人工智能导论(5 |
您所在的位置:网站首页 › 人工智能导论第八章bp算法课后答案解析 › 人工智能导论(5 |
大题在2-5章,其他章节记重要名词和重要算法。
(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) 五.搜索求解策略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: 数据驱动:从初始状态出发的正向搜索。目的驱动:从目的状态出发的逆向搜索。双向搜索。两个方向同时进行。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: 问题初始状态作为当前状态,选择算符进行操作,生成子状态,检查目标状态是否出现。若出现,则搜索成功,找到问题解;否则,从已生成状态中再选一个状态作为当前状态。重复上述过程,直到目标状态出现或不再有可供操作状态及算符(操作)为止。数据结构:OPEN表、CLOSED表 OPEN表:记录待扩展的节点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。 CLOSED表:记录已扩展的节点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。 回溯策略:从初始状态出发,不停地、试探性地寻找路径,直到它到达目的或“不可解结点”,即“死胡同”为止。若它遇到不可解结点就回溯到路径中最近的父结点上,查看该结点是否还有其他的子结点未被扩展。若有,则沿这些子结点继续搜索;如果找到目标,就成功退出搜索,返回解题路径。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。 宽度优先搜索策略BFS: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。 深度优先搜索策略DFS: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)。 六.智能计算及其应用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 适用性原则可靠性原则收敛性原则稳定性原则生物类比原则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: 参数编码(遗传编码)初始群体的设定(初始化种群)适应度函数的设计遗传操作设计(选择、交叉、变异)控制参数设定(算法参数)编码 位串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。 实数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。 多参数级联编码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: 欺骗问题:将所有妨碍适应度值高的个体产生,从而影响遗传算法正常工作的问题统称为欺骗问题过早收敛:缩小这些个体的适应度,以降低这些超级个体的竞争力。停滞现象:改变原始适应值的比例关系,以提高个体之间的竞争力。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。 七.专家系统与机器学习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 八. 人工神经网络及其应用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: 神经元的特性。神经元之间相互连接的形式——拓扑结构。为适应环境而改善性能的学习规则。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。 离散型Hopfield神经网络连续型Hopfield神经网络及其VLSI实现随机神经网络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 九.智能体与多智能体系统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: 发送方将自己的思想翻译成通信所用语言的格式;发送方将语言格式加载到通信传播媒体,如声音、文字和图像;传播载体到达接收方;接收方读取载体中的语言代码;接收方在思维空间中将语言代码按其格式翻译为思想,从而熟悉发送方的意识状态。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 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |