ArtificialIntelligence
绪论
人工智能
定义
关于知识的学科,即知识的表示,知识的获取,知识的运用
分类
- 弱人工智能
- 强人工智能
- 类人工智能
- 非类人工智能
发展历史
- 孕育期 1956之前 计算机ENIAC
- 形成阶段 1956-1974
- 发展阶段 1974-
三大学派
| 派别 | 含义 | 代表人物 | 技术 |
|---|---|---|---|
| 符号主义 | 智能=物理符号系统+符号表示+符号处理 | 西蒙 纽厄尔 | 逻辑推理系统 |
| 联接主义 | 智能=神经元之间相互关联 | 麦克洛奇 匹兹 | 脑神经模型 |
| 行为主义 | 智能=感知+行为+进化 | 布鲁克斯 | 生物进化模型 |
AI三元论
- 计算机科学
- 逻辑学
- 认知科学
知识表示
概述
知识
- 数据: 是最原始的记录，未被加工解释，没有回答特定的问题
- 信息: 利用信息技术对数据进行加工处理，使数据之间建立相互联系
- 知识: 不是数据和信息的简单积累，知识是可用于指导实践的信息
分类
-
作用范围
- 尝试性知识
- 领域性知识
-
作用效果
- 事实性知识
- 过程性知识
- 控制性知识
-
等级
- 零级: 回答 what why
- 一级: how
- 二级: 如何使用过程知识的知识
-
知识
- 逻辑性知识
- 形象性知识
-
确定性
- 确定性知识
- 不确定性知识
谓词逻辑表述
概念
-
数理逻辑:命题逻辑和谓词逻辑
-
命题: 意义明确,可以判别真假,陈述句
-
命题逻辑:意义明确,可以判别真假,陈述句
- 有真假意义的感叹句不是命题
- 疑问句不是命题
- 无法判断真假的不是命题
谓词逻辑表述
概念
-
论域：由所讨论对象的全体构成的集合。
-
个体：论域中的元素。在谓词中，个体可以是常量、变元或函数。
-
谓词名: 是命题的谓语，表示个体的性质、状态或个体之间的关系；
-
谓词:由谓词名和个体组成,若谓词中的个体都为常量，变量或函数，则称它为一阶谓词
- A(x)称为一元谓词
- B(x,y)称为二元谓词
- M(x,y,z)称为三元谓词
- B(A(x))二阶谓词
-
谓词: 设D是个体域，P：\(D^n\)→{T，F｝是一个映射，其中则称P是一个n元谓词，记为P(x1 ,x2 ,…,xn )，其中， x1 ,x2 ,…,xn为个体。
-
函数: 设D是个体域，f：\(D^n\)→D是一个映射，则称f是D上的一个n元函数，记作f(x1,x2,…,xn)其中， x1 ,x2 ,…,xn为个体。
- 谓词是D到{T，F}的映射，函数是D到D的映射；
- 谓词的真值是T和F，函数的值（无真值）是D中的元素；
- 谓词可独立存在，函数只能作为谓词的个体。
Example: Greater(x,A): x变元,A常量,Greater表示 谓词"..大于.."
连词
- ¬： “非”或者“否定”。表示对其后面的命题的否定
- ∨ ：“析取”。表示所连结的两个命题之间具有“或”的关系
- ∧ ：“合取”。 表示所连结的两个命题之间具有“与”的关系。
- → ： “条件”或“蕴含”。表示“若…则…”的语义。读作“如果P，则Q”， 其中，P称为条件的前项， Q 称为条件的后项。
- ↔ ：称为“双条件”。它表示“当且仅当”的语义。 即读作“P当且仅当Q”。 例如，对命题P和Q，P↔Q表示“P当且仅当Q”
| P | Q | ¬P | P∨Q | P∧Q | P→Q | P↔Q |
|---|---|---|---|---|---|---|
| T | T | F | T | T | T | T |
| T | F | F | T | F | F | F |
| F | T | T | T | F | T | F |
| F | F | T | F | F | T | T |
PS:若P则Q,P条件严谨,Q条件宽松.T→F 为 F,不可能发生,其他三项可能发生.
量词
- 量词
- \(\forall\): 全称量词
- \(\exist\): 存在量词
- 辖域:邻接量词之后的最小公式
- 原子公式
- []
- 约束变元:在量词\(\forall\)x，\(\exist\)x 辖域内变元x的一切出现叫约束出现
表示
- 定义谓词
- 表示谓词
首先定义谓词：
I（x）：x是整数。
E（x）：x是偶数。
O（x）：x是奇数。
此时，该知识可用谓词表示为：（\(\forall\)x）( I(x) →E(x) ∨O(x) )
产生式表示法
事实和规则
事实的表示
- （对象，属性，值） (snow, color, white) 或（雪，颜色，白）
- （关系，对象1，对象2）(love, Wang Feng, country) 或（热爱，王峰，祖国）
- （对象，属性，值，可信度因子） （large than ,lier , wangsan , 0.9）
规则的表示
描述事物之间的因果关系。规则的产生式表示形式常称为产生式规则，简称为产生式或规则。
产生式
表示
P→Q 或者 IF P THEN Q
产生式系统
- 组成
- 推理机
- 规则库
- 综合数据库
语义网络表示法
用语义网络表示知识的问题求解系统主要由两大部分所组成，一部分是由语义网络构成的知识库，另一部分是用于问 题求解的推理机。 语义网络的推理过程主要有两种，另一种是匹配，一种是继承。
框架表示法
框架表示的问题求解系统由两部分组成，一是由框架及其相互关联构成的知识库，二是用于求 解问题的解释程序，即推理机。
在框架系统中，问题求解主要是通过对框架的继承、匹配与填槽来实现的。
搜索策略
基本概念
搜索策略分类
- 根据问题的表示方法
- 状态空间搜索
- 与/或树搜索
- 是否使用启发式信息
- 盲目搜索
- 启发式搜索
状态空间法
三要点
- 状态: SK={Sk0,Sk1,…}
-
SK是一个有序集合
-
Sk0 为集合的分量，称为状态变量
在这种表示方法中，当对每一个分量都给予确定的值时，就得到了一个具体的状态。 其中，每一个分量称为状态分量。
-
操作
把问题从一种状态变换为另一种状态的手段； 操作符可以是走步、过程、规划、数学算子、运算符号或逻辑符号 。
-
状态空间
状态空间(State space)用来描述一个问题的全部状态以及这些状态之间的相互关系。三元组(B,F,G),其中B是问题初始状态的集合；F是算符的集合；G是B的一个非空子集，目标状态的集合。
example
- 状态变量声明
S =（w,x,y,z）
w=猴子的水平位置; x=箱子的水平位置; y=猴子是否在台上; z=猴子是否摘到香蕉
- 列举所有状态,排除不合法状态,指出初始状态,目标状态
S0=(a,b,0,0), S1=(b,b,0,0) , S2=(c,c,0,0)，S3=(c,c,1,0), S4=(c,c,1,1)
初始状态: S0=(a,b,0,0) 目标状态: S4=(c,c,1,1)
- 定义操作集合F
F={Goto(b)， Pushbox(c):， Climbbox， Grasp}
- Goto(b) :猴子走到位置u
- Pushbox(c):猴子推着箱子走到位置v
- Climbbox:猴子爬上箱子
- Grasp :猴子拿到香蕉
- 绘制状态空间图
问题规约法
基本思想
概念
- 节点与弧线
- 父节点：是一个初始问题或是可分解为子问题的问题节点。
- 子节点：是一个初始问题或是子问题分解的子问题节点。
- 或节点：只要解决某一个问题就可以解决其父问题的节点集合。
- 与节点：只有解决所有子问题，才能解决其父问题的节点集合。
- 端节点：没有子节点的节点。
- 终止节点：本原问题所对应的节点。终止节点一定是端节点，而端节点却不一定是终止节点。
- 弧线：是父辈节点指向子节点的圆弧连线。
-
变换-或树
P可以规约为一组子问题P1，P2 ，…Pn ，并且子问题Pi只要一个有 解，则问题P就有解，只有当所有问题Pi都无解时原问题P才无解
-
分解-与树
P可以规约为一组子问题P1，P2 ，…Pn ，只有当所有子问题Pi都有 解时原问题P才有解，任何一个子问题Pi无解都会导致原问题P无解
状态空间搜索
一般图搜索
图
深度从零开始
OPEN表CLOSE表
-
OPEN
- 用于存放刚生成的节点，作为待考察的对象。
- “有进有出”动态数据结构
- 对于不同的搜索策略，节点在OPEN表中的排列顺序是不同的。
-
CLOSE
- 用于存放将要扩展(生成子节点)或已经扩展的节点，记录求解信息。
- “有进无出”动态数据结构
- 当前节点进入CLOSE表的最后
搜索思想
-
将问题的初始状态作为当前扩展节点对其进行扩展，生成一组子节点，然后检查目标状态是否出现在这些节点中。
-
如果出现，表面搜索成功，即找到了问题的解。
-
如果没有出现，则再按照某种策略从已生成的子节点中选择一个节点作为当前的扩展节点。
-
重复上述过程，直到目标状态出现在子节点中或者没有可供扩展的节点为止。
搜索过程
图搜索分类
- 盲目搜索
- 一般图搜索
- DFS
- BFS
- 代价数搜索
- 启发式搜索
- A算法
- A*算法
BFS
- 优点
- 只要问题有解，用广度优先搜索总可以得到解，而且得到的是路径最短的解。
- 缺点
- 广度优先搜索盲目性较大，当目标节点距初始节点较远时将会产生许多无用节点，搜索效率低。
DFS
- 优点
- DFS能找出所有解决方案。
- 缺点
- DFS能找出所有解决方案。
- 一般不能保证找到最优解。