搜索
一、智能化智能体1.什么是智能体？什么是理性智能体？智能体的特性有哪些？智能体的分类有哪些？智能体定义：通过传感器感知所处环境并通过执行器对该环境产生作用的计算机程序及其控制的硬件。理性智能体定义：给定感知序列(perceptsequence)和内在知识(built-inknowledge)，理性智能体能够选择使得性能度量的期望值(expectedvalue)最大的行动。智能体的特性：自主性（自主感知学习环境等先验知识）、反应性（Agent为实现自身目标做出的行为）、社会性（多Agent及外在环境之间的协作协商）、进化性（Agent自主学习，逐步适应环境变化）智能体的分类：简单反射型智能体：智能体寻找一条规则，其条件满足当前的状态（感知），然后执行该规则的行动。基于模型的反射型智能体：智能体根据内部状态和当前感知更新当前状态的描述，选择符合当前状态的规则，然后执行对应规则的行动。基于目标的智能体：为了达到目标选择合适的行动，可能会考虑一个很长的可能行动序列，比反射型智能体更灵活。基于效用的智能体：决定最好的选择达到自身的满足。学习型智能体：自主学习，不断适应环境与修正原来的先验知识。2.描述几种智能体类型实例的任务环境PFAS，并说明各任务环境的属性。答题举例：练习：给出如下智能体的任务环境描述及其属性刻画。o机器人足球运动员o因特网购书智能体o自主的火星漫游者o数学家的定理证明助手二、用搜索法对问题求解1.简述有信息搜索（启发式搜索）与无信息搜索（盲目搜索、非启发式搜索）的区别。非启发式搜索：按已经付出的代价决定下一步要搜索的节点。具有较大的盲目性，产生较多的无用节点，搜索空间大，效率不高。启发式搜索：要用到问题自身的某些信息，以指导搜索朝着最有希望的方向前进。由于这种搜索针对性较强，因而原则上只需搜索问题的部份状态空间，搜索效率较高。2.如何评价一个算法的性能？（度量问题求解的性能）完备性：当问题有解时，算法是否能保证找到一个解；最优性：找到的解是最优解；时间复杂度：找到一个解需要花多长时间搜索中产生的节点数空间复杂度：在执行搜索过程中需要多少内存在内存中存储的最大节点数3.简述几种搜索方式的思想。非启发式搜索：广度优先搜索：首先扩展根节点，接着扩展根节点的所有后续，然后在扩展它们的后续，依次类推。在下一层的任何节点扩展之前搜索树上本层深度的所有节点都已经扩展过。代价一致搜索：扩展路径消耗最低的节点，若单步耗散相等，则等价于广度优先搜索算法。深度优先搜索：扩展搜索树的当前边缘中最深的节点。搜索直接推进到搜索树的最深层，当最深层节点扩展完没达到目标节点则将向上回到下一个还有未扩展后续节点的稍浅的节点。深度有限搜索：深度为l的节点被当做没有后续的节点对待。迭代深入深度优先搜索：不断增大深度限制，直到找到目标节点。代价一致搜索的迭代搜索：不断增加路径耗散限制双向搜索：运行两个同时的搜索：向前搜索（从初始状态向前搜索）和向后搜索（从目标状态向后搜索），扩展节点前检查该节点是否在另一棵树的边缘。启发式搜索：贪婪最佳优先搜索：定义一个评价函数f，对当前的搜索状态进行评估，找出一个最有希望的节点来扩展。局部搜索算法：从单独的一个当前状态出发，只移动到相邻状态，找目标状态，通常不保留搜索路径。爬山法搜索：根据一个目标函数，找寻目前邻居中状态最好的一个（最陡上升）。（贪婪局部搜索）模拟退火搜索：先高温烧热，再慢慢降温。当“温度”T降低得足够慢，能找到全局最优解的概率逼近1。局部剪枝搜索：按一定概率随机地从后续集合中选择k个后续，若出现目标状态则停止，否则再从所有后续中选择k个最佳后续，重复这一过程。遗传算法：基于进化过程中的信息遗传机制和优胜劣汰的自然选择原则的搜索算法。4.什么是启发式、启发式函数、可采纳的启发式、一致的启发式、启发式搜索？PPT方法一：对h加以限制。评价函数f(n)=g(n)+h(n)g(n):从初始状态s到状态n的实际耗散值。h(n):启发函数，从状态n到目标的最短路径的估计耗散值f(n):从s经过n到目标的最短路径估计耗散值5.简述A*算法，证明其最优性。6.简述智能优化方法中遗传算法的概念及优点。遗传算法通过作用于染色体上的基因寻找好的染色体来求解问题。随机产生初始群体，其中每个个体给予一个数值评价即适应度，基于适应度来随机选择染色体，使适应性好的染色体有更多繁殖机会。优点：随机搜索：始于搜索空间的一个随机点集，而不像图搜索那样固定地始于初始节点。满意解并行搜索：从搜索空间的一个点集（种群）到另一个点集。适合大规模并行计算，有能力跳出局部最优解。算法适应性强：除确定适应度函数外几乎不需要其他先验知识不要求解的连续性，因此能从离散的、多极值、含噪声的高维问题中找到全局最优。三、知识表示课本P42用谓词表达语句。四、确定性推理方法1.演绎推理、归纳推理、默认推理的概念。演绎推理是从全称判断推导出单称判断的过程，即由一般性知识推出适合于某一具体情况的结论。这是一种从一般到个别的推理。归纳推理是从足够多的事例中归纳出一般性结论的推理过程，是一种从个别到一般的推理。默认推理又称为缺省推理，是在知识不完全的情况下假设某些条件已经具备所进行的推理。3.确定性推理、不确定性推理的概念。确定性推理：推理时所用的知识与证据都是确定的，推出的结论也是确定的，其真值或者为真或者为假，没有第三种情况出现。不确定性推理：推理时所用的知识与证据不都是确定的，推出的结论也是不确定的。4.单调推理、非单调推理的概念。单调推理：随着推理向前推进及新知识的加入，推出的结论越来越接近最终目标。非单调推理：由于新知识的加入，不仅没有加强已推出的结论，反而要否定它，使推理退回到前面的某一步，重新开始。5.启发式推理、非启发式推理的概念。如果推理过程中运用与推理有关的启发性知识，则称为启发性推理，否则称为非启发性推理。启发性知识：与问题有关且能加快推理过程、求得问题最优解的知识。6.正向推理、逆向推理的概念及优缺点。正向推理是以已知事实作为出发点的一种推理。正向推理简单，易实现，但目的性不强，效率低。逆向推理是以某个假设为目标作为出发点的一种推理。逆向推理不必使用与目标无关的知识，目的性强，同时利于向用户提供解释，但起始目标的选择有盲目性，比正向推理复杂。7.谓词公式化为子句集。8.归结原理（1）应用归结原理证明定理（2）应用归结原理求解问题五、不确定性推理方法1.不确定推理的概念。不确定性推理：从不确定性的初始证据出发，通过运用不确定性的知识，最终推出具有一定程度的不确定性但却是合理或者近乎合理的结论的思维过程。2.可信度方法可信度：根据经验对一个事物或现象为真的相信程度。可信度带有较大的主观性和经验性，其准确性难以把握。C－F模型：基于可信度表示的不确定性推理的基本方法。CF（H，E）的取值范围:[-1,1]。若由于相应证据的出现增加结论H为真的可信度，则CF（H，E）0，证据的出现越是支持H为真，就使CF（H，E)的值越大。反之，CF（H，E）0，证据的出现越是支持H为假，CF（H，E）的值就越小。若证据的出现与否与H无关，则CF（H，E）=0。3.可信度求法4.证据理论：信任函数、似然函数、概率分配函数的正交和、例4.25.模糊推理方法：模糊集合运算、求模糊关系例4.7、模糊关系的合成、模糊推理应用例4.106.根据全联合概率分布表求边缘概率、条件概率P3657.用贝叶斯法则证明P368公式13.10证明题8.怪兽推理（172、389）