简介面向软件工程等专业修读人工智能导论课程的学生这份整理聚焦教材第五版中的简答题与名词解释可用于期末复习、课堂笔记补充和概念自查。内容围绕逻辑思维、形象思维与顿悟思维的差异符号表示法和连接机制表示法机器学习的学习机理、方法与学习系统组成模式识别、人工神经网络以及知识不确定性、一阶谓词逻辑、产生式系统的基本结构和工作过程、框架表示法、知识图谱的逻辑结构与构建过程等高频考点展开按问答形式归纳关键定义与答题要点。包内共1个PDF文件压缩包约2.65MB篇幅集中、便于打印或平板标注适合快速检索和背诵。已有1021人学习可作为梳理人工智能基础概念、查漏补缺的轻量复习材料。1. 113 条考点压成五条主线先看清这份整理省了哪一步考前一周翻开《人工智能导论》最难受的不是没背是背了找不到落点简答题要写“区别”和“流程”名词解释要一句话说准可概念散在十几章里逻辑思维和产生式隔了半本书知识图谱和 BP 网络又像两门课。这份“人工智能导论简答题名词解释整理”做的事很朴素——把 113 条按知识表示、推理、搜索、智能计算、专家系统五条线重新排了一遍每条都按考试能直接落笔的粒度写。适合三类人软件工程专业临考冲刺的、跨专业补基础的、面试前想快速过一遍概念边界的。它不替代教材替代的是你从目录里一条条捞考点的时间。2. 知识表示的两条路线三类思维、符号与连接、产生式与框架2.1 三类思维别背三段定义背三条对照轴逻辑思维、形象思维、顿悟思维这三个词很多人背完定义就忘原因是把它们当成三段独立文字在记。真正要写进简答题的是“不同”所以得先找到能对比的轴思维过程是串行还是并行、能不能形式化、信息不完整时结果还靠不靠得住。对照轴逻辑思维抽象思维形象思维直感思维顿悟思维灵感思维过程形态串行并行协同式不定期、突发形式化难度容易形式化形式化困难非线性、带模糊性结果可靠性严密、可靠信息变形或缺失时仍可能得到较满意结果独创性强但不可预期与另外两者的关系基础基础穿插于形象思维与逻辑思维之中按这张表答题先写“三者差别体现在过程形态、形式化程度和信息缺失下的表现三个维度”再逐条展开最后补一句“顿悟思维并非独立于前两者而是穿插其中”。这样写出来是分析不是复述。血泪经验是只写“逻辑思维靠逻辑、形象思维靠直觉”这种同义反复阅卷时基本拿不到结构分。2.2 符号表示法与连接机制一条分界线划开后面所有内容符号表示法的定义要抓住“符号 组合方式”两个要素用包含具体含义的符号以不同方式和顺序组合起来表示知识一阶谓词逻辑、产生式都属于这一类。连接机制表示法则强调“物理对象以某种方式连接在连接之间传递和加工信息”神经网络是典型。两者的根本分界只有一句话知识究竟存放在符号结构里还是存放在连接权重里。这条线一旦立住后面所有概念都能挂上去。人工神经网络是“大量简单处理单元经广泛连接组成的人工网络用来模拟大脑神经系统的结构和功能”它站在连接派这一侧产生式、框架、知识图谱站在符号派这一侧。机器思维是对通过感知得来的外部信息和机器内部工作信息进行有目的的处理它不偏向任何一派是两派都要实现的目标。模式识别则是研究对象描述和分类方法的学科分析和识别的模式可以是信号、图像或者普通数据。机器学习这条线要单独记结构因为简答题常问“机器学习主要研究哪三方面问题”学习机理人类获取知识、技能和抽象概念的天赋能力、学习方法在对生物学习机理简化的基础上用计算方法再现、学习系统。学习系统的组成是四个基本部分——环境、学习、知识库、执行与评价。这里有个容易翻车的细节不少人把“执行”和“评价”拆成两块写成五个部分。原文的写法是“环境、学习、知识库、执行与评价等四个基本部分”答题时按四块写把执行与评价合并成一块更稳。2.3 知识、知识表示与四个不确定性来源知识的定义落在“长期生活、社会实践、科学研究及实验中积累起来的对客观世界的认识与经验”。知识表示则是把人类知识形式化或者模型化是对知识的一种描述或者说是一组约定一种计算机可以接受的用于描述知识的数据结构。这两句要能一口气写出来因为很多简答题的第一句就是它们。知识的不确定性有四个来源随机性、模糊性、经验性、不完全性。这四个词不是并列背完就完事它们是后面四类方法的索引随机性对应证据理论这类带概率度量味道的方法模糊性对应模糊集合与隶属函数经验性对应可信度 CF因为 CF 本身就是“根据经验对一个事物或现象为真的相信程度”带较大主观性和经验性不完全性对应默认推理即在知识不完全的情况下假设某些条件已经具备再往下推。把这层映射记住遇到“为什么用 CF 而不是概率”这类追问就不会卡住。顺带把知识发现这条支线挂在这里。知识发现全称是从数据库中发现知识KDD数据挖掘DM是从数据库中挖掘知识两者目的都是从数据集中抽取和精化一般规律或模式。任务是数据总结、概念描述、分类、聚类、相关性分析、偏差分析、建模方法是统计方法、粗糙集、可视化、机器学习方法。这部分常以名词解释或填空出现不需要展开成章节。2.4 一阶谓词逻辑优点四条局限三条一阶谓词逻辑表示法的优点自然性、精确性、严密性、容易实现。局限性不能表示不确定的知识、组合爆炸、效率低。这七条几乎是固定答案但要注意“容易实现”和“效率低”不矛盾——前者指表示机制本身实现简单后者指推理过程中的搜索空间膨胀。答题时建议按“表示能力—推理效率—适用场景”三层收表示能力上精确但不覆盖不确定知识推理效率上容易组合爆炸适用场景上适合规则明确、领域知识边界清晰的题。这样即使题目换成“为什么产生式比谓词逻辑更适合某场景”也能顺着这三层推出来。2.5 产生式系统三部件与五步工作过程产生式系统的基本结构是三件套规则库用于描述相应领域内知识的产生式集合综合数据库也叫事实库、上下文、黑板用于存放问题求解过程中各种当前信息控制系统也叫推理机构由一组程序组成负责整个产生式系统的运行实现对问题的求解。工作过程五步是高频简答题必须完整从规则库中选择与综合数据库中的已知事实进行匹配。匹配成功的规则可能不止一条进行冲突消解。执行某一规则时如果右部是一个或多个结论把这些结论加入综合数据库如果右部是一个或多个操作则执行这些操作。对于不确定性知识执行每条规则时还要按一定算法计算结论的不确定性。检查综合数据库中是否包含最终结论决定是否停止系统运行。第 4 步和第 5 步是最容易漏的两步。很多人背成“匹配—消解—执行”三步就交卷结果丢一半分。记法可以压缩成一句口诀匹配、消解、执行、算不确定、判终止。第 4 步存在的意义是产生式可以表示不精确知识第 5 步存在的意义是系统必须有终止条件否则就是死循环。产生式表示法的特点分两块。优点是自然性、模块性、有效性、清晰性缺点是两个——效率不高、不能表达结构性知识。适合用产生式表示的知识有三类领域知识间关系不密切、不存在结构关系经验性及不确定性的知识且相关领域中没有严格统一的理论领域问题的求解过程可被表示为一系列相对独立的操作且每个操作可被表示为一条或多条产生式规则。这三条其实是缺点的另一面正因为不能表达结构性知识它才适合那些本来就没有结构关系的领域。产生式与谓词逻辑中蕴含式的区别是这一节最容易被扣分的地方答案只有两条但每条都要写透区别点蕴含式产生式涵盖范围只有逻辑蕴含除逻辑蕴含外还包括各种操作、规则、变换、算子、函数等能否表示不精确知识只能表示精确知识匹配总要求精确既能表示精确知识也能表示不精确知识匹配可以是精确的也可以按算法求相似度落在预先指定范围内即认为可匹配“如果炉温超过上限则立即关闭风门”这个例子要记住它是产生式但不是蕴含式因为右部是一个操作而不是一个逻辑结论。写简答时把这个例子带上比空写两条定义有说服力。2.6 框架与知识图谱槽、侧面与两层结构框架是描述所论对象一个事物、事件或概念属性的数据结构。一个框架由若干个“槽”组成每个槽又可根据实际情况划分为若干个“侧面”。槽用于描述对象某一方面的属性侧面用于描述相应属性的一个方面槽值和侧面值就是这些属性被赋予的值。这个层级关系画不出来也要说清楚框架 → 槽 → 侧面 → 值。框架表示法的特点三条结构性便于表达结构性知识能把知识的内部结构关系及知识间的联系表示出来继承性框架网络中下层框架可以继承上层框架的槽值也可以进行补充和修改自然性与人在观察事物时的思维活动一致。继承性是框架最值钱的地方也是常考“框架为什么适合表达层次化知识”的答案核心。知识图谱又称科学知识图谱用各种图形等可视化技术描述知识资源及其载体挖掘、分析、构建、绘制和显示知识及它们之间的相互联系由一些相互连接的实体及其属性构成。逻辑结构分两层数据层主要由一系列事实组成知识以事实为单位存储模式层构建在数据层之上是知识图谱的核心。构建过程有两个方向自顶向下是先为知识图谱定义好本体与数据模式再把实体加入知识库自底向上是从开放链接数据中提取实体选择置信度较高的加入知识库再构建顶层本体模式。三种表示法放一张表对照复习时比翻三遍书快表示法基本单位最擅长明显短板产生式规则经验性、不确定性知识独立操作序列效率不高不能表达结构性知识框架框架—槽—侧面结构性知识、层次继承灵活性依赖框架设计质量知识图谱实体—关系—属性大规模知识组织与可视化模式层设计成本高3. 推理与不确定性从正向/逆向到 CF、证据理论与模糊集3.1 推理的四组坐标先分清题型再动笔推理的定义是人们在对各种事务进行分析、综合并做出最后决策时通常从已知事实出发运用已掌握的知识找出其中蕴涵的事实或归纳出新的事实。这个定义里“已知事实 知识 → 新事实”三个要素要写全。分类不能混着背按四组坐标分开坐标类型判别句推理方向演绎推理一般 → 个别推理方向归纳推理个别 → 一般分完全归纳必然性推理与不完全归纳非必然性推理知识完备程度默认推理缺省推理知识不完全时假设某些条件已具备再推理结论确定性确定性推理知识与证据都确定结论真值或真或假结论确定性不确定性推理知识与证据不都确定结论也不确定结论增长方式单调推理新知识加入后结论越来越接近最终目标结论增长方式非单调推理新知识加入后不但没加强结论反而要否定它退回前面某一步重新开始“启发性知识”单独记一句与问题有关且能加快推理过程、提高搜索效率的知识。它和后面启发式搜索里的“启发信息”是一对前者偏知识层面后者偏搜索控制层面答题时别互换。正向推理的流程是已知事实 → 结论三步从初始已知事实出发在知识库 KB 中找出当前可适用的知识构成可适用知识集 KS按某种冲突消解策略从 KS 中选出一条知识推理把推出的新事实加入数据库 DB 作为下一步的已知事实再在 KB 中选取可适用知识构成 KS重复第二步直到求得问题的解或 KB 中再无可适用的知识。逆向推理是目标驱动以某个假设目标为出发点选定一个假设目标寻找支持该假设的证据若所需证据都能找到则原假设成立若无论如何都找不到所需证据说明原假设不成立需要另作新假设。优点是没必要使用与目标无关的知识目的性强也利于向用户提供解释缺点是起始目标的选择有盲目性。这一优一缺经常被拆成两道题问答题时把“目的性强”和“起始目标盲目”当成一对矛盾记住。混合推理有两种走法先正向后逆向先正向推理帮助选择某个目标从已知事实演绎出部分结果再用逆向推理证实该目标或提高其可信度先逆向后正向先假设一个目标逆向推理再利用逆向推理中得到的信息正向推理推出更多结论。冲突消解策略四条按针对性排序、按已知事实的新鲜性排序、按匹配度排序、按条件个数排序。这四条要能和产生式工作过程第 2 步对上号否则容易被追问“冲突消解发生在哪一步”时答错位置。3.2 归结反演子句集九步第四步最容易错谓词公式化为子句集的九步是消去谓词公式中的“→”和“↔”符号把否定符号移到紧靠谓词的位置上变量标准化消去存在量词化为前束形前束形 前缀{母式}化为 Skolem 标准形略去全称量词消去合取词子句变量标准化。这九步里第四步和第六步最容易翻车。消去存在量词时如果存在量词在全称量词的作用域内要用 Skolem 函数以全称量词的变量为参数替换如果不在任何全称量词作用域内才用 Skolem 常量替换。很多人一律写常量遇到嵌套量词就错。第六步 Skolem 标准形要求母式是合取形式这一步和第 8 步“消去合取词”是配套的前者把母式变成全是“与”后者再把“与”拆成独立子句。顺带提一句原文里“推结反演”是“归结反演”的 OCR 识别问题两处都出现同样的写法说明是扫描件识别的系统性错误。复习时以“归结反演”为准别把这个错字一起背进去。3.3 可信度 CF静态强度、动态强度与三段合成可信度是根据经验对一个事物或现象为真的相信程度带有较大主观性和经验性准确性难以把握。这句话本身就是一个名词解释的完整答案最后半句不能省它解释了为什么 CF 后来会被更严格的方法补充。两个强度要分清静态强度 CF(H, E) 是知识的强度即当 E 所对应的证据为真时对 H 的影响程度动态强度 CF(E) 是证据 E 当前的不确定性程度。一个描述规则一个描述事实方向不同。合成公式分三段同号异号处理方式不同def combine_cf(cf1, cf2): 按可信度合成公式合并两个 CF 值 cf1 / cf2: 两条证据或两条规则推出的可信度取值 [-1, 1] 返回值: 合成后的可信度 if cf1 0 and cf2 0: # 同为正相加再减去乘积 return cf1 cf2 - cf1 * cf2 if cf1 0 and cf2 0: # 同为负相加再加上乘积 return cf1 cf2 cf1 * cf2 # 异号和除以 (1 - 较小绝对值) return (cf1 cf2) / (1 - min(abs(cf1), abs(cf2))) # 验算0.6 与 0.4 同正 print(combine_cf(0.6, 0.4)) # 0.76 # 验算-0.6 与 -0.4 同负 print(combine_cf(-0.6, -0.4)) # -0.76 # 验算0.8 与 -0.4 异号 print(combine_cf(0.8, -0.4)) # 0.666...这段代码的作用不是让你考试时写程序而是把公式的三种分支固定在手指记忆里。参数说明输入两个 CF 值都必须在 [-1, 1] 区间超出区间说明前面某一步算错了同负分支里用的是“加乘积”而不是“减乘积”这是最常写错的地方因为正负号容易被直觉带偏。原文的公式区在扫描时丢了负号只剩“缺少的是‘-’”这句批注正好对应同负分支抄笔记时如果照着缺失的公式背考场上一定翻车。3.4 证据理论与模糊集信任、似然、隶属度与清晰化证据理论这条线先记样本空间设 D 是变量 x 所有可能取值的集合且 D 中元素互斥任一时刻 x 都取且只能取 D 中某一个元素为值则称 D 为 x 的样本空间。然后是基本概率分配函数 m满足 m(∅)0 且所有子集的 m 之和为 1。信任函数 Bel(A) 是对 A 的所有子集的基本概率分配求和似然函数 Pl(A) 1 - Bel(¬A)表示不否定 A 的程度。两者关系是 Bel(A) ≤ Pl(A)这个不等号方向不能反。证据理论的不确定性推理步骤四步建立问题的样本空间 D由经验给出或者由随机性规则和事实的信度度量求得基本概率分配函数计算所关心子集的信任函数值、似然函数值由信任函数值、似然函数值得出结论。这四步是流程题的标准骨架答题时每一步后面补一句“这一步在算什么”比只写四个短语扎实。模糊集合这块核心是隶属度模糊逻辑给集合中每一个元素赋予一个介于 0 和 1 之间的实数描述其属于一个集合的强度该实数称为元素属于一个集合的隶属度集合中所有元素的隶属度全体构成隶属函数。表示方法三种Zadeh 表示法、序偶表示法、向量表示法。隶属函数确定方法四种模糊统计法、专家经验法、二元对比排序法、基本概念扩充法。模糊推理的思路是从条件论域到结论论域的模糊关系矩阵 R通过条件模糊向量与模糊关系 R 的合成进行模糊推理得到结论的模糊向量再用“清晰化”方法把模糊结论转换为精确量。清晰化也叫模糊决策、模糊判决、解模糊方法三种最大隶属度法、加权平均判决法、中位数法。三种方法的适用差异可以用一句话区分最大隶属度法取峰值、最直接但对多峰不敏感加权平均法把隶属度当权重做重心计算、结果平滑中位数法取累积隶属度一半处、对极端值不敏感。4. 搜索与智能优化状态空间、A*、遗传算法与粒子群的分层记法4.1 状态空间与搜索四问先问清楚再选算法状态空间是利用状态变量和操作符号表示系统或问题有关知识的符号体系通常写成一个四元组。不同教材对四个分量的命名和顺序略有差异常见写法是状态集、操作算子集、初始状态集、目标状态集答题时按自己教材的写法来不要自创符号。搜索需要解决的基本问题有四个是否一定能找到一个解找到的解是否是最佳解时间与空间复杂性如何是否终止运行或是否会陷入死循环。这四个问题其实是选算法的判据——先确定要不要最优解再决定用不用启发式最后才看复杂度。搜索方向三种。数据驱动是从初始状态出发的正向搜索从问题给出的条件出发目的驱动是从目的状态出发的逆向搜索从想达到的目的入手看哪些操作算子能产生该目的以及应用这些操作算子产生目的时需要哪些条件双向搜索是两头同时开工直到两条路径在中间某处汇合。盲目搜索与启发式搜索的分界要写准盲目搜索是在不具有对特定问题的任何有关信息的条件下按固定步骤依次或随机调用操作算子进行的搜索启发式搜索是考虑特定问题领域可应用的知识动态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到达结束状态。关键词是“动态确定”和“优先选择”这两个词丢了答案就退化成“聪明的搜索”这种废话。4.2 回溯搜索PS、NPS、NSS 三张表各管什么回溯搜索用三张表把“能回退、不重搜、不死循环”三件事分开处理。PSpath states保存当前搜索路径上的状态如果找到了目的PS 就是解路径上的状态有序集NPSnew path states是新的路径状态表包含等待搜索的状态其后裔状态还未被搜索到即未被生成扩展NSSno solvable states是不可解状态集列出找不到解题路径的状态如果搜索中扩展出的状态是它的元素可立即排除不必沿该状态继续搜索。回溯思想四条用未处理状态表 NPS 使算法能返回回溯到其中任一状态用“死胡同”状态表 NSS 避免算法重新搜索无解的路径在 PS 表中记录当前搜索路径的状态满足目的时将它作为结果返回为避免陷入死循环必须对新生成的子状态进行检查看它是否在这三张表中。这三张表的分工可以这样理解PS 管“我是怎么走到这儿的”NPS 管“我还能往哪儿走”NSS 管“这条路我试过走不通”。简答题如果只写三张表的定义不写分工通常只能拿一半分。4.3 宽度优先与深度优先一张表记住代价宽度优先搜索breadth-first search广度优先搜索以接近起始节点的程度深度为依据进行逐层扩展的节点搜索方法。深度优先搜索Depth-first Search首先扩展最新产生的节点深度相等的节点按生成次序的盲目搜索。对比项宽度优先深度优先数据结构队列先进先出栈后进先出扩展顺序逐层先浅后深先深后浅一头扎到底完备性分支因子有限时有解必能找到可能沿无限路径一去不回空间代价指数级存整层节点线性级只存当前路径最优性边代价相同时可得最短解不保证这两者的取舍本质上是“空间换完备”还是“时间换空间”。考试里如果题目强调“内存受限”答案方向就是深度优先强调“必须找到最短步数解”答案方向就是宽度优先。4.4 启发式搜索与 A*h(n) 的三个性质启发信息是在具体求解中能够利用与该问题有关的信息来简化搜索过程此类信息称为启发信息。启发式图搜索策略的特点是重排 OPEN 表选择最有希望的节点加以扩展。运用启发式策略有两种基本情况一个问题由于问题陈述和数据获取的模糊性可能使它没有一个确定的解一个问题可能有确定解但状态空间特别大搜索中生成扩展的状态数会随搜索深度呈指数级增长。启发式信息按运用方法分三类陈述性启发信息用于更准确、更精炼地描述状态过程性启发信息用于构造操作算子控制性启发信息表示控制策略的知识。按作用分三类用于扩展节点的选择决定先扩展哪一个节点用于生成节点的选择决定要生成哪些后继节点用于删除节点的选择决定删除哪些无用节点。这六类容易混记法是“方法三类看信息本身是什么作用三类看信息用在搜索的哪个动作上”。估计函数 h(n) 的比重大小是一道经典判断题h(n) 比重大降低搜索工作量但可能导致找不到最优解h(n) 比重小一般导致工作量加大极限情况下变为盲目搜索但可能可以找到最优解。这句话要能正着说也能反着推。A* 的三个性质要分清。可采纳性当一个搜索算法在最短路径存在时能保证找到它就称该算法是可采纳的。单调性保证沿路径的 f 值不下降扩展过的节点不会被重新扩展。信息性在两个 A* 启发策略 h1 和 h2 中如果对搜索空间中的任一状态 n 都有 h1(n) ≤ h2(n)就称策略 h2 比 h1 具有更多信息性。h(n) 越大A* 搜索的信息性越多所搜索的状态越少但更多信息性需要更多计算时间可能抵消减少搜索空间带来的益处。一句话结论要背牢如果某一问题有解那么利用 A* 搜索算法对该问题进行搜索一定能搜索到解并且一定能搜索到最优解而结束——这个结论成立的前提是 h(n) 满足可采纳性答题时把前提补上否则容易被追问答错。4.5 遗传算法编码、选择、交叉变异与自适应遗传算法是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法非常适用于处理传统搜索方法难以解决的复杂和非线性优化问题。基本思想是在求解问题时从多个解开始然后通过一定法则逐步迭代产生新的解。注意“从多个解开始”这一点它和单点搜索的爬山法形成对照也是“群体搜索、易于并行化”这个特点的来源。一维染色体编码方法是将问题空间的参数编码为一维排列的染色体。二进制编码是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} 上再在位串空间上进行遗传操作。优点是类似于生物染色体的组成算法易于用生物遗传理论解释遗传操作如交叉、变异等易实现算法处理的模式数最多缺点是相邻整数的二进制编码可能具有较大的 Hamming 距离降低遗传算子的搜索效率要先给出求解精度求解高维优化问题时二进制编码串长、搜索效率低。遗传算法的特点要按“对问题的要求—搜索方式—信息使用—并行性”四条写对所求解的优化问题没有太多数学要求由于进化特性搜索过程中不需要问题的内在性质可直接对结构对象进行操作利用随机技术指导对一个被编码的参数空间进行高效率搜索采用群体搜索策略易于并行化仅用适应度函数值来评估个体并在此基础上进行遗传操作使种群中个体之间进行信息交换能够非常有效地进行概率意义的全局搜索。选择这一块有两层别混。个体选择概率分配方法蒙特卡罗法、排序方法线性、非线性。选择个体方法转盘赌选择、锦标赛选择方法、最佳个体保存方法。前者算“每个个体被选中的概率怎么定”后者算“按这个概率怎么真正挑出来”。自适应遗传算法记一句就够当种群各个体适应度趋于一致或者趋于局部最优时使交叉概率 Pc 和变异概率 Pm 增加以跳出局部最优当群体适应度比较分散时使 Pc 和 Pm 减少以利于优良个体的生存。核心逻辑是“拥挤时加大扰动分散时减小扰动”。4.6 粒子群两个极值与六步流程群智能算法是受动物群体智能启发的算法群体智能是由简单个体组成的群落与环境以及个体之间的互动行为。粒子群算法的基本思想将每个个体看作 n 维搜索空间中一个没有体积质量的粒子在搜索空间中以一定速度飞行该速度决定粒子飞行的方向和距离所有粒子有一个由优化函数决定的适应值。基本原理要抓住两个极值PSO 初始化为一群随机粒子然后通过迭代找到最优解每次迭代中粒子通过跟踪两个极值更新自己第一个是粒子本身所找到的最优解称为个体极值另一个是整个种群目前找到的最优解称为全局极值。流程六步初始化每个粒子在允许范围内随机设置初始位置和速度评价每个粒子的适应度计算目标函数设置每个粒子的 Pi将其适应度与它经历过的最好位置比较优于则作为该粒子的最好位置 Pi设置全局最优值 Pg将适应度与群体经历过的最好位置 Pg 比较优于则作为当前群体最好位置 Pg更新粒子的速度和位置检查终止条件未达到设定条件预设误差或迭代次数则返回第二步。遗传算法与粒子群的差别可以用一张小表收对比项遗传算法粒子群解的表达染色体编码常用二进制n 维空间中的位置向量主要操作选择、重组交叉、变异速度与位置更新跟踪 Pi 与 Pg参数重点Pc、Pm、种群规模惯性权重、学习因子、最大速度典型优势全局概率搜索对问题数学要求低结构简单、参数少、收敛快5. 常见问题排查五个「背了但写不出」的坑5.1 概念边界类三个最容易糊在一起的对照坑一把产生式和蕴含式写成同一个东西。现象简答题问“产生式与谓词逻辑中的蕴含式有何区别”答成“产生式就是蕴含式的一种”或者只写“产生式能表示规则”。原因只记住了两者的书写形式都像“如果……则……”没记住能力边界。蕴含式的右部只能是逻辑结论匹配必须精确产生式的右部可以是操作、规则、变换、算子、函数匹配可以是不精确的只要相似度落在预先指定范围内就认为可匹配。解决用“炉温超过上限则立即关闭风门”这个例子做锚点——右部是“关闭风门”这个操作所以它是产生式不是蕴含式。答题时先写这一条再补“能否表示不精确知识”这条两条区别就齐了。坑二把不确定性推理和模糊推理当成同义词。现象题目问“不确定性推理有哪些方法”答案里只写模糊推理或者把 CF 说成“模糊可信度”。原因日常语境里“不确定”和“模糊”混用但教材里是两条线。可信度 CF 处理的是经验性带来的不确定性度量的是“根据经验对某个结论为真的相信程度”证据理论处理随机性靠基本概率分配、信任函数和似然函数模糊集处理模糊性靠隶属度和隶属函数元素可以“部分属于”一个集合。解决把知识不确定性的四个来源和三类方法做成一张对照卡——随机性对证据理论模糊性对模糊集经验性对 CF不完全性对默认推理。考场上先判断题目描述的是哪类不确定性再选方法不要一看到“不确定”就写模糊。坑三单调推理与非单调推理说反。现象把非单调推理解释成“结论越来越少”或者把单调推理解释成“结论永远正确”。原因只记了字面没记判别标准。单调推理的关键是随着推理推进和新知识加入推出的结论越来越接近最终目标非单调推理的关键是新知识加入后不但没有加强已推出的结论反而要否定它使推理退回到前面某一步重新开始。解决记一句判别句——“新知识会不会打脸旧结论”。会打脸、要回退重来的是非单调不会打脸、一路逼近目标的是单调。默认推理是典型的非单调推理因为它建立在“假设某些条件已具备”之上一旦假设被推翻结论本文还有配套的精品资源点击获取