人工智能簡答題

1.什么是人工智能?它的研究目的是什么？人工智能就是用人工的辦法在機器（計算機）上實現(xiàn)的智能；或者說是人們使用機器模擬人類的智能。由于人工智能是在機器上實現(xiàn)的，因此又可稱為機器智能。人工智能是研究如何使計算機來模仿人腦所從事的推理、證明、識別、理解、設計、學習、思考、規(guī)劃及問題求解等思維活動，來解決需要人類專家才干解決的復雜問題，如醫(yī)療診療、石油測井解釋、氣象預報、交通運輸管理等決策性課題。2.人工智能有哪幾個重要學派？各自的特點是什么？符號主義主張運用計算機科學的辦法進行人工智能的研究，通過研究邏輯演繹在計算機上的實現(xiàn)辦法，實現(xiàn)人類智能在計算機上的模擬，稱為符號主義。符號主義又稱為邏輯主義或計算機學派，認為人類智能的基本單元是符號，認知過程就是符號表達下的符號計算，從而思維就是符號計算。其原理重要為物理符號系統(tǒng)假設和有限合理性原理。聯(lián)結主義主張用仿生學的辦法進行研究，通過研究人腦的工作模型，搞清晰人類智能的本質，稱為聯(lián)結主義。聯(lián)結主義又稱為仿生學派，認為人類智能的基本單元是神經(jīng)元，認知過程是由神經(jīng)元構成的網(wǎng)絡的信息傳遞，這種傳遞是并行分布的。其原理重要為神經(jīng)網(wǎng)絡及神經(jīng)網(wǎng)絡間的連接機制與學習算法。行為主義主張應用進化論的思想進行人工智能的研究，通過對外界事物的動態(tài)感知與交互，使計算機智能模擬系統(tǒng)逐步進化，提高智能水平，稱為行為主義。行為主義又稱進化主義，認為人工智能來源于控制論，提出智能取決于感知和行為（因此稱為行為主義），取決于對外界復雜環(huán)境的適應，它不需要知識、不需要表達、不需要推理。智能行為只能在與現(xiàn)實世界的環(huán)境交互作用中體現(xiàn)出來，人工智能也會像人類智能同樣通過逐步進化而實現(xiàn)（因此稱為進化主義）。其原理重要是通過控制論和機器學習算法實現(xiàn)智能系統(tǒng)的逐步進化。3.什么是人工神經(jīng)元？它有哪幾個重要模型？人工神經(jīng)網(wǎng)絡是由大量解決單元經(jīng)廣泛互連而構成的人工網(wǎng)絡，用來模擬腦神經(jīng)系統(tǒng)的構造和功效。而這些解決單元稱為人工神經(jīng)元。人工神經(jīng)網(wǎng)絡能夠當作是以人工神經(jīng)元為節(jié)點，用有向加權弧連接起來的有向圖。根據(jù)激發(fā)函數(shù)的不同分為：閾值型（M-P模型）、分段線性型、Sigmoid函數(shù)型、雙曲正切型4.什么是人工神經(jīng)網(wǎng)絡？它有哪些聯(lián)結方式？模擬人腦神經(jīng)系統(tǒng)的構造和功效，運用大量簡樸解決單元經(jīng)廣泛連接而構成的人工網(wǎng)絡系統(tǒng)。人工神經(jīng)網(wǎng)絡中，各神經(jīng)元的連接方式普通有諸多個，不同的連接方式就構成了網(wǎng)絡的不同連接模型。常見的連接模型有前向網(wǎng)絡、從輸入層到輸出層有反饋的網(wǎng)絡、層內有互連的網(wǎng)絡和網(wǎng)絡內任意兩個神經(jīng)元都能夠互連的互連網(wǎng)絡。5.什么是機器學習？機器學習研究的目的是什么?研究機器學習的意義何在?機器學習是研究如何使用計算機來模擬人類學習活動的一門學科。更嚴格地說，就是研究計算機獲取新知識和新技能、識別現(xiàn)有知識、不停改善性能、實現(xiàn)自我完善的辦法。機器學習研究的目的有三個：人類學習過程的認知模型；通用學習算法；構造面對任務的專用學習系統(tǒng)的辦法。（a）人類學習過程的認知模型。這一方向是對人類學習機理的研究。這種研究不僅對人類的教育，并且對開發(fā)機器學習系統(tǒng)都有重要的意義。（b）通用學習算法。這個方向是對人類學習過程的研究，探索多個可能的學習辦法，建立起獨立于具體應用領域的通用學習算法。（c）構造面對任務的專用學習系統(tǒng)（工程目的）。這一方向是要解決專門的實際問題，并開發(fā)完畢這些專門任務的學習系統(tǒng)。機器學習是人工智能中最具智能特性、最前沿的研究領域之一。機器學習的研究獲得重大進展往往意味著人工智能，甚至整個計算機科學向前邁進了堅實的一步。機器學習速度快、便于知識積累、學習成果易于傳輸，因此人類在機器學習領域的每一點進步，都會使計算機的能力明顯增強，從而對人類社會產(chǎn)生影響，特別對今天信息化社會來說，這種影響將是十分深遠的。6.什么是決策樹？決策學習是如何運用決策樹進行學習的？決策樹是一種展示類似“在什么條件下會得到什么值”這類規(guī)則的辦法。決策樹是一種由節(jié)點和邊構成的用來描述分類過程的層次數(shù)據(jù)構造，用于監(jiān)督學習的層次模型。該樹的根節(jié)點表達分類的開始，葉節(jié)點表達一種實例的結束，中間節(jié)點表達對應實例中的某一屬性，而邊則代表某一屬性可能的屬性值。在決策樹中，從根節(jié)點到葉節(jié)點的每一條途徑代表一種具體的實例，并且同一途徑上的全部屬性之間為合取關系，不同途徑之間為析取關系。決策樹學習是廣泛使用的一種歸納推理形式。它需要一組例子，其中每個例子都由對應的目的分類標記。如果訓練實例可表達為屬性值對，同時目的分類含有離散的輸出值，那么這樣的問題就特別適合用決策樹來進行學習。建立決策樹的過程，即樹的生長過程是不停地把數(shù)據(jù)進行分組的過程，每次分組對應一種問題，也對應著一種節(jié)點。每次分組都規(guī)定所分得的組之間的“差別”最大。7.什么是遺傳算法？簡述其基本思想和基本構造。闡明個體選擇的慣用方略以及遺傳操作”交叉”和”變異”所起的作用.遺傳算法(GeneticAlgorithm)是模擬生物在自然環(huán)境中的遺傳和進化過程而形成的自適應全局優(yōu)化搜索算法。它最早由美國J.H.Holland專家提出，它借鑒了達爾文的進化論和孟德爾的遺傳學說，本質上是一種并行、高效、全局搜索的辦法，它能在搜索過程中自動獲取和積累有關搜索空間的知識，并自適應地控制搜索過程以求得最優(yōu)解。遺傳算法的操作使用“適者生存”的原則，在潛在的解決方案種群中逐次產(chǎn)生一種近似最優(yōu)方案。在每一代中，根據(jù)個體在問題域中的適應度值和從自然遺傳學中借鑒來的再造辦法進行個體選擇，產(chǎn)生一種新的近似解。這個過程造成種群中個體的進化，得到的新個體比原個體更能適應環(huán)境。遺傳算法使用群體搜索技術，將種群代表一組問題解，通過對現(xiàn)在種群施加選擇、交叉和變異等一系列遺傳操作來產(chǎn)生新一代的種群，并逐步使種群進化到包含近似最優(yōu)解的狀態(tài)。個體選擇慣用方略:輪盤賭選擇法、隨機遍歷抽樣法、錦標賽選擇法8.試述機器學習系統(tǒng)的基本構造,并闡明各部分的作用.環(huán)境環(huán)境就是指系統(tǒng)外部信息的來源，它能夠是系統(tǒng)的工作對象，也能夠是工作對象和外界條件。環(huán)境就是為學習系統(tǒng)提供獲取知識所需的有關對象的素材或信息，如何構造高質量、高水平的信息，將對學習系統(tǒng)獲取知識的能力有很大影響。學習環(huán)節(jié)學習環(huán)節(jié)通過對環(huán)境的搜索獲得外部信息，并將這些信息與執(zhí)行環(huán)節(jié)所反饋的信息進行比較。普通狀況下，環(huán)境提供的信息水平與執(zhí)行環(huán)節(jié)所需的信息水平之間往往有差距，經(jīng)分析、綜合、類比、歸納等思維過程，學習環(huán)節(jié)就要從這些差距中獲取有關對象的知識，并將這些知識存入知識庫中知識庫知識庫用于寄存由學習環(huán)節(jié)所學到的知識。知識庫中知識的表達形式以及存儲組織構造是影響學習系統(tǒng)設計的第二因素。知識庫中慣用的知識表達辦法有：謂詞邏輯、產(chǎn)生式規(guī)則、語義網(wǎng)絡、特性向量、過程、Lisp函數(shù)、數(shù)字多項式核框架等。執(zhí)行環(huán)節(jié)執(zhí)行環(huán)節(jié)是整個學習系統(tǒng)的核心。執(zhí)行環(huán)節(jié)用于解決系統(tǒng)面臨的現(xiàn)實問題，即應用知識庫中所學到的知識求解問題，如智能控制、自然語言理解和定理證明等，并對執(zhí)行的效果進行評價，將評價的成果反饋回學習環(huán)節(jié)，方便系統(tǒng)進一步的學習。執(zhí)行環(huán)節(jié)的問題復雜性、反饋信息和執(zhí)行過程的透明度都對學習環(huán)節(jié)有一定的影響。9.什么是專家系統(tǒng)?它有哪些基本特點?專家系統(tǒng)是一種含有大量專門知識與經(jīng)驗的智能程序系統(tǒng)，它能運用某個領域一種或多個專家數(shù)年積累的經(jīng)驗和專門知識，模擬領域專家求解問題時的思維過程，以解決該領域中的多個復雜問題?；咎攸c：啟發(fā)性:專家系統(tǒng)能運用專家的知識與經(jīng)驗進行推理、判斷和決策。透明性：專家系統(tǒng)能夠解釋本身推理過程和回答顧客提出的問題，方便讓顧客理解推理過程，提高對專家系統(tǒng)的依賴感。例如，一種醫(yī)療診療專家系統(tǒng)診療某病人患有肺炎，并且必須用某種抗生素治療，那么，這一專家系統(tǒng)將會向病人解釋為什么他患有肺炎，并且必須用某種抗生素治療，就像一位醫(yī)療專家對病人具體解釋病情和治療方案同樣。靈活性：專家系統(tǒng)能不停地增加知識，修改原有知識，不停更新。由于這一特點，使得專家系統(tǒng)含有十分廣泛的應用領域。交互性：專家系統(tǒng)普通都是交互式系統(tǒng)，這種交互性現(xiàn)有助于系統(tǒng)從專家那里獲取知識，又便于顧客在求解問題時輸入條件或事實推理有效性：專家系統(tǒng)能高效、穩(wěn)定、高速地工作。不會像人類專家那樣產(chǎn)生疲勞和不穩(wěn)定。不同地專家系統(tǒng)所面對的領域不同，能夠解決不同的問題，因此在設計專家系統(tǒng)時，針對不同領域問題的特點，選擇不同的推理機制，從而確保問題求解過程中的推理有效性。復雜性：人類的知識豐富多彩，思維方式多個多樣，要想使計算機完全模擬人類的思維辦法去解決問題，還是一件非常復雜和困難的工作。因此，在建造專家系統(tǒng)時，如何實現(xiàn)對不擬定知識的表達，如何構造不擬定性的傳遞算法和匹配算法以實現(xiàn)推理計算，其復雜性和難度都是比較大的。實用性：專家系統(tǒng)是根據(jù)問題的實際需求開發(fā)的，因而含有堅實的應用背景。由于專家系統(tǒng)中存儲了有關領域許多高水平專家的知識，因此它含有解決問題的高水平和高效率，從而能夠產(chǎn)生巨大的社會效益和經(jīng)濟效益，含有非常良好的實用性。知識的專門性：專家系統(tǒng)的知識都含有專門性，但只局限于所面對的領域，針對性很強。這與人類專家類似，由于人類也只是含有某首先的高深知識，否則也就不稱其為“專家”易推廣性：專家系統(tǒng)使人類專家的領域知識突破了時間和空間的限制，專家系統(tǒng)程序可永久保存，并可復制任意多的副本或在網(wǎng)上供不同地區(qū)或不同部門的人們使用，從而使專家系統(tǒng)的知識和技能更易于推廣和傳輸。10.普通專家系統(tǒng)由哪些基本部分構成?每一部分的重要功效是什么?專家系統(tǒng)的體系構造指專家系統(tǒng)各構成部分的構造辦法和組織形式。一種最基本的專家系統(tǒng)應涉及知識庫、數(shù)據(jù)庫、推理機構、解釋機構、知識獲取機構和顧客界面六個部分。知識庫知識庫是專家系統(tǒng)的知識存儲器，用來寄存求解領域問題所需的專家知識。知識庫中的知識分為兩種類型：一類是事實性知識，即廣泛公認的知識和常識；另一類是啟發(fā)性知識，它是領域專家在長久工作實踐中積累起來的經(jīng)驗總結。專家系統(tǒng)開發(fā)中一種重要任務是要認真細致地對專家的這類經(jīng)驗知識進行分析。知識原來是存儲在專家頭腦中的，讓專家把自己的直覺、訣竅、經(jīng)驗表達為適累計算機表達和推理的形式是一種極大難題。因此在建立知識庫的過程中，知識工程師需要與領域專家較好地合作，認真提取領域專家的知識，進而根據(jù)計算機對這些知識的表達和使用規(guī)定，將這些知識轉化成知識庫的構成部分。數(shù)據(jù)庫數(shù)據(jù)庫又被稱為全局數(shù)據(jù)庫或綜合數(shù)據(jù)庫，它相稱于專家系統(tǒng)的工作存儲器，用來存儲與領域問題有關的事實、數(shù)據(jù)、初始證據(jù)、推理過程中得到的多個中間結論、求解目的等。例如，醫(yī)療專家系統(tǒng)中，數(shù)據(jù)庫寄存的是現(xiàn)在患者的狀況，如姓名、年紀、癥狀等，以及推理過程中得到的某些中間成果、病情等；氣象專家系統(tǒng)中，數(shù)據(jù)庫寄存的是現(xiàn)在氣象要素，如云量、溫度、氣壓，以及推理得到的中間成果等。數(shù)據(jù)庫的規(guī)模和構造可根據(jù)系統(tǒng)目的來擬定，并且隨著問題的不同，數(shù)據(jù)庫的內容能夠是動態(tài)變化的。推理機推理機是一組用來控制、協(xié)調節(jié)個專家系統(tǒng)的程序。它根據(jù)數(shù)據(jù)庫中存儲的現(xiàn)在數(shù)據(jù)，運用知識庫中的知識，按一定的推理方略，求解現(xiàn)在的問題，即解釋外部輸入的事實和數(shù)據(jù)，推導出對應成果。由于專家系統(tǒng)是模擬人類專家進行工作，因此設計推理機時，應使它的推理過程和專家的推理過程盡量相似，最佳完全一致。對大中型專家系統(tǒng)，由于其知識庫中的知識數(shù)量諸多，因此其推理機構由知識庫管理系統(tǒng)和推理機兩個重要部分構成。其中，知識庫管理系統(tǒng)實現(xiàn)對知識庫中知識的合理組織和有效管理；推理機重要用于生成并控制推理過程和使用知識庫中的知識。解釋機構解釋機構事實上也是一組程序，它涉及系統(tǒng)提示、人機對話、能書寫規(guī)則的語言以及解釋程序。解釋機構的重要功效是解釋系統(tǒng)本身的推理成果，回答顧客的提問，使顧客能夠理解推理的過程及所運用的知識和數(shù)據(jù)。因此，在設計解釋機構時，應預先考慮好在系統(tǒng)運行過程中需要回答的問題和答案。知識獲取機構知識獲取是專家系統(tǒng)的一種輔助功效，用于增加和修改知識庫中的知識?；救蝿帐前阎R加入到知識庫中，并維持知識的一致性及完整性，建立起性能良好的知識庫。不同專家系統(tǒng)，知識獲取辦法差別較大。有的系統(tǒng)首先由知識工程師向領域專家獲取知識，然后再通過對應的知識編輯軟件把知識輸入到知識庫中；有的系統(tǒng)本身就含有部分學習功效，由系統(tǒng)直接與領域專家對話獲取知識；有的系統(tǒng)含有較強的學習功效，可在系統(tǒng)運行過程中通過歸納、總結，得出新的知識。無論采用哪種方式，知識獲取都是現(xiàn)在專家系統(tǒng)研制中的一種重要問題。顧客界面顧客界面是專家系統(tǒng)的另一種核心構成部分，它作為專家系統(tǒng)于外界的接口，實現(xiàn)系統(tǒng)于外界之間的信息交換。普通，專家系統(tǒng)的使用者涉及最后顧客、領域專家、知識工程師。其中，最后顧客和領域專家普通都不是計算機專業(yè)人員，顧客界面必須滿足他們的需求，盡量地使用靠近自然語言的輸入、輸出形式，并能理解和解決聲音、圖像等多媒體信息。11.新一代專家系統(tǒng)應含有哪些特性?分布式專家系統(tǒng)與協(xié)同式專家系統(tǒng)有何區(qū)別與聯(lián)系?(1)并行與分布解決:基于多個并行算法，采用多個并行推理和執(zhí)行技術，適合在多解決器的硬件環(huán)境中工作，即含有分布解決的功效，是新型專家系統(tǒng)的一種特性。專家系統(tǒng)的分布解決特性規(guī)定專家系統(tǒng)做到功效合理均衡地分布，以及知識和數(shù)據(jù)適宜地分布，著眼點重要在于提高系統(tǒng)的解決效率和可靠性等。(2)多專家系統(tǒng)協(xié)同工作:各子專家系統(tǒng)間能夠互相通信，一種(或多個)子專家系統(tǒng)的輸出可能就是另一子專家系統(tǒng)的輸入。多專家系統(tǒng)的協(xié)同合作其著眼點重要在于通過多個子專家系統(tǒng)協(xié)同工作擴大整體專家系統(tǒng)的解題能力。(3)高級語言和知識語言描述:為了建立專家系統(tǒng)，知識工程師只需用一種高級專家系統(tǒng)描述語言對系統(tǒng)進行功效、性能以及接口描述，并用知識表達語言描述領域知識，專家系統(tǒng)生成系統(tǒng)就能自動或半自動地生成所要的專家系統(tǒng)。(4)含有自學習功效:提供高級的知識獲取與學習功效。能根據(jù)知識庫中已有知識和顧客對系統(tǒng)提問的動態(tài)應答，進行推理以獲得新知識，總結新經(jīng)驗，從而不停擴充知識庫，這即所謂自學習機制。(5)引入新的推理機制:現(xiàn)存的大部分專家系統(tǒng)只能做演繹推理。新型專家系統(tǒng)中，除演繹推理外，還應有歸納推理(涉及聯(lián)想、類比等推理)、多個非原則邏輯推理(例如非單調邏輯推理、加權邏輯推理等)以及多個基于不完全知識和含糊知識的推理等，在推理機制上應有一種突破。(6)含有自糾錯和自完善能力：為了排錯必須首先有識別錯誤的能力，為了完善必須首先有鑒別優(yōu)劣的原則。有了這種功效和上述的學習功效后，專家系統(tǒng)就會隨著時間的推移，通過重復的運行不停地修正錯誤，不停完善本身，并使知識越來越豐富。(7)先進的智能人機接口：理解自然語言，實現(xiàn)語音、文字、圖形和圖像的直接輸入輸出是如今人們對智能計算機提出的規(guī)定，也是對新型專家系統(tǒng)的重要盼望。這首先需要硬件的有力支持，另首先先進的軟件技術將使智能接口的實現(xiàn)大放異彩。12.BP算法的網(wǎng)絡構造是什么?簡述BP算法的學習過程.B-P算法的網(wǎng)絡構造是一種前向多層網(wǎng)絡。網(wǎng)絡中不僅含有輸入節(jié)點和輸出節(jié)點，并且含有一層或多層隱（層）節(jié)點，網(wǎng)絡中各解決單元間的連接如圖6.16所示。當有信息向網(wǎng)絡輸入時，信息首先由輸入層傳遞到隱層節(jié)點，經(jīng)特性函數(shù)（人工神經(jīng)元）作用后，再傳至下一隱層。這樣一層一層傳遞下去，直到最后傳至輸出節(jié)點層進行輸出。其間各層的激發(fā)函數(shù)規(guī)定是可微的，普通是選用S型函數(shù)。B-P算法的學習過程以下：（a）選擇一組訓練樣例，每一種樣例由輸入信息和盼望的輸出成果兩部分構成。（b）從訓練樣例集中取同樣例，把輸入信息輸入到網(wǎng)絡中。（c）分別計算經(jīng)神經(jīng)元解決后的各層節(jié)點的輸出。（d）計算網(wǎng)絡的實際輸出和盼望輸出的誤差。（e）從輸出層反向計算到第一種隱層，并按照某種能使誤差向減小方向發(fā)展的原則，調節(jié)網(wǎng)絡中各神經(jīng)元的連接權值。（f）對訓練樣例集中的每一種樣例重復（c）—（e）的環(huán)節(jié)，直到對整個訓練樣例集的誤差達成規(guī)定時為止。13.在什么狀況下需要采用不擬定推理或非單調推理？在日常生活中，人們普通所碰到的狀況是信息不夠完善、不夠精確，即所掌握的知識含有不擬定性。人們就是運用這種不擬定性的知識進行思維、推理，進而求解問題。14.什么是產(chǎn)生式知識表達?給出這種表達辦法的優(yōu)缺點。產(chǎn)生式普通用于表達事實、規(guī)則以及它們的不擬定性度量，適合于表達事實性知識和規(guī)則性知識。基本形式IFPTHENQ，其中P是產(chǎn)生式的前提，用于指出該產(chǎn)生式與否可用的條件；Q是一組結論或操作，用于指出前提P所批示的條件被滿足時，應當?shù)贸龅慕Y論或應當執(zhí)行的操作。優(yōu)點：（1）自然性（2）模塊性（3）有效性（4）清晰性缺點：（1）效率不高（2）不能體現(xiàn)構造性知識15.簡述自然語言理解的層次劃分及對應的技術。詞法分析、句法分析、語義分析16.搜索辦法的啟發(fā)能力有哪幾個基本的度量辦法?滲入度是對一種搜索算法的搜索性能的度量，表達搜索集中指向某個目的的程度，而不是在無關的方向上徘徊。定義為：P=L/T其中，L是算法發(fā)現(xiàn)的解途徑的長度，T是算法在尋找這條解途徑期間所產(chǎn)生的節(jié)點（不涉及初始節(jié)點，涉及目的節(jié)點）有效分枝系數(shù)就是一棵搜索樹的平均分枝數(shù)．設搜索樹的深度是L，算法所產(chǎn)生的總節(jié)點數(shù)為T，有效分枝系數(shù)是B，則有B＋B2十…＋BL=T或B（BL-1）/（B-1）=T17.簡述狀態(tài)空間法三要點？三要點：(1)狀態(tài)（state）：表達問題解法中每一步問題狀況的數(shù)據(jù)構造；(2)算符（operator）：把問題從一種狀態(tài)變換為另一種狀態(tài)的手段；(3)狀態(tài)空間辦法：基于解答空間的問題表達和求解辦法，它是以狀態(tài)和算符為基礎來表達和求解問題的。備注：用狀態(tài)空間表達問題的環(huán)節(jié)：（1）定義狀態(tài)的描述形式；（2）用所定義的狀態(tài)描述形式把問題的全部可能的狀態(tài)都表達出來，并擬定出問題的初始狀態(tài)集合描述和目的狀態(tài)集合描述；（3）定義一組算符，使得運用這組算符可把問題由一種狀態(tài)轉變?yōu)榱硪环N狀態(tài)。問題的求解過程是一種不停把算符作用于狀態(tài)的過程。（1）首先將合用的算符作用于初始狀態(tài)，以產(chǎn)生新的狀態(tài)；（2）然后再把某些合用的算符作用于新的狀態(tài)；（3）這樣繼續(xù)下去，直到產(chǎn)生的狀態(tài)為目的狀態(tài)為止。這時，就得到了問題的一種解。這個解是從初始狀態(tài)到目的狀態(tài)所用算符構成的序列。18.同傳統(tǒng)的計算機程序相比，人工智能程序有哪些特點？（1）人工智能首先研究的是以符號表達的知識，而不是數(shù)值數(shù)據(jù)為研究對象（2）人工智能采用的是啟發(fā)式推理辦法,而不是常規(guī)算法（3）人工智能的控制構造與知識領域是分離的，并允許出現(xiàn)不對的的解答19.什么是問題歸約？問題歸約的操作算子與普通圖搜索有何不同？問題規(guī)約是在問題求解過程中，將一種大的問題變成若干個子問題，子問題又能夠分解成更小的子問題，這樣始終分解到能夠直接求解為止，全部子問題的解就是原問題的解；并稱原問題為初始問題，可直接求解的問題為本原問題。問題規(guī)約的操作算子是一組變換規(guī)則，通過一種操作算子把一種問題化成若干個子問題。而普通圖搜索的操作算子是引發(fā)狀態(tài)中的某分量發(fā)生變化，從而使問題由一種具體狀態(tài)A變化為另一種具體狀態(tài)B的作用。使問題一種狀態(tài)變化為另一種狀態(tài)的手段稱為操作符或算符，操作符可為走步、過程、規(guī)則、數(shù)學算子、運算符號或邏輯符號等。20.在選擇知識表達的辦法時，應當考慮哪些因素？(1）充足表達領域知識。（2）有助于對知識的運用。（3）便于對知識的組織、維護與管理。（4）便于理解與實現(xiàn)。表達能力：能夠將問題求解所需的知識對的有效地體現(xiàn)出來，可理解性：所體現(xiàn)的知識簡樸、明了、易于理解，可訪問性：能夠有效地運用所體現(xiàn)的知識，可擴充性：能夠方便靈活地對知識進行擴充。表達范疇與否廣泛、與否適于推理、與否適于計算機解決、與否有高效的算法、能否表達不精確知識、能否模塊化、知識和元知識能否用統(tǒng)一的形式表達、與否加入啟發(fā)信息、過程性表達還是闡明性表達、表達辦法與否自然?？傊斯ぶ悄軉栴}的求解是以知識表達為基礎的，如何將已獲取的有關知識以計算機內部代碼形式加以合理地描述、存儲、有效運用便是知識表達所應解決的問題。21.什么是蟻群算法？簡述其基本思想和基本構造.根據(jù)螞蟻覓食過程的啟示，蟻群優(yōu)化算法是采用人工螞蟻行走路線選擇問題最優(yōu)解的一種算法。（1）每只人工螞蟻獨立地在問題解空間中搜索(行走)，當碰到解的分支途徑時，隨機地選擇某條途徑行走，其中信息素濃度更高的途徑含有更大的選擇概率。途徑越短，信息素濃度越高。（2）隨著時間的推移，途徑短的信息素濃度越來越高，引導更多的螞蟻通過最優(yōu)的求解途徑，釋放出更多的信息素，而其它途徑上的信息素在揮發(fā)特性的作用下逐步消失，從而形成正反饋效應。（3）最后整個蟻群在正反饋作用下，集中到代表最優(yōu)解的途徑上，表明找到了最優(yōu)解。假設m只螞蟻在都市間移動，協(xié)作異步地得到問題的解。每只螞蟻的一步轉移概率由都市之間連邊的兩類參數(shù)決定：一是信息素值，二是可見度，即先驗值。信息素的更新有兩種：一是揮發(fā)，也就是全部途徑上的信息素以一定的比率減少，模擬自然蟻群的信息素隨時間揮發(fā)的過程；二是增強，給評價值“好”的邊增強信息素。螞蟻向下一都市的移動是通過一種隨機原則來實現(xiàn)的，也就是運用現(xiàn)在存儲的信息，計算出到下一種都市的概率，并按此概率實現(xiàn)上一步的移動，如此重復，越來越靠近最優(yōu)解。（輪盤賭選擇算法）螞蟻在尋找過程中，或找到一種解后，會評定該解或解的一部分的優(yōu)化程度，并把評價信息保存在有關連接的信息素中。22.什么是過程性知識表達？給出它的優(yōu)缺點過程性知識表達可將所要表達的知識及如何使用這些知識的控制性方略一起隱式地表達為一種求解問題的過程。優(yōu)點：（1）表達效率高（2）推理控制容易實現(xiàn)缺點：（1）知識庫不易維護（2）合用的表達范疇較窄23.理解ID3算法樹以代表訓練樣本的單個節(jié)點開始。如果樣本都在同一種類，則該節(jié)點成為葉節(jié)點，用該類標記。否則，算法使用信息增益作為啟發(fā)信息，選擇能夠最佳的將樣本分類的屬性。該屬性成為該節(jié)點的鑒定屬性。（全部屬性均為離散值，對于持續(xù)屬性需先進行離散化）。對測試屬性的的每個已知值，創(chuàng)立一種分支。算法使用同樣的過程，遞歸形成每個劃分上的樣本鑒定樹。一旦一種屬性出現(xiàn)在一種結點上，就不會出現(xiàn)在該節(jié)點的任何后裔上。遞歸劃分環(huán)節(jié)僅當下列條件之一成立時停止：（1）給定結點全部樣本屬于同一類，無需劃分；（2）現(xiàn)在屬性集為空，沒有剩余屬性能夠用來進一步劃分（3）現(xiàn)在結點包含的樣本集合為空，不能劃分屬性選擇度量：在樹的每個結點上使用信息增益度量選擇測試屬性。選擇含有最高信息增益的屬性作為現(xiàn)在結點的測試屬性。該屬性使得對成果劃分中的樣本分類所需要的信息量最小（直觀理解即是生成鑒定樹局部較低），并反映劃分的最小隨機性。這種信息理論辦法使得對一種對象分類所需要的盼望測試數(shù)目達成最小，并確保找到一顆簡樸的樹。24.有監(jiān)督學習與無監(jiān)督學習的區(qū)別是什么?在監(jiān)督學習中，假定我們懂得每一輸入對應的盼望輸入，并運用學習系統(tǒng)的誤差，不停校正系統(tǒng)的行為在無監(jiān)督學習中，我們不懂得學習系統(tǒng)的盼望輸出25.開發(fā)專家系統(tǒng)的基本規(guī)定是什么?采用原型法開發(fā)專家系統(tǒng)要通過哪幾個環(huán)節(jié)?基本規(guī)定：1)

選擇適宜的領域及問題2)

建造專家系統(tǒng)的可行性3)