人工智能重点

《人工智能重点》由会员分享，可在线阅读，更多相关《人工智能重点（11页珍藏版）》请在装配图网上搜索。

1、人工智能重点绪论 人工智能的定义 起源和发展 其他概念稍微了解1. 什么是人工智能？试从能力和学科两方面加以说明。答：学科：人工智能（学科）是计算机科学中涉及研究、设计和应用智能机器的一个分支。 其近期的主要目标在于研究用机器来模仿和执行人脑的某些智力功能，并开发相关理论和技 术。能力：人工智能（能力）是智能机器所执行的通常与人类智能有关的智能行为，如判断、 推理、证明、识别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动。 知识表示方法2. 人工智能的主要研究和应用领域有哪些？答：自然语言处理、自动定理证明、智能数据检索系统、机器学习、模式识别、视觉系 统、问题求解、人工智能方

2、法和程序语言以及自动程序设计等。3. 简述人工智能的发展状况人工智能的现状和发展呈现如下特点：多种途径齐头并进，多种方法写作互补；新思想、新 技术不断涌现，新领域、新方向不断开括;理论研究更加深入，应用研究更加广泛；研究队伍 日益壮大，社会影响越来越大;以上特点展现了人工智能学科的繁荣景象和光明前景。它表 明，虽然在通向其最终目标的道路上，还有不少困难、问题和挑战，但前进和发展毕竟是大 势所趋。4. 简述知识发现过程和知识发现的方法。答：过程：数据选择；数据预处理；数据变换；数据挖掘；知识评价方法：统计方法；机器学习方法；神经计算方法；可视化方法 2.1状态空间法（重点）看例题状态空间法的三要

3、素：状态、算符、状态空间方法（是一个表示该问题全部可能状态及其 关系的图，它包含三种说明的集合，即三元状态（S，F，G）。S：所有可能的问题初始状态 集合；F：操作符集合；6：目标状态集合。）状态图示法：状态空间的图示形式称为状态空间图各种问题都可用状态空间加以表示，并用状态空间搜索法来求解。下面简单介绍一种产生式 系统描述的搜索算法产生式系统由三部分:一个总数据库、一套规则、一个控制策略（程序） 2.2问题规约法（重点）另外一种基于状态空间的问题描述与求解方法；实质：从目标出发逆向推理，建立子问题以 及子问题的子问题，直到最后把初始问题归约为一个本原问题集合。组成部分：初始问题描述、问题变换

4、为子问题的操作符、一套本原问题描述与或图；与或图的搜索：目的在于表明起始节点是有解的问题规约法举例：汉诺塔问题2.3谓词逻辑法(了解)命题逻辑与谓词逻辑是最先用于人工智能的两种逻辑.命题逻辑具有较大的局限性;命题逻辑只能进行命题间关系的推理，无法解决与命题结构和 成分有关的推理问题，不适合表示比较复杂的问题，命题这种表示方法无法把它所描述的客 观事物的结构及逻辑特征反映出来，也不能把不同事物间的共同特征表述出来谓词逻辑语言的基本符号：谓词符号、变量符号、函数符号、常量符号、括号和逗号合式公式(WFF)：通常把合式公式叫做谓词公式,(1)原子谓词公式是合式公式(2)若A为合式公式，则-A也是一个

5、合式公式 若A,B是合式公式，则AVB，AAB，A-B，A B也都是合式公式(4) 若A是合式公式，x为A中的自由变元，则(x)A和(x)A都是合式公式(5) 只有按上述规则(1)至(4)求得的那些公式，才是合式公式合式公式的性质语义网络谓词逻辑与语义网络等效其他知识表示方法：框架表示法、剧本表示法、过程表示法框架表示法的优点：结构性：深层性：继承性：自然性不足：缺乏框架的形式理论：缺乏过程性知识表示：清晰性难以保证： 剧本表示法：概念依赖理论的基本思想。剧本是框架的一种特殊形式，构成：开场条件：角色：道具：场景：结果：其中最重要的是运用剧本可以预测没有明显提及的事件的发生；剧本表示法与框架表

6、 示法相比，比较呆板，知识表达的范围也很窄，剧本表示法对于表达预先构思好的特定知识， 如理解故事情节等，是非常有效的。目前剧本表示法主要在自然语言理解方面获得了一些应 用。过程表示法:过程性知识表示是将有关某一问题领域的知识，连同如何使用这些知识的方法， 均隐式地表示为一个求解问题的过程。过程式不像陈述式那样具有固定的形式，如何描述 知识完全取决于具体的问题。优点：表示效率高：控制系统容易实现：不足：不易修改及添加新知识，而且当对某一过程进行修改时，又可能影响到其它过程，对系统的维护带来不便。对比：状态空间法：是一种基于解答空间的问题表示和求解方法，它是以状态和操作符为基础 的。在利用状态空间

7、图表示时，我们从某个初始状态开始，每次加一个操作符，递增地建立 起操作符的试验序列，直到达到目标状态为止。由于状态空间法需要扩展过多的节点，容易 出现”组合爆炸”，因而只适用于表示比较简单的问题。问题归约法：从目标（要解决的问题）出发，逆向推理，通过一系列变换把初始问题变 换为子问题集合和子-子问题集合，直至最后归约为一个平凡的本原问题集合。这些本原问 题的解可以直接得到从而解决了初始问题，用与或图来有效地说明问题归约法的求解途径。谓词逻辑法：采用谓词合式公式和一阶谓词演算把要解决的问题变为一个有待证明的 问题，然后采用消解定理和消解反演来证明一个新语句是从已知的正确语句导出的，从而证 明这个

8、新语句也是正确的。语义网络：是知识的一种图解表示，它由节点和弧线或链线组成。节点用于表示实体、 概念和情况等，弧线用于表示节点间的关系。框架：是一种结构化表示方法。框架通常由指定事物各个方面的槽组成，每个槽拥有 若干个侧面，而每个侧面又可拥有若干个值。大多数实用系统必须同时使用许多框架，并可 把它们联成一个框架系统。剧本表示法：是框架的一种特殊形式，它使用一组槽来描述事件的发生序列。剧本表 示特别适用于描述顺序性动作或事件，但使用不如框架灵活，因此应用范围也不如框架那么 广泛。过程表示法：是一种知识的过程式表示，它将某一有关问题领域知识同这些使用方法 一起，隐式地表示为一个问题求解过程。过程表

9、示用程序来描述问题，具有很高的问题求解 效率。由于知识隐含在程序中难以操作，所以适用范围较窄。第一章搜索推理技术推理方法及其分类：1. 按推理的逻辑基础分：演绎（核心是三段论），归纳，类比归纳推理（基础是相似原理）演绎推理是在已知领域内的一般性知识的前提下，通过演绎求解一个具体问题或者 证明一个结论的正确性。它所得出的结论实际上早已蕴含在一般性知识的前提中，演绎推理 只不过是将已有事实揭露出来，因此它不能增殖新知识。归纳推理所推出的结论是没有包含在前提内容中的。这种由个别事物或现象推出一 般性知识的过程，是增殖新知识的过程。2. 按推理过程所用知识的确定性分：确定性推理、不确定性推理3. 按推

10、理过程推出的结论是否单调增加分：单调推理、非单调推理4. 按推理过程是否利用问题的启发性知识分：启发式推理、非启发式推理推理的控制策略可分为：搜索策略（构造一条代价较小的推理路线。主要解决推理线路、 推理效果、推理效率等问题。）、推理策略（包括推理方向控制策略、求解策略、 限制策略、冲突消解策略等）搜索策略：按是否使用启发式信息可分为：盲目搜索、启发式搜索按问题的表示方式可分为：状态空间搜索、与或树搜索推理方向控制策略：正向推理、逆向推理、混合推理、双向推理正向推理的优点：比较直观，允许用户主动提供有用的事实信息，适合于诊断、设计、预测、监控等领域的问题求解。正向推理的缺点：推理无明确目标，求

11、解问题是可能 会执行许多与解无关的操作，导致推理效率较低。逆向推理的主要优点：不必寻找和使用那些与假设目标无关的信息和知识，推理过程 的目标明确，有利于向用户提供解释，在诊断性专家系统中较为有效。逆向推理的主要缺点： 当用户对解的情况认识不请时，由系统自主选择假设目标的盲目性比较大，若选择不好，可 能需要多次提出假设，会影响系统效率。混合推理：先正向后逆向、先逆向后正向、双向混合：推理策略：求解策略：限制策略：冲突消解策略： 3.2盲目搜索(重点)状态空间的广度优先搜索优点是只要问题有解，用广度优先搜索总可以得到解，而且得 到的是路径最短的解；缺点：广度优先搜索盲目性较大，当目标节点距初始节点

12、较远时将会 产生许多无用节点，搜索效率低。注意：在对任一节点进行扩展的时候，如果所得的某个子 节点(状态)前面已经出现过，则立即将其放弃，不再重复画出(不送入OPEN表)状态空间的深度优先搜索：如果目标节点不在此分支上，而该分支又是一个无穷分支， 则就不可能得到解。所以深度优先搜索是不完备的，即使问题有解，它也不一定能求得解状态空间的有界深度优先搜索：为了防止搜索过程沿着无益的路径扩展下去，往往给出 一个节点扩展的最大深度，即深度界限。但要恰当地给出dm的值是比较困难的。即使能求 出解，它也不一定是最优解。代价树搜索：考虑边的代价的搜索方法，代价树搜索的目的是为了找到一条代价最小的 解路径。代

13、价树搜索方法包括：代价树的广度优先搜索和代价树的深度优先搜索在代价树中，若用g(x)表示从初始节点S到节点x的代价，用c(x1,x2)表示从父节点x1 到子节点x2的代价，则有：g(x2)=g(x1)+c(x1,x2)代价树的广度优先搜索基本思想：每次从OPEN表中选择节点往CLOSED表传送时， 总是选择其中代价最小的节点。如果问题有解，代价树的广度优先搜索一定可以求得解，并且求出的是最优解。该算法应用的条件：该算法是针对代价树的算法。为了采用该算法对图进行搜索，必须先将图转换为代价树。代价树的深度优先搜索基本思想:从刚扩展出的子节点中选择一个代价最小的节点送入 CLOSED表进行考察，上述

14、几种搜索方法的本质是，以初始节点为根节点，按照既定的策略对状态空间图进行 遍历，由于对状态空间图遍历的策略是既定的，因此这些方法统称为盲目搜索方法，盲目搜 索具有较大的盲目性，产生的无用节点较多，效率不高。 3.3启发式搜索(基本了解即可)启发信息的启发能力越强，扩展的无用结点越少。估价函数：用于评估节点重要性的函数称为估价函数。估价函数的一般形式为：f(x)= g(x)+h(x) g(x)表示从初始节点S0到节点x的代价；h(x)是从节点x到目标节点Sg的最优 路径的代价的估计，它体现了问题的启发性信息。h(x)称为启发函数。A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f(n)

15、=g(n)+h(n)对 OPEN表中的节点进行排序，则该搜索算法为A算法。包括：全局择优搜索算法(从OPEN 表的所有节点中选择一个估价函数值最小的一个进行扩展)和局部择优搜索算法(仅从刚生 成的子节点中选择一个估价函数值最小的一个进行扩展)A*算法：A*算法是对A算法的估价函数f(n)=g(n)+h(n)加上某些限制后得到的一种启发 式搜索算法。假设f*(n)是从初始节点出发经过节点n达到目标节点的最小代价，估价函数f(n)是对 f*(n)的估计值。且f*(n)=g*(n)+h*(n)g*(n)是从初始节点S0到节点n的最小代价。h*(n)是从节点n到目标节点的最小代价，若有多个目标节点，则

16、为其中最小的一个。A*算法具有可纳性、最优性知识点：比较各种搜索的区别：各种搜索策略的主要区别在于对OPEN表中节点的排列顺序不同。深度优先搜索与广 度优先搜索的唯一区别是：广度优先搜索是将节点n的子节点放入到OPEN表的尾部，而 深度优先搜索是把节点n的子节点放入到OPEN表的首部。搜索过程和搜索算法的区别：完备的搜索过程称为“搜索算法”。不完备的搜索过程不是 算法，称为“过程。广度优先搜索、代价树的广度优先搜索、改进后的 有界深度优先搜索以及A*算法都是完备的搜索过程，其它搜索过程都是 不完备的。衡量搜索策略性能的准则：1）完备性2）尽量避免无用搜索。增强搜索的目的性，尽量避 免产生及考察

17、那些无用的节点。3）控制开销小。要求搜索策略实现简单与/或树的搜索策略：与/或树的广度优先搜索与状态空间的广度优先搜索的主要差别是，需要在搜索过程中 需要多次调用可解标识过程或不可解标识过程。与/或树的深度优先搜索和与/或树的广度优先搜索过程基本相同，其主要区别在于 OPEN表中节点的排列顺序不同。在扩展节点时，与/或树的深度优先搜索过程总是把刚生 成的节点放在OPEN表的首部。与/或树的启发式搜索：算法的每一步都试图找到一个最有希望成为最优解树的子树。最优解树是指代价最小的那棵解树。它涉及到解树的代价与希望树。 3.4消解原理（归结演绎推理）原子谓词公式及其否定统称为文字。任何文字的析取式称

18、为子句。不含任何文字的子句称为空子句。空子句是永假的，不可满足的。记为NIL。由子句或空子句所构成的集合称为子句集。在子句集中，子句之间是合取关系；子句集 中的变元受全称量词的约束；任何谓词公式都可通过等价关系及推理规则化为相应的子句 集。化简后的标准子句集是不唯一的。当原谓词公式为非永假时，它与其标准子句集并不等价。但当原谓词公式为永假（或不 可满足）时，其标准子句集则一定是永假的，即Skolem化并不影响原谓词公式的永假性。子句集S的不可满足性：对于任意论域中的任意一个解释，S中的子句不能同时取得真 值T。把谓词公式化成子句集的步骤：1，利用等价关系消去“一”和“一”；P-Q。（PA Q）

19、V（PAQ）； P-Q。PVQ 2,利用等价关系把”移到紧靠谓词的位置上，3： 重新命名变元，使不同量词约束的变元有不同的名字；4：消去存在量词。（存在量词位于 一个或者多个全称量词的辖域内，则需要用Skolem函数f（x1，x2，,xn）替换受该存在量词 约束的变元y，然后再消去该存在量词。）5：把全称量词全部移到公式的左边。6：利用等 价关系P V（QAR） o（PVQ） A （PVR）把公式化为Skolem标准形。7：消去全称量词。8： 对变元更名，使不同子句中的变元不同名；9：消去合取词，就得到子句集。知识点：对命题进行简单的消解，并画出消解树，“快乐学生”问题，PPT 3.5规则演绎

20、系统（基本了解）基于规则的演绎推理（与/或形演绎推理）：不再把有关知识转化为子句集，而是把领域 知识及已知事实分别用蕴含式及与/或形表示出来，然后通过运用蕴含式进行演绎推理，从 而证明某个目标公式。规则正向演绎系统：从已知事实出发，正向使用规则（蕴含式）直接进行演绎，直至到 达目标为止规则逆向演绎系统：规则逆向演绎推理过程是从待证明的问题，即从目标公式的与/或 树出发，通过逆向地使用蕴含式（B规则），规则双向演绎系统：正向和逆向的演绎推理都存在一定的局限性。为了克服这些局限， 充分发挥各自的长处，可进行双向演绎推理。自然演绎推理：优点：定理证明过程自然，易于理解，并且有丰富的推理规则可用。缺点

21、：易产生知识爆炸，推理过程中得到的中间结论一般按指数规律递增，对于复杂问 题的推理不利，甚至难以实现。第五章计算智能计算智能：如果一个系统仅处理低层的数值数据，含有模式识别部件，没有使用人工智能意 义上的知识，且具有计算适应性、计算容错力、接近人的计算速度和近似于人的误差率这4 个特性，则它是计算智能的。神经网络:是一种对人类智能的结构模拟方法，它是通过对大量人工神经元的广泛并行互联， 构造人工神经网络系统去模拟生物神经系统的智能机理的。进化计算：是一种对人类智能的演化模拟方法，它是通过对生物遗传和演化过程的认识，用 进化算法去模拟人类智能的进化规律的。模糊计算：是一种对人类智能的逻辑模拟方法

22、，它是通过对人类处理模糊现象的认知能力的 认识，用模糊逻辑去模拟人类的智能行为的。NN：神经网络；PR：模式识别；I：智能人工神经网络从四个方面模拟人脑的智能行为：物理结构，计算模拟，存储与操作训练。人工神经网络的特性：1，并行分布处理：并行结构，容错性强；2, 非线性映射：任意非线性映射能力；3, 通过训练学习：通过对神经网络进行训练，能处理由数学模型或 描述规则难以处理的问题；4, 适应与集成：自适应和信息融合能力；5, 硬件实现：快速和大规模处理能力人工神经网络的结构基本上分为两类，即递归反馈网络和前馈网络。反馈网络的分为反馈型全互联网络和反馈型局部联接网络人工神经网络的表达能力限制了它

23、的学习能力神经网络基本学习算法分为：有教师学习、无教师学习、强化学习MP模型是一种人工神经元的数学模型 必考题：设计前馈神经网络做人脸识别的案例e.g 64*64的照片-一维向量-人脸即神经元节点（搭建简单神经网络转换成拓扑结构 有多少输入层多少隐含层） 模糊关系的合成 PPT 模糊变换（菜单的例子）PPT “模糊计算”的过程不作要求 模糊计算的过程可以分为四个模块：模糊规则库、模糊化、推理方法和去模糊化知识点：扎德方法推理举例（极大极小规则）PPT5.1遗传算法基本原理，求解步骤遗传算法（GA）是模拟生物在自然环境种的遗传和进化过程而形成的一种自适应全局优化 概率搜索算法。遗传算法模拟自然选

24、择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中 都保留一组候选解。求解步骤：1，遗传算法从一组随机初始化的候选解出发,2,按某种指标从解群中选取较优 的个体,3,利用遗传算子（选择、交叉和变异）对这些个体进行组合，产生新一代的候选解 群,4，重复此过程，直到满足某种收敛指标为止。基本遗传算法（SGA） 组成：染色体的编码（产生初始种群）、染色体的适应度函数、 遗传算子（选择、交叉、变异）、运行参数SGA使用二进制串进行编码。遗传算法对一个染色体（候选解）的好坏用适应度函数值来评价，适应度函数值越大，解的 质量越好。是进行自然选择的重要标准（注意：并非唯一标准）。选择算子：SGA

25、中选择算子采用轮盘赌选择方法。交叉算子：是产生新个体的主要方法。SGA中的交叉算子采用单点交叉算子。变异算子：决定了遗传算法的局部搜索能力，同时保持种群的多样性。变异运算将被操作的 基因位反置。交叉运算和变异运算的相互配合，共同完成对搜索空间的全局搜索和局部搜索。 SGA中变异算子采用基本位变异算子。遗传算法的特点（1）遗传算法是对参数集合的编码而非针对参数本身进行进化；（2）遗传算法是从问题解的编码组（种群）开始而非从单个解开始搜索；（3）遗传算法利用目标函数的适应度这一信息而非利用导数或其它辅助信息来指导搜索；（4）遗传算法利用选择、交叉、变异等算子而不是利用确定性规则进行随机操作。遗传算

26、法的优势（1）适应度函数不受连续、可微等条件的约束，适用范围很广。（2）不容易陷入局部极值，能以很大的概率找到全局最优解。（3）由于其固有的并行性，适合于大规模并行计算。（4）不是盲目穷举，而是启发式搜索。5.2进化策略进化策略和遗传算法的区别1）研究领域不同；进化策略是一种数值优化的方法，遗传算法是一种自适应搜索技术，应 用于许多领域，参数优化只是其中之一2）进化策略和遗传算法表示的个体的方式不同，进化策略在浮点矢量上运行，而遗传算法 一般运行在二进制矢量上。3）进化策略和遗传算法的选择过程不同4）进化策略和遗传算法的复制参数不同，遗传参数的复制参数（交叉和变异的可能性）在 进化过程中保持恒

27、定，而进化策略时时改变它们第六章专家系统专家系统的特点：启发性，透明性，灵活性专家系统的优点：1，能高效、准确、周到、迅速和不知疲倦地工作。2, 专家系统解决实际问题时不受周围环境的影响，也不会遗漏和忘记。3, 使专家的专长不受时间和空间的限制，以便推广珍贵和稀缺的专家知识与经验。4, 专家系统能促进各领域的发展，使各领域专家的专业知识和经验得到总结和精 炼，能够广泛有力地传播专家的知识、经验和能力。5, 专家系统能汇集多领域专家的知识和经验以及他们协作解决重大问题的能力。6, 军事专家系统的水平是一个国家国防现代化的重要标志之一。7, 专家系统的研制和应用，具有巨大的经济效益和社会效益。8,

28、 研究专家系统能够促进整个科学技术的发展。专家系统对人工智能各个领域的 发展起了很大的促进作用，并将对科技、经济、国防、教育、社会和人民生活产生极其深远 的影响理想专家系统的结构图用户 I接口 t一耳靠蓄HI rr 规则；日矗醪知识库！-: 一十七-1- I计划I i 故行器；诙程，i 1 |调度器H:I : : :I中商解协混g时墨虹S6.2理想专家羡貌的结恂四116.1.2专家系统的类型（重点）根据专家系统的机理和结构，可分为：基于规则的专家系统、基于框架的专家系统、基 于模型的专家系统，基于web的专家系统根据专家系统所求解的问题的性质，可分为：解释专家系统、预测专家系统、诊断专家 系统

29、、设计专家系统、规划专家系统、监视专家系统、控制专家系统、调试专家系统、 教学专家系统、修理专家系统、决策专家系统和咨询专家系统6.7专家系统开发工具的种类（重点）专家系统工具是一种更高级的计算机程序设计语言。现有的专家系统工具，主要分为骨架型 工具、语言型工具、构造辅助工具和支撑环境等4类1. 骨架型开发工具定义只保留原系统独立于问题领域知识的推理机部分形成的工具称为骨架优点使用方便，节省在开发系统的过程结构上的时间，提高开发效率，交互性好，提 供很强的对结果进行解释的功能实例：EMYCIN2. 语言型开发工具与骨架型的对比优点：结构变化范围广泛，表示灵活，所适应的范围广泛。问题及缺点：功能

30、上的通用性与使用上的方便性的矛盾造成一些问题和缺点实例：OPS5、CLIPS 等3. 构造辅助工具主要分两类设计辅助工具，知识获取辅助工具实例：AGE 系统、TEIRESIAS4. 支撑环境支撑设施是指帮助进行程序设计的工具四个典型组件：调试辅助工具、输入输出设施、解释设施和知识库编辑器。第七章机器学习机器学习采用的策略大体上可分为4种：机械学习、示教学习、类比学习和示例学习 决策树学习是一种以示例为基础的归纳学习方法，机器学习三要素：一致性假设：样本空间划分：泛化能力：7.7神经学习（重点）PPT按照学习规则，神经学习可分为：Hebb学习、纠错学习、竞争学习及随机学习等。知识点：决策树（e.

31、g苹果分类的规则合取淅取）Grapefruit LemonCherry Grape level 3苹果=绿色AND中等大小 OR 红色AND中等大小决策树是一种由节点和边构成的描述分类过程的层次数据结构决策树学习是一种以示例为基础的归纳学习方法，是目前最流行的归纳学习方法之一，归纳 学习得到的分类模型可以是一系列规则，也可以是决策树。第八章真体（考概念）分布式人工智能的特点：1，分布性系统信息无论在逻辑上或者物理上都是分布的，系统 能够并行地求解问题，从而提高子系统的求解效率2, 连接性在问题求解过程中，各个子系统和求解机构通过计算机网络相互连接，降 低了求解问题的代价。3, 协作性 各子系统

32、协调工作，能够求解单个机构难以解决或者无法解决的困难问题， 提高求解能力，扩大应用领域。4, 开放性通过网络互连和系统的分布，便于扩充系统规模，使系统具有比单个系统 广大得多的开发性和灵活性。5, 容错性系统具有较多的冗余处理节点、通讯路径和知识，能够在系统出现故障时 保持正常的基本工作状况，以提高工作可靠性。6, 独立性系统把求解任务归约为几个相对独立的子任务，从而降低了各处理节点、子 系统问题求解和软件设计开发的复杂性。分布式人工智能的分类：分布式问题求解（DPS）、多真体系统（MAS）两者的共同点在于研究如何对资源、知识、控制等进行划分。两者的不同点在于，DPS往往需要有全局的问题、概念

33、模型和成功标准；而MAS则包 含多个局部的问题、概念模型和成功标准Agent的定义：是一种通过传感器知其环境，并通过执行器作用于该环境的任何实体真体的特性：行为自主性、作用交互性、环境协调性、面向目标性、存在社会性、工作协调 性、运行持续性、系统适应性、结构分布性、功能智能性真体=体系结构+程序真体的结构特点计算机系统为真体的开发和运行提供软件和硬件环境支持，使各个真体依据全局状态协调地 完成各项任务，具体来说：在计算机系统中，真体相当于一个独立的功能模块、独立的计算机应用系统，它含有独立的 外部设备、输入输出驱动装备、操作处理程序、数据结构和相应输出；真体的核心部分为决策生成器或问题求解器，

34、它起主控作用，接受全局状态、任务和时序等 信息，指挥相应的功能操作程序模块工作，并把内部工作状态和结果送至全局数据库； 真体的运行是一个或多个进程，并接受总体调度；各个真体在多计算机CPU上并行运行，其运行环境由体系结构支持。体系结构还提供共享 资源、真体间的通信工具和总体协调。真体结构的分类：根据人类思维的不同层次，可分为：反应式真体:只简单地对外部刺激产生响应，没有任何内部状态.真体的条件-作用规则使感知 和动作连接起来慎思式真体:是个具有显式符号模型的基于知识的系统。其环境模型一般是预先知道的，因 而对动态环境存在一定的局限性，不适用于未知环境跟踪式真体:具有内部状态的反应式真体基于目标

35、的真体:仅仅了解现有状态对决策来说往往是不够的，对于反应式真体，还必须重写 大量的条件一作用规则。基于目标的真体在实现目标方面更灵活，只要指定新的目标，就能 够产生新的作用。基于效果的真体:效果是一种把状态映射到实数的函数，该函数描述了相关的满意程度。一 个完整规范的效果函数允许对两类情况做出理性的决策:第一，当真体只有一些目标可以实 现时，效果函数指定合适的交替。第二，当真体存在多个瞄准目标而不知哪个一定能够实现时，效果（函数）提供了一种根据 目标的重要性来掂估成功可能性的方法。复合式真体:在一个真体内组合多种相对独立和并行执行的智能形态，其结构包括感知、动 作、反应、建模、规划、通信和决策等模块真体通信的类型:使用TELL和ASK通信使用形式语言的通信真体的通信语言:知识询问与操作语言（KQML） 知识交换语言（KIF）多Agent （MAS）的基本模型包括：BDI模型、协商模型、协作规划模型、自协调模型。多Agent （MAS）的体系结构：真体网络、真体联盟、黑板结构第九章自然语言理解（考概念）自然语言的四个层次:语音分析、词法分析、句法分析、语义分析句法分析的四种方法：短语结构语法、乔姆斯基形式语法、模式匹配和转移网络、扩充转移网络句法分析最简单直观的方法就是模式匹配。