2022上半年事業(yè)單位聯(lián)考《綜合應用能力》C類真題及答案

上半年事業(yè)單位聯(lián)考《綜合應用能力》C類真題及答案2022上半年事業(yè)單位聯(lián)考C類《綜合應用力量》真題在此發(fā)布。（本套2022上半年事業(yè)單位聯(lián)考C類《綜合應用力量》真題來自考生回憶，由我整理。

下載PDF打印版含參考答案，查看答案解析請下載。

2022年上半年全國事業(yè)單位聯(lián)考C類《綜合應用力量》真題

材料一

1997年，國際象棋大師加里·卡斯帕羅夫敗給了電腦“深藍”；2022年，谷歌人工智能AlphaGo又戰(zhàn)勝了韓國棋手李世石，這標志著人工智能最終制服了它在棋類競賽中最終的弱項——圍棋，谷歌公司的DeepMind團隊比預期提前了整整10年達到了既定目標。

對計算機來說，圍棋并不是由于其規(guī)章比國際象棋簡單而難以制服——與此完全相反，圍棋規(guī)章更簡潔，它其實只有一種棋子，對弈的雙方輪番把黑色和白色的棋子放到一個19×19的正方形棋盤中，落下的棋子就不能再移動了，只會在被對方棋子包圍時被提走。到了棋局結(jié)束時，占據(jù)棋盤面積較多的一方為勝者。

圍棋的規(guī)章如此簡潔，但對于計算機來說卻又特別簡單，緣由在于圍棋的步數(shù)特別多，而且每一步的可能下法也特別多。以國際象棋作對比，國際象棋每一步平均約有35種不同的可能走法，一般狀況下，多數(shù)棋局會在80步之內(nèi)結(jié)束。圍棋棋盤共有361個落子點，雙方交替落子，整個棋局的總排列組合數(shù)共有約10171種可能性，這遠遠超過了宇宙中的原子總數(shù)——1080！

對于結(jié)構(gòu)簡潔的棋類嬉戲，計算機程序開發(fā)人員可以使用所謂的“暴力”方法，再輔以一些技巧，來查找對弈策略，也就是對余下可能消失的全部盤面都進行嘗試并賜予評價，從而找出最優(yōu)的走法。這種對整棵博弈樹進行窮舉搜尋的策略對計算力量要求很高，對圍棋或者象棋程序來說是特別困難的，尤其是圍棋，從技術上來講目前不行能做到。

“蒙特卡羅樹搜尋”是一種基于蒙特卡羅算法的啟發(fā)式搜尋策略，能夠依據(jù)對搜尋空間的隨機抽樣來擴大搜尋樹，從而分析圍棋這類嬉戲中每一步棋應當怎么走才能夠制造最好機會。舉例來說，假如筐里有100個蘋果，每次閉著眼拿出1個，最終要挑出最大的1個，于是先隨機拿1個，再隨機拿1個跟它比，留下大的，再隨機拿1個……每拿一次，留下的蘋果都至少不比上次的小，拿的次數(shù)越多，挑出的蘋果就越大。但除非拿100次，否則無法確定挑出了最大的。這個挑蘋果的方法，就屬于蒙特卡羅算法。雖然“蒙特卡羅樹搜尋”在此前一些弈棋程序中也有采納，在相對較小的棋盤中也能很好地發(fā)揮作用，但在正規(guī)的全尺寸棋盤上，這種方法仍舊存在相當大的缺陷，由于涉及的搜尋樹還是太大了。

AlphaGo人工智能程序中最新奇的技術當屬它獵取學問的方式——深度學習。AlphaGo借助兩個深度卷積神經(jīng)網(wǎng)絡價值網(wǎng)絡和策略網(wǎng)絡）自主地進行新學問的學習。深度卷積神經(jīng)網(wǎng)絡使用許多層的神經(jīng)元，將其堆疊在一起，用于生成圖片漸漸抽象的、局部的表征。對圖像分析得越細，利用的神經(jīng)網(wǎng)絡層就越多。AlphaGo也實行了類似的架構(gòu)，將圍棋模盤上的盤面視為19×19的圖片輸入，然后通過卷積層來表征盤面。這樣，兩個深度卷積神經(jīng)網(wǎng)絡中的價值網(wǎng)絡用于評估盤面，策略網(wǎng)絡則用于采樣動作。

在深度學習的第一階段——策略網(wǎng)絡的有監(jiān)督學習即從中I中學習）階段，擁有13層神經(jīng)網(wǎng)絡的AlphaGo借助圍棋數(shù)據(jù)庫KGS中存儲的3000萬份對弈棋譜進行初步學習。這3000萬份棋譜樣（本可以用a、b進行統(tǒng)計。a是一個二維棋局，把a輸入到一個卷積神經(jīng)網(wǎng)絡進行分類，分類的目標就是落子向量A。通過不斷的訓練，盡可能讓計算機得到的向量A接近人類高手的落子結(jié)果b，這樣就形成了一個模擬人類下圍棋的神經(jīng)網(wǎng)絡，然后得出一個下棋函數(shù)F_go）。當盤面走到任何一種情形的時候，AlphaGo都可以通過調(diào)用函數(shù)F_go）計算的結(jié)果來得到最佳的落子結(jié)果b可能的概率分布，并依據(jù)這個概率來選擇下一步的動作。在其次階段——策略網(wǎng)絡的強化學習即從Ⅱ中學習）階段，AlphaGo開頭結(jié)合蒙特卡羅樹搜尋，不再機械地調(diào)用函數(shù)庫，而類似于一種人類進化的過程：AlphaGo會和自己的老版（本對弈。即，先使用F_go1）和F_go1）對弈，得到了肯定量的新棋譜，將這些新棋譜加入到訓練集當中，訓練出新的F_go2），再使用F_go2）和F_go1）對弈，以此類推，這樣就可以得到勝率更高的F_gon）。這樣，AlphaGo就可以不斷改善它在第一階段學到的學問。在第三階段——價值網(wǎng)絡的強化學習階段，AlphaGo可以依據(jù)之前獲得的學習閱歷得出估值函數(shù)vs），用于猜測策略網(wǎng)絡自我對抗時棋盤盤面s的結(jié)果。最終，則是將F_go）、vs）以及蒙特卡羅樹搜尋三者相互協(xié)作，使用F_go）作為初始分開局，每局選擇分數(shù)最高的方案落子，同時調(diào)用vs）在競賽中做出正確的推斷。

這就是AlphaGo給圍棋帶來的新搜尋算法。它創(chuàng)新性地將蒙特卡羅模擬和價值網(wǎng)絡、策略網(wǎng)絡結(jié)合起來訓練深度神經(jīng)網(wǎng)絡。這樣價值網(wǎng)絡和策略網(wǎng)絡相當于AlphaGo的兩個大腦，策略網(wǎng)絡負責在當前局面下推斷“最好的”下一步，可以理解為落子選擇器；價值網(wǎng)絡負責評估整體盤面的優(yōu)劣，淘汰掉不值得深化計算的走法，幫助前者提高運算效率，可以理解為棋局評估器，通過兩個“大腦”各自選擇的平均值，AlphaGo最終打算怎樣落子勝算最大。通過這種搜尋算法，AlphaGo和其他圍棋程序競賽的勝率達到了99.8%。

AlphaGo的飛速成長是任何一個圍棋世界冠軍都無法企及的。隨著計算機性能的不斷增加，遍歷蒙特卡羅搜尋樹將進一步提高命中概率。大量的計算機專家，協(xié)作大量的世界圍棋高手，在算法上不斷革新，再協(xié)作不斷成長的超級計算力量，不斷地從失敗走向勝利，最終打造出圍棋人工智能。在AlphaGo擊敗李世石后，歐洲圍棋冠軍樊麾說了這么一句話：“這是一個團隊的集體才智用科技的方式戰(zhàn)勝了人類數(shù)千年的閱歷積累。”人和機器其實沒有站在對立面上，“是人類戰(zhàn)勝了人類”。

材料二

上世紀80年月，M市高溫首日常常消失在6月中下旬至7月，到21世紀，往往還沒到6月中句，M市氣溫就會躥至35℃以上，僅有兩年的高溫日到7月才消失，1981年以來，M市6-8月高溫日消失越來越頻繁，可見，M市首個高溫日的消失時間越來越早，21世紀后每年首個高溫日消失時間確定早于上世紀80年月。

在M市，一年中最熱的時候莫過于7月，1997年以來，高溫日數(shù)漸漸增多。截至2022年7月中旬，2022年M市高于35℃的日子已有6個，比往年7月的平均數(shù)還多2個?？梢源_定，這一年M市7月的高溫日總數(shù)將是1997年以來最多的一年。另外據(jù)統(tǒng)計，M市7月的高溫日整體多于6月和8月，照此趨勢，2022年8月的高溫日可能不會超過7月。

近30年來，M市7月的夜溫越來越高，1999年以來7月的夜間最低氣溫普遍超過23℃，所以2022年7月下旬M市夜間的最低氣溫不會低于23℃。

同樣近30年來，M市6-8月消失持續(xù)3天以上高溫的總次數(shù)為27次，20次都是在2000年以后消失的，2022年6月和7月，M市已經(jīng)分別消失了一次持續(xù)3天以上的高溫。既然2022年M市消失3天以上持續(xù)高溫的次數(shù)已經(jīng)超過了近30年來的平均值，那么8月份M市不會消失3天以上的持續(xù)高溫天氣。

30年來，M市“城市熱島效應”愈發(fā)顯著，城區(qū)與郊區(qū)的平均氣溫差值越來越大。2022年7月M市各區(qū)平均氣溫偏高，均超過26.7℃。其中市中心2個城區(qū)氣溫最高，其次是環(huán)市中心的其他4個城區(qū)，2個郊區(qū)的氣溫最低。注：高溫日為日最高氣溫≥35℃）

材料三

材料一）細菌學家弗萊明的試驗室里擺放著很多有毒細菌培育皿。多年來，

他試驗了各種藥劑，力圖找到一種能殺滅這些細菌的抱負藥品，但始終未能勝利。1928年的一個早晨，他在檢查細菌的變化時，突然發(fā)覺一個葡萄狀球菌的培育皿里長出了一團青色霉菌，并且其四周原來生長著的葡萄狀球菌消逝了，他進一步討論發(fā)覺，這種青色霉菌對其他多種有毒細菌同樣具有殺滅作用，他把這種青色霉菌分泌的殺菌物質(zhì)稱為青霉素。

材料二）1870年，英國科學家克魯克斯在做陰極射線管放電試驗時，意外發(fā)覺管子四周的照相底片有模糊陰影，他推斷是照相的干板有毛病；1890年美國科學家古德斯柏德在做相同的試驗時也發(fā)覺同樣的現(xiàn)象，他歸因于沖洗藥水和沖洗技術有問題；到了1892年，德國有些物理學家也觀看到這一現(xiàn)象，但當時他們的留意力都集中在討論陰極射線的性質(zhì)上，對此并沒有警覺。直到1895年，這一奇怪現(xiàn)象才被德國物理學家倫琴敏銳地抓住，他反復討論試驗，最終發(fā)覺了X射線，他也因此獲得諾貝爾物理學獎。

材料三：丹麥天文學家第谷三十年如一日觀測天象，記錄了750顆星相對位置的變化，訂正了以往星表中的錯誤。但第谷不擅長對感性材料進行科學抽象和概括，終究未能揭示行星運動規(guī)律。臨終前，他把自已全部的材料交給了同學開普勒，要求他連續(xù)討論行星運動的理論。起初，開普勒以第谷宇宙體系為基（本框架來探討這個問題，但毫無所獲，于是轉(zhuǎn)而以哥白尼日心體系為基（本框架綻開討論。他精于理論思維和數(shù)學推導，依據(jù)老師留下的大量一手資料，最終發(fā)覺了天體運動的三大定律，被譽為“天空立法者”。

【問題】

問題一

科技文獻閱讀題：請仔細閱讀文章，根據(jù)每道題的要求作答。50分）

依據(jù)材料一，回答下列問題：

1.推斷題：請用2B鉛筆在答題卡相應的題號后填涂作答，正確的涂“A”，錯誤的涂“B”。

1）國際象棋的走法不超過35*80種。

2）結(jié)構(gòu)簡潔的棋類嬉戲可以通過對博弈樹的“暴力”窮舉搜尋找出最優(yōu)走法。

3）傳統(tǒng)的計算機圍棋程序能夠完全尺寸棋盤的蒙特卡羅樹模擬并計算最大勝率。

4）函數(shù)F_go(n)比F_go(n-1)的勝率更高。

2.填空題：請依據(jù)文意，分別填補Ⅰ、Ⅱ兩處缺項，沒空不超過6個字。

Ⅰ）Ⅱ）

3.多項選擇題：備選項中有兩個或兩個以上符合題意，請用2B鉛筆在答題卡相應的題號后填涂正確選項的序號，錯選、少選均不得分。

1）這篇文章開頭認為圍棋是人工智能在棋類嬉戲中最弱項的緣由是：

A.圍棋每一步可能的下法太多，無法使用窮舉搜尋

B.圍棋的規(guī)章對于計算機來說太簡單，無法理解

C.單一的計算機神經(jīng)網(wǎng)絡難以應對圍棋的搜尋計算

D.圍棋盤面局勢的評估缺乏現(xiàn)代就