chw:
一、概論
1. 人工智慧是由電腦科學、控制論、資訊理論、神經生理學、心理學、語言學等構成。
2. 智慧型科學研究智慧型的基本理論和實現技術，是由腦科學、認知科學、人工智慧等學科構成的交叉學科。
3. 認知(cognition)是和情感、動機、意志等相對的理智或認識過程。認知科學是研究人類感知和思維資訊處理過程的科學，包括從感覺的輸入到複雜問題求解，從人類個體到人類社會的智慧型活動，以及人類智慧型和機器智慧型的性質。
思維是客觀現實的反映過程，是具有意識的人腦對於客觀現實的本質屬性、內部規律性的自覺的、間接的和概括的反映。智慧型是個體認識客觀事物和運用知識解決問題的能力。
4. 人類思維的形態：感知思維、形象思維、抽象思維、靈感思維。
5. 神經網路基本特點：① 以分布式方式儲存資訊。② 以並行方式處理資訊。③ 具有自組織、自學習能力。
符號智慧型：以知識為基礎，通過推理進行問題求解。也即所謂的傳統人工智慧。
計算智慧型：以資料為基礎，通過訓練建立聯絡，進行問題求解。人工神經網路、遺傳演算法、模糊系統、進化程式設計、人工生命等都可以包括在計算智慧型
6. 符號智慧型與計算智慧型區別：符號智慧型就是傳統人工智慧，以知識為基礎，通過推理求解問題；計算智慧型以資料為基礎，通過訓練建立聯絡，進行問題求解。
人工神經網路，遺傳演算法、模糊等都是計算智慧型。
7. 非單調推理：乙個正確的公理加到理論中，反而使得所得結論變無效。
如封閉世界假設cwa，限定邏輯；定性推理：把物理系統分成子系統，對每個子系統之間的作用建立聯絡，通過區域性因果性的行為合成獲得實際物理系統的功能；不確定性推理：隨機性、模糊性、不確定性。
如ds證據、模糊集、粗糙集、貝葉斯。
8. 知識、知識表示及運用知識的推理演算法是人工智慧的核心, 而機器學習則是關鍵問題。
機器學習的研究四個階段：①無知識的學習：主要研究神經元模型和基於決策論方法的自適應和自組織系統。
②符號概念獲取：給定某一類別的若干正例和反例，從中獲得該類別的一般定義。③例項學習：
從例項學習結構描述。④有知識的學習：把大量知識引入學習系統做為背景知識
9. 機器學習的風範：①歸納學習：
研究一般性概念的描述和概念聚類；②分析學習：在領域知識指導下進行例項學習, 包括基於解釋的學習、 知識塊學習等。③發現學習：
根據實驗資料或模型重新發現新的定律的方法。④遺傳學習：模擬生物繁衍的變異和自然選擇，把概念的各種變體當作物種的個體, 根據客觀功能測試概念的誘發變化和重組合併, 決定哪種情況應在基因組合中予以保留。
⑤連線學習：是神經網路通過典型例項的訓練, 識別輸入模式的不同類別。
10. 分布式人工智慧：研究在邏輯上或物理上分散的智慧型動作者如何協調其智慧型行為，即協調它們的知識、技能和規劃, 求解單目標或多目標問題，為設計和建立大型複雜的智慧型系統或計算機支援協同工作提供有效途徑。
11. 人工思維將以開放式自主系統為基礎，充分發揮各種處理范型的特長，實現集體智慧型，才能達到柔性資訊處理，解決真實世界的問題。
12. 知識系統包括：①專家系統：
專家系統是一種模擬人類專家解決領域問題的電腦程式系統。這類電腦程式包括兩部分：知識庫。
它表示和儲存由任務所指定領域知識的一組資料結構集合，包含有關領域的事實和專家水平的啟發式知識。推理機，它是構造推理路徑的一組推理方法集合，以便導致問題求解、假設的形成、目標的滿足等。由於推理採用的機理、概念不同，推理機形成多種范型的格局。
②知識庫系統：把知識以一定的結構存入計算機，進行知識的管理和問題求解，實現知識的共享。③決策支援系統是電腦科學（包括人工智慧）、行為科學和系統科學相結合的產物，是以支援半結構化和非結構化決策過程為特徵的一類計算機輔助決策系統，用於支援高階管理人員進行戰略規劃和巨集觀決策。
其組成：資料庫管理子系統、模型庫管理子系統、方法庫管理子系統、知識庫管理子系統、會話子系統。
二、問題求解
1. 問題表達及其變換 1同構同態變換 2問題分解法 3狀態空間求解法 4問題演繹法 5博弈問題求解法
問題的狀態空間：〈s，f，g〉s是初始狀態集；f是操作的集合；而g為目標狀態集。☆狀態空間搜尋演算法流程：
2. 問題的狀態空間可用有向圖來表達，又常稱其為狀態樹
狀態空間圖在計算機中有兩種儲存方式：一種是圖的顯式儲存，另一種是圖的隱式儲存。
圖的顯式儲存:（1）概念：所謂圖的顯式儲存，即把問題的全部狀態空間圖直接都存於計算機中的方式。諸如一般計算機檔案、程式檔案和庫檔案的儲存等，均為圖的顯式儲存方式。
（2）適用條件：通常圖的顯式儲存方式需要佔據計算機的大量儲存空間和處理時間，故這種儲存方式僅適用於狀態空間十分有限以及較簡單的問題求解。（3）特點：
其優點是直觀、明了，但缺點是佔據儲存空間大。圖的隱式儲存:（1）概念：
僅在計算機中儲存關於要求解問題的相關各種知識，只在必要時再由相關的資訊和知識逐步生成狀態空間圖的方式稱為圖的隱式儲存。（2）適用條件：適用於一般問題求解，尤其適宜於狀態空間龐大的情況。
（3）特點：佔據空間小，但不夠直觀，與圖的顯式儲存剛好特點互補。
3. 深度搜尋（盲搜尋、非啟發、深度越大越晚優先順序越高、不完備、非演算法）；廣度/寬度搜尋（盲搜尋、非啟發、深度越小越早優先順序越高，完備）
4. 廣度優先演算法搜尋原則：1深度越小、越早生成結點的優先順序越高。
2當最低層不止乙個結點時，它選擇最先生成的結點進行搜尋。 廣度優先演算法步驟：(1) 初始結點s加入到佇列open的尾部；(2) 若open為空，則搜尋失敗，問題無解；(3) 取出open隊頭的結點n，並放入close佇列中；(4) 若n是目標結點d，則搜尋成功，問題有解；(5) 若n是葉結點，則轉(2)；(6) 擴充套件n結點(即找出它的所有直接後繼)，並把它的諸子結點依次加入open隊尾，修改這些子結點的返回指標，使其指向結點n。
轉(2)。
5. 深度優先搜尋搜尋原則：1深度越大、越晚產生結點的優先順序越高。
2深度優先搜尋是不完備的，屬於非演算法的搜尋過程。深度優先演算法步驟：(1) 初始結點s放入堆疊open中； (2) 若open為空，則搜尋失敗，問題無解； (3) 彈出open表中最頂端結點放到close表中，並給出順序編號n； (4) 若n為目標結點d，則搜尋成功，問題有解； (5) 若n無子結點，轉(2)；(6) 擴充套件n結點，將其所有子結點配上返回n的指標，並按次序壓入open堆疊，轉(2)。
6. 有界深度優先搜尋特點：引入搜尋深度限制值d，使深度優先搜尋過程具有完備性。
有界深度優先演算法步驟：(1)初始結點s放入堆疊open中；(2)若open為空，則搜尋失敗，問題無解；(3)彈出open中棧頂結點n，放入close表中，並給出順序編號n；(4)若n為目標結點d，則搜尋成功，問題有解；(5)若n的深度d(n)=d，則轉(2) ；(6)若n無子結點，即不可擴充套件，轉(2) ；(7)擴充套件結點n，將其所有子結點配上返回n的指標，並壓入open堆疊，轉(2)。
7. 代價推進搜尋特點：節點間有向邊的代價不同。
(1)廣度優先搜尋法：每次從open表中取出具有最小代價的節點進行擴充套件。(2)有界深度優先搜尋法：
用代價限制g代替深度限制d，用代價g(n)代替節點深度d(n)。
8. 廣度、深度、有界深度優先搜尋和代價推進搜尋法等，它們的侷限性及其特點為：①基本搜尋策略普遍適用於樹狀問題求解，控制性知識簡單，容易程式設計在計算機上實現。
但是它一般必須知道問題的全部狀態空間，搜尋效果差，求解能力弱，故常被稱為弱方法。②它們都是依據某種固定規則執行的搜尋，均屬於非啟發的強力搜尋，沒有表現出智慧型搜尋的活躍性與靈活性。③由於基本搜尋策略疏忽了對給定問題的特有知識的分析,沒有充分考慮所要求解問題的自身發展規律和特性，搜尋完全是按事先確定好的固定排序來進行的，這是一種窮盡遍歷的大海撈針式的策略，沒有任何啟發式資訊引導，往往使得實際搜尋效率很低，故又被稱為盲目搜尋。
9. 啟發式搜尋策略：利用與問題解有關的啟發資訊來作引導的搜尋策略。
特點是：由於充分考慮到問題求解所應用到的各種啟發資訊及知識，包括利用常識性推理和專家經驗等資訊與知識，啟發式搜尋能夠動態地確定操作排序，優先呼叫較合適的操作規則，擴充套件、比較並選擇最有希望的節點，使搜尋盡可能以最快的速度，最短的距離，最小的代價，朝著最有利於達到目標節點的方向推進。即以智慧型思想調節搜尋區，使盡量沿著最有希望找到解的路徑方向上，縱向小範圍地搜尋前進。
採用啟發式搜尋策略：（1）使用了控制性知識中的啟發資訊，因而彌補了略去的部分狀態空間所帶來的有用資訊丟失；（2） 啟發式搜尋往往是深度優先搜尋法的改進。只需知道問題的部分狀態空間，就可以求解智慧型問題。
（3）與基本搜尋相比，啟發式搜尋最大特點就是搜尋效率要高得多。搜尋效率及其評價：p=l/t l是從根節點到達目標節點的深度；t是在整個搜尋過程中產生節點總數(不計根節點)，因此，這裡p反映的是朝著目標搜尋時的搜尋寬度。
10. 啟發式搜尋方法分為區域性擇優搜尋和全域性擇優搜尋兩大類。瞎子爬山區域性擇優搜尋過程：
每搜尋到達乙個節點，其隨後選擇的下一節點不是按規則預定的或盲目選定的，而是按經驗進行智慧型處理，使用估計函式f(x)來搜尋當前最優的節點。
優點：方法簡單，由於取消了open表，要處理的資料量減少了，所以占用記憶體空間少、速度快。缺點：
瞎子爬山法主要只在單因素，單極值的情況下使用，而在多極值情況下會遇到許多困難，導致找不到最佳解，會遇到「多峰」、「盆地」或「平台」、「山脊」問題等。
11. 瞎子爬山法進行人機互動搜尋（智慧型搜尋）的主要思路和步驟如下：（1）分析搜尋的性質；（2）是否有許多可供選擇的路徑和方案，各種選擇是否有優劣之分； （3）有哪些可供利用的啟發資訊；（4）啟發資訊可否編製成操作簡便、易於判別、便於實現的規則；（5）程式設計完成使用規則的程式，用之進行擇優搜尋。
12. 與/或樹的有序搜尋，即採用啟發式搜尋策略，求出能夠使得根節點可解的最小搜尋樹的解樹。一般來說，區域性擇優搜尋與全域性擇優搜尋僅適用於狀態空間是代價樹的搜尋求解，而有序搜尋既可適用於代價樹的搜尋求解，又能適用於有向圖的搜尋求解。
13. 博弈樹：在博弈過程中，按照博弈規則和步法狀態過程分析，客觀評判博弈雙方在各自分枝節點上所獲得的分數估計值，並依照其中任何一方的角度而依次生成具有得分值表示的與/或搜尋樹。
博弈原理：博弈的各方總是要挑選對自己最為有利而對對方最不利的那個行動方案。
人工智慧 知識表示方法
一 實驗目的 狀態空間表示法是人工智慧領域最基本的知識表示方法之一，也是進一步學習狀態空間搜尋策略的基礎，本實驗通過牧師與野人渡河的問題，強化學生對知識表示的了解和應用，為人工智慧後續環節的課程奠定基礎。二 問題描述 有n個牧師和n個野人準備渡河，但只有一條能容納c個人的小船，為了防止野人侵犯牧師，...
人工智慧課程知識總結
agent 通過感測器感知所處環境並通過執行器對該環境產生作用的電腦程式及其控制的硬體。感知資訊 表示任意給定時刻agent的感知輸入 感知序列 該agent所收到的所有輸入資料的完整歷史agent函式 把任意給定感知序列對映到agent行動的描述 agent程式 抽象的agent函式的乙個具體實現...
人工智慧期末總結
1.人工智慧是何時 何地 怎樣誕生的？1956 年夏季，美國的一些從事數學 心理學 電腦科學 資訊理論和神經學研究的年輕學者，匯聚在 dartmouth 大學，舉辦了一次長達兩個月的學術討論會，認真而熱烈的討論了用機器模擬人類智慧型的問題。在這次會議上，第一次使用了 人工智慧 這一術語，以代表有關機...