简介这份资料面向软件工程、计算机等专业修读人工智能导论课程的学生聚焦教材第五版中的核心概念梳理与考前复习帮助读者系统掌握简答题与名词解释类考点。压缩包共1个PDF文件约2.65MB内容按知识点分条整理便于打印或电子端随时查阅。已有1020人学习下载说明其在课程复习场景中具有一定参考价值。资料围绕逻辑思维、形象思维与顿悟思维的差异符号表示法与连接机制表示法机器学习的学习机理、方法与系统构成以及模式识别、人工神经网络等基础概念展开同时覆盖知识的不确定性、一阶谓词逻辑的优缺点、产生式系统的基本结构与工作流程、产生式与蕴含式的区别、框架表示法的槽与侧面结构、知识图谱的逻辑结构与构建方式以及推理的分类与正向、逆向、混合推理流程。整体以问答条目呈现概念解释简洁适合用于课堂同步梳理、期末简答题背诵与名词解释查漏补缺。1. 从一道“送分题”翻车说起人工智能导论到底考什么有个考生考完出来直拍大腿说名词解释“产生式与蕴含式的区别”明明背过考场上却只写出半句剩下全靠编。这类翻车在人工智能导论这门课上特别常见——不是没背是背得散没按考点结构存进脑子。这门课的简答题和名词解释考的不是你懂多少前沿模型而是你能不能把一套固定概念用教材语言说准、说全、说对层次。分值分布上名词解释通常占 20 到 30 分简答题占 40 到 60 分剩下是综合应用。拿分逻辑很直接概念定义要完整对比类题目要分点流程类题目要按步骤编号特点类题目要优点缺点分开写。适合谁软件工程、计算机相关专业正在准备期末、考研复试专业课、或者面试里被问到 AI 基础概念的考生。下面按考点模块拆开讲每一块都落到能直接背、直接练的程度。2. 知识表示与逻辑符号、产生式、框架三套体系怎么区分知识表示是这门课简答题出现频率最高的模块几乎每年都有一道“简述某某表示法的特点”或者“比较两种表示法”。很多考生背了定义却答不对比较题原因是没有把三套体系的适用边界理清楚。这一章先把符号表示法、产生式表示法、框架表示法的考点拆开再给两道高频真题的答题思路。2.1 符号表示法与连接机制表示法的核心区别符号表示法是用包含具体含义的符号按不同方式和顺序组合起来表示知识典型例子是一阶谓词逻辑和产生式。连接机制表示法是把物理对象以不同方式连接起来在连接间传递和加工信息典型例子是神经网络。这两者的对比题面试官最想听的是“知识显式还是隐式”这个落点符号表示法把知识显式写出来可读性强、便于修改但遇到不确定知识就吃力连接机制表示法把知识分布在连接权值里擅长处理感知类、不精确的问题但知识不可读、解释性差。答题时按“定义 典型例子 优点 局限”四段写每段一两句话就够。容易丢分的地方是只写定义不写例子或者把神经网络说成符号表示法。记住一个判断口诀能写成“如果……则……”规则的是符号表示靠权值调出来的是连接机制。2.2 产生式系统结构、工作过程、与蕴含式的区别产生式系统的基本结构是三个部分规则库、综合数据库、控制系统。规则库存放领域内的产生式集合综合数据库也叫事实库、上下文或黑板存放求解过程中的当前信息控制系统负责整个系统的运行决定用哪条规则。这个三件套是名词解释的高频点答的时候三个名称加一句功能说明不要只写名称。工作过程是简答题的重头戏按五步写第一从规则库中选出与综合数据库已知事实匹配的规则第二匹配成功的可能不止一条进行冲突消解第三执行规则右部是结论就加入综合数据库是操作就执行操作第四不确定性知识还要按算法计算结论的不确定性第五检查综合数据库是否包含最终结论决定是否停止。这五步的顺序不能乱尤其是“冲突消解”必须出现在匹配之后、执行之前漏掉这一步直接扣分。产生式与谓词逻辑中蕴含式的区别是经典的对比题。两个关键差异其一产生式除逻辑蕴含外还包括操作、规则、变换、算子、函数比如“如果炉温超过上限则立即关闭风门”是产生式但不是蕴含式其二蕴含式只能表示精确知识且匹配要求精确产生式既能表示精确知识也能表示不精确知识匹配可以按相似度落在指定范围内就算匹配。答题时先写“区别有两点”再分点展开每点先给判断再给例子比堆定义得分稳。产生式表示法的特点优点写自然性、模块性、有效性、清晰性缺点写效率不高、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知识且没有严格统一理论求解过程可表示为一系列相对独立操作。这三条经常被合并成一道“什么样的知识适合产生式表示”的简答题按三条编号写每条后面补半句解释。2.3 框架表示法与知识图谱结构性和构建过程怎么答框架表示法的结构是名词解释常客一个框架由若干“槽”组成每个槽可划分为若干“侧面”槽用于描述对象某一方面的属性侧面描述相应属性的一个方面槽值和侧面值就是它们的属性值。答题时把“框架—槽—侧面—值”这四级关系写清楚最好画一个文字层级示意比如“框架对象→ 槽属性→ 侧面属性方面→ 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内部结构关系和知识间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补充和修改自然性与人在观察事物时的思维活动一致。这三条几乎年年考背的时候把“继承性”单独拎出来因为它是框架区别于产生式的关键。知识图谱的逻辑结构分模式层和数据层数据层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。构建过程分两种自顶向下是先定义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置信度高的加入知识库再构建顶层本体模式。这道题容易错在把两种构建方式的顺序写反记住“自顶向下先定模式再加实体自底向上先提实体再建模式”。提示知识表示这一块凡是“特点”类题目一律按“优点几条、缺点几条”分列凡是“过程”类题目一律编号写步骤不要写成一段话。3. 推理与不确定性演绎归纳、正向逆向、可信度计算推理模块的简答题有两个出题惯性一是考推理分类的辨析二是考正向逆向推理的流程对比。不确定性推理则集中在可信度方法和证据理论。这一章把分类辨析、流程对比、可信度合成三块拆开每块配一道真题的答题思路。3.1 推理分类演绎、归纳、默认、单调与非单调演绎推理是从一般到个别归纳推理是从个别到一般。归纳再分完全归纳推理必然性推理和不完全归纳推理非必然性推理。默认推理也叫缺省推理是在知识不完全的情况下假设某些条件已经具备所进行的推理。确定性推理指知识和证据都确定、结论也确定真值非真即假不确定性推理指知识和证据不都确定、结论也不确定。单调推理是随着推理推进和新知识加入结论越来越接近最终目标非单调推理是新知识加入后不但没加强已推出结论反而要否定它退回前面某一步重新开始。这组概念最常考的是“单调与非单调的区别”和“演绎与归纳的区别”。答题模板先给一句定义再给一个方向箭头比如演绎写“一般→个别”归纳写“个别→一般”最后补一句典型场景。非单调推理的典型场景是缺省假设被新证据推翻比如默认鸟会飞但遇到企鹅就要撤回结论。这个例子写上去阅卷人一眼就知道你理解了。3.2 正向推理与逆向推理流程、优缺点、混合推理正向推理的流程是“已知事实→结论”从初始事实出发在知识库中找出可适用知识构成集合按冲突消解策略选一条知识推理把新事实加入数据库重复直到求得解或无可适用知识。逆向推理是“目标驱动”先选定一个假设目标寻找支持该假设的证据证据都能找到则假设成立找不到则假设不成立、另作新假设。逆向推理的优点是目的性强、不必使用与目标无关的知识、有利于向用户提供解释缺点是起始目标选择有盲目性。混合推理两种方式先正向后逆向先正向推理帮助选择目标再用逆向推理证实目标或提高可信度先逆向后正向先假设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。这道题如果只写“混合推理就是正反向结合”基本拿不到分必须把两种顺序分别写出来并各给一句作用说明。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。这四条常以多选题或简答小问出现背的时候记关键词“针对性、新鲜性、匹配度、条件个数”答题时每条后面补半句“即优先选择……的规则”。3.3 可信度方法与证据理论CF 计算和合成公式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主观性和经验性。静态强度 CF(H, E) 是知识强度即证据 E 为真时对结论 H 的影响程度动态强度 CF(E) 是证据当前的不确定性程度。CF 合成公式是计算题的高频点两条规则结论合成时若两者都大于等于 0合成值为 CF1 CF2 − CF1×CF2若两者都小于 0合成值为 CF1 CF2 CF1×CF2若异号合成值为 (CF1 CF2) / (1 − min(|CF1|, |CF2|))。这三个分支必须分开写异号那条分母是 1 减去两者绝对值的最小值符号容易写错。证据理论的步骤四步建立样本空间 D由经验或随机性规则和事实信度求得基本概率分配函数计算所关心子集的信任函数值和似然函数值由信任函数值和似然函数值得出结论。信任函数与似然函数的关系常考“哪个是下限哪个是上限”信任函数是下限似然函数是上限两者夹出结论的可信区间。注意CF 合成公式里异号分支的分母是 1 − min(|CF1|, |CF2|)不是 1 min也不是 1 − max。这个符号每年都有人写反。4. 搜索策略盲目与启发式、A* 算法、状态空间搜索是简答题里最像“算法课”的部分但考试不要求你写完整代码要求你把策略思想、流程步骤、特性分析说清楚。高频出题点集中在盲目搜索与启发式搜索的区别、宽度优先与深度优先的对比、A* 算法的特性和 h(n) 的影响。这一章按“分类对比—流程—特性”三层展开。4.1 盲目搜索与启发式搜索区别和适用场景盲目搜索是在不具有对特定问题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减少不必要搜索尽快到达结束状态。两者的区别答题落点是“是否利用启发信息”和“是否重排 OPEN 表”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扩展。宽度优先搜索以接近起始节点的程度为依据逐层扩展深度优先搜索首先扩展最新产生的节点、深度相等的节点按生成次序扩展。对比题按“数据结构、空间复杂度、是否完备、是否最优”四行写宽度优先用队列空间开销大在分支因子有限时完备能找到最短路径深度优先用栈空间开销小可能陷入深支不完备也不保证最优。这个对比表背下来选择题和简答题都能用。搜索需要解决的基本问题四条是否一定能找到解、找到的解是否最佳、时间与空间复杂性如何、是否终止或陷入死循环。这四条常作为“搜索中需要解决哪些基本问题”的简答按编号写即可。4.2 状态空间与回溯搜索三张表的作用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是一个四元组。回溯搜索用三张表PS 表保存当前搜索路径上的状态找到目的时就是解路径NPS 表是新的路径状态表包含等待搜索、后裔还未被扩展的状态NSS 表是不可解状态集列出找不到解题路径的状态扩展出的状态若在其中可立即排除。回溯思想四条用 NPS 表使算法能返回到任一状态用 NSS 表避免重新搜索无解路径在 PS 表中记录当前路径满足目的时作为结果返回对新生成的子状态检查是否在三张表中避免死循环。这道题的关键是把三张表的缩写和功能对应上PS 是路径、NPS 是待搜索、NSS 是不可解缩写字头就是功能提示。4.3 A* 算法可采纳性、单调性、信息性与 h(n) 的权衡A* 搜索算法如果问题有解一定能搜到解并且一定能搜到最优解而结束。三个特性可采纳性最短路径存在时能保证找到它单调性信息性两个启发策略 h1 和 h2若对任一状态 n 都有 h1(n) ≤ h2(n)则 h2 比 h1 具有更多信息性。h(n) 比重大降低搜索工作量但可能找不到最优解h(n) 比重小工作量加大极限情况变为盲目搜索但可能找到最优解。这段是简答和判断的混合考点答题时把“h(n) 大→工作量小→可能失最优”和“h(n) 小→工作量大→可能保最优”对举写逻辑最清楚。启发式信息按运用方法分陈述性、过程性、控制性按作用分用于扩展节点选择、用于生成节点选择、用于删除节点选择。这组分类常以填空或小简答出现记“三方法三作用”即可。# 以八数码问题为例演示 A* 的估价函数写法仅示意不依赖具体库 def heuristic(state, goal): # 错位棋子数h(n) 偏小搜索慢但更容易保最优 return sum(1 for s, g in zip(state, goal) if s ! g and s ! 0) def heuristic_manhattan(state, goal): # 曼哈顿距离h(n) 更大搜索快但需保证不高估才可采纳 dist 0 for i, val in enumerate(state): if val 0: continue gi goal.index(val) dist abs(i // 3 - gi // 3) abs(i % 3 - gi % 3) return dist上面两个估价函数对应考点里 h(n) 大小的权衡错位棋子数通常不大于曼哈顿距离信息性更弱扩展节点更多曼哈顿距离信息性更强扩展更少但必须保证不高估真实代价才满足可采纳性。答题时如果问“为什么 h(n) 不是越大越好”就答“信息性增加会减少搜索状态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”。5. 机器学习与智能计算神经网络、遗传算法、群智能这一块的名词解释密度最高简答题偏向“基本思想 流程 特点”。出题惯性是BP 网络的正向传播与反向传播、遗传算法的基本思想和特点、粒子群算法的基本原理和流程、专家系统的结构与特点。下面按“学习基础—进化计算—群智能—专家系统”四块拆。5.1 机器学习与神经网络学习系统四部分和 BP 流程机器学习是使计算机模拟人的学习行为自动通过学习获取知识和技能、不断改善性能、实现自我完善。主要研究三方面学习机理、学习方法、学习系统。一个学习系统一般由环境、学习、知识库、执行与评价四个基本部分组成。这四个部分常考填空或简答答题时按“环境提供信息、学习部分加工、知识库存放、执行与评价反馈”各补半句。人工神经网络是用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。BP 网络的正向传播是输入信息由输入层传至隐层最终在输出层输出反向传播是修改各层神经元权值使误差信号最小。BP 步骤里常考的四点隐层数及神经元数目前尚无理论指导初始权值一般用均值为 0 的随机分布训练数据预处理做线性特征比例变换到 [0,1] 或 [-1,1]分类输出通常编码成名义变量。用神经网络求解优化问题的一般步骤五步将每个可行解用换位矩阵表示换位矩阵与 n 个神经元构成的网络对应构造能量函数使其最小值对应最优解并满足约束用罚函数法构造目标函数与 Hopfield 能量函数表达式相等确定连接权和偏置给定初始状态和参数按动态方程运行到稳定状态并解释为解。这道题步骤多答题时每步只写一个动作加一个目的不要展开。5.2 遗传算法基本思想、编码、特点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。基本思想是从多个解开始通过一定法则逐步迭代产生新解。二进制编码的优点类似生物染色体组成易于用遗传理论解释交叉变异易实现处理模式数最多缺点相邻整数二进制编码可能有较大 Hamming 距离降低搜索效率要先给出求解精度高维问题串长导致搜索效率低。遗传算法的特点按四条写对优化问题没有太多数学要求可直接对结构对象操作利用随机技术指导对被编码的参数空间进行高效搜索采用群体搜索策略易于并行化仅用适应度函数值评估个体并进行遗传操作能进行概率意义的全局搜索。个体选择概率分配有蒙特卡罗法和排序方法选择个体方法有转盘赌选择、锦标赛选择、最佳个体保存方法。自适应遗传算法的核心是适应度趋于一致或局部最优时增大 Pc 和 Pm 跳出局部最优适应度分散时减小 Pc 和 Pm 利于优良个体生存。5.3 粒子群算法与群智能两个极值怎么更新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互动行为。粒子群算法的基本思想每个个体看作 n 维搜索空间中一个没有体积质量的粒子以一定速度飞行速度决定方向和距离所有粒子有一个由优化函数决定的适应值。基本原理初始化一群随机粒子迭代中通过跟踪两个极值更新自己一个是粒子本身找到的最优解叫个体极值另一个是整个种群目前找到的最优解叫全局极值。流程六步初始化每个粒子的位置和速度评价每个粒子适应度设置每个粒子的 Pi适应度优于历史最好位置则更新设置全局最优 Pg更新粒子速度和位置检查终止条件未达到预设误差或迭代次数则返回第二步。这道题和遗传算法常被放在一起比较答题时抓住“遗传算法靠选择重组变异粒子群靠个体极值和全局极值引导速度更新”这一句就能把两者区分开。5.4 专家系统结构、特点、与传统程序比较专家系统是一种智能的计算机程序运用知识和推理来解决只有专家才能解决的复杂问题。基本组成和一般结构是简答高频点答题时把知识库、推理机、综合数据库、知识获取、解释机构、人机接口几个部件写全并说明知识库与推理机分离是核心设计原则。特点六条具有专家水平的专业知识、能进行有效推理、具有启发性、具有灵活性、具有透明性、具有交互性。与传统程序比较按六行写编程思想上传统程序是数据结构加算法专家系统是知识加推理传统程序知识隐含于程序中专家系统知识单独组成知识库与推理机分离处理对象上传统程序是数值计算和数据处理专家系统是符号处理传统程序不具解释功能专家系统具有解释功能传统程序产生正确答案专家系统通常正确、有时错误体系结构不同。开发专家系统的可能性、合理性、合适性三问分别对应“任务靠经验性知识且不需大量常识、存在真正领域专家、目标明确任务不太难”“经济效益高、专家奇缺、经验丢失、危险场合”“能通过符号操作求解且需启发式知识、复杂性可驾驭、范围有实用价值”。6. 易错点五道最容易丢分的题和纠正答法这一章单独列易错点因为很多考生不是不会是在几个固定位置反复翻车。下面五条按“错在哪→为什么错→怎么答对”写考前过一遍比多背十个名词解释管用。第一产生式与蕴含式的区别只写“一个能表示不精确知识”。错在漏掉“产生式还包括操作、规则、变换、算子、函数”这一条。为什么错因为背的时候只记了精确性差异没记范围差异。怎么答对先写“区别有两点”第一点写范围产生式除逻辑蕴含外还包括操作、规则、变换、算子、函数并补炉温关风门的例子第二点写精确性蕴含式只能表示精确知识且匹配要求精确产生式可表示不精确知识且匹配可按相似度落在指定范围。第二正向推理流程漏掉冲突消解。错在把“匹配成功就执行”当成完整流程。为什么错因为匹配成功可能不止一条规则不消解就无法确定执行哪条。怎么答对五步里第二步必须写“匹配成功的规则可能不止一条进行冲突消解”并且把冲突消解策略四条在另一问里单独背熟。第三CF 合成异号公式分母写错。错在写成 1 min 或 1 − max。为什么错因为三个分支长得像背的时候没有把异号分支单独拎出来。怎么答对记“异号取绝对值小的分母是 1 减它”即 (CF1 CF2) / (1 − min(|CF1|, |CF2|))写完后检查分母一定小于 1。第四A* 的 h(n) 大小与最优解关系说反。错在认为 h(n) 越大越容易找到最优解。为什么错因为把“信息性多、搜索状态少”和“保证最优”混为一谈。怎么答对分开写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) 比重小工作量加大极限变为盲目搜索但可能找到最优解。A* 能保证最优的前提是 h(n) 满足可采纳性不是 h(n) 越大越好。第五专家系统与传统程序比较只写“知识库分离”。错在只答一条就收笔。为什么错因为这道题通常按点给分六条只写一条最多拿三分之一。怎么答对按编程思想、知识存放位置、处理对象、解释功能、答案正确性、体系结构六行列表写每行一句对比宁可短而全不要长而漏。提示易错点复习不要只看正确表述要把错误写法也看一遍知道自己会在哪一步写偏考场上才会停一下。7. 考前怎么背把 100 多个条目压成三类答题模板这门课的简答和名词解释看起来条目多实际只有三类答题结构。第一类是“定义 特点/优缺点”比如产生式表示法、框架表示法、遗传算法、专家系统。这类题按“一句话定义然后优点几条、缺点几条最后补一句适用场景”写定义用教材原话特点用关键词场景用半句话。第二类是“流程/步骤”比如产生式系统工作过程、正向推理、逆向推理、BP 步骤、粒子群流程、知识发现步骤。这类题一律编号每步一个动词开头步骤之间用“然后/接着/重复”连接不要写成一段叙述。第三类是“比较/区别”比如产生式与蕴含式、盲目搜索与启发式搜索、宽度优先与深度优先、专家系统与传统程序、单调与非单调。这类题先写“区别有几点”再分点每点先给判断再给解释能配例子就配一句例子。我自己的习惯是考前三天不再逐条背而是拿一张白纸把每个模块的“三类题”各默写一个模板比如知识表示模块默写“产生式定义加优缺点”“产生式工作过程五步”“产生式与蕴含式两点区别”写完对照教材补漏。默写不出来的地方就是考场上会卡的地方比反复看书记得牢。还有一个小动作凡是带公式的题CF 合成、信任函数与似然函数、A* 的 h(n) 比较考前手写一遍公式尤其异号分支和上下限关系手写一遍比看三遍管用。这门课不考你多聪明考你把固定结构写完整。把上面这些模板练到能默写简答和名词解释这部分基本就稳了。希望帮到你。本文还有配套的精品资源点击获取 人工智能导论考点精讲：知识表示、推理、搜索与机器学习答题模板
简介这份资料面向软件工程、计算机等专业修读人工智能导论课程的学生聚焦教材第五版中的核心概念梳理与考前复习帮助读者系统掌握简答题与名词解释类考点。压缩包共1个PDF文件约2.65MB内容按知识点分条整理便于打印或电子端随时查阅。已有1020人学习下载说明其在课程复习场景中具有一定参考价值。资料围绕逻辑思维、形象思维与顿悟思维的差异符号表示法与连接机制表示法机器学习的学习机理、方法与系统构成以及模式识别、人工神经网络等基础概念展开同时覆盖知识的不确定性、一阶谓词逻辑的优缺点、产生式系统的基本结构与工作流程、产生式与蕴含式的区别、框架表示法的槽与侧面结构、知识图谱的逻辑结构与构建方式以及推理的分类与正向、逆向、混合推理流程。整体以问答条目呈现概念解释简洁适合用于课堂同步梳理、期末简答题背诵与名词解释查漏补缺。1. 从一道“送分题”翻车说起人工智能导论到底考什么有个考生考完出来直拍大腿说名词解释“产生式与蕴含式的区别”明明背过考场上却只写出半句剩下全靠编。这类翻车在人工智能导论这门课上特别常见——不是没背是背得散没按考点结构存进脑子。这门课的简答题和名词解释考的不是你懂多少前沿模型而是你能不能把一套固定概念用教材语言说准、说全、说对层次。分值分布上名词解释通常占 20 到 30 分简答题占 40 到 60 分剩下是综合应用。拿分逻辑很直接概念定义要完整对比类题目要分点流程类题目要按步骤编号特点类题目要优点缺点分开写。适合谁软件工程、计算机相关专业正在准备期末、考研复试专业课、或者面试里被问到 AI 基础概念的考生。下面按考点模块拆开讲每一块都落到能直接背、直接练的程度。2. 知识表示与逻辑符号、产生式、框架三套体系怎么区分知识表示是这门课简答题出现频率最高的模块几乎每年都有一道“简述某某表示法的特点”或者“比较两种表示法”。很多考生背了定义却答不对比较题原因是没有把三套体系的适用边界理清楚。这一章先把符号表示法、产生式表示法、框架表示法的考点拆开再给两道高频真题的答题思路。2.1 符号表示法与连接机制表示法的核心区别符号表示法是用包含具体含义的符号按不同方式和顺序组合起来表示知识典型例子是一阶谓词逻辑和产生式。连接机制表示法是把物理对象以不同方式连接起来在连接间传递和加工信息典型例子是神经网络。这两者的对比题面试官最想听的是“知识显式还是隐式”这个落点符号表示法把知识显式写出来可读性强、便于修改但遇到不确定知识就吃力连接机制表示法把知识分布在连接权值里擅长处理感知类、不精确的问题但知识不可读、解释性差。答题时按“定义 典型例子 优点 局限”四段写每段一两句话就够。容易丢分的地方是只写定义不写例子或者把神经网络说成符号表示法。记住一个判断口诀能写成“如果……则……”规则的是符号表示靠权值调出来的是连接机制。2.2 产生式系统结构、工作过程、与蕴含式的区别产生式系统的基本结构是三个部分规则库、综合数据库、控制系统。规则库存放领域内的产生式集合综合数据库也叫事实库、上下文或黑板存放求解过程中的当前信息控制系统负责整个系统的运行决定用哪条规则。这个三件套是名词解释的高频点答的时候三个名称加一句功能说明不要只写名称。工作过程是简答题的重头戏按五步写第一从规则库中选出与综合数据库已知事实匹配的规则第二匹配成功的可能不止一条进行冲突消解第三执行规则右部是结论就加入综合数据库是操作就执行操作第四不确定性知识还要按算法计算结论的不确定性第五检查综合数据库是否包含最终结论决定是否停止。这五步的顺序不能乱尤其是“冲突消解”必须出现在匹配之后、执行之前漏掉这一步直接扣分。产生式与谓词逻辑中蕴含式的区别是经典的对比题。两个关键差异其一产生式除逻辑蕴含外还包括操作、规则、变换、算子、函数比如“如果炉温超过上限则立即关闭风门”是产生式但不是蕴含式其二蕴含式只能表示精确知识且匹配要求精确产生式既能表示精确知识也能表示不精确知识匹配可以按相似度落在指定范围内就算匹配。答题时先写“区别有两点”再分点展开每点先给判断再给例子比堆定义得分稳。产生式表示法的特点优点写自然性、模块性、有效性、清晰性缺点写效率不高、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知识且没有严格统一理论求解过程可表示为一系列相对独立操作。这三条经常被合并成一道“什么样的知识适合产生式表示”的简答题按三条编号写每条后面补半句解释。2.3 框架表示法与知识图谱结构性和构建过程怎么答框架表示法的结构是名词解释常客一个框架由若干“槽”组成每个槽可划分为若干“侧面”槽用于描述对象某一方面的属性侧面描述相应属性的一个方面槽值和侧面值就是它们的属性值。答题时把“框架—槽—侧面—值”这四级关系写清楚最好画一个文字层级示意比如“框架对象→ 槽属性→ 侧面属性方面→ 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内部结构关系和知识间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补充和修改自然性与人在观察事物时的思维活动一致。这三条几乎年年考背的时候把“继承性”单独拎出来因为它是框架区别于产生式的关键。知识图谱的逻辑结构分模式层和数据层数据层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。构建过程分两种自顶向下是先定义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置信度高的加入知识库再构建顶层本体模式。这道题容易错在把两种构建方式的顺序写反记住“自顶向下先定模式再加实体自底向上先提实体再建模式”。提示知识表示这一块凡是“特点”类题目一律按“优点几条、缺点几条”分列凡是“过程”类题目一律编号写步骤不要写成一段话。3. 推理与不确定性演绎归纳、正向逆向、可信度计算推理模块的简答题有两个出题惯性一是考推理分类的辨析二是考正向逆向推理的流程对比。不确定性推理则集中在可信度方法和证据理论。这一章把分类辨析、流程对比、可信度合成三块拆开每块配一道真题的答题思路。3.1 推理分类演绎、归纳、默认、单调与非单调演绎推理是从一般到个别归纳推理是从个别到一般。归纳再分完全归纳推理必然性推理和不完全归纳推理非必然性推理。默认推理也叫缺省推理是在知识不完全的情况下假设某些条件已经具备所进行的推理。确定性推理指知识和证据都确定、结论也确定真值非真即假不确定性推理指知识和证据不都确定、结论也不确定。单调推理是随着推理推进和新知识加入结论越来越接近最终目标非单调推理是新知识加入后不但没加强已推出结论反而要否定它退回前面某一步重新开始。这组概念最常考的是“单调与非单调的区别”和“演绎与归纳的区别”。答题模板先给一句定义再给一个方向箭头比如演绎写“一般→个别”归纳写“个别→一般”最后补一句典型场景。非单调推理的典型场景是缺省假设被新证据推翻比如默认鸟会飞但遇到企鹅就要撤回结论。这个例子写上去阅卷人一眼就知道你理解了。3.2 正向推理与逆向推理流程、优缺点、混合推理正向推理的流程是“已知事实→结论”从初始事实出发在知识库中找出可适用知识构成集合按冲突消解策略选一条知识推理把新事实加入数据库重复直到求得解或无可适用知识。逆向推理是“目标驱动”先选定一个假设目标寻找支持该假设的证据证据都能找到则假设成立找不到则假设不成立、另作新假设。逆向推理的优点是目的性强、不必使用与目标无关的知识、有利于向用户提供解释缺点是起始目标选择有盲目性。混合推理两种方式先正向后逆向先正向推理帮助选择目标再用逆向推理证实目标或提高可信度先逆向后正向先假设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。这道题如果只写“混合推理就是正反向结合”基本拿不到分必须把两种顺序分别写出来并各给一句作用说明。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。这四条常以多选题或简答小问出现背的时候记关键词“针对性、新鲜性、匹配度、条件个数”答题时每条后面补半句“即优先选择……的规则”。3.3 可信度方法与证据理论CF 计算和合成公式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主观性和经验性。静态强度 CF(H, E) 是知识强度即证据 E 为真时对结论 H 的影响程度动态强度 CF(E) 是证据当前的不确定性程度。CF 合成公式是计算题的高频点两条规则结论合成时若两者都大于等于 0合成值为 CF1 CF2 − CF1×CF2若两者都小于 0合成值为 CF1 CF2 CF1×CF2若异号合成值为 (CF1 CF2) / (1 − min(|CF1|, |CF2|))。这三个分支必须分开写异号那条分母是 1 减去两者绝对值的最小值符号容易写错。证据理论的步骤四步建立样本空间 D由经验或随机性规则和事实信度求得基本概率分配函数计算所关心子集的信任函数值和似然函数值由信任函数值和似然函数值得出结论。信任函数与似然函数的关系常考“哪个是下限哪个是上限”信任函数是下限似然函数是上限两者夹出结论的可信区间。注意CF 合成公式里异号分支的分母是 1 − min(|CF1|, |CF2|)不是 1 min也不是 1 − max。这个符号每年都有人写反。4. 搜索策略盲目与启发式、A* 算法、状态空间搜索是简答题里最像“算法课”的部分但考试不要求你写完整代码要求你把策略思想、流程步骤、特性分析说清楚。高频出题点集中在盲目搜索与启发式搜索的区别、宽度优先与深度优先的对比、A* 算法的特性和 h(n) 的影响。这一章按“分类对比—流程—特性”三层展开。4.1 盲目搜索与启发式搜索区别和适用场景盲目搜索是在不具有对特定问题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减少不必要搜索尽快到达结束状态。两者的区别答题落点是“是否利用启发信息”和“是否重排 OPEN 表”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扩展。宽度优先搜索以接近起始节点的程度为依据逐层扩展深度优先搜索首先扩展最新产生的节点、深度相等的节点按生成次序扩展。对比题按“数据结构、空间复杂度、是否完备、是否最优”四行写宽度优先用队列空间开销大在分支因子有限时完备能找到最短路径深度优先用栈空间开销小可能陷入深支不完备也不保证最优。这个对比表背下来选择题和简答题都能用。搜索需要解决的基本问题四条是否一定能找到解、找到的解是否最佳、时间与空间复杂性如何、是否终止或陷入死循环。这四条常作为“搜索中需要解决哪些基本问题”的简答按编号写即可。4.2 状态空间与回溯搜索三张表的作用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是一个四元组。回溯搜索用三张表PS 表保存当前搜索路径上的状态找到目的时就是解路径NPS 表是新的路径状态表包含等待搜索、后裔还未被扩展的状态NSS 表是不可解状态集列出找不到解题路径的状态扩展出的状态若在其中可立即排除。回溯思想四条用 NPS 表使算法能返回到任一状态用 NSS 表避免重新搜索无解路径在 PS 表中记录当前路径满足目的时作为结果返回对新生成的子状态检查是否在三张表中避免死循环。这道题的关键是把三张表的缩写和功能对应上PS 是路径、NPS 是待搜索、NSS 是不可解缩写字头就是功能提示。4.3 A* 算法可采纳性、单调性、信息性与 h(n) 的权衡A* 搜索算法如果问题有解一定能搜到解并且一定能搜到最优解而结束。三个特性可采纳性最短路径存在时能保证找到它单调性信息性两个启发策略 h1 和 h2若对任一状态 n 都有 h1(n) ≤ h2(n)则 h2 比 h1 具有更多信息性。h(n) 比重大降低搜索工作量但可能找不到最优解h(n) 比重小工作量加大极限情况变为盲目搜索但可能找到最优解。这段是简答和判断的混合考点答题时把“h(n) 大→工作量小→可能失最优”和“h(n) 小→工作量大→可能保最优”对举写逻辑最清楚。启发式信息按运用方法分陈述性、过程性、控制性按作用分用于扩展节点选择、用于生成节点选择、用于删除节点选择。这组分类常以填空或小简答出现记“三方法三作用”即可。# 以八数码问题为例演示 A* 的估价函数写法仅示意不依赖具体库 def heuristic(state, goal): # 错位棋子数h(n) 偏小搜索慢但更容易保最优 return sum(1 for s, g in zip(state, goal) if s ! g and s ! 0) def heuristic_manhattan(state, goal): # 曼哈顿距离h(n) 更大搜索快但需保证不高估才可采纳 dist 0 for i, val in enumerate(state): if val 0: continue gi goal.index(val) dist abs(i // 3 - gi // 3) abs(i % 3 - gi % 3) return dist上面两个估价函数对应考点里 h(n) 大小的权衡错位棋子数通常不大于曼哈顿距离信息性更弱扩展节点更多曼哈顿距离信息性更强扩展更少但必须保证不高估真实代价才满足可采纳性。答题时如果问“为什么 h(n) 不是越大越好”就答“信息性增加会减少搜索状态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”。5. 机器学习与智能计算神经网络、遗传算法、群智能这一块的名词解释密度最高简答题偏向“基本思想 流程 特点”。出题惯性是BP 网络的正向传播与反向传播、遗传算法的基本思想和特点、粒子群算法的基本原理和流程、专家系统的结构与特点。下面按“学习基础—进化计算—群智能—专家系统”四块拆。5.1 机器学习与神经网络学习系统四部分和 BP 流程机器学习是使计算机模拟人的学习行为自动通过学习获取知识和技能、不断改善性能、实现自我完善。主要研究三方面学习机理、学习方法、学习系统。一个学习系统一般由环境、学习、知识库、执行与评价四个基本部分组成。这四个部分常考填空或简答答题时按“环境提供信息、学习部分加工、知识库存放、执行与评价反馈”各补半句。人工神经网络是用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。BP 网络的正向传播是输入信息由输入层传至隐层最终在输出层输出反向传播是修改各层神经元权值使误差信号最小。BP 步骤里常考的四点隐层数及神经元数目前尚无理论指导初始权值一般用均值为 0 的随机分布训练数据预处理做线性特征比例变换到 [0,1] 或 [-1,1]分类输出通常编码成名义变量。用神经网络求解优化问题的一般步骤五步将每个可行解用换位矩阵表示换位矩阵与 n 个神经元构成的网络对应构造能量函数使其最小值对应最优解并满足约束用罚函数法构造目标函数与 Hopfield 能量函数表达式相等确定连接权和偏置给定初始状态和参数按动态方程运行到稳定状态并解释为解。这道题步骤多答题时每步只写一个动作加一个目的不要展开。5.2 遗传算法基本思想、编码、特点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。基本思想是从多个解开始通过一定法则逐步迭代产生新解。二进制编码的优点类似生物染色体组成易于用遗传理论解释交叉变异易实现处理模式数最多缺点相邻整数二进制编码可能有较大 Hamming 距离降低搜索效率要先给出求解精度高维问题串长导致搜索效率低。遗传算法的特点按四条写对优化问题没有太多数学要求可直接对结构对象操作利用随机技术指导对被编码的参数空间进行高效搜索采用群体搜索策略易于并行化仅用适应度函数值评估个体并进行遗传操作能进行概率意义的全局搜索。个体选择概率分配有蒙特卡罗法和排序方法选择个体方法有转盘赌选择、锦标赛选择、最佳个体保存方法。自适应遗传算法的核心是适应度趋于一致或局部最优时增大 Pc 和 Pm 跳出局部最优适应度分散时减小 Pc 和 Pm 利于优良个体生存。5.3 粒子群算法与群智能两个极值怎么更新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互动行为。粒子群算法的基本思想每个个体看作 n 维搜索空间中一个没有体积质量的粒子以一定速度飞行速度决定方向和距离所有粒子有一个由优化函数决定的适应值。基本原理初始化一群随机粒子迭代中通过跟踪两个极值更新自己一个是粒子本身找到的最优解叫个体极值另一个是整个种群目前找到的最优解叫全局极值。流程六步初始化每个粒子的位置和速度评价每个粒子适应度设置每个粒子的 Pi适应度优于历史最好位置则更新设置全局最优 Pg更新粒子速度和位置检查终止条件未达到预设误差或迭代次数则返回第二步。这道题和遗传算法常被放在一起比较答题时抓住“遗传算法靠选择重组变异粒子群靠个体极值和全局极值引导速度更新”这一句就能把两者区分开。5.4 专家系统结构、特点、与传统程序比较专家系统是一种智能的计算机程序运用知识和推理来解决只有专家才能解决的复杂问题。基本组成和一般结构是简答高频点答题时把知识库、推理机、综合数据库、知识获取、解释机构、人机接口几个部件写全并说明知识库与推理机分离是核心设计原则。特点六条具有专家水平的专业知识、能进行有效推理、具有启发性、具有灵活性、具有透明性、具有交互性。与传统程序比较按六行写编程思想上传统程序是数据结构加算法专家系统是知识加推理传统程序知识隐含于程序中专家系统知识单独组成知识库与推理机分离处理对象上传统程序是数值计算和数据处理专家系统是符号处理传统程序不具解释功能专家系统具有解释功能传统程序产生正确答案专家系统通常正确、有时错误体系结构不同。开发专家系统的可能性、合理性、合适性三问分别对应“任务靠经验性知识且不需大量常识、存在真正领域专家、目标明确任务不太难”“经济效益高、专家奇缺、经验丢失、危险场合”“能通过符号操作求解且需启发式知识、复杂性可驾驭、范围有实用价值”。6. 易错点五道最容易丢分的题和纠正答法这一章单独列易错点因为很多考生不是不会是在几个固定位置反复翻车。下面五条按“错在哪→为什么错→怎么答对”写考前过一遍比多背十个名词解释管用。第一产生式与蕴含式的区别只写“一个能表示不精确知识”。错在漏掉“产生式还包括操作、规则、变换、算子、函数”这一条。为什么错因为背的时候只记了精确性差异没记范围差异。怎么答对先写“区别有两点”第一点写范围产生式除逻辑蕴含外还包括操作、规则、变换、算子、函数并补炉温关风门的例子第二点写精确性蕴含式只能表示精确知识且匹配要求精确产生式可表示不精确知识且匹配可按相似度落在指定范围。第二正向推理流程漏掉冲突消解。错在把“匹配成功就执行”当成完整流程。为什么错因为匹配成功可能不止一条规则不消解就无法确定执行哪条。怎么答对五步里第二步必须写“匹配成功的规则可能不止一条进行冲突消解”并且把冲突消解策略四条在另一问里单独背熟。第三CF 合成异号公式分母写错。错在写成 1 min 或 1 − max。为什么错因为三个分支长得像背的时候没有把异号分支单独拎出来。怎么答对记“异号取绝对值小的分母是 1 减它”即 (CF1 CF2) / (1 − min(|CF1|, |CF2|))写完后检查分母一定小于 1。第四A* 的 h(n) 大小与最优解关系说反。错在认为 h(n) 越大越容易找到最优解。为什么错因为把“信息性多、搜索状态少”和“保证最优”混为一谈。怎么答对分开写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) 比重小工作量加大极限变为盲目搜索但可能找到最优解。A* 能保证最优的前提是 h(n) 满足可采纳性不是 h(n) 越大越好。第五专家系统与传统程序比较只写“知识库分离”。错在只答一条就收笔。为什么错因为这道题通常按点给分六条只写一条最多拿三分之一。怎么答对按编程思想、知识存放位置、处理对象、解释功能、答案正确性、体系结构六行列表写每行一句对比宁可短而全不要长而漏。提示易错点复习不要只看正确表述要把错误写法也看一遍知道自己会在哪一步写偏考场上才会停一下。7. 考前怎么背把 100 多个条目压成三类答题模板这门课的简答和名词解释看起来条目多实际只有三类答题结构。第一类是“定义 特点/优缺点”比如产生式表示法、框架表示法、遗传算法、专家系统。这类题按“一句话定义然后优点几条、缺点几条最后补一句适用场景”写定义用教材原话特点用关键词场景用半句话。第二类是“流程/步骤”比如产生式系统工作过程、正向推理、逆向推理、BP 步骤、粒子群流程、知识发现步骤。这类题一律编号每步一个动词开头步骤之间用“然后/接着/重复”连接不要写成一段叙述。第三类是“比较/区别”比如产生式与蕴含式、盲目搜索与启发式搜索、宽度优先与深度优先、专家系统与传统程序、单调与非单调。这类题先写“区别有几点”再分点每点先给判断再给解释能配例子就配一句例子。我自己的习惯是考前三天不再逐条背而是拿一张白纸把每个模块的“三类题”各默写一个模板比如知识表示模块默写“产生式定义加优缺点”“产生式工作过程五步”“产生式与蕴含式两点区别”写完对照教材补漏。默写不出来的地方就是考场上会卡的地方比反复看书记得牢。还有一个小动作凡是带公式的题CF 合成、信任函数与似然函数、A* 的 h(n) 比较考前手写一遍公式尤其异号分支和上下限关系手写一遍比看三遍管用。这门课不考你多聪明考你把固定结构写完整。把上面这些模板练到能默写简答和名词解释这部分基本就稳了。希望帮到你。本文还有配套的精品资源点击获取