人工智能：用科学解密生命与智慧

2，机器智能不等同于人类智能

玛丽·雪莱在她的《弗兰肯斯坦》一书的序言中这样写道：

大多是拜伦勋爵和雪莱之间的对话，而我只是一个虔诚、安静的听众。其中有一次，他们讨论了各种哲学学说，以及有关生命原理的问题，并且谈到这些原理有否可能曾被发现和讨论过。他们谈及了达尔文博士的实验（我不能确认达尔文博士是否真正做过这个实验，我只是说当时有人讲他做过这样的实验），他把一段蠕虫（vermicelli）储藏在玻璃罐中，在采取了一些特殊方法之后，它开始自发运动。难道生命不是这样形成的吗？或许死尸还可能复活；流电电流实验已经让我们看到了这样的迹象：生命体的组成部分可以被制造、组合并注入活力（Butler 1998）。

玛丽·雪莱告诉我们，诸如达尔文的进化论和发现电流这样的科学进步已经使普通民众相信：自然法则并非奥妙无穷，而是可以被系统分析和理解的。弗兰肯斯坦的魔鬼并不是“萨满教”咒语或与地狱可怕交易的产物；而是由一个个单独“制造”的部件组装起来的，并且被注入了强大的电能。尽管19世纪的科学还不足以使人认识到理解和创造一个完全智能主体的意义，但它至少加深了这样的认识：生命和智慧的奥秘可以被纳入到科学分析中。也就是说，人可以让机器拥有所谓的“智能”。[1] 1936年，哲学家阿尔弗雷德·艾耶尔思考心灵哲学问题：我们怎么知道其他人曾有同样的体验。在《语言，真理与逻辑》中，艾尔建议有意识的人类及无意识的机器之间的区别。

1950年，图灵发表了一篇划时代的论文，文中预言了创造出具有真正智能的机器的可能性[1]。由于注意到“智能”这一概念难以确切定义，他提出了著名的图灵测试：如果一台机器能够与人类展开对话（通过电传设备）而不能被辨别出其机器身份，那么称这台机器具有智能。这一简化使得图灵能够令人信服地说明“思考的机器”是可能的。论文中还回答了对这一假说的各种常见质疑。[2] 图灵测试是人工智能哲学方面第一个严肃的提案。

1952年，在一场BBC广播中，图灵谈到了一个新的具体想法：让计算机来冒充人。如果不足70%的人判对,也就是超过30%的裁判误以为在和自己说话的是人

人工智能：用科学解密生命与智慧

而非计算机，那就算作成功了。

2014年6月8日，一台计算机成功让人类相信它是一个13岁的男孩，成为有史以来首台通过图灵测试的计算机。这被认为是人工智能发展的一个里程碑事件，但专家警告称，这项技术可用于网络犯罪。[3-5]。

尽管图灵测试具有直观上的吸引力，图灵测试还是受到了很多无可非议的批评。其中一个重要的质疑时它偏向于纯粹的符号求解任务。它并不测试感知技能或要实现手工灵活性所需的能力，而这些都是人类智能的重要组成部分。另一方面，有人提出图灵测试没有必要把机器智能强行套入人类智能的模具之中。人工智能或许本就不同于人类智能，我们并不希望一台机器做数学题像人类一样又慢又不准，我们希望的是它自身有点的最大化，比如快速准确的处理数据，长久的存储数据，没有必要模仿人类的认知特征。

但是，人工智能中一部分主要的研究着偏重于研究对人类智能的理解。人们为智能活动提供了一种原型实例，一些应用（比如诊断理解）通常有意地将模型建立在该领域的权威专家的解决过程上。更为重要的是，理解人类智能本身就是一个吸引人的、有待研究的科学挑战。

二，人工智能当前进展 问题的求解

人工智能中的问题解求，就是如何让机器去解决人类会遇到的问题，如何根据某一具体问题找到思考问题并解决这个问题的方法。目前，人工智能技术已经可以通过计算机程序解决了如何考虑要解决的问题，并能寻求较为准确的解决方案。2逻辑的推理与定理的证明

人工智能研究中最持久的探究领域之一就是逻辑推理。有关定理的证明就是让机器证明非数值性的真假。其中比较重要的是，通过找到合理、准确的方法，集中注意力在大型数据库中的有效事实，关注可信度证明，并在出现新信息时适时修改这些证明。[2] 3 人工智能应用之自然语言的处理

智能的另一表现就是进行自然语言的交流，自然语言处理就是让机器与人类进行

人工智能：用科学解密生命与智慧

无阻碍的沟通，这正是人工智能技术应用于实际领域的典型范例。目前此领域的主要研究内容是：如何利用计算机系统以主题和对话情境为基础，生成和理解自然语言。[3] 4 人工智能应用之模式的识别

如何使机器具有感知能力也是智能的表现。模式的识别是利用人工智能技术开发智能机器的关键，主要是通过计算机用数学技术方法来研究模式的自动处理和判读，让计算机实现“看见”，“听见”等功能。计算机模式识别的主要特点是速度快，准确率高，效率高，计算机模式识别也为人类认识自身智能提供了有利帮助。5 人工智能应用之智能信息的检索技术

在科学技术飞速发展的今天，人类已进入了“知识爆炸”的时代。传统检索系统已经满不足了对如今如此数量巨大以及种类繁多的文献检索要求。人工智能科技持续稳定发展的重要前提就是智能检索模块，可以说，智能信息的检索技术的运用势在必行。人工智能应用之专家系统

我们常说的专家系统就是指从人类专家那里获取的知识，并用来解决只有专家才能解决的疑难问题。这是一种基于知识的系统，从而也被称为知识基系统。专家系统是人工智能技术中研究最活跃，最有成效的一个领域。现在的专家系统尤其特殊的模仿了专家在处理故障时的思维方式，其水平有时甚至可以超过人类专家的水平。人工智能应用之机器人学

机器人对我们并不陌生，已在多个领域获得了越来越普遍的应用，诸如农业、工业、商业、旅游业、航空和海洋等。那么，机器人学所研究的问题主要包括从机器人手臂的最佳移动到实现机器人目标的动作序列的规划方法。机器人和机器人学的研究对人工智能思想的发展都起到了促进作用。

三，人工智能在生活中的应用

 计算机科学

人工智能产生了许多方法解决计算机科学最困难的问题。它们的许多发明已

人工智能：用科学解密生命与智慧

被主流计算机科学采用，而不认为是AI的一部份。下面所有内容原在AI实验室发展：时间分配，介面演绎员，图解用户介面，计算机鼠标，快发展环境，联系表数据结构，自动存储管理，符号程序，功能程序，动态程序，和客观指向程序。[3]  金融

银行用人工智能系统组织运作，金融投资和管理财产。2001年8月在模拟金融贸易竞赛中机器人战胜了人。

金融机构已长久用人工神经网络系统去发觉变化或规范外的要求，银行使用协助顾客服务系统；帮助核对帐目，发行信用卡和恢复密码等。 医院和医药

医学临床可用人工智能系统组织病床计划；并提供医学信息。

人工神经网络用来做临床诊断决策支持系统。计算机帮助解析医学图像。这样系统帮助扫描数据图像，从计算X光断层图发现疾病，典型应用是发现肿块、心脏声音分析。 重工业

在工业中已普遍应用机器人。它们常做对人是危险的工作。全世界日本是利用和生产机器人的先进国；1999年世界范围使用1,700,000台机器人。 顾客服务

人工智能是自动上线的好助手，可减少操作，使用的主要是自然语言加工系统。呼叫中心的回答机器也用类似技术，如语言识别软件可使计算机的顾客较好操作。 运输

汽车的变速箱已使用模糊逻辑控制器。 运程通讯

许多运程通讯公司正研究管理劳动力的机器；如BT组研究可管20000工程师的机器。 玩具和游戏

1990年企图用基本人工智能大量为教育和消遣生产民用产品。现在，大众在生活的许多方面都在应用人工智能技术。 音乐

人工智能：用科学解密生命与智慧

技术常会影晌音乐的进步，科学家想用人工智能技术尽量赶上音乐家的活动；现正集中在研究作曲，演奏，音乐理论，声音加工等。

四，人工智能的前沿分支：神经计算

1，人工神经网络：从大脑得到灵感

神经计算科学是从信息科学的角度来研究如何加速神经网络模仿和延伸人脑的高级精神活动，如联想、记忆、推理、思维及意识等智能行为。这涉及到脑科学、认知科学，神经生物学、非线性科学、计算机科学、数学、物理学诸学科的综合集成。它是综合研究和实现类脑智能信息系统的一个新思想和新策略。[6] 深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

一个神经网络的结构示意图如图1所示

图1 神经网络的结构示意图

神经网络将人工智能的重点从符号表示和可靠的推理策略问题转移到学习和适应的问题。同人和其他动物一样，神经网络是适应世界的一种机制：经过训练的神经网络结果是通过学识形成的。这种网络是通过和世界交互形成的，通过经验的不明确痕迹反映出来。神经网络的这种途径对我们理解智能起了极大的作用。

人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、人工智能：用科学解密生命与智慧

进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。

神经网络在很多领域已得到了很好的应用，但其需要研究的方面还很多。其中，具有分布存储、并行处理、自学习、自组织以及非线性映射等优点的神经网络与其他技术的结合以及由此而来的混合方法和混合系统，已经成为一大研究热点。由于其他方法也有它们各自的优点，所以将神经网络与其他方法相结合，取长补短，继而可以获得更好的应用效果。目前这方面工作有神经网络与模糊逻辑、专家系统、遗传算法、小波分析、混沌、粗集理论、分形理论、证据理论和灰色系统等的融合。

2，神经网络应用实例：基于Deep autoencoder的字符图像识别

深度信念网络(Deep Belief Network, DBN)[7]由 Geoffrey Hinton 在 2006 年提出。它是一种生成模型，通过训练其神经元间的权重，我们可以让整个神经网络按照最大概率来生成训练数据。我们不仅可以使用 DBN 识别特征、分类数据，还可以用它来生成数据。

DBN 由多层神经元构成，这些神经元又分为显性神经元和隐性神经元（以下简称显元和隐元）。显元用于接受输入，隐元用于提取特征。因此隐元也有个别名，叫特征检测器(feature detectors)。最顶上的两层间的连接是无向的，组成联合内存(associative memory)。较低的其他层之间有连接上下的有向连接。最底层代表了数据向量(data vectors)，每一个神经元代表数据向量的一维。

DBN 是由多层 RBM 组成的一个神经网络，它既可以被看作一个生成模型，也可以当作判别模型，其训练过程是：使用非监督贪婪逐层方法去预训练获得权值。训练过程：

1.首先充分训练第一个 RBM；

2.固定第一个 RBM 的权重和偏移量，然后使用其隐性神经元的状态，作为第二个 RBM 的输入向量；

人工智能：用科学解密生命与智慧

3.充分训练第二个 RBM 后，将第二个 RBM 堆叠在第一个 RBM 的上方； 4.重复以上三个步骤任意多次；

5.如果训练集中的数据有标签，那么在顶层的 RBM 训练时，这个 RBM 的显层中除了显性神经元，还需要有代表分类标签的神经元，一起进行训练： a)假设顶层 RBM 的显层有 500 个显性神经元，训练数据的分类一共分成了 10 类；

b)那么顶层 RBM 的显层有 510 个显性神经元，对每一训练训练数据，相应的标签神经元被打开设为 1，而其他的则被关闭设为 0。6.DBN 被训练好后如下图：

图2 训练好的深度信念网络。图中的绿色部分就是在最顶层 RBM 中参与训练的标签。注意调优(FINE-TUNING)过程是一个判别模型

调优过程(Fine-Tuning)：

生成模型使用 Contrastive Wake-Sleep 算法进行调优，其算法过程是：

1.除了顶层 RBM，其他层 RBM 的权重被分成向上的认知权重和向下的生成权重；

2.Wake 阶段：认知过程，通过外界的特征和向上的权重(认知权重)产生每一层的抽象表示(结点状态)，并且使用梯度下降修改层间的下行权重(生成权重)。也就是“如果现实跟我想象的不一样，改变我的权重使得我想象的东西就是这样的”。

3.Sleep 阶段：生成过程，通过顶层表示(醒时学得的概念)和向下权重，生成底

人工智能：用科学解密生命与智慧

层的状态，同时修改层间向上的权重。也就是“如果梦中的景象不是我脑中的相应概念，改变我的认知权重使得这种景象在我看来就是这个概念”。

在附件中提供了程序代码。实验利用MNIST字符图像，验证该方法的特征提取与识别能力。

五，人工智能未来发展趋势

科学技术是第一生产力，但技术的发展往往是远远超越我们的想象。就目前的一些前瞻性研究可以看出，未来人工智能技术的发展有如下几大趋势： 1 问题求解

问题求解一般包括两种，一种是指解决管理活动中由于意外引起的非预期效应或与预期效应之间的偏差。正在逐渐发展成为搜索和问题归约这类人工智能的基本技术；另一种问题的求解程序，是把各种数学公式符号汇编在一起。其性能已达到非常高的水平，并正在被许多工程师和科学家应用，甚至还有些程序能够用经验来改善其性能。2 机器学习

人工智能研究的核心课题之一就是机器学习。我们知道学习是人类智能的重要特征，那么机器学习就是指机器自动获取知识的过程。机器学习是机器获取知识的根本途径，也是机器智能的重要标志。计算机的机器学习主要研究内容为如何让计算机模拟或实现人类的学习能力。今后机器学习的研究主要是研究人脑思维的过程、人类学习的机理等。3 模式识别

用计算机实现模式(文字、声音、人物、物体等)的自动识别，弥补计算机对外部世界感知能力低下的缺陷，使计算机能够通过感官接受外界信息，识别和理解周围环境。依然是人工智能技术今后研究的重要方向。因为模式识别能为人类

人工智能：用科学解密生命与智慧

认识自身智能提供线索，也是开发智能机器的一个最关键的突破口。目前计算机模式识别系统的研究热点主要为三维景物、活动目标的识别和分析方面。传统的用统计模式和结构模式的识别方法将会被近年来迅速发展起来的模糊数学模式、人工神经网络模式的方法逐渐取代，特别是神经网络方法在模式识别中取得较大进展。4 专家系统

专家系统是根据某领域中一个或多个专家提供的知识或经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题的智能软件，它是一个具有大量的专门知识与经验的程序系统。目前各种专家系统已遍布各个专业领域，因此专家系统还将是人工智能应用研究最广泛和最活跃的应用领域之一。5 人工神经网络

人工神经网络，常被简称为神经网络或类神经网络。是未来人工智能应用的新领域，人工神经网络是指由大量处理单元（神经元）互连而成的网络。人工神经网络具有很强的自学习能力，主要擅长处理复杂的多维的非线性问题，不但可以解决定量的问题，还可以解决定性的问题，同时人工神经网络还具有大规模并行处理和分布的信息存储能力。或许未来智能计算机的结构可能就是作为主机的冯• 诺依曼型机与作为智能外围的人工神经网络的结合。

小结

人工智能是一个年轻而充满希望的研究领域，其宗旨是寻找一种有效的方式把智能问题求解、规划和通信技巧应用在更广泛的实际问题中。人工智能的工作者是工具的制造者。我们的表示、算法和语言都是一些工具，用来设计和建立那些展现智能行为的机制。通过实验，我们同时检验了它们解决问题的计算合适性，也检验了我们对智能现象的理解。然而，人工智能仍有很多尚待解答的问题，需要探索和研究。

人工智能：用科学解密生命与智慧

参考文献

[1] Artificial intelligence507, 28 July 2006.读书的好处

1、行万里路，读万卷书。

2、书山有路勤为径，学海无涯苦作舟。

3、读书破万卷，下笔如有神。

4、我所学到的任何有价值的知识都是由自学中得来的。——达尔文

5、少壮不努力，老大徒悲伤。

6、黑发不知勤学早，白首方悔读书迟。——颜真卿

7、宝剑锋从磨砺出，梅花香自苦寒来。

8、读书要三到：心到、眼到、口到

9、玉不琢、不成器，人不学、不知义。

10、一日无书，百事荒废。——陈寿

11、书是人类进步的阶梯。

12、一日不读口生，一日不写手生。

13、我扑在书上，就像饥饿的人扑在面包上。——高尔基

14、书到用时方恨少、事非经过不知难。——陆游

15、读一本好书，就如同和一个高尚的人在交谈——歌德

16、读一切好书，就是和许多高尚的人谈话。——笛卡儿

17、学习永远不晚。——高尔基

18、少而好学，如日出之阳；壮而好学，如日中之光；志而好学，如炳烛之光。——刘向

19、学而不思则惘，思而不学则殆。——孔子

20、读书给人以快乐、给人以光彩、给人以才干。——培根

第五篇：《人工智能》课程教学指南.

《人工智能》课程教学指南

课程编号：

英文名称：Artificial Intelligence 周讲课时数：34 学分数：2 课程简介：

人工智能是计算机科学的一个分支，是研究计算机实现智能的原理以及建造智能计算机的科学，人工智能的研究将拓展计算机更深层次的应用。本课程介绍人工智能的基本原理和一般理论，学习和研究知识表示、逻辑推理和问题求解、自然语言理解等内容。课程教学目的和要求：

本课程的目的是使计算机专业的学生在掌握了相关的计算机基本理论的基础上，对人工智能的基本概念和原理有一个较为全面的了解，掌握现代流行的智能处理的主要技术和方法，为智能信息分析和构建专家系统、智能决策支持系统等各类智能系统奠定基础。

教材：

1、《人工智能原理》 石纯一

清华大学出版社

参考书：

1、《人工智能原理及其应用》 周西苓

南京航空航天大学出版社

2、《人工智能与知识工程》 陈世福

南京大学出版社

成绩考核方式及评分标准：理论与技能综合考查（期末）。主讲教师：张亮1