小张的博客

# 人工智能

# 1.1人工智能概念

# 1.1.1智能的概念

对智能定义的流派：①思维理论②知识阈值理论③进化理论

智能的概念：知识与智力的总和（知识是一切智能行为的基础、智力是获取知识并应用知识求解问题的能力。

# 1.1.3人工智能

人工智能：用人工的方法在机器上实现的智能。（又称为机器智能）

这是一门研究如何构造智能机器，使它模拟、延伸、扩展人类智能的学科。

# 1.3人工智能研究的基本内容

①知识表示：将知识符号化或模型化

②机器感知

③机器思维：通过感知外部信息来和机器内部的工作信息来进行处理

④机器学习：研究如何使计算机拥有跟人一样的学习能力（有监督学习、强化学习、无监督学习）

⑤机器行为

# 1.4人工智能的研究领域

①自动定理的证明

定理的证明实质：由前提P得到结论Q的永真性

成就：鲁宾孙归结原理、吴文俊的“吴氏方法”

②博弈

③机器视觉：将目标转化为图像信号

④机器人

⑤无人驾驶

⑥组合优化问题

组合优化问题和NP完全问题（用已知最好方法求解）

⑦人工神经网络

成就：1943-麦克洛奇-M-P模型

1957-罗森-感知器模型

# 2.2一阶谓词逻辑

  • 连接词：否定、析取、合取
  • 量词：存在量词、全称量词
  • 优先级：否、合、析、蕴含、等价

量词的辖域、约束变元、自由变元

# 2.3产生式表示法

# 2.3.1

对标蕴含式。可以表示不确定的知识

# 2.3.2 产生式系统

规则库->推理机->数据库（数据库又作为规则返回到推理机中）

# 2.3.4产生式表示的特点

①优点：自然性、模块性、有效性、清晰性

②缺点：效率不高、不能表达结构性知识

③适合产生式的知识：①关系不密切、没有结构关系 ②没有严格、统一的理论 ③求解时相对独立，每个操作可被表示为一条或多条产生式规则

# 3.3谓词公式化为子句集

九步

# 3.4鲁滨逊归结原理

# 3.5归结反演

定义谓词，写子句集、结论取反和answer析取，最后得到结论

# 4不确定性推理方法

# 4.2可信度方法

1、知识不确定度表示：IF E THEN H (CF(H,E))，CF(H ,E)叫做可信度因子取值为-1到1

​ 专家系统的可信度因子：CF(H,E)=MB(H,E)-MD(H,E)

2、证据的不确定性表示：可信度因子

两个定义：静态强度CF(H,E):知识的不确定性程度；动态强度CF(E)：E当前的不确定性程度

​ CF(E)=min{CF(E1)、CF(E2)}合取；反之则max

3、由证据不确定性和知识不确定性可以算出结论不确定性

​ CF(H)=CF(E,H)*max{0,CF(E)}

4、对两个结论不确定性

CF12(H)=CF1+CF2-CF1*CF2(CF1、CF2都大于等于0)

CF12(H)=CF1+CF2+CF1*CF2(CF1、CF2都小于0)

CF12(H)=CF1+CF2/1-min{CF1,CF2}(CF1、CF2都大于等于0)

# 4.4.2模糊集合

论域：全体对象U

元素：论域中的每个对象

经典集合中，每个元素只有属于或不属于两种状态；，欧胡逻辑给集合赋予一个0，1之间的实数，表示其隶属度。所有元素的隶属度构成隶属函数。

模糊集合的表示方法：模糊集合A={（x,u(x)),x属于X}

# 4.4.3模糊集合运算

隶属度函数的交并补运算

代数积：u（AB）=uAuB

代数和

模糊关系：二元表格，相当于行向量和列向量相乘（相乘时候乘法换为取小）

模糊关系的合成：矩阵相乘，乘法换取小，加法换取大

# 4.4.6模糊决策

得到的模糊向量需要转化为确定值

这时候有几种方法：①取最大隶属度的值②对隶属度加权平均③取中位数法

# 5.1搜索求解策略

# 5.1搜索概念

分为盲目搜索和启发式搜索，前者按照固定的步骤、后者优先选择最适合的操作算子

# 5.3.2宽度优先（广度优先）

特点：①每次选择深度最浅的节点扩展，逐层进行

②高价搜索，但有解存在就一定能找到

用到两个表open表（NPS表）和close表（PS表和NSS表合并），前者保存的是已经生成出来但是子状态未检索，后者表示已经被检索

image-20240109022852557

# 5.3.3深度搜索优先

首先扩展新生成的节点，深度相等的节点按生成次序的盲目搜索

特点：当且仅当搜索到达一个没有后裔的状态时，才考虑另一条替代路径。

深度界限：防止搜索沿着无益的路径扩展下去，给出一个节点扩展的最大深度

人工智能

# 5.4.1启发式策略

有关具体问题领域的特性的信息叫启发信息

特点：重排open表，选择最有希望的节点加以扩展

# 5.4.2启发信息和估价函数

估价函数f(n)=g(n)+h(n)

g(n)为从初始节点S0到节点n的实际代价；

h(n)为从结点n到目标节点Sg的估计代价，称为启发函数。

h(n)比重大--降低工作量，但是可能找不到最优解

h(n)比重小--工作量加大，极限情况下变为盲目搜索，但可能可以找到最优解（h(n)=0的时候，为宽度优先搜索）

# 5.4.4A*算法

Nilsson提出，称为最佳图搜索算法。

定义h*(n)为状态n到目的状态的最优路径的代价，A搜索算法的h(n)<=h*(n)时，被称为A*

特点：一定能搜索到解，并且一定是最优解。

可采纳性：即最优路径存在时，保证能找到它

--启发函数h(n)的单调性概念

信息性

# 6.1进化算法的产生与发展

# 生物学背景：染色体、基因、基因座（基因的位置）、等位基因（基因所取的值）；适者生存

设计原则：适用性原则、可靠性原则、收敛性原则（对应问题种类、大多数问题、全局最优）

遗传算法的基本思想

遗传算法的一般步骤：

step1:使用随机生成或者其他方法产生一个有N个染色体的初始群体pop(1),t:=1;

step2:对群体中每一个值计算其适应度：fi=fitness(pop(t))

step3:如果满足停止条件，则算法停止，否则以概率pi=fi/fi的和，来随机选择一些染色体构成新的种群newpop(t+1)={popj(t)|j=1,2,...N}

step4:交叉，产生新染色体，得到新的群体 crosspop(t+1)

step5:变异。以较小概率·使染色体的一个基因发生变异，形成mutpop(t+1);t=t+1,成为一个新的群体。再返回第三步计算适应度值

# 7专家系统与机器学习

# 7.1专家系统的产生与发展

  • 第一阶段：初创期（1960-1970）

    • DENDRAL系统-1968-斯坦福-鲍根费姆-推断化合物分子结构
    • MYCSYMA系统-1971-麻省理工-数学运算的数学专家系统
    • 特点：高度专业化、专门问题求解能力强、结构功能不完整、移植性差、缺乏解释功能

  • 第二阶段：成熟期（1970-1980）

    • 特点：单学科专业型专家系统、系统结构完整并且功能全面移植性好、具有推理解释功能即透明性好、采用启发式推理和不精确推理、用产生式规则—框架—语义网络表示知识、用限定性英语进行人--机交互

  • 第三阶段：发展期（1980-今）

    • 专家系统的研制和开发趋于商业化
    • 专家系统开发工具
      • 骨架系统：EMYCIN、KAS、EXPERT等
      • 通用型知识表达语言：OPS5等
      • 专家系统开发环境：AGE等

# 7.2.1专家系统的定义

奠基人：费根·鲍姆

专家系统是一种智能的计算机程序，包含知识和推理的智能计算机程序。

特点：

  • 具有专家水平的专业知识
  • 能进行有效的推理
  • 启发性、灵活性、透明性、交互性

与传统程序比较：（1）编程思想：专家系统：知识＋推理 （2）知识单独组成知识库，与推理机分离 （3）面向符号处理 （4）具有解释功能 （5）通常产生正确的答案，有时产生错误答案 （6）系统的体系结构不同

# 8神经网络

# 8.1BP神经网络

多层神经元构成的神经网络，最终得到的结果又反过来参与权重值的判断

BP就是反向传播算法。

# 8.2Hopfield神经网络

重要知识点：权重矩阵w。需要明白机理。

单层，每个神经元之间互相连接。

← 数据结构 →