高级人工智能试题

《高级人工智能试题》由会员分享，可在线阅读，更多相关《高级人工智能试题（8页珍藏版）》请在金锄头文库上搜索。

1、成 绩评阅人中 国 矿 业 大 学工程硕士专业课（课外考核）作业封面学 号 GS14170031 姓 名 宗燕 工程领域 计算机技术 课程名称 高级人工智能 任课教师 丁世飞 任课教师规定截止交作业时间:2015年10月31日工程硕士研究生交作业时间：2015年 10月31日 注意事项如果老师以课外作业形式考核，如写读书报告或小论文，必须严格按照老师规定的时间上交作业，以便老师评定成绩。作业前面必须订上此封面。由于工程硕士无论什么原因不按规定时间上交作业，晚交作业不予评阅，作业作废，请随下一年级重修。研究生院培养管理办公室印制中国矿业大学2015-2016学年第1学期高级人工智能试题专业计算机

2、技术 姓名 宗燕 学号 GS14170031 总分 一、名词解释（共40分，每小题8分）1、图灵测试2、单调推理3、确定性推理4、启发式搜索5、进化算法二、简述题（共60分，每小题15分）1、简述不确定性的表示与度量；2、简述主观Bayes的基本原理；3、简述遗传算法的基本要素；4、简述神经网络的特点。一、名词解释（共40分，每小题8分）1、图灵测试答：如果电脑能在5分钟内回答由人类测试者提出的一系列问题，且其超过30%的回答让测试者误认为是人类所答，则电脑通过测试。2、单调推理答：基于谓词逻辑的推理系统是单调的，该系统中已知为真的命题数目随着推理的进行而严格地增加。这是由于新加入的命题必须与

3、演绎推理公理系统相容，其所证明的新结论要与已有知识不相矛盾，因而结论总是越来越多。3、确定性推理答：推理是运用知识求解问题的过程，是证据和规则相结合得出结论的过程。确定性推理，也可称为精确推理，是一种建立在经典逻辑基础上的基于确定性知识的推理。他从确定性的初始证据出发，通过运用确定性知识，推出具有一定程度的确定的和合理的的结论。确定性推理是指推理所用的知识是精确的，推出的结论也是精确的，其值要么为真，要么为假，不会有第三种情况出现。4、启发式搜索答：启发式搜索是在状态空间中的搜索，对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标。这样可以省略大量无谓的搜索路径，提高率效

4、率。5、进化算法答：或称“演化算法”，是一个“算法簇”，尽管他有很多的变化，有不同的遗传基因表达方式，不同的交叉和变异算子，特殊算子的引用，以及不同的再生和选择方法，但他们产生的灵感都来自于大自然的生物进化。进化算法包括遗传算法、进化规划、进化策略及遗传编程。它们都是借鉴生物界中进化和遗传的机理，用于解决复杂的工程技术问题。二、简述题（共60分，每小题15分）1、简述不确定性的表示与度量；答：不确定性推理中存在三种不确定性，即关于知识的不确定性、关于证据的不确定性和关于结论的不确定性。它们都具有相应的表示方式和量度标准。（1）知识不确定性的表示知识的表示与推理是密切相关的，不同的推理方法要求有

5、相应的知识表示模式与之对应。在不确定性推理中，由于要进行不确定性的计算，所以必须采用适当的方法把不确定性及不确定程度表示出来。在确立不确定性的表示方法时，有两个直接相关的因素需要考虑：一是要根据领域问题特征把不确定性比较准确的描述出来，满足问题求解的需要；二是要便于推理过程中推算不确定性。只有把这两个因素结合起来统筹的表示方法才是实用的。（2）证据不确定性的表示观察事物时所了解的事实往往具有某种不确定性。例如，当观察某种动物的颜色时，可能说该动物的颜色是白色的，也可能是灰色的。就是说，这种观察具有某种程度的不确定性。这种观察时产生的不确定性会导致证据的不确定性。在推理中，有两种来源的证据：一种

6、是用户在求解问题时提供的初始证据。另一种是在推理中用前面推出的结论作为当期的推理的证据。对于前一种情况，由于这种证据多来源与观察，因而往往有不确定性，则推出的结论当然也具有不确定性，当把它用作后面推理的证据时，它也是不确定性的证据。（3）结论不确定性上述由于使用知识和证据具有的不确定性，则得出的结论也具有不确定性。这种结论的不确定性也叫做规则的不确定性，它表示当规则的条件被完全满足时，产生某种结论的不确定程度。不确定性度量是指采用不同的数据和方法来度量确定性的程度。因此必须确定数据的取值范围。在确定量度方法及其范围时，必须注意到：量度要能充分表达相应的知识和证据不确定的程度；量度范围的指定便于

7、领域专家和用户对不确定性的估计；量度要便于对不确定性的传递进行计算，而且对结论算出的不确定性度量不能超出度量规定的范围；量度的确定应当是直观的，并有相应的理论依据。2、简述主观Bayes的基本原理；答：主观Bayes方法通过使用专家的主观概率，避免了所需的大量统计计算工作。应用主观Bayes方法可以表示知识的不确定性和证据的不确定性，然后通过CP公式用初始证据进行推理，通过EH公式用推理的中间结论为证据进行推理，求得概率的函数解析式。主观Bayes方法已在一些专家系统中得到成功应用。主观的基本思想：由于证据E的出现，使得P(H)变为P(H/E);主观Bayes方法就算利用证据E，将先验概率P(

8、H)更新为后验概率P(H/E)。主观Bayes方法引入两个数值（LS：充分性量度,LN：必要性量度）用来度量规则成立的充分性和必要性。3、简述遗传算法的基本要素；答：遗传算法在自然与社会现象模拟、工程计算等方面得到了广泛应用。在各个不同的应用领域，为了取得更好的结果，人们对基本遗传算法进行了大量改进，为了不至于混淆，我们把Holland提出的算法成为基本遗传算法，简称GA，SGA.构成要素：（1）染色体编码方法：基本遗传算法使用固定长度的二进制符号串来表示群体中的个体，其等位基因由二值符合集0，1组成。初始群体中各个 的基因值用均匀分布的随机数来生成。（2）个体适应度评价：基本遗传算法按与个体

9、适应度成正比的概率来决定当前群体中每个个体遗传到下一代群体中的机会多少。为正确计算这个概率，这里要求所有个体的适应度必须为正数或零。这样，根据不同种类的问题，必须预先确定好的目标函数值到个体适应度之间的转换规则，特别是要预先确定好当目标函数值为负数时的处理方法。（3）遗传算子：基本遗传算法使用下述三种遗传算子：选择运算使用比例选择算子；交叉运算使用单点交叉算子；变异运算使用基本位变异算子。（4）基本遗传算法的运行参数：基本遗传算法有下述4个运行参数需要提前设定：M群体大小，即群体中所包含个体的数量，一般取20100。T：遗传运算的终止进化代数，一般取为100500；Pc交叉概率一般取为0.40

10、.99;Pm变异概率一般取为0.00010.1。这4个运行参数对遗传算法的求解结果和求解效率都有一定的影响，但目前尚无合理选择他们的理论依据。在遗传算法的实际应用中，往往需要经过多次试算后才能确定出这些参数合理的取值大小或取值范围。4、简述神经网络的特点。（1）神经网络的一般特点作为一种正在兴起的新型技术神经网络有着自己的优势，他的主要特点如下： 由于神经网络模仿人的大脑，采用自适应算法。使它较之专家系统的固定的推理方式及传统计算机的指令程序方式更能够适应化环境的变化。总结规律，完成某种运算、推理、识别及控制任务。因而它具有更高的智能水平，更接近人的大脑。 较强的容错能力，使神经网络能够和人工

11、视觉系统一样，根据对象的主要特征去识别对象。 自学习、自组织功能及归纳能力。以上三个特点是神经网络能够对不确定的、非结构化的信息及图像进行识别处理。石油勘探中的大量信息就具有这种性质。因而，人工神经网络是十分适合石油勘探的信息处理的。（2） 自组织神经网络的特点自组织特征映射神经网络作为神经网络的一种，既有神经网络的通用的上面所述的三个主要的特点又有自己的特色。 自组织神经网络共分两层即输入层和输出层。 采用竞争学记机制，胜者为王，但是同时近邻也享有特权，可以跟着竞争获胜的神经元一起调整权值，从而使得结果更加光滑，不想前面的那样粗糙。 这一网络同时考虑拓扑结构的问题，即他不仅仅是对输入数据本身

12、的分析，更考虑到数据的拓扑机构。权值调整的过程中和最后的结果输出都考虑了这些，使得相似的神经元在相邻的位置，从而实现了与人脑类似的大脑分区响应处理不同类型的信号的功能。 采用无导师学记机制，不需要教师信号，直接进行分类操作，使得网络的适应性更强，应用更加的广泛，尤其是那些对于现在的人来说结果还是未知的数据的分类。顽强的生命力使得神经网络的应用范围大大加大。优点：神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此有很大的应用市场。缺点：（1）最严重的问题是没能力来解释自己的推理过程和推理依据。 （2）不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作。（3）把一切问题的特征都变为数字，把一切推理都变为数值计算，其结果势必是丢失信息。（4）理论和学习算法还有待于进一步完善和提高。