（eg.遗传算法步骤，专家系统组成及各部分功能，PSO算法和蚁群算法）

1.搜索的定义：按照一定策略或规则从知识库中寻找可利用的知识构造，解决问题的推理路线的过程。

搜索的方向：

盲目搜索：在不具有对特定问题的任何有关信息的条件下，按固定的步骤（依次或随机调用操作算子）进行的搜索。

启发式搜索：考虑特定问题领域可应用的知识，动态地确定调用操作算子的步骤，优先选择较适合的操作算子，尽量减少不必要的搜索，以求尽快地到达结束状态。

2.状态空间表示法

状态空间

状态集合/操作算子的集合/包含问题的初始状态/包含问题的目的状态

求解路径：从S0 结点到S结点的路径。

状态空间的一个解：有限的操作算子序列。

3.八数码问题（重排九宫格）

状态空间：所有的摆法，数目为9！

操作集合：将空格向上下左右移动4个。

有向图描述：

如果S10为目标状态，那么O2,O6,O10就是一个解。

4.盲目的图搜索策略

图搜索思想：

数据结构：OPEN表、CLOSED表

用于存放刚生成的节点作为待考察对象。

“有进有出”动态数据结构。

节点进入OPEN表的顺序由搜索策略决定。

存放将要扩展或已经扩展的节点，记录求解信息。

“有进无出”动态数据结构。

当前节点进入closed表的最后。

回溯搜索算法

（1）PS（path states）表：保存当前搜索路径上的状态。

（2）NPS（new path states）表：新的路径状态表。

（3）NSS（no solvable states）表：不可解状态集。

数据结构：

OPEN表（NPS表）：已经生成出来但其子状态未被搜索的状态。

CLOSED表（ PS表和NSS表的合并）：记录了已被生成扩展过的状态。

搜索次序：  

宽度优先搜索算法的OPEN表是队列结构，后进先出。

深度优先搜索算法的OPEN表是堆栈结构，后进先出。

两个例题重点看！！！

5.启发式图搜索策略

启发式策略：利用与问题有关的启发信息进行搜索。

关键：如何寻找一个h（n）构造f(n),以f(n)大小来排列待扩展状态，以最小者进行扩展。

估价函数（evaluation function）：估算节点“希望”程度的量度。

g(n)：从初始节点 S0 到节点 n 的实际代价 ；

h(n)：从节点 n 到目标节点 Sg 的最优路径的估计代价，称为启发函数。

A搜索算法

在图搜索算法中，如果能在搜索的每一步都利用估价函数

对open表中的节点（带扩展的节点）进行评价、排搜索次序，则该搜索算法为A算法。

A*算法

A*算法能保证一定能找到一条最短路径。

限制：

g(n)是对最小代价g*(n)的估计，且g(n) ≥g*(n)

h(n)是最小代价h*(n)的下界，即对任意节点n均有h(n) ≤h*(n)。

1.受自然界和生物界规律的启迪，人们根据其原理模仿设计了许多求解问题的算法，包括人工神经网络、模糊逻辑、遗传算法、DNA计算、模拟退火算法、禁忌搜索算法、免疫算法、膜计算、量子计算、粒子群优化算法、蚁群算法、人工蜂群算法、人工鱼群算法以及细菌群体优化算法等，这些算法称为智能计算也称为计算智能

2.进化算法EA：是基于自然选择和自然遗传等生物进化机制的一种搜索算法，包括遗传算法，遗传规划，进化策略，进化规划。通过选择、重组（交叉）和变异这三种操作实现优化问题的求解。

5个设计原则

3.遗传算法（GA）：借鉴生物界自然选择和自然遗传机制的随机搜索算法。

遗传算法的步骤（20级考题简答） 

基本思想：在求解问题时从多个解开始，然后通过一定的法则进行逐步迭代以产生新的解。

1965霍兰德首次提出遗传算法。

基本要素：

编码

一维染色体编码方法：将问题空间的参数编码为一维排列的染色体的方法。

二进制编码：用若干二进制数表示一个个体，将原问题的解空间映射到位串空间 B={0，1}上，然后在位串空间上进行遗传操作。

Gray编码:将二进制编码通过一个变换进行转换得到的编码。

采用实数表达法不必进行数制转换，可直接在解的表现型上进行遗传操作。

把每个参数先进行二进制编码得到子串，再把这些子串连成一个完整的染色体。

种群规模一般取20-100，模式定理表明：若群体规模为M，则遗传操作可从这M的三次个个体中生成和检测     个模式，并在此基础上能够不断形成和优化积木块，直到找到最优解。

适应度函数：区分群体中个体好坏的标准。

适应度函数尺度变换（定标）：对适应度函数值域的某种映射变换。

线性变换

幂函数变换法：

指数变换法：

4.选择操作：从当前群体中按照一定概率选出优良的个体，使它们有机会作为父代繁殖下一代子孙。（个体适应度越高，其被选择的机会就越多。  ）

交叉：

部分匹配交叉PMX

变异：

可行调度：

A：784|239|165

B：891|567|243

5.遗传算法的改进

（1）双倍体遗传算法

采用显性和隐性两个染色体同时进行进化。

（2）双种群遗传算法

使用多个种群同时进化，交换种群之间最好个体所携带的遗传信息。

（3）自适应遗传算法AGA

交叉概率和变异概率可以随适应度自动改变

6.粒子群优化算法PSO

基本原理：PSO初始化为一群随机粒子，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解称为个体极值。另个一是整个种群目前找到的最优解，

7.蚁群算法 一种应用于组合优化问题的启发式搜索算法。

要知道信息素挥发度，过大和减小都会负面影响算法性能。

1.专家系统：一类包含知识和推理的智能计算机程序 。

2.专家系统的特点

（1）具有专家水平的专业知识。

（2）能进行有效的推理。 

（3）启发性。

（4）灵活性。

（5）透明性。

（6）交互性。

3.专家系统与传统程序的最大区别：专家系统是依据知识和推理来求解

4.专家系统的组成（六部分）

5.知识获取

过程：抽取知识、知识的转换、知识的输入、知识的检测 。

模式：非自动知识获取、自动知识获取、半自动知识获取。

6.机器学习使计算机能模拟人的学习行为，自动地通过学习来获取知识和技能，不断改善性能，实现自我完善。

学习系统：一个学习系统一般应该有环境、学习、知识库、执行与评价等四个基本部分组成。

7.机器学习按学习能力分类：

 强化学习（激励学习/再励学习/增强学习-评价反馈

监督学习-响应反馈

 非监督学习（无教师学习）-无反馈

8.示例学习：从例子中学习

指导式学习：向系统提供一般性的指示或建议进行学习

机械式学习：通过直接记忆或者存储外部环境所提供的信息达到学习的目的

9.知识发现：KDD，从数据库中发现知识。

知识发现过程分为3步：数据准备（数据选取、数据预处理和数据变换）、数据挖掘以及结果的解释评估。

知识发现方法：统计方法，粗糙集，可视化，传统机器学习方法

聚类：根据数据的不同特征，将其划分为不同的类。

分类：提出一个分类函数或分类模型

10.专家系统的开发步骤。

11.专家系统的开发工具：

通用知识表达语言OPS5。OPS5的组成：产生式规则库、推理机、数据库。

程序设计语言：PROLOG语言，LISP语言

1.人工神经网络ANN是一个用大量简单处理单元经广泛连接而组成的人工网络，是对人脑或生物神经网络若干基本特性的抽象和模拟。

2.决定人工神经网络性能的三大要素：

神经网络的结构有前馈型和反馈型；工作方式有同步和异步

神经网络知识表示是一种隐式的表示方法。

Hebb学习规则：当某一突触两端的神经元同时处于兴奋状态，那么该连接的权值应该增强。

神经元的数学模型（三部分）：加权求和，线性动态系统，非线性函数映射。

4.BP神经网络（多层前向网络）（输入层、隐层、输出层）

 层与层的连接是单向的，信息的传播是双向的。

BP学习算法：

正向传播：输入信息由输入层传至隐层，最终在输出层输出。

反向传播：修改各层神经元的权值，使误差信号最小。

5.Hopfield神经网络 是单层全互联反馈神经网络，每个神经元互相连接。

6.卷积神经网络 是深度学习的基础

4个关键技术：局部连接，权值共享，多卷积核，池化。

卷积运算（乘积之和）：

7.生成对抗网络GAN使用对抗训练机制对两个神经网络进行训练

最成功的领域：计算机视觉

1.智能体（Agent）是一个程序或者一个实体，它嵌入在环境中，通过传感器(sensors)感知环境，通过效应器（effectors）自治地作用于环境并满足设计要求。（Agent看做人，眼睛耳朵为传感器，手脚嘴为效应器）

体系结构：反应/慎思/复合

特性：自主性，反应性，社会性，进化性

2.智能体的结构：接受传感器的输入，然后运行Agent程序，并把执行的结果传送到效应器进行动作。

结构的分类：反应式体系结构、慎思式体系结构和混合式体系结构。

Agent=体系结构+程序

3.多智能体系统MAS：多个智能体构成的系统。

MAS的体系结构：网络结构，联盟结构，黑板结构

MAS的基本类型：BDI模型，协商模型，协作规划模型，自协调模型

MAS的通信过程：

MAS的通信类型：Tell和Ask，形式语言

通信方式：黑板系统（知识源，黑板，监控机制）和消息/对话系统

通信语言：知识交换格式语言KIF和知识查询操纵语言KQML

MAS的协调协作协商