企业官网建设流程全解析

简介：面向软件工程等专业学习《人工智能导论》的学生，这份简答题与名词解释整理对应教材第五版核心概念，可用于考前复习、课堂梳理与查漏补缺。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、模式识别、人工神经网络，以及知识不确定性、一阶谓词逻辑和产生式系统等基础知识点。同时延伸到产生式与蕴含式的区别、框架表示法的结构与继承性、知识图谱的逻辑结构与构建方式，并梳理演绎、归纳与默认推理，确定性与不确定性推理，单调与非单调推理及正向、逆向和混合推理流程，便于按名词解释和简答题两种题型记忆。包内为1个PDF文件，约2.65MB，已有1021人学习，适合需要快速建立知识框架、对照教材复习并查漏补缺的读者。

1. 一张地图：四层结构、两条暗线，先把整本书挂起来

「人工智能导论」最劝退的地方，是它把符号主义、连接主义、搜索、随机优化四套语系塞进一本书：名词解释要写得像教材，简答题还得排得出步骤。我复习时先把它压成一张四层地图——知识表示把世界写进机器，推理从已知推未知，搜索在解空间里找路，智能计算用自然界的套路做优化；专家系统与机器学习则是这四层拼起来的工程件。两条暗线从头贯到尾：确定性与不确定性、符号与连接。地图立住之后，零散定义才有地方挂靠，考前两周也不至于从第一页开始重背。

2. 知识表示：符号、产生式、框架与知识图谱的取舍

2.1 三种思维与两条表示路线

教材开篇先讲逻辑思维、形象思维、顿悟思维，不是为了凑名词，而是因为后面所有表示方法都能追溯到这三种思维里的一种。逻辑思维依靠逻辑规则推进，过程是串行的，容易形式化，所以能长出一阶谓词逻辑；形象思维依据直觉，过程是并行协同式的，形式化困难，但在信息变形或缺失时仍可能给出比较满意的结果，这正是神经网络那条线的立足点；顿悟思维不定期突发、非线性、带独创性和模糊性，穿插在前两者之间，落到教材里就是专家系统的启发性知识。

由此分出两条表示路线。符号表示法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、产生式都是这一类；连接机制表示法把物理对象以不同方式连接起来，在连接之间传递和加工信息，神经网络是典型代表。

顺着这条路，几个容易混的定义就串起来了：机器思维是对通过感知得来的外部信息以及机器内部各种工作信息进行有目的的处理；机器学习是让计算机模拟人的学习行为，自动获取知识和技能并不断改善性能，它研究学习机理、学习方法、学习系统三方面问题，而一个学习系统由环境、学习、知识库、执行与评价四个基本部分组成；模式识别则是研究描述和分类方法的学科，被分析和识别的模式可以是信号、图像或普通数据。梳理下来会发现，这三个概念分别对应「处理」「改进」「识别」三个动作，考试时按动作去回忆比按定义背要稳。

2.2 产生式系统：三件套、五步循环与那块「暧昧地带」

产生式系统的基本结构只有三块，但每块的作用必须说准。规则库是描述相应领域内知识的产生式集合；综合数据库又叫事实库、上下文或黑板，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，负责整个系统的运行，实现对问题的求解。工作过程是高频简答题，标准五步：从规则库中选出与综合数据库已知事实匹配的规则；匹配成功的可能不止一条，需要冲突消解；执行规则时，右部是结论就并入综合数据库，右部是操作就执行操作；对不确定性知识，还要按一定算法计算结论的不确定性；最后检查综合数据库是否已包含最终结论，决定是否停机。

# 产生式系统最小骨架：匹配 → 冲突消解 → 执行 → 判停 rules = [] # 每条规则含左部条件集合 cond、右部 conclusion 或 action、可信度 cf db = set() # 综合数据库，存放当前已知事实 def match(rules, db): # 左部条件被事实完全覆盖才算匹配成功 return [r for r in rules if set(r["cond"]) <= db] def resolve(candidates): # 冲突消解：先按事实新鲜性，再按条件个数（越具体越优先） return sorted(candidates, key=lambda r: (-r["freshness"], -len(r["cond"])))[0] while True: ks = match(rules, db) if not ks: break rule = resolve(ks) db |= set(rule["conclusion"]) # 右部为结论则并入数据库 if rule.get("is_goal") and goal in db: break

这段骨架里，cond对应规则左部，conclusion对应右部结论，freshness是冲突消解用的新鲜性标记。真实系统里match要处理不确定性匹配，resolve要能按针对性、新鲜性、匹配度、条件个数四种策略切换。

提示：产生式与谓词逻辑中的蕴含式是最爱考的区别题。一是范围不同，蕴含式只表示逻辑关系，产生式还包括各种操作、规则、变换、算子、函数，「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；二是精确性不同，蕴含式只能表示精确知识且匹配必须精确，产生式既能表示精确知识也能表示不精确知识，匹配只要相似度落在预先指定范围内就算匹配。

产生式表示法的优点是自然性、模块性、有效性、清晰性；缺点同样明确：效率不高，不能表达结构性知识。所以它适合三类知识——领域知识之间关系不密切、不存在结构关系的；经验性及不确定性、且相关领域没有严格统一理论的；求解过程可表示为一系列相对独立操作、每个操作能写成一条或多条规则的。

2.3 框架与知识图谱：从「槽」到「实体—关系」

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「槽」组成，每个槽又可根据实际情况划分若干「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，槽和侧面所具有的属性值分别叫槽值和侧面值。三个特点要背准：结构性，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，与人在观察事物时的思维活动一致。

举个例子，某型电机的框架可以写成：槽「名称」的槽值是型号；槽「额定温度」的槽值是区间；槽「处置」下设侧面「超限时」，侧面值是关闭风门。上层框架写通用属性，下层具体型号只补差异部分，这就是继承性在答题时的落地说法。

知识图谱则是另一层：用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。逻辑结构分模式层与数据层，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。构建过程有两条路：自顶向下是先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，选置信度较高的加入知识库，再构建顶层本体模式。考试里凡是问「两种构建方式区别」，答「本体先定还是实体先来」就够了。

3. 推理：从确定性演绎到不确定性三套算法

3.1 一张分类坐标：方向、确定性、单调性

推理是从已知事实出发，运用已掌握的知识找出其中蕴涵的事实或归纳出新事实的过程。教材按三个角度切分，复习时先把坐标画出来，再往里填名词。

这里最容易忽略的是「启发性知识」这个提法：与问题有关、能加快推理过程、提高搜索效率的知识。它不属于推理分类，却是后面启发式搜索和专家系统两章的连接点，答专家系统特点里的「具有启发性」时也要靠它撑住。

3.2 正向、逆向与混合：三种走法加冲突消解

正向推理是从已知事实推向结论，三段式：从初始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；按冲突消解策略从中选一条推理，把推出的新事实加入数据库作为下一步已知事实，再重新选可适用知识；重复上一步直到求得解或再无可适用知识。逆向推理以某个假设目标为出发点，找支持该假设的证据，证据齐了假设成立，怎么都找不到就说明假设不成立、需要另作假设。它的优点是不必使用与目标无关的知识、目的性强，还利于向用户提供解释；缺点是起始目标的选择带有盲目性。

混合推理有两种组合：先正向后逆向，先用正向推理帮助选出某个目标，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，先假设一个目标做逆向推理，再利用逆向过程中得到的信息做正向推理，推出更多结论。冲突消解的四条策略按顺序记：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。

3.3 子句集九步与归结反演

谓词公式化为子句集是九步流水线，顺序不能乱：消去「→」和「↔」；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。其中「消去存在量词」要说明清楚：如果存在量词不在任何全称量词辖域内，就用一个 Skolem 常量替代；如果在全称量词辖域内，就用关于该全称变量的 Skolem 函数替代。「变量标准化」的目的是让每个量词绑定的变量名互不相同，避免后面 Skolem 化和子句分离时串名。

归结反演的思路是反证：把待证结论取反并入子句集，反复对含互补文字的子句做归结，每一步把消去的互补文字所在子句的剩余部分合并成新子句，若最终推出空子句，就说明原子句集不可满足，原结论成立。答这类题时一定要写出「取反—加入—归结—得空子句」这条主线，只写「用反证法」是拿不到步骤分的。

3.4 不确定性推理：可信度、证据理论、模糊三套算法

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。两个强度必须分清：静态强度 CF(H, E) 是知识的强度，表示当 E 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。多条证据支持同一结论时要合成：

def combine_cf(cf1, cf2): # 两者都非负：合成值不小于任一单项 if cf1 >= 0 and cf2 >= 0: return cf1 + cf2 - cf1 * cf2 # 两者都为负：合成值不大于任一单项 if cf1 < 0 and cf2 < 0: return cf1 + cf2 + cf1 * cf2 # 异号：分母为 1 减去两者绝对值中的较小者 return (cf1 + cf2) / (1 - min(abs(cf1), abs(cf2)))

三个分支的边界是 0：函数里>= 0和< 0的判断顺序决定了 CF 恰为 0 时走哪条路，异号分支的分母是1 - min(|CF1|, |CF2|)，结果符号跟随绝对值较大的一方。这三个细节是判卷时最爱抠的地方。

基于证据理论的推理分四步：建立问题的样本空间 D；由经验给出、或由随机性规则和事实的信度度量求出基本概率分配函数；计算所关心子集的信任函数值和似然函数值；由这两个值得出结论。样本空间里各元素互斥，任一时刻变量只能取其中一个值。信任函数是所有子集概率分配之和，似然函数则通过补集来算，一个是从下面逼近的下界，一个是从上面逼近的上界，两者相等时才说明证据完全确定。多组证据合成用正交和，形式是把所有交集等于目标集合 A 的组合的概率分配相乘再求和，最后做归一化。

模糊集合给每个元素赋予一个介于 0 和 1 之间的实数，描述其属于集合的强度，这个实数叫隶属度，所有元素隶属度的全体构成隶属函数。表示方法有三种：Zadeh 表示法、序偶表示法、向量表示法。隶属函数的确定有模糊统计法、专家经验法、二元对比排序法、基本概念扩充法四种。模糊规则是从条件论域到结论论域的模糊关系矩阵，通过条件模糊向量与关系矩阵合成得到结论模糊向量，再用清晰化转成精确量；清晰化的三种方法是最大隶属度法、加权平均判决法、中位数法。

4. 搜索与智能计算：状态空间、A* 与两族随机优化

4.1 状态空间四元组与回溯的三张表

搜索要回答四个基本问题：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；是否终止运行或会不会陷入死循环。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，是一个四元组：状态集、操作符集、初始状态、目标状态集。搜索方向分三种，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，双向搜索两头同时走，直到两条路径在中间某处汇合。

回溯搜索靠三张表撑住：PS 表保存当前搜索路径上的状态，找到目的时它就是解路径上的状态有序集；NPS 表是新的路径状态表，存放等待搜索、其后裔还未被生成扩展的状态；NSS 表是不可解状态集，列出找不到解题路径的状态，扩展出它的元素就可以立即排除，不必沿该状态继续搜。四条思想对应这三张表：用 NPS 使算法能返回任一状态，用 NSS 避免重新搜索无解路径，用 PS 在满足目的时直接返回结果，为避免死循环必须对新生成的子状态做检查、看它是否已在这三张表里。

4.2 宽度、深度与启发式：三种走法的代价

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处理，两者都属于盲目搜索——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。启发式搜索则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。

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。启发信息按运用方法分三类：陈述性启发信息用于更准确精炼地描述状态；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。按作用也分三类：用于扩展节点的选择，决定先扩展哪一个；用于生成节点的选择，决定生成哪些后继；用于删除节点的选择，决定删掉哪些无用节点，避免进一步的时间空间浪费。

4.3 A*：可采纳性、单调性与信息性

估计函数 h(n) 的比重直接决定搜索性格：h(n) 比重大，搜索工作量降低，但可能导致找不到最优解；h(n) 比重小，工作量加大，极限情况下退化为盲目搜索，但可能找到最优解。A* 用 f(n) = g(n) + h(n) 排序 OPEN 表，g 是已走代价，h 是到目标的估计代价。

import heapq def a_star(start, goal, neighbors, h): open_heap = [(h(start), 0, start)] # (f, g, 节点) best_g = {start: 0} while open_heap: f, g, node = heapq.heappop(open_heap) if node == goal: return g # 第一次弹出目标即为最优，前提是 h 可采纳 if g > best_g.get(node, float("inf")): continue # 该节点已用更小代价扩展过 for nxt, cost in neighbors(node): ng = g + cost if ng < best_g.get(nxt, float("inf")): best_g[nxt] = ng heapq.heappush(open_heap, (ng + h(nxt), ng, nxt)) return None

这段代码里h必须是可采纳的，才能保证第一次弹出目标节点时拿到的就是最优解；best_g起的是闭表作用，if g > best_g[node]那行是跳过陈旧堆项的关键，没有它会在负权或非单调启发下反复展开。

A* 的三条性质要分开答。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* 在 h(n) 不超过真实剩余代价时具备这一性质。单调性：启发函数满足三角不等式时，节点被扩展时的 f 值单调不减，因此每个节点最多被扩展一次。信息性：两个策略 h1 和 h2，若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。

注意：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到解，并且一定能搜到最优解而结束——这句话成立的前提是 h(n) 可采纳，答题时补上这个前提才算完整。

4.4 遗传算法与粒子群：两族随机优化的骨架

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，而进化算法主要通过选择、重组和变异三种操作实现优化问题求解。遗传算法借鉴这套机制，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。一维染色体编码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，把解空间映射到位串空间上。二进制编码的优点是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、处理的模式数最多；缺点是相邻整数的二进制编码可能有较大的 Hamming 距离从而降低搜索效率，要先给出求解精度，高维问题时串长导致搜索效率低。

个体选择概率分配有蒙特卡罗法和排序方法（线性、非线性）；选择个体有转盘赌选择、锦标赛选择、最佳个体保存方法。自适应遗传算法的方向不能记反：当种群各个体适应度趋于一致或趋于局部最优时，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，以利于优良个体生存。

def adaptive_pc_pm(f, f_max, f_avg, pc_max=0.9, pm_max=0.1): # f 为当前个体适应度；适应度越集中，越要加大扰动跳出局部最优 spread = (f_max - f_avg) / f_max if f_max else 0 if spread < 0.1: # 群体趋同，接近局部最优 return pc_max, pm_max if f >= f_avg: # 优良个体，降低扰动以保护 return pc_max * 0.6, pm_max * 0.5 return pc_max, pm_max

spread度量的是群体适应度的分散程度，趋近 0 说明大家差不多、需要加大 Pc 和 Pm；f >= f_avg那支是给优良个体「上保险」，让它少被破坏。参数不是死的，考试写到「趋同则增、分散则减」这一层就已经拿到要点分。

粒子群算法受动物群体智能启发，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，速度决定飞行的方向和距离，所有粒子有一个由优化函数决定的适应值。原理是初始化一群随机粒子后迭代寻优，每次迭代粒子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；评价每个粒子的适应度；更新每个粒子的个体极值；更新全局极值；更新粒子的速度和位置；检查终止条件，未达到预设误差或迭代次数就返回第二步。

def pso_update(x, v, pbest, gbest, w=0.7, c1=1.5, c2=1.5): # r1、r2 为 [0,1] 随机数；w 为惯性权重，c1、c2 为学习因子 r1, r2 = random(), random() v_new = w * v + c1 * r1 * (pbest - x) + c2 * r2 * (gbest - x) x_new = x + v_new return x_new, v_new

惯性权重 w 控制对先前速度的继承程度，学习因子 c1、c2 分别决定向个体极值和全局极值靠拢的强度。和遗传算法相比，PSO 没有交叉变异，靠速度直接更新位置，参数少、收敛快，但更容易早熟。

4.5 专家系统、机器学习与知识发现：工程化那一端

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，特点有六条：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。与传统程序的比较最好做成表，答题时一条对一条。

什么情况下开发专家系统是可能的：主要依靠经验性知识、不需大量常识性知识就能解决的任务；存在真正的领域专家；有明确开发目标且任务不太难实现。什么时候是合理的：具有较高经济效益；人类专家奇缺但许多地方又十分需要；人类专家经验不断丢失；危险场合需要专业知识。什么时候是合适的：问题本质能通过符号操作和符号结构求解，且需使用启发式知识和经验规则；复杂性可接受；范围大小可驾驭且有实用价值。设计原则六条是专门的任务、专家合作、原型设计、用户参与、辅助工具、知识库与推理机分离；评价从系统设计的正确性、系统测试的正确性、系统运行的正确性、有用性四层看。

知识获取的过程分抽取知识、知识的转换、知识的输入、知识的检测四步，模式分非自动、自动、半自动三种。机器学习的几种经典模式要能一句话说清区别：机械式学习又称记忆学习或死记式学习，直接记忆或存储外部环境提供的信息，以后通过检索知识库得到知识直接求解；指导式学习由外部环境向系统提供一般性的指示或建议，系统把它们转化为细节知识送入知识库，过程是征询指示、转换为可执行的内部形式、加入知识库、评价；示例学习从环境中取得若干与某概念有关的例子，经归纳得出一殷性概念。

知识发现的全称是从数据库中发现知识，数据挖掘则是从数据库中挖掘知识，目的都是从数据集中抽取和精化一般规律或模式。挖掘前要先确定任务或目的，再选算法，选算法时考虑数据本身的特点和用户或系统的要求。知识发现的任务包括数据浓缩描述、概念描述、分类、聚类、相关性分析、偏差分析和建模；主要方法有统计方法、粗糙集、可视化和机器学习方法，粗糙集可以理解成具有三值隶属函数的模糊集，即「是、不是、也许」。

BP 神经网络这条线上，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的权值使误差信号最小。四个实践要点常考：隐层数及隐层神经元数的确定目前尚无理论指导；初始权值一般按均值为 0 的随机分布设置；训练数据要做线性特征比例变换，把所有特征变换到 [0,1] 或 [-1,1] 区间，使每个训练集上每个特征均值为 0 且方差相同；应用神经网络做分类时，通常把输出值编码成名义变量，具体值对应类别标号。

5. 易错点排查：五组最容易在简答题里丢分的概念

5.1 概念对照类：三组听起来像、写下来就错

产生式与蕴含式。易漏点：多数人只记住「产生式能表示不精确知识」，漏掉产生式还包括操作、规则、变换、算子、函数这一类，也漏掉匹配方式上的差异。为什么漏：两个词在教材里紧挨着出现，背的时候容易合并成一个句子。怎么补：按「范围 + 精确性 + 匹配方式」三栏各写一句，「炉温超限关闭风门」这个例子每次都写出来，它一句话同时证明了「产生式可以不是蕴含式」。

正向推理与逆向推理的优缺点。易漏点：把「目的性强、不必使用与目标无关的知识」错记到正向推理头上，或者忘了逆向推理还有「起始目标选择有盲目性」这个缺点。为什么漏：正向推理先学，印象深，后面学逆向时容易只记「反过来推」。怎么补：记一句对照——正向是数据驱动、结论多但可能跑偏；逆向是目标驱动、目的性强但起点靠猜。再补一句「逆向利于向用户提供解释」，这是常被单独拿出来问的点。

单调推理与非单调推理。易漏点：把非单调

本文还有配套的精品资源，点击获取