企业官网建设流程全解析

简介：围绕《人工智能导论》第五版核心考点整理的简答与名词解释合集，面向软件工程专业学生、人工智能入门学习者及备考人群，帮助快速建立基础概念框架并区分易混知识点。压缩包内含1个PDF文件，大小约2.65MB，以问答条目和术语释义组织，便于复习对照与考前查漏补缺。已有1021人学习，对基础概念梳理具有一定参考价值。内容覆盖逻辑思维、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、方法与学习系统构成，以及模式识别、人工神经网络和知识的不确定性；并串联一阶谓词逻辑的特点与局限、产生式系统的基本结构和工作过程、框架表示法的结构性、知识图谱的逻辑结构与构建方式，延伸到演绎、归纳、默认及不确定性推理和正向、逆向、混合推理流程，适合按模块背诵与自查。

1. 从“思维三兄弟”的困惑说起：人工智能导论到底在讲什么

很多人第一次翻人工智能导论，会被“符号表示、产生式、框架、A*、遗传算法”这些词砸懵：它们像散落的零件，不知道装成什么。其实这门课先回答四件事：知识怎么放进机器、机器怎么推理、答案怎么搜出来、系统怎么落到专家经验和数据里。打个比方，给机器一本菜谱（知识表示），再给它一套“如果火大了就关小”的判断（推理），最后教它在厨房里找最快路线（搜索）。把这条线抓住，简答题和名词解释就不再是孤立的背诵点，而是同一台机器的不同零件。

2. 知识表示的两条路：符号、连接、产生式与知识图谱

知识表示要解决的是一个很朴素的问题：人脑子里的经验，怎么变成计算机能存、能查、能改的数据结构。输入材料里给的定义很直接——知识表示是将人类知识形式化或者模型化，是对知识的一种描述，也是一组约定，一种计算机可以接受的用于描述知识的数据结构。这句话听着绕，拆开就是“把知识翻译成机器能处理的形式”。翻译路线不止一条，最典型的是符号表示法和连接机制表示法：前者像写菜谱，把规则、概念、关系写成符号组合；后者像搭网络，把大量简单单元连起来，让信息在连接之间传递。两条路各有各的脾气，也各有各的适用场景。

2.1 符号表示法与连接机制：写菜谱和搭网络有什么不同

符号表示法用各种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。它的好处是“看得见”：一条规则写出来，人能读，机器也能按符号结构做匹配。比如“如果炉温超过上限，则立即关闭风门”，符号层面就是把条件、结论、操作串起来。它的麻烦也在这里：符号要精确，匹配要严格，遇到含糊的、缺信息的、带经验判断的知识，就容易卡住。材料里说一阶谓词逻辑表示法有自然性、精确性、严密性、容易实现，但不能表示不确定的知识，还会遇到组合爆炸、效率低。这几乎就是符号路线的性格画像：讲道理很清楚，处理脏数据很吃力。

连接机制表示法则换了一个思路：把各种物理对象以不同方式及顺序连接起来，并在其间互相传递及加工包含具体意义的信息，以此表示相关概念及知识，神经网络是典型例子。它不先写一条条规则，而是让大量简单处理单元广泛连接，用连接权重来承载“经验”。人工神经网络就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。它擅长从数据里磨出模式，容错性通常比符号系统好，但可解释性弱一些，常常像个黑匣子。把两条路放在一张表里看，边界会更清楚：

这张表不是为了分出谁高谁低，而是提醒初学者：知识表示不是一种方法打天下。规则清楚、领域知识结构明确的场景，符号表示更顺手；输入是信号、图像、语音，模式藏在数据里的场景，连接机制更合适。机器思维是对通过感知得来的外部信息及机器内部的各种工作信息进行有目的的处理，而机器学习则是让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。机器学习研究学习机理、学习方法、学习系统三方面，一个学习系统一般有环境、学习、知识库、执行与评价四个基本部分。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。把这些词放在“知识怎么进来、怎么被处理、怎么被分类”这条线上，就不容易混。

2.2 产生式系统：规则库、综合数据库和控制系统怎么配合

产生式系统是符号表示里很有代表性的结构。它由三块组成：规则库、综合数据库、控制系统。规则库用于描述相应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，用来存放问题求解过程中各种当前信息；控制系统由一组程序组成，负责整个产生式系统的运行，实现对问题的求解。通俗地说，规则库是“如果……就……”的规则本，综合数据库是当前已知的事实黑板，控制系统是决定先擦哪条规则、先写哪条结论的调度员。

产生式系统的工作过程可以拆成五步：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，要进行冲突消解；执行某一规则时，如果右部是一个或多个结论，就把结论加入综合数据库，如果右部是一个或多个操作，就执行这些操作；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；检查综合数据库是否包含最终结论，决定是否停止运行。这个流程听起来像“查规则—挑一条—执行—看是否结束”，实际用起来，冲突消解策略很关键，否则多条规则同时匹配，系统就不知道先走哪一步。材料里列出的冲突消解策略包括按针对性排序、按已知事实的新鲜性排序、按匹配度排序、按条件个数排序。

下面这段代码只是把产生式系统的最小骨架摆出来，帮助理解“规则库、综合数据库、控制系统”各自在干什么：

# 产生式系统的最小匹配循环（示意，省略完整的冲突消解） rules = [ {"if": {"温度": "高"}, "then": {"关风门": True}}, # 规则库中的一条规则 {"if": {"关风门": True}, "then": {"炉温": "下降"}}, # 另一条规则 ] facts = {"温度": "高"} # 综合数据库中的已知事实 def match(rule, facts): # 只有当规则左部的所有条件都在事实库中成立，才算匹配成功 return all(facts.get(k) == v for k, v in rule["if"].items()) while True: applicable = [r for r in rules if match(r, facts)] # 找出当前可适用规则 if not applicable: break rule = applicable[0] # 这里简化处理，真实系统要按冲突消解策略挑选 facts.update(rule["then"]) # 执行规则，把结论写回综合数据库

逻辑说明：rules对应规则库，facts对应综合数据库，while循环和applicable的挑选对应控制系统的调度。参数说明：rule["if"]是规则左部条件，rule["then"]是规则右部结论或操作；match函数用字典比较做最简匹配，真实系统还要处理变量、函数、不精确匹配和冲突消解。产生式表示法的优点是自然性、模块性、有效性、清晰性，缺点是效率不高、不能表达结构性知识。它适合领域知识间关系不密切、不存在结构关系的情况，也适合经验性及不确定性的知识，以及求解过程可被表示为一系列相对独立操作的问题。

2.3 框架表示法与知识图谱：从槽值到实体关系

如果说产生式擅长写“条件—动作”，框架表示法更像给对象建一张属性卡片。框架是一种描述所论对象属性的数据结构，一个框架由若干个“槽”组成，每一个槽又可根据实际情况划分为若干个“侧面”。一个槽用于描述对象某一方面的属性，一个侧面用于描述相应属性的一个方面，槽和侧面所具有的属性值分别叫槽值和侧面值。比如描述一个“房间”，槽可以有面积、位置、用途，侧面可以进一步写面积的上限、下限、当前值。框架表示法的特点有三条：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，也可以补充和修改；自然性，框架表示法与人在观察事物时的思维活动是一致的。它比产生式更擅长表达“一个对象由哪些部分组成、部分之间有什么关系”。

知识图谱则把视角拉到更大的关系网络上。它用各种不同的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。知识图谱由一些相互连接的实体及其属性构成，逻辑结构分为模式层与数据层：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。构建过程有两条路：自顶向下先为知识图谱定义好本体与数据模式，再将实体加入知识库；自底向上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。框架和知识图谱都强调结构，但框架更像“单个对象的属性模板”，知识图谱更像“很多实体和关系连成的地图”。一个偏局部结构，一个偏全局关系，这是理解它们区别的关键。

2.4 知识的不确定性与机器学习：为什么机器拿到的知识不总是干净的

知识是在长期生活及社会实践中、在科学研究及实验中积累起来的对客观世界的认识与经验。可经验这东西很少是干净的。知识的不确定性体现在随机性引起的不确定性、模糊性引起的不确定性、经验引起的不确定性、不完全性引起的不确定性。随机性是“可能这样也可能那样”，模糊性是“边界不清楚”，经验性是“靠老手判断”，不完全性是“信息缺了一块”。这四类不确定性直接决定了知识表示和推理不能只会处理精确规则。一阶谓词逻辑表示法精确、严密，但遇到不确定知识就吃力；产生式可以表示不精确知识，匹配也可以按相似度落在指定范围内；证据理论、模糊集合则专门给不确定性留了位置。

机器学习在这里扮演的角色，是让机器从环境里自动获取知识、改善性能，而不是全靠人把规则写全。材料里说机器学习主要研究学习机理、学习方法、学习系统，学习系统一般由环境、学习、知识库、执行与评价四部分组成。这个结构和产生式系统有相似之处：都有知识库，都有执行与评价，只是机器学习更强调从数据或经验中更新知识。模式识别则把问题落在“描述和分类”上，输入可以是信号、图像或普通数据。人工神经网络作为连接机制的代表，用大量简单单元和连接来模拟大脑神经系统的结构和功能，适合处理模式性强、规则难写全的任务。把这些概念串起来看：知识表示负责“怎么放”，机器学习负责“怎么学”，模式识别负责“怎么分类”，人工神经网络是其中一种常用的连接机制载体。它们不是同义词，而是同一条流水线上的不同工位。

3. 推理这件事：从已知事实走到结论，为什么还会“不确定”

推理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。通俗地说，推理就是“拿已知的，推出未知的”。它之所以重要，是因为知识库里的知识不会自动变成答案，必须有人或机器沿着规则、逻辑、经验往下走。可一旦往下走，就会遇到两个问题：方向怎么选，确定性怎么处理。方向选错，会在无关知识里打转；确定性处理不好，会把“可能”当成“一定”。人工智能导论里大量简答题都围绕这两个问题展开。

3.1 演绎、归纳、默认推理：一般到个别、个别到一般，还有“先假设”

演绎推理是从一般到个别。比如有一条一般规则“所有金属都导电”，又知道“铁是金属”，就能推出“铁导电”。它的特点是结论蕴含在前提里，前提真、推理形式有效，结论通常可靠。归纳推理是从个别到一般。看到很多次“某类样本有某特征”，归纳出“这类样本一般有该特征”。归纳又分完全归纳推理和不完全归纳推理：完全归纳考察了全部对象，结论具有必然性；不完全归纳只考察部分对象，结论是非必然的。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。比如系统不知道某扇门是否关着，但按常识默认“门默认是关的”，先按这个假设往下推。默认推理很实用，因为它让机器在信息不全时也能行动，但它的结论不是铁板钉钉，后续发现反例就要撤回。

确定性推理是推理时所用的知识与证据都是确定的，推出的结论也是确定的，真值或者为真或者为假。不确定性推理则是知识与证据不都是确定的，结论也不确定。单调推理随着推理向前推进及新知识的加入，推出的结论越来越接近最终目标；非单调推理则可能因为新知识加入，不仅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。默认推理常常和非单调推理联系在一起，因为“默认”一旦被新证据推翻，原来的结论就要收回。启发性知识是与问题有关且能加快推理过程、提高搜索效率的知识。它不保证逻辑上必然，但能帮系统少走弯路。理解这几组分类，关键是抓住“方向”和“确定性”两个维度，而不是死背名词。

3.2 正向、逆向、混合推理：从事实出发还是从目标倒推

正向推理从初始已知事实出发，在知识库中找出当前可适用的知识，构成可适用知识集，然后按某种冲突消解策略选出一条知识进行推理，把推出的新事实加入数据库作为下一步已知事实，再重新选取可适用知识，重复直到求得解或知识库中再无可适用知识。它的路线是“已知事实→结论”，也叫数据驱动。逆向推理也叫目标驱动推理，以某个假设目标作为出发点，寻找支持该假设的证据：证据都能找到，原假设成立；无论如何找不到所需证据，说明原假设不成立，需要另作假设。逆向推理的主要优点是不必使用与目标无关的知识，目的性强，还有利于向用户提供解释；主要缺点是起始目标的选择有盲目性。混合推理则把两者结合：可以先正向后逆向，先进行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；也可以先逆向后正向，先假设一个目标进行逆向推理，再利用逆向推理中得到的信息进行正向推理，推出更多结论。

冲突消解策略在这条线上很关键。规则匹配成功可能不止一条，系统要按针对性、已知事实的新鲜性、匹配度、条件个数等排序，决定先执行哪一条。这个环节很像现实中的决策：多条建议都说得通，先听哪条，往往决定后面走多远。确定性推理里还有一个经典操作叫归结反演。它的思路是把“证明某个结论”转化成“证明否定结论会导致矛盾”。先把谓词公式化为子句集，步骤包括消去蕴含和等价符号、把否定符号移到紧靠谓词的位置、变量标准化、消去存在量词、化为前束形、化为 Skolem 标准形、略去全称量词、消去合取词、子句变量标准化，然后通过归结推出空子句。这个过程听起来机械，但它是符号推理里很有代表性的“反证法”。

3.3 可信度与C-F：经验判断怎么变成可计算的数

不确定性推理是从不确定性的初始证据出发，通过运用不确定性的知识，最终推出具有一定程度的不确定性但却是合理或者近乎合理的结论的思维过程。可信度是根据经验对一个事物或现象为真的相信程度，带有较大的主观性和经验性，准确性难以把握。材料里区分了静态强度和动态强度：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。通俗地说，静态强度是“这条规则本身有多硬”，动态强度是“这次证据有多可信”。C-F 计算和 C-F 合成就是把这两类强度组合起来，让系统能算出一个结论的可信程度。公式不必死背，关键是理解“证据可信度”和“规则可信度”要一起考虑，不能只看规则写得多肯定。

证据理论则用样本空间、基本概率分配、信任函数和似然函数来描述不确定性。样本空间是变量所有可能取值的集合，元素互斥，任一时刻变量取且只能取其中一个元素为值。基于证据理论的不确定性推理步骤包括：建立问题的样本空间；由经验给出或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；由信任函数值和似然函数值得出结论。信任函数和似然函数一个像“至少有多可信”，一个像“最多有多可信”，两者合起来给结论一个区间。证据正交和则用于把不同证据源的信息合并起来。对初学者来说，不必一上来啃公式，先记住它解决的问题：当证据来自多个来源、每个来源只给部分支持时，怎么合成一个更完整的判断。

3.4 证据理论与模糊集合：不确定性的两套语言

模糊集合处理的是另一种不确定性：边界不清楚。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，这个实数叫隶属度；集合中所有元素的隶属度全体构成隶属函数。比如“高个子”不是一个一刀切的集合，1.75 米的人可能隶属度是 0.6，1.85 米的人可能是 0.9。模糊集合的表示方法有 Zadeh 表示法、序偶表示法、向量表示法；隶属函数的确定方法有模糊统计法、专家经验法、二元对比排序法、基本概念扩充法。模糊规则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”方法把模糊结论转成精确量。清晰化也叫模糊决策、模糊判决，常用最大隶属度法、加权平均判决法、中位数法。

证据理论和模糊集合容易混，因为都在处理“不确定”。区别在于：证据理论更像“多个证据源给某个命题多少支持”，关注信任和似然；模糊集合更像“某个对象属于某个概念的程度上是多少”，关注隶属度。一个偏证据合成，一个偏概念边界。把这两套语言放在推理章节里，是因为它们都服务于同一个目标：让机器在信息不完美时还能给出合理结论。材料里还提到模糊集合的代数运算，这部分在简答题里常以定义和运算规则出现，复习时可以把“隶属度”当成核心参数，其他运算都是围绕它展开。

4. 搜索与智能计算：为什么A*、遗传算法、粒子群都在“找答案”

搜索要解决的问题是：在一个很大的可能空间里，怎么找到一条从初始状态到目标状态的路径。材料里把搜索中需要解决的基本问题列得很清楚：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。这四个问题几乎就是评价一切搜索算法的尺子。搜索方向也分三种：数据驱动是从初始状态出发的正向搜索，目的驱动是从目的状态出发的逆向搜索，双向搜索则从开始状态正向搜、从目的状态逆向搜，直到两条路径在中间某处汇合。理解搜索，先别急着背算法名，先看它怎么表示问题、怎么选下一步、怎么判断结束。

4.1 状态空间与回溯：把问题画成一张可走的路网

状态空间表示法利用状态变量和操作符号，表示系统或问题的有关知识的符号体系，状态空间是一个四元组。通常可以理解为状态集、操作集、初始状态、目标状态四件事。把问题画成状态空间，就像把一座城市画成路网：路口是状态，道路是操作，出发点是初始状态，目的地是目标状态。回溯搜索则是在这张路网里试着往前走，走不通就退回上一个路口。材料里提到三张表：PS 表保存当前搜索路径上的状态，如果找到目的，PS 就是解路径上的状态有序集；NPS 表是新的路径状态表，包含等待搜索的状态，其后裔状态还未被搜索到；NSS 表是不可解状态集，列出找不到解题路径的状态。回溯思想的核心是用 NPS 表使算法能返回任一状态，用 NSS 表避免重新搜索无解路径，用 PS 表记录当前路径，找到目的时直接返回，同时对新生成的子状态进行检查，避免陷入死循环。

这三张表的意义在于“记忆”。没有记忆的搜索会反复踩同一个坑，有了 PS、NPS、NSS，算法就知道哪些路正在走、哪些路还没走、哪些路已经证明走不通。宽度优先搜索以接近起始节点的程度为依据，进行逐层扩展；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。两者都是盲目搜索，因为它们在没有特定问题信息的条件下，按固定步骤依次或随机调用操作算子。盲目搜索的优点是简单、通用，缺点是状态空间一大就容易爆。理解这一点，后面看启发式搜索就不会觉得它是玄学。

4.2 盲目搜索与启发式搜索：宽度、深度和A*为什么不是玄学

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，以求尽快到达结束状态。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，可能没有确定解；一个问题虽然有确定解，但状态空间特别大，搜索中生成扩展的状态数会随深度呈指数级增长。启发式信息按运用方法分，有陈述性启发信息、过程性启发信息、控制性启发信息；按作用分，有用于扩展节点的选择、用于生成节点的选择、用于删除节点的选择。说白了，启发式信息就是“先看哪儿更像答案”的经验。

估计函数 h(n) 的比重大小很讲究。h(n) 比重大，能降低搜索工作量，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。A* 搜索算法之所以常被拿出来讲，是因为如果某一问题有解，利用 A* 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。这个结论有前提：启发函数要满足可采纳性。可采纳性是指当一个搜索算法在最短路径存在时能保证找到它；信息性则是指两个 A* 启发策略 h1 和 h2 中，如果对搜索空间中任一状态 n 都有 h1(n) ≤ h2(n)，就称 h2 比 h1 具有更多信息性。h(n) 越大，A* 搜索的信息性越多，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。

# A*搜索骨架（示意，省略具体邻居生成与重复节点处理） import heapq def a_star(start, goal, neighbors, h): open_heap = [(h(start), 0, start)] # (f = g + h, g, 节点) came_from = {} g_score = {start: 0} while open_heap: f, g, node = heapq.heappop(open_heap) if node == goal: return came_from, g_score[node] # 找到目标，返回路径信息和总代价 for nxt, cost in neighbors(node): tentative_g = g_score[node] + cost # 经过当前节点到邻居的新代价 if tentative_g < g_score.get(nxt, float("inf")): came_from[nxt] = node g_score[nxt] = tentative_g heapq.heappush(open_heap, (tentative_g + h(nxt), tentative_g, nxt)) return None, None # 搜索失败

逻辑说明：g_score记录从起点到某节点的已知最小代价，h(nxt)是对从该节点到目标剩余代价的估计，堆里按f = g + h排序，每次取最有希望的节点扩展。参数说明：neighbors(node)返回邻居和边代价；h是启发函数，A* 要保证可采纳性时，h不能高估真实剩余代价。came_from用来回溯路径，g_score[node]是到达当前节点的已走代价。这个骨架能帮助理解 A* 的“重排 OPEN 表”到底在排什么：排的是估计总代价，不是单纯的距离。

4.3 遗传算法：选择、重组、变异如何模拟进化

智能计算是受自然界和生物界规律启迪，根据其原理模仿设计出的求解问题的算法，包括人工神经网络、模糊逻辑、遗传算法等，也叫计算智能。智能优化方法通常包括进化计算和群智能两大类，是一种典型的元启发式随机优化方法。进化算法基于自然选择和自然遗传等生物进化机制，生物进化通过繁殖、变异、竞争和选择实现，进化算法则主要通过选择、重组和变异三种操作实现优化问题求解。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。它的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。

遗传算法里常考一维染色体编码方法，也就是把问题空间的参数编码成一维排列的染色体。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。它的优点是类似生物染色体组成，算法易于用生物遗传理论解释，遗传操作如交叉、变异容易实现，算法处理的模式数最多；缺点也明确：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。遗传算法的特点包括：对所求解的优化问题没有太多数学要求，搜索过程中不需要问题的内在性质，可直接对结构对象操作；利用随机技术指导对编码参数空间进行高效率搜索；采用群体搜索策略，易于并行化；仅用适应度函数值评估个体，并在此基础上进行遗传操作，使种群个体之间交换信息；能非常有效地进行概率意义的全局搜索。

个体选择概率分配方法有蒙特卡罗法、排序方法（线性、非线性）；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。自适应遗传算法则根据种群状态调整交叉概率 Pc 和变异概率 Pm：当种群各个体适应度趋于一致或趋于局部最优时，使 Pc 和 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，以利于优良个体生存。这里的“概率参数”不是拍脑袋的装饰，它们控制的是探索和保留之间的平衡。Pc 太高，好个体容易被拆散；Pc 太低，搜索容易停滞。Pm 太高，算法接近随机搜索；Pm 太低，种群多样性不足。复习时抓住“选择—重组—变异”三件事，比背一串步骤更有用。

4.4 粒子群算法：一群粒子如何追两个“极值”

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是把每个个体看作 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。它的基本原理是：PSO 初始化为一群随机粒子，然后通过迭代找到最优解；每一次迭代中，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。

粒子群优化算法的流程包括：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，将其适应度与经历过的最好位置比较，优于 Pi 就作为该粒子的最好位置；设置全局最优值 Pg，将其适应度与群体经历过的最好位置比较，优于 Pg 就作为当前群体最好位置；更新粒子的速度和位置；检查终止条件，如果未达到设定条件（预设误差或迭代次数），返回评价步骤。这里的 Pi 和 Pg 很像两个参照物：一个提醒粒子“你自己去过的最好地方在哪”，一个提醒粒子“整个群体目前发现的最好地方在哪”。粒子在这两个参照之间调整方向和速度，既有个人经验，也有群体信息。它和遗传算法的区别可以粗略理解为：遗传算法靠选择、交叉、变异重组解，粒子群靠速度和位置迭代追踪极值。两者都属于智能优化方法，适合搜索空间复杂、传统方法不好下手的优化问题。

5. 常见误区与易混区别：这些名词长得像，边界在哪

人工智能导论里的名词有一股“亲戚感”：产生式和蕴含式都写成“如果……就……”，知识图谱和数据库都存实体关系，机器学习和模式识别都跟数据打交道，A* 和盲目搜索都在找路径，专家系统和传统程序都能算答案。长得像不代表是一回事。复习时最容易翻车的地方，不是定义没背，而是把边界背没了。下面挑五个高频易混点，按“易混点—为什么混—怎么区分”拆开。

5.1 产生式就是蕴含式？——多了操作，也多了不精确匹配

易混点：产生式和谓词逻辑中的蕴含式都采用“如果 A 则 B”的形式，看起来只是换了个名字。为什么混：两者都能表达条件与结论的关系，简答题里又常放在一起比较，初学者容易把“形式相似”当成“本质相同”。怎么区分：材料里给了两条硬区别。第一，除逻辑蕴含外，产生式还包括各种操作、规则、变换、算子、函数等。也就是说，产生式的右部不一定是逻辑结论，也可能是一个动作。比如“如果炉温超过上限，则立即关闭风门”是一个产生式，但不是蕴含式，因为“关闭风门”是操作，不是逻辑命题。第二，蕴含式只能表示精确知识，匹配总要求精确；产生式不仅可以表示精确知识，还可以表示不精确知识，匹配可以是精确的，也可以是不精确的，只要按某种算法求出的相似度落在预先指定范围内就认为可匹配。区分时抓住两个关键词：右部有没有操作，匹配要不要精确。产生式更像“条件—动作”或“条件—结论”的工作规则，蕴含式更像逻辑证明里的条件关系。

5.2 知识图谱就是数据库？——关系语义和存储查询不是一回事

易混点：知识图谱由实体和属性构成，数据库也存实体和属性，于是有人把知识图谱当成“画成图的关系数据库”。为什么混：两者都涉及结构化数据，都能查询，知识图谱还常常落在数据库里，表面上看只是展示方式不同。怎么区分：知识图谱的重点是“知识资源及其载体之间的关系”，它用可视化技术描述知识资源，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系，由相互连接的实体及其属性构成。它的逻辑结构分模式层和数据层，数据层由事实组成，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。数据库的重点是存储、索引、查询和事务，表结构服务于数据管理。知识图谱当然需要存储，但它的价值不只在“存”，而在“关系语义”和“知识组织”。复习时可以这样记：数据库回答“数据放在哪、怎么查”，知识图谱回答“这些实体之间是什么关系、这些关系怎么组织成知识”。构建过程也分自顶向下和自底向上：自顶向下先定义本体与数据模式，再加入实体；自底向上先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。这个构建视角本身就说明，知识图谱不是一张普通的表。

5.3 机器学习等于模式识别？——一个偏“学”，一个偏“分类描述”

易混点：机器学习能从数据里找规律，模式识别也能从数据里分类，两个词经常一起出现。为什么混：它们都依赖数据，都涉及“从样本到判断”，应用场景也常重叠，比如图像分类既可以说用了机器学习，也可以说属于模式识别。怎么区分：机器学习强调的是“让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”，研究学习机理、学习方法、学习系统，学习系统一般有环境、学习、知识库、执行与评价四部分。模式识别强调的是“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。一个词的重心在“学习过程与性能改善”，一个词的重心在“描述与分类方法”。机器学习可以用来做模式识别，模式识别也可以采用非机器学习的方法。人工神经网络则是连接机制表示法的典型例子，也常被用作机器学习和模式识别的工具，但它既不等同于机器学习，也不等同于模式识别。把“学习机制”“分类任务”“网络结构”三层分开，边界就清楚了。

5.4 A*一定最快、一定最优？——可采纳性和信息性要分开看

易混点：A* 常被说成“一定能找到最优解”，于是有人进一步理解成“A* 一定最快”。为什么混：“最优解”和“最快”听起来都是好话，简答题里又常把 A* 的特性放在一起，容易混成一句。怎么区分：材料里说得很明确，如果某一问题有解，利用 A* 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“最优”有前提，涉及可采纳性：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。A* 的可采纳性依赖启发函数不高估真实代价。信息性则是另一回事：两个 A* 启发策略 h1 和 h2，如果对搜索空间中任一状态 n 都有 h1(n) ≤ h2(n)，就称 h2 比 h1 具有更多信息性。h(n) 越大，A* 搜索的信息性越多，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。所以，“最优”说的是解的质量，“最快”说的是搜索效率，两者不能直接画等号。h(n) 比重大小也有取舍：比重大降低工作量但可能找不到最优解，比重小工作量加大但可能找到最优解。复习时把“可采纳性、单调性、信息性”三个词分开记，比背一句口号稳。

5.5 专家系统就是传统程序加界面？——知识库与推理机分离才是关键

易混点：专家系统也是计算机程序，也能输入输出，于是有人觉得它只是“传统程序加一个专家界面”。为什么混：两者都靠程序运行，都能解决问题，外行看界面很难看出差别。怎么区分：材料里把差别列得很清楚。编程思想上，传统程序等于数据结构加算法，专家系统等于知识加推理；传统程序关于问题求解的知识隐含于程序中，专家系统的知识单独组成知识库，与推理机分离；处理对象上，传统程序偏数值计算和数据处理，专家系统偏符号处理；传统程序不具有解释功能，专家系统具有解释功能；传统程序产生正确答案，专家系统通常产生正确答案，有时产生错误答案；体系结构也不同。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，特点是具有专家水平的专业知识、能进行有效推理、具有启发性、灵活性、透明性、交互性。它的基本组成和一般结构都围绕知识库、推理机、知识获取等部分展开。判断一个系统是不是专家系统，不要看它有没有“专家”两个字，而要看知识是不是单独组织、推理是不是独立进行、能不能解释推理过程。知识获取还要经过抽取知识、转换、输入、检测，模式有非自动、自动、半自动。把这些特征抓住，就不会把普通程序误认成专家系统。

6. 什么时候用、什么时候别用：一份给初学者的边界判断

学完这些名词，真正要判断的是“遇到问题该搬哪件工具”。专家系统适合主要依靠经验性知识、不需要大量常识就能解决的任务，存在真正的领域专家，开发目标明确且任务不太难实现；如果还要考虑合理性，那得有较高经济效益、人类专家奇缺、专家经验不断丢失，或者危险场合需要专业知识。它不太适合依赖大量常识、任务边界不清、知识很难抽取的场景。机器学习适合有数据、模式可学、能接受概率性错误的任务；数据很少、解释性要求极高、需要严格因果判断时，别硬套。数据挖掘适合从大量数据中抽取和精化一般规律或模式，任务包括数据总结、概念描述、分类、聚类、相关性分析、偏差分析、建模；但它擅长发现相关性和模式，不等于自动给出因果结论。

我以前复习时总想把每个名词背成孤岛，后来发现先问四个问题更稳：知识怎么表示，推理往哪走，搜索空间多大，数据够不够。从那以后我每次遇到人工智能导论里的新名词，都强制走一遍这四个问题，再回头看简答题，错误率反而低。这份简答题加名词解释整理适合放在手边，遇到一个概念就按主题翻回去对一遍，比孤立背词条更容易连成线。希望帮到你。

本文还有配套的精品资源，点击获取