第一章
1.人工智能: 是计算机科学中涉及研究、设计和应用智能机器的一个分支
2.近期目标：研究用机器来模仿和执行人脑的某些智力功能，并开发相关理论和技术
3.应用: 博弈,定理证明, 机器翻译, 专家系统, 模式识别, 机器人学, 智能控制, 神经生理学
第二章
1.知识的种类: 事实性知识, 过程性知识, 行为性知识, 元知识
2.知识的要素: 事实,规则,控制,元知识
3.知识的表示: 谓词逻辑, 产生式规则, 语义网络, 框架表示
4.谓词一般表达式: P(x1,x2,,xn)
5.谓词逻辑表示法: 定义谓词, 用连词或量词把谓词公式连接起来, 从外到里层层细化
6.推理机: 规则解释程序, 控制系统规则库与数据库,负责整个产生式系统的运行,决定问题求解过程的推理
路线.主要工作: 匹配器,冲突消解器,解释器
6.语义网络: A-kind-ofA-member-ofIs-aPart-ofHaveCan
7.多元关系的语义网络表示: 添加关系结点, 动作结点, 事件结点, 情况结点
8.框架表示: 框架名, 槽名, 侧面, 值
(1)横向联系: 一个框架的槽值或者侧面值可以是另外一个框架的名字
(2)纵向联系: 具有集成关系的框架之间构成纵向联系, 下层框架可以继承上层框架的槽值.
第三章
1.状态空间法: (1) 选择状态, 描述操作(2)定义初始状态集合, 目标状态集合, 及操作符集合
例: 2层汉诺塔 A(1,3)---B(1,2)---A(3,2)[操作标识有向边 状态标识节点]
2.问题归约:(1)问题初始描述(2) 一套把问题变为子问题的操作符(3)一套本原问题描述
例: 3层汉诺塔三元组标识状态S=(i,j,k), i,j,k表示A,B,C所在的钢针号
3.与或图: 如果一个原问题既需通过分解, 又需通过变换,才能得到本原问题,其归约过程可以用与或图表示
4.端节点: 在与或树中, 没有子节点的节点
终叶节点: 本原问题所对应的节点
终叶节点一定是端节点,但是端节点不一定是终叶节点
5.可解节点与不可解节点
任何终叶节点都是可解节点不为终叶节点的端节点是不可解节点
“与或” 节点的可解性与子节点的关系
6.盲目搜索:
(1广度)扩展的子节点放在:Open表的尾部
(2深度)扩展的子节点放在:Open表的首部
(3)有界深度:根据题目确定dm并调整,
(4代价树)g:n2()gn1(c)n1n(2,从Open表的前取从Open表的前取)
广度:按照代价对Open表中的全部节点,从小到大进行排序深度:按照代价对Open表中的刚扩展节点,从小到大进行排序
选择一个代价最小的节点
7.启发式搜索:
(1) 度量节点的希望的量度f(n)
(2) 有序搜索: 在Open表中选择f最小的节点作为扩展节点
(3)A算法:
估价函数:f(n)g(n)h(n)
g(n):S到n的实际代价 每步都要用f(n)对Open表中的节点排序h(n):n到Sg的估计代价
(4)A算法: h(n)h*(n)使h(n)尽可能大,充分靠近h*(n)
f(n)g(n)h( n)
8.与或树搜索: 自上而下搜索, 自上而下标示
(1)应用分解或者等价变换对当前节点扩展
(2)设置指向父节点的指针
(3)多次调用可解或不可解标记过程, 直到初始节点被标记为可解节点或不可解节点 广度: 深度:*
9.有序搜索之解树代价
(1)终止节点: h(n)0n不可以扩展且不是终止节点: h(n)
(2)或节点: h(n)minc(n,ni)h(ni)
c(n,ni)h(ni)与节点: h(n)
maxc(n,ni)h(ni)
10.希望树: 自顶向下扩展节点, 自底向上, 修正代价估值
11.博弈树: e(P)e(P)e(P)与~min或~max与或交替出现 12.~剪枝:
(1) 与:min子节点倒推值或:max子节点倒推值
与:当前值父节点值(2) 则剪枝 或:当前值父节点值
第四章 推理技术
1.子句集的求取:
(1)消去蕴含和双条件符号
(2)减少否定符号辖域
PP
(PQ)PQ(PQ)PQ
(x)P(x)P
(x)P(x)P
(3)使不同量词约束的变元有不同的名字
(4)消去存在量词 (个体常量替换, 函数替换)
(5)化为前约束(量词左移), 使得每个全称量词的辖域都是整个公式
(6)化为合取范式
(7)消去全称量词
(8)消去合取词
(9)更换变量名
2.归结原理:
(1)定理证明:
(2)用归结原理求取问题的答案
