发布时间 : 星期三 文章华南理工大学《高级人工智能》考试真题2更新完毕开始阅读
华南理工大学《高级人工智能》考试真题
第1部分 绪 论
1-1. 什么是人工智能？试从学科和能力两方面加以说明。
从学科角度来看：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。它的近期主要目标在于研究用机器来模仿和执行人脑的某些智能功能，并开发相关理论和技术。
从能力角度来看：人工智能是智能机器所执行的通常与人类智能有关的功能，如判断、推理、证明、识别、感知、理解、设计、思考、规划、学习和问题求解等思维活动
1-2. 在人工智能的发展过程中，有哪些思想和思潮起了重要作用？ 1-3. 为什么能够用机器（计算机）模仿人的智能？
物理符号系统的假设：任何一个系统，如果它能够表现出智能，那么它就必定能执行输入符号、输出符号、存储符号、复制符号、建立符号结构、条件性迁移6种功能。反之，任何系统如果具有这6种功能，那么它就能够表现出智能(人类所具有的智能)。 物理符号系统的假设伴随有3个推论。
推论一: 既然人具有智能，那么他(她)就一定是个物理符号系统。
推论二: 既然计算机是一个物理符号系统，它就一定能够表现出智能。
推论三: 既然人是一个物理符号系统，计算机也是一个物理符号系统，那么我们就能够用计算机来模拟人的活动。
1-4. 人工智能的主要研究和应用领域是什么？其中，哪些是新的研究热点？
问题求解 (下棋程序)，逻辑推理与定理证明 (四色定理证明)，自然语言理解，自动程序设计，专家系统，机器学习，神经网络，机器人学 (星际探索机器人)，模式识别 (手写识别，汽车牌照识别，指纹识别)，机器视觉 (机器装配，卫星图像处理)，智能控制，智能检索，智能调度与指挥 (汽车运输高度，列车编组指挥)，系统与语言工具
新的研究热点：
分布式人工智能与Agent，计算智能与进化计算，数据挖掘与知识发现 (超市市场商品数据分析)，人工生命
1-5. 人工智能的发展对人类有哪些方面的影响？试结合自己了解的情况和理解，从经济、
社会和文化等方面加以说明？ 1-6. 试评述人工智能的未来发展。
第2部分 知识表示
2-1. 什么是知识？知识的要素有哪些？知识的表示方法有哪些？
知识是高度组织起来的信息集团，是人们在长期的生活和社会实践中、科学研究和科学实验中积累起来的经验或对客观世界规律的认识等。
? 常用的知识表示形式
? 状态空间图 ? 与或图 ? 谓词逻辑 ? 产生式
? 框架 ? 语义网络 ? 关系图
2-2. 如何用谓词公式表示知识?
2-3. 什么是盲目搜索？什么是启发式搜索？各有什么特点？
盲目搜索：无向导的搜索，也称穷举搜索。
启发式搜索：利用“启发性信息”作为导航的搜索过程。 对于较大或无限状态空间问题，盲目搜索效率太低，所以在实际当中往往是不可行的。启发式搜索广泛地应用于实际问题求解中，如博弈、机器学习、数据挖掘、智能检索等。
2-4. 博弈树搜索最常用的方法是什么？如何用于求最佳走步？
用极小极大分析方法求最佳走步的具体过程是：
? 首先，按扩展深度限制（回合数）扩展结点，对末端结点求静态估值； ? 然后，对内部结点按极小极大化分析方法求倒推值； ? 最后，根据根结点的倒推值决定一个最佳走步； ? 重复上面分析过程，直到扩展到终局。
每扩展一次，对内部结点都用新的倒推值代替原来的静态估值或原来的倒推值。如果一个行动方案能获得较大的倒推值，则它就是当前最好的行动方案。
第3部分 机器推理技术 3-1. 什么是推理？推理的任务、分类。
推理是人脑的一个基本功能和重要功能，几乎所有的人工智能领域都与推理有关。因此，要实现人工智能，就必须将推理的功能赋予机器，实现机器推理。机器推理也称为是计算机推理，或自动推理，它也是人工智能的核心课题之一。 3-2. 什么是置换？什么是合一？什么是归结？
一个替换（Substitution）是形如{t1/x1, t2/x2, …, tn/xn}的有限集合，其中t1, t2, …, tn是项，称为替换的分子；x1, x2, …, xn是互不相同的个体变元，称为替换的分母；ti, xi不同， xi不循环出现在tj中；ti/xi 表示用ti替换xi 。若其中t1, t2, …, tn是不含变元的项（称为基项）时，该替换为基替换；没有元素的替换称为空替换，记作ε，表示不作任何替换。
设有一个公式集F＝{F1,F2,…,Fn} ，若存在一个替换λ ，可使 F1 λ =F2 λ =…=Fn λ ，则称λ为F的一个合一，称F为可合一的。
设C1， C2是命题逻辑中的两个子句，C1中有文字L1 ，C2中有文字L2 ，且L1与L2
互补，从C1 、 C2中分别删除L1 、L2 ，再将剩余部分析取起来，构成的新子句为C1 2，则C1 2为C1 、 C2的归结式，C1 、 C2称为其归结式的亲本子句，称L1 、L2 为消解基。
C1，C2为无相同变元的子句；L1，L2为其中的两个文字，L1和?L2有最一般合一σ；C1，C2的二元归结式（二元消解式）为：（C1 σ －{L1 σ}） ∪ （ C2 σ－ {L2 σ}）。其中C1，C2称作归结式的亲本子句；L1，L2称作消解文字。
3-3. 把谓词公式化为子句集有哪些步骤? 请结合例子说明之。
1、消蕴含词和等值词
理论根据：A?B ??A ?B A?B ? (?A ?B) ?( ?B ?A) 2、移动否定词作用范围，使其仅作用于原子公式
3、适当改名，使变量标准化
4、 消去存在量词 (Skolem化）,同时进行变元替换 原则：
①若该存在量词不在任何全称量词的辖域内，则用一个常量符号代替该存在量词辖域内的相应约束变元，这个常量叫Skolem常量； ②若该存在量词在全称量词的辖域内，则用这些全称量词指导变元的一个函数代替该存在量词辖域内的相应约束变元，这样的函数称为Skolem函数。 5、消去所有全称量词。 6、化公式为合取范式
7、适当改名，使子句间无同名变元
8、消去合取词，以子句为元素组成一个集合S 3-4. 3-5.
把谓词公式变换成子句形式：
简述用归结法证明定理的过程（消解反演求解过程）。请结合例子说明之。 步1 否定目标公式G，得到? G；
步2 将 ? G并入到公式集中； 步3 将公式集化子句集，得到子句集S； 步4 对S 进行归结，每次归结的结果并入到S 中。如此反复，直到得到空子句为止。此时，就证明了在前提 3-6.
为真时，结论G为真。
如何通过归结原理求取问题的答案? 请结合例子说明之。
步1 把已知前提用谓词公式表示出来，并且化为相应的子句集S。
步2 为待求解的问题找一个合适的求证目标谓词，化为相应的子句，再对子句以析取的形式增配一个辅助谓词构成新的子句，并入到子句集S中形成子句集S’。辅助谓词的谓词名没有要求，但是它的变量必须要与对应目标谓词中的变量完全一致。 步3 对子句集S’应用归结原理进行归结。
步4 当归结式只剩下辅助谓词时，归结结束，辅助谓词中原变量位置上的项就是所求的结果。
3-7. 与/或形规则演绎系统有哪几种推理方式? 各自的特点如何？ 说明推理过程。请结合例子说明之。
正向演绎推理:从代表初始事实的谓词公式F0出发通过一组F－规则{F1，……，F2}来证明目标公式G成立。
? 不断将规则L=>W利用匹配弧连接在与或图的L叶结点上；目标文字G本身
可看作G =>G作用在与或图上；
? 一致解树各个叶结点都终止在目标节点，成功终止。
反向演绎推理:从代表目标的谓词公式出发，通过一组B－规则证明事实公式成立。
? 目标谓词公式的与或图中有一节点标为L’，且可与L合一，则可将规则作用
在该与或树上。其结果使在与或树上从L’引出一条匹配弧，连接一个以L为根，表示Wσ的与或图， σ为L与L’的最一般合一。
双向演绎推理:分别从基于事实的F-规则正向推理出发，也从基于目标的B-规则逆向推理出发，同时进行双向演绎推理。
第4部分 不确定推理
4-1. 研究不确定性推理有何意义?有哪几种不确定性?
不确定性：知识和信息中含有的不肯定、不可靠、不准确、不精确、不严格、不严密、不完全甚至不一致的成分。
按性质、产生的原因及表现形式分类：
随机不确定性、模糊不确定性、不完全性、不一致性
4-2. 在什么情况下需要采用不确定推理 ?
4-3. 简述概率方法、 Bayes网等不确定推理方法。请结合例子说明之。
经典概率方法：
设有如下产生式规则：
IF E THEN H 其中，E为前提条件，H为结论，具有随机性。
根据概率论中条件概率的含义，我们可以用条件概率P(H|E) 表示上述产生式规则的不确定性程度，即表示为在证据E出现的条件下，结论H 成立的确定性程度。
对于复合条件 E = E1 AND E2 AND … AND En
可以用条件概率P(H|E1,E2,…En)作为在证据出现时结论的确定程度。
贝叶斯网络推理：根据贝叶斯网络的结构特征和语义特征，基于网络中的一些已知节点（证据变量），利用这种概率网络就可以推算出网络中另外一些节点（查询变量）的概率，即实现概率推理。
4-4. Bayes网的两个要素是什么？Bayes网蕴涵的条件独立假设是什么？简述Bayes网的推理模式。请结合例子说明之.
第5部分 机器学习
5-1 什么是学习和机器学习?为什么要研究机器学习?
学习：系统在不断重复的工作中对本身能力的增强和改进，使得系统在下一次执行同样任务或类似任务时会比现在做得更好或效率更高（西蒙）。
机器学习：实现通过经验来提高对某任务处理性能的行为的计算机程序。
机器学习是人工智能的主要核心研究领域之一, 也是现代智能系统的关键环节和瓶颈。 来自生物、金融与网络等各领域的数据，迫切需要分析或建立模型。
5-2 试述机器学习系统的基本结构，并说明各部分的作用。
学习环节知识库 执行环节环境（学习算法）（目标）
5-3 简述机器学习十大算法的每个算法的核心思想、工作原理、适用情况及优缺点等。 5-4 什么是有监督学习？什么是无监督学习？无监督学习与有监督学习方法有何区别？ 5-5 简述决策树方法及其使用场合；在构造决策树的过程中，测试属性的选取采用什么原
则？如何实现？请结合例子说明之。 决策树的表示
? 决策树的根节点和内部节点对应于对实例的某个属性的测试 ? 每个节点的所有分支对应于该节点所对应属性的全部可能取值 ? 叶子节点给出实例的正确分类
? 从根节点到叶子节点的每一条路径对应一组属性测试的合取 ? 整棵树对应这些合取的析取。 测试属性采取：
? 学习系统要求训练样例的分布能较好地表示实例分布。
? 当训练样例的分布和未来全部实例分布相似时，学习效果具有最大的可信度。 ? 机器学习理论假设：训练样例的分布和未来全部实例分布相似。（实践中这一假设
经常不成立）
5-6 简述贝叶斯学习方法，有哪些特性？朴素贝叶斯分类器基于的假定是什么？请结合例
子说明之。 极大后验假设：在假设集合H中中寻找给定数据D时可能性最大的假设h，h被称为极大后验假设（MAP）
确定MAP的方法是用贝叶斯公式计算每个候选假设的后验概率，计算式如下 P(D|h)P(h)h?argmaxP(h|D)?argmax?argmaxP(D|h)P(h)MAP h?Hh?Hh?HP(D)
最后一步，去掉了P(D)，因为它是不依赖于h的常量