1、谈谈你对于人工智能的认识。
人工智能就是人造智能，目前指用计算机模拟或实现的智能，因此人工智能又称机器智能。人工智能在我看来，应该是像人一样思考的系统、像人一样行动的系统、理性地思考的系统、理性地行动的系统，是像人一样具有感知的系统，是可以独立思考、独立判断的系统
2、人工智能有哪些研究途径和方法？它们的关系如何？
心理模拟,符号推演;生理模拟,神经计算;行为模拟,控制进化;群体模拟,仿生计算;博采广鉴,自然计算;原理分析,数学建模; 它们各有所长,也都有一定的局限性，因此这些研究途径和方法并不能互相取代,而是并存和互补的关系。
3、人工智能有哪些研究内容？
搜索与求解、学习与发现、知识与推理、发明与创造、感知与交流、记忆与联想、系统与建造、应用与工程等八个方面。
6.人工智能的现状和发展呈现如下特点：多种途径齐头并进，多种方法写作互补；新思想、新技术不断涌现，新领域、新方向不断开括;理论研究更加深入，应用研究更加广泛;研究队伍日益壮大，社会影响越来越大;以上特点展现了人工智能学科的繁荣景象和光明前景。它表明，虽然在通向其最终目标的道路上，还有不少困难、问题和挑战，但前进和发展毕竟是大势所趋。 9.综述图搜索的方式和策略。
答：图搜索方式可分为树式搜索和线式搜索。图搜索策略可分为盲目搜索和启发式搜索。 13.有一农夫带一只狼、一只羊和一筐菜欲从河的左岸乘船到右岸,但受下列条件限制： (1) 船太小,农夫每次只能带一样东西过河。 (2) 如果没有农夫看管, 则狼要吃羊,羊要吃菜。 请设计一个过河方案, 使得农夫、狼、羊、菜都能不受损失地过河。画出相应的状态空间图。 提示： (1) 用四元组(农夫、狼、羊、菜)表示状态,其中每个元素都可为0或1, 用0表示在左岸, 用1表示在右岸。 (2) 把每次过河的一种安排作为一个算符,每次过河都必须有农夫, 因为只有他可以划船。
解：初始S=(0，0，0，0)，目标G=(1，1，1，1)
定义操作符L(i)表示农夫带东西到右岸：
定义操作符R(i)表示农夫带东西到左岸： i=0 农夫自己到右岸；
i=0 农夫自己到左岸； i=1 农夫带狼到右岸；
i=1 农夫带狼到左岸； i=2 农夫带羊到右岸；
i=2 农夫带羊到左岸； i=3 农夫带菜到右岸；
i=3 农夫带菜到左岸； 约束状态如下：
(1，0，0，X)狼、羊在左岸；
(1，X，0，0)羊、菜在左岸；
(0，1，1，X)狼、羊在右岸；
(0，X，1，1)羊、菜在右岸；
15.广度优先搜索与深度优先搜索各有什么特点？
答：广度优先搜索就是始终先在同一级节点中考查,只有当同一级节点考查完之后,才考查下一级节点。或者说,是以初始节点为根节点，向下逐级扩展搜索树。所以,广度优先策略的搜索树是自顶向下一层一层逐渐生成的。 深度优先搜索就是在搜索树的每一层始终先只扩展一个子节点,不断地向纵深前进,直到不能再前进（到达叶子节点或受到深度限制） 时，才从当前节点返回到上一级节点，沿另一方向又继续前进。这种方法的搜索树是从树根开始一枝一枝逐渐形成的。深度优先搜索亦称为纵向搜索。由于一个有解的问题树可能含有无穷分枝，深度优先搜索如果误入无穷分枝(即深度无限)，则不可能找到目标节点。所以，深度优先搜索策略是不完备的。另外，应用此策略得到的解不一定是最佳解(最短路径)。 广度优先搜索与深度优先搜索都属于盲目搜索。
18.局部择优搜索与全局择优搜索的相同处与区别各是什么？
答：局部择优搜索与全局择优搜索的区别是，扩展节点N后仅对N的子节点按启发函数值大小以升序排序，再将它们依次放入OPEN表的首部。故算法从略。
19.传教士和野人问题。有三个传教士和三个野人一起来到河边准备渡河, 河边有一条空船,且传教士和野人都会划船, 但每次最多可供两人乘渡。河的任何一岸以及船上一旦出现野人人数超过传教士人数,野人就会把传教士吃掉。为安全地渡河,传教士应如何规划渡河方案？试给出该问题的状态图表示, 并用PROLOG语言编程求解之。
若传教士和野人的数目均为五人,渡船至多可乘三人,请定义一个启发函数, 并给出相应的搜索树。
解：首先选取描述问题状态的方法。在这个问题中，需要考虑两岸的修道士人数和野人数，还需要考虑船在左岸还是在右岸。从而可用一个三元组来表示状态： S=(m, c, b) 其中，m表示左岸的修道士人数，c表示左岸的野人数，b表示左岸的船数。
右岸的状态可由下式确定：右岸修道士数：m\'=3-m；右岸野人数：c\'=3-c；右岸船数：b\'=1-b 在这种表示方式下，m和c都可取0、
1、
2、3中之一，b可取0和1中之一。因此，共有4×4×2=32种状态。 这32种状态并非全有意义，除去不合法状态和修道士被野人吃掉的状态，有意义的状态只有16种：
S0=(3, 3, 1) S1=(3, 2, 1) S2=(3, 1, 1) S3=(2, 2, 1) S4=(1, 1, 1) S5=(0, 3, 1) S6=(0, 2, 1) S7=(0, 1, 1) S8=(3, 2, 0) S9=(3, 1, 0) S10=(3, 0, 0) S11=(2, 2, 0) S12=(1, 1,0) S13=(0, 2, 0) S14=(0, 1, 0) S15=(0, 0, 0) 有了这些状态，还需要考虑可进行的操作。
操作是指用船把修道士或野人从河的左岸运到右岸，或从河的右岸运到左岸。
2 每个操作都应当满足如下条件：
一是船至少有一个人（m或c）操作，离开岸边的m和c的减少数目应该等于到达岸边的m和c的增加数目；二是每次操作船上人数不得超过2个； 三是操作应保证不产生非法状态。 因此，操作应由条件部分和动作部分： 条件：只有当其条件具备时才能使用动作：刻划了应用此操作所产生的结果。操作的表示： 用符号Pij表示从左岸到右岸的运人操作用符号Qij表示从右岸到左岸的操作 其中： i表示船上的修道士人数 j表示船上的野人数
操作集
本问题有10种操作可供选择：
F={P01, P10, P11, P02, P20,Q01, Q10, Q11, Q02, Q20} 下面以P01和Q01为例来说明这些操作的条件和动作。
操作符号 条件 动作
P01 b=1, m=0或3, c≥1 b=0, c=c-1 Q01 b=0, m=0或3，c≤2 b=1, c=c+1 20.设（1）凡事清洁的东西
就有人喜欢
（2）人们都不喜欢苍蝇 用归结原理证明苍蝇 是不清洁的
7
一、填空题（每空1分，共30分）
（1）在人工智能的研究发展中有多种不同的主张，其中比较典型的有3个主要学派： 符号主义 学派、连结主义学派、行为主义 学派。
（2）对于“图灵测试”，美国哲学家约翰·西尔勒提出了异议，他用一个现在称为 中文屋子 的假设，试图说明即便是一台计算机通过了图灵测试，也不能说它就真的具有了智能。
（3）在图搜索算法中往往要用到 OPEN 和 CLOSED 表两个表，其中前者用来专门记录考查过的节点，后者用来专门登记待考察的节点。
（4）遗传算法就是人们从生物界按 自然选择 和 有性繁殖、遗传变异的自然进化现象中得到启发，而设计出的一种 优化搜索算法 。
（5）智能可以分为 脑智能 和群智能 两种。
（6）状态图搜索策略，可以分为 盲目搜索 和启发式搜索两大类，在启发式搜索中，其关键的问题是 。
（7）不含任何文字的子句成为 空子句 ，记为“口”或NIL，它在基于谓词逻辑的计算机推理中具有重要的作用。
（8）将二进制编码的染色体01001011的从右至左第
二、四位变异后的所得的新染色体为 01000001 。 （9）人工智能的三个最基本核心技术是表示、运算 和 搜索 。 （10）产生式系统的推理分为 正向推理 和 反向推理 两种方式。
（11）框架适合表达结构性的知识，概念、对象 等知识最适于用框架表示；框架的槽就是对象的属性或状态，槽值就是 属性值或状态值 。
（12）狭义上讲，知识或信息中的不确定性是指描述随机事件或随机现象所表现出的不确定性——这种不确定性一般用概率来刻画。广义不确定性进一步划分可分为：(狭义)不确定性、
不确切性、不完全性、不一致性、时变性等几种类型。
（13）机器学习可分为 信息、发现 和知识三个要素，它们分别是机器学习的对象、方法和目标。
9 （14）在模式识别中，距离分类法又可以分为 标准模式法、平均距离法、
最邻近法 等。
（15）知识获取有 人工途径、半自动获取、自动获取 等三种途径。
二、选择题（每小题2分，共10分）
（1）面向对象知识表示是最结构化的知识表示方法。面向对象知识表示很类似于（ C ）A.表 B.语义网络 C.框架 D.产生式
（2）知识库中的知识一般包括专家知识、领域知识和（ C ） A.系统知识 B.理论知识 C.元知识 D.经验知识 （3）计算智能是模拟（B ）的人工智能。
A.脑智能 B.群智能 C.符号智能 D.连接主义
（4）集合{P[x,f(y),B],P[A,f(B),B]}的最一般的合一替换应为（ B ） A.{B/X} B.{B/y} C.{x/x} D.{A/x,B/y} （5）能根据学生的特点、弱点和基础知识，以最适当的教案和教学方法对学生进行教学和辅导的专家系统是（ D ）
A.解释专家系统 B.调试专家系统 C.监视专家系统 D.教学专家系统
20．图搜索技术是人工智能中的核心技术之一，人工智能的许多分支领域都涉及到图搜索。这里的图是指由节点和有向边组成的网络。按连接同一个节点的个边间的逻辑关系划分，图又可分为图（也称直接图）和与或图两大类。图搜索分为或图搜索和与图搜索两大类。或图通常称为状态图。 21.用计算机来实现状态图的搜索, 有两种最基本的方式： 树式搜索和线式搜索。
22.对于状态图搜索策略大体可分为盲目搜索和启发式搜索两大类。按搜索范围的扩展顺序不同，搜索可分为广度优先和深度优先两种类型。对于树式搜索, 既可深度优先进行, 也可广度优先进行。对于线式搜索则总是深度优先进行。 23.搜索算法
由于搜索的目的是为了寻找初始节点到目标节点的路径, 所以在搜索过程中就得随时记录搜索轨迹。为了记录搜索轨迹, 我们用一个称为CLOSED表的动态数据结构来专门记录考查过的节点。对于树式搜索来说, 还得不断地把待考查的节点组织在一起, 并做某种排列, 以便控制搜索的方向和顺序。 为此, 我们采用一个称为OPEN表的动态数据结构,来专门登记当前待考查的节点。 24.与或图搜索几个概念：（算法看课本的例子，还有和代价和最大代价）
本原问题——直接可解的简单问题；(已知条件,真理,定理及推论, 等相关) 终止节点——本原问题对应的节点； 端 节 点——与或图中无子节点的节点；
与 节 点——子节点是“与”关系的节点；或 节 点——子节点是“或”关系的节点。
终止节点一定是端节点，端节点不一定是终止节点。
广度优先：广度优先搜索就是始终先在同一级节点中考查, 只有当同一级节点考查完之后, 才考查下一级节点。或者说,是以初始节点为根节点, 向下逐级扩展搜索树。所以,广度优先策略的搜索树是自顶向下一层一层逐渐生成的。（其中OPEN表是一个队列,CLOSED表是一个顺序表） 步1 把初始节点So放入OPEN表中。
步2 若OPEN表为空, 则搜索失败,退出。
步3 取OPEN表中前面第一个节点N放在CLOSED表中, 并冠以顺序编号n。 步4 若目标节点Sg=N,则搜索成功, 结束。 步5 若N不可扩展, 则转步2。
步6 扩展N, 将其所有子节点配上指向N的指针依次放入OPEN表尾部, 转步2。
深度优先搜索：深度优先搜索就是在搜索树的每一层始终先只扩展一个子节点,不断地向纵深前进, 直到不能再前进(到达叶子节点或受到深度限制)时, 才从当前节点返回到上一级节点, 沿另一方向又继续前进。这种方法的搜索树是从树根开始一枝一枝逐渐形成的。（其中OPEN表是一个堆栈） （前五步与广度一样）
步6扩展N, 将其所有子节点配上指向N的返回指针依次放入OPEN表的首部, 转步2。
全局择优搜索：全局择优搜索就是利用启发函数制导的一种启发式搜索方法。该方法亦称为最好优先搜索法, 它的基本思想是：在OPEN表中保留所有已生成而未考察的节点, 并用启发函数h(x)对
10 它们全部进行估价,从中选出最优节点进行扩展,而不管这个节点出现在搜索树的什么地方。 步1 把初始节点So放入OPEN表中,计算h(So)。 步2 若OPEN表为空,则搜索失败, 退出。
步3 移出OPEN表中第一个节点N放入CLOSED表中, 并冠以序号n。 步4 若目标节点Sg=N, 则搜索成功, 结束。 步5 若N不可扩展, 则转步2。
步6 扩展N, 计算每个子节点x的函数值h(x), 并将所有子节点配以指向N的返回指针后放入OPEN表中, 再对OPEN表中的所有子节点按其函数值大小以升序排序,转步2。
局部择优搜索：局部择优搜索与全局择优搜索的区别是, 扩展节点N后仅对N的子节点按启发函数值大小以升序排序, 再将它们依次放入OPEN表的首部。 故算法从略。
（前5步一样）
步6 扩展N, 计算每个子节点x的函数值h(x), 扩展节点N后仅对N的子节点按启发函数值大小以升序排序, 再将它们依次放入OPEN表的首，转步2。
遗传算法(GA: Genetic Algorithm) 就是人们从生物界按自然选择和有性繁殖、遗传变异的自然进化现象中得到启发，而设计出的一种优化搜索算法。 遗传算法中的三种遗传操作：选择—复制、交叉和变异
删除策略：在归结过程中可随时删除一下子句：①含有纯文字的字句②含有永真式的子句 ③被子句集中别的子句类包含的子句。 例3.22 设已知：
(1)能阅读者是识字的； (2)海豚不识字；
(3)有些海豚是很聪明的。
试证明：有些聪明者并不能阅读。
证 首先，定义如下谓词：R(x)：x能阅读。L(x)：x识字。I(x)：x是聪明的。D(x)：x是海豚。 然后把上述各语句翻译为谓词公式：
(1) x(R(x)→L(x))(2) x(D(x)→乛L(x))(3) x(D(x)∧I(x))(4) x(I(x)∧乛R(x)) 求题设与结论否定的子句集，得
(1)乛R(x)∨L(x)(2)乛D(y)∨乛L(y)(3)D(a)(4)I(a)(5)乛I(z)∨R(z) 归结得
(6) R(a) (5)，(4)，{a/z} (7) L (a) (6)，(1)，{a/x} (8) 乛D(a) (7), (2), {a/y} (9)□ (8), (3) 例3.23 已知: (1)如果x和y是同班同学，则x的老师也是y的老师。 (2)王先生是小李的老师。 (3)小李和小张是同班同学。
问：小张的老师是谁？ 解 设谓词T(x,y)表示x是y的老师，C(x,y)表示x与y是同班同学，则已知可表示成如下的谓词公式：
F1: x y z(C(x,y)∧T(z,x)→T(z,y)) F2:T(Wang,Li) F3:C(Li,Zhang) 为了得到问题的答案，我们先证明小张的老师是存在的，即证明公式： G: x T(x,Zhang) 于是，求F1∧F2∧F3∧ G的子句集如下: (1) C(x,y)∨ T(z,x)∨T(z,y) 11 (2)T(Wang,Li) (3)C(Li,Zhang) (4) T(u,Zhang) 归结演绎，得
(5) C(Li,y)∨T(Wang,y) 由(1),(2),{Wang/z,Li/x} (6) C(Li,Zhang) 由(4),(5),{Wang/u,Zhang/y} (7)□ 由(3),(6)
这说明，小张的老师确实是存在的。那么，为了找到这位老师，我们给原来的求证谓词的子句再增加一个谓词ANS(u)。于是，得到
(4)′ T(u,Zhang)∨ANS(u)
现在，我们用(4)′代替(4)，重新进行归结，则得
(5)′ C(Li,y)∨T(Wang,y) 由(1)(2) (6)′ C(Li,Zhang)∨ANS(Wang) 由(4)′(5)′
(7)′ANS(Wang) 由(3)(6)′ 例3.24 设有如下关系: (1)如果x是y的父亲，y又是z的父亲，则x是z的祖父。 (2)老李是大李的父亲。 (3)大李是小李的父亲。
问：上述人员中谁和谁是祖孙关系？
解 先把上述前提中的三个命题符号化为谓词公式： F1: x y z(F(x,y)∧F(y,z)→G(x,z)) F2: F(Lao,Da) F3: F(Da,Xiao) 并求其子句集如下: (1)乛 F(x,y)∨乛 F(y,z)∨G(x,z) (2)F (Lao,Da) (3)F (Da,Xiao) 设求证的公式为
G: x yG(x,y) (即存在x和y，x是y的祖父) 把其否定化为子句形式再析取一个辅助谓词GA(x,y)，得 (4)乛G(u,v)∨GA(u,v)
对(1)~(4)进行归结,得
(5)乛F(Da,z)∨G(Lao,z) (1),(2),{Lao/x,Da/y} (6)G(Lao,Xiao) (3),(5),{Xiao/z} (7)GA(Lao,Xiao) (4),(6),{Lao/u,Xiao/v}
所以，上述人员中，老李是小李的祖父。 子句的蕴含表示形式
原子公式及其否定称为文字 Horn子句与逻辑程序
至多含有一个正文字的子句称为Horn（有些文献中译为“霍恩”）子句。 产生式系统由三部分组成： 产生式规则库、推理机和动态数据库.产生式系统的推理可分为正向推理和反向推理两种基本方式。 正向推理
正向推理算法一：
步1 将初始事实/数据置入动态数据库。
步2 用动态数据库中的事实/数据, 匹配/测试目标条件, 若目标条件满足, 则推理成功, 结束。 步3 用规则库中各规则的前提匹配动态数据库中的事实/数据, 将匹配成功的规则组成待用规则 12 集。
步4 若待用规则集为空, 则运行失败, 退出。
步5 将待用规则集中各规则的结论加入动态数据库, 或者执行其动作, 转步2。 反向推理
步1 将初始事实/数据置入动态数据库, 将目标条件置入目标链。 步2 若目标链为空, 则推理成功, 结束。
步3 取出目标链中第一个目标, 用动态数据库中的事实/数据同其匹配, 若匹配成功, 转步2。 步4 用规则集中的各规则的结论同该目标匹配, 若匹配成功,则将第一个匹配成功且未用过的规则的前提作为新的目标, 并取代原来的父目标而加入目标链, 转步3。 步5 若该目标是初始目标, 则推理失败, 退出。
步6 将该目标的父目标移回目标链, 取代该目标及其兄弟目标, 转步3。 每个学生读过《三国演义》
≯x(student (x) → read (x, 三国演义))
GSstudentreadbook
ISAISAISAISA Fsubjectobject Rxread1三国演义 A• 猴子摘香蕉问题。 – 用四元组来（w，x，y，z）表示状态， w：表示猴子的位置； x：表示猴子是否在箱顶； y：箱子的水平位置； z：猴子是否拿到香蕉。 初始位置为（a，0，b，0），目标位置为（ c，1，c，1 ） 规则集中的规则：
If（w，0，y，z）then goto（u），状态为（u，0，y，z） If（w，0，w，z）then pushbox（v），状态为（v，0，v，z） If（w，0，w，z）then climbbox，状态为（w，1，w，z） If（c，1，c，0）then grasp，状态为（ c，1，c，1 ）
学生框架例子 框架名： 性别:(男,女) 成绩:(优,良,中,差) 类型:(,,,) 民族:(汉族,回族,白族,朝鲜族,等) 缺省:汉族
籍贯:(河南,山东,河北,湖南等) 缺省:河南 老师框架例子 框架名: 类属: 工作:范围:(教学，科研) 缺省:教学
13 性别:(男，女) 学历:(中师，高师) 类型:(，，)
狭义上讲，知识或信息中的不确定性是指描述随机事件或随机现象所表现出的不确定性——这种不确定性一般用概率来刻画。
广义不确定性分类：(狭义)不确定性、不确切性(模糊性)、不完全性、不一致性、时变性等几种类型。
不确定性推理=符号推演+信度计算
机器学习就是让计算机模拟人的学习行为，或者说计算机也具有学习的能力。
人工智能中的机器学习主要是指机器对自身的行为的修正或性能的改善和机器对客观规律的发现。机器学习的三要素：信息、发现和知识。他们分别是机器学习的对象、方法和目标。 基于学习策略的分类：模拟人脑的机器学习、直接采用教学方法的机器学习。
知识发现的任务：数据总结、概念描述、分类、聚类、相关性分析、偏差分析、建模。
根据连接的拓扑结构不同，神经网络可分为四大类：分层向前网络、反馈前向网络、广泛互联网络。 什么是决策树
决策树(decision tree)也称判定树，它是由对象的若干属性、属性值和有关决策组成的一棵树。其中的节点为属性（一般为语言变量），分枝为相应的属性值（一般为语言值）。 决策树学习的基本方法和步骤是:
首先,选取一个属性, 按这个属性的不同取值对实例集进行分类; 并以该属性作为根节点,以这个属性的诸取值作为根节点的分枝, 进行画树。
然后,考察所得的每一个子类, 看其中的实例的结论是否完全相同。如果完全相同, 则以这个相同的结论作为相应分枝路径末端的叶子节点; 否则, 选取一个非父节点的属性, 按这个属性的不同取值对该子集进行分类, 并以该属性作为节点, 以这个属性的诸取值作为节点的分枝, 继续进行画树。 如此继续,直到所分的子集全都满足: 实例结论完全相同, 而得到所有的叶子节点为止。这样, 一棵决策树就被生成。
模式：能够表征或刻画被识对象类属特征的信息模型称为对象的模式(pattern)。
模式类：具有某些共同特性的模式的集合称为模式类, 判定一个待识模式类属的过程称为模式识别。
最常用的模式表示形式有向量和字符串。 模式设别的原理：
模式识别的全过程分为两步: 第一步是分类知识的生成过程, 其实是个纯粹的机器学习过程; 第二步才是真正的模式识别过程。
依据模式的表示形式,模式识别方法可分为基于特征向量的模式识别和基于字符串的模式识别, 前者称为统计模式识别, 后者称为结构模式识别。统计模式识别和结构模式识别是两种经典而基本的模式识别方法, 统计模式识别(距离分类法、几何分类法、概率分类法) 距离分类法：标准模式法，平均距离法、最临近法
要理解一个语句，需建立起一个和该简单句相对应的机内表达。而要建立机内表达，需要做以下两方面的工作：
(1)理解语句中的每一个词。
(2)以这些词为基础组成一个可以表达整个语句意义的结构。
实现机器的自然语言理解都涉及哪些工作？语法分析，语义分析、语用分析。
