《-2009級-人工智能基礎(chǔ)(A卷)-標(biāo)準(zhǔn)答案講解(共8頁).doc》由會員分享，可在線閱讀，更多相關(guān)《-2009級-人工智能基礎(chǔ)(A卷)-標(biāo)準(zhǔn)答案講解(共8頁).doc（8頁珍藏版）》請在匯文網(wǎng)上搜索。

1、精選優(yōu)質(zhì)文檔-傾情為你奉上課程編號：COM07043 北京理工大學(xué) 2011 - 2012 學(xué)年第 一 學(xué)期2009級人工智能基礎(chǔ)期末試題A卷標(biāo)準(zhǔn)答案 一、判斷題（10分，每小題1分）1. 由于存在反向傳播，BP神經(jīng)網(wǎng)絡(luò)為反饋型網(wǎng)絡(luò)。 （ × ）2. 進化計算方法中的“群體”和群智能優(yōu)化方法中的“群體”沒有區(qū)別。（ × ）3. 蟻群優(yōu)化算法中，螞蟻根據(jù)信息素對路徑的選擇是確定性的。 （ × ）4. 自組織特征映射網(wǎng)的學(xué)習(xí)方式為誤差修正型學(xué)習(xí)。 （ × ）5. 強化學(xué)習(xí)是一種特定的監(jiān)督學(xué)習(xí)方法。 （ × ）6. 離散函數(shù)可表示為決策樹的形式。 （

2、 ）7. 代表Strong AI的思想實驗是圖靈測試。 （ × ）8. 機器學(xué)習(xí)的計算實質(zhì)是函數(shù)估計。 （ ）9. A*算法中，在滿足可容許性條件的前提下，啟發(fā)式函數(shù)值越大越好。（ ）10.機器學(xué)習(xí)中的奧坎姆剃刀原則表明應(yīng)優(yōu)先選擇形式更為復(fù)雜的函數(shù)。（ × ）二、填空題（20分，每空2分）1. Nouvelle AI的計算目標(biāo)是在 狀態(tài)或感知 和 行動或反應(yīng) 之間建立映射關(guān)系。2. Particle Swarm Optimization算法中的啟發(fā)式信息是 其他粒子的求解結(jié)果 。3. 給定兩組數(shù)據(jù)，其中第一組數(shù)據(jù)為, 第二組數(shù)據(jù)為， 則用于分類這兩組數(shù)據(jù)的感知器可以是： 。

3、4. 語句“每個人都愛他的父親或母親”的一階謂詞邏輯表達式可以是 。5. 給定二維數(shù)據(jù)集： A1(2,10), A2(2,5), B1(5,8), B2(7,5) 用k-均值聚類聚成兩簇（采用歐幾里德距離，初始時用 A1, B1作為簇的均值），則迭代一次后，簇均值變?yōu)?(2,10)和(14/3, 6) 。6. 當(dāng)前，計算模式的兩個發(fā)展趨勢是 隨機 和 并行 。7. 給定博弈樹如下： 根據(jù)該博弈樹，通過極大極小搜索所確定的當(dāng)前行動方案是 B或AàB 。如按從右到左順序進行剪枝，則剪去的邊有 無 。三、計算題（40分，每小題10分）1. 茲有以下知識: （1）小李喜歡吃牛排，或者小李喜歡

4、吃土豆。 （2）如果小李既喜歡吃牛排又喜歡吃土豆，那么小李是一個不偏食的人。 （3）如果某人喜歡吃牛排，那么他喜歡吃土豆。 （4）如果某人喜歡吃土豆，那么他喜歡吃牛排。 應(yīng)用歸結(jié)演繹推理方法證明：小李是一個不偏食的人。解： 1）定義謂詞 eat(x, y) x喜歡吃y；not(s) s是一個不偏食的人； 常量J：約翰；D：牛排；E：土豆 2）表達知識 （1）eat(J, D) eat(J, E) （2）eat(J, D) eat(J, E)Not(J) （3） （4） 3）將上述謂詞化為子句： eat(J, D) eat(J, E) eat(J, D) eat(J, E)Not(J) eat(

5、x, D) eat(x, E) eat(x, E) eat(x, D) 4）結(jié)論求反并做為子句： Not(J) 5）執(zhí)行歸結(jié)： à eat(J, E) à eat(J, D) àeat(J, D)Not(J) à Not(J) àNil2. 在如下圖所示的Grid World問題中：（1）灰色實心塊表示障礙；（2）除了走到（4，3）與（4，2）處，可分別得到+1和-1的即時收益外，其余各處的即時收益均為0。請使用折扣為0.9的折扣收益計算該問題中的Q值，進而確定各狀態(tài)下的最優(yōu)行動。不考慮（4，3）與（4，2）處的Q值和行動。 3. 根據(jù)文檔中是

6、否包含“我”字來判斷該文檔是否是我所喜歡的文檔。以往統(tǒng)計數(shù)據(jù)表明：在所有文檔中，只有20%的文檔是我所喜歡的。在我喜歡的文檔中，包括“我”字的概率是98%；在我不喜歡的文檔中，包含“我”字的概率是32%?，F(xiàn)有一篇文檔，其中包含“我”字，請根據(jù)貝葉斯決策規(guī)則，確定該文檔是否是我所喜歡的文檔。需給出計算過程。解：需比較與的大小來進行決策 同理有 由于： 因此，應(yīng)確定該文檔不是我所喜歡的文檔。4. 給定數(shù)據(jù)集合及其決策結(jié)果如下：樣本決策結(jié)果屬性A1屬性A2屬性A31No3352Yes3613503Yes1514304No142265No237246Yes4188其中，根據(jù)A1, A2和A3的屬性值是

7、否大于10來進行決策?；谠摂?shù)據(jù)集，利用最大信息增益準(zhǔn)則生成一棵決策樹。給出該決策樹及其計算過程。（提示：）解：第一步：A1的期望熵 = = 1A2的期望熵 = = = 0.2 + 0.33 = 0.55A3的期望熵 = = = = 0.4 + 0.53 = 0.93根據(jù)以上三個屬性的期望熵，可知應(yīng)選擇A2作為決策樹的根節(jié)點。第二步：根據(jù)A2的屬性值是否大于10，以上樣本集被分成兩個子集。其中，對應(yīng)于A2的屬性值大于10的樣本為2, 3, 4, 6，對應(yīng)于A2的屬性值小于10的樣本為1, 5。由于1, 5兩個樣本對應(yīng)的決策結(jié)果都為No, 因此可在決策樹根節(jié)點的該分支上增加No的葉節(jié)點。對于樣本

8、2, 3, 4, 6：A1的期望熵 = = = = 0.3 + 0.4 = 0.7A3的期望熵 = = 0 + 0.5 = 0.5根據(jù)以上兩個屬性的期望熵，可知應(yīng)選擇A3作為決策樹根節(jié)點屬性值大于10的分支的根節(jié)點。第三步：根據(jù)A3的屬性值是否大于10，樣本2, 3, 4, 6被分成兩個子集。其中對應(yīng)于A3的屬性值大于10的樣本為2, 3，對應(yīng)于A2的屬性值小于10的樣本為4, 6。由于2, 3兩個樣本對應(yīng)的決策結(jié)果都為Yes, 因此可在決策樹根節(jié)點的該分支上增加Yes的葉節(jié)點。對于樣本4, 6, 可繼續(xù)通過A1的屬性值加以區(qū)分，并分別對應(yīng)于No和Yes的葉節(jié)點。至此，決策樹生成完畢，最終得到

9、的決策樹是：A2No YesA2四、算法題（30分，每小題15分）1. 在基于剪枝的計算機博弈程序中，在搜索深度被限定為一致的前提下，決定其下棋水平的關(guān)鍵因素是什么？能否利用機器學(xué)習(xí)技術(shù)解決該問題？如能，請設(shè)計出解決方案。解：決定其下棋水平的關(guān)鍵因素是棋局狀態(tài)的估價函數(shù)，可以利用機器學(xué)習(xí)技術(shù)解決該問題。解決方案如下： 采用多層前向神經(jīng)網(wǎng)絡(luò)評價棋局狀態(tài)，其輸入為當(dāng)前棋局，輸出為當(dāng)前棋局的評估值。采用進化計算對該神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，優(yōu)化目標(biāo)是最大化博弈程序的勝率。首先，初始化若干個神經(jīng)網(wǎng)絡(luò)，其中節(jié)點權(quán)值按隨機方式生成。然后利用其中每個神經(jīng)網(wǎng)絡(luò)對棋局狀態(tài)進行評價，并在此基礎(chǔ)上進行剪枝，從而得到一個計算

10、機博弈程序。讓每個神經(jīng)網(wǎng)絡(luò)對應(yīng)的博弈程序與其他博弈程序或人進行博弈，統(tǒng)計其勝率，作為該神經(jīng)網(wǎng)絡(luò)的適應(yīng)度。在此基礎(chǔ)上，利用選擇算子、交叉算子和變異算子對上述神經(jīng)網(wǎng)絡(luò)種群進行優(yōu)化，直到達到所預(yù)期的最大勝率（適應(yīng)度）或最大進化代數(shù)為止，此時輸出勝率（適應(yīng)度）最好的神經(jīng)網(wǎng)絡(luò)作為最終結(jié)果。2. 給定函數(shù)：，其中限定為0, 31區(qū)間中的實數(shù)。設(shè)計一種粒子群優(yōu)化算法求解的最大值以及對應(yīng)的值。解：在所設(shè)計的算法中，粒子群體規(guī)模設(shè)置為20，其中每個粒子的位置表示一種的取值，用實數(shù)表示，個體適應(yīng)度值為。最大迭代次數(shù)設(shè)置為100。具體算法流程如下：Step1. 在0, 31區(qū)間中隨機生成20組成對的實數(shù)，作為粒子的初始位置和飛行速度。Step2. 計算每個粒子的適應(yīng)度。Step3. 統(tǒng)計截止當(dāng)前時刻，粒子群體對應(yīng)的最好適應(yīng)度以及每個粒子對應(yīng)的最好適應(yīng)度。Step4. 對于每個粒子，根據(jù)該粒子當(dāng)前飛行速度、該粒子最好適應(yīng)度以及群體最好適應(yīng)度，改變該粒子飛行速度，并根據(jù)更新后速度調(diào)整其位置。Step5. 重復(fù)Step2-4，直到迭代次數(shù)超過100次。Step6. 輸出所得到的解答：群體最好適應(yīng)度為所求得的函數(shù)最大值，該適應(yīng)度對應(yīng)的粒子位置為所求得的的值。專心-專注-專業(yè)