简介《人工智能》课后习题答案.doc 是一份面向人工智能课程学习者的习题解答文档内容涵盖人工智能定义、智能概念、专家系统、知识表示技术、谓词逻辑、语义网络、推理及符号微积分等核心章节适合辅助课后复习、考前梳理与知识点自查。文档采用 doc 格式共1个文件整包大小仅1.51MB轻量易用可直接对照教材章节查看参考答案。目前已有1567人在 CSDN 学习下载需求较为集中。除基础概念外答案中对状态空间四元组、谓词逻辑公式、语义网络结构等重难点给出了较完整的文字解析和示例能帮助读者理解知识表示的内在逻辑掌握典型题目的解题思路。对于正在学习人工智能导论、需要快速获取习题参考的读者这份答案文档具备较强的实用性与参考价值。1. 人工智能课后习题里的形式化思维训练这份《人工智能》课后习题答案.doc我拆开看了好几遍。它不是简单的背诵条目而是把绪论、知识表示、问题求解、推理和不精确推理五块串成了一条完整的思维链。最早我也觉得课后答案没什么用直到照着状态空间四元组去写了一个八数码求解器才发现这些题目其实在逼你建立“把业务问题变成计算机能处理的形式”的能力。用谓词逻辑描述婚姻关系用语义网络表达概念分类这些一旦落到代码里就是知识图谱和规则引擎的雏形。适合正在补人工智能基础、准备考研复试或做课程设计的人对已经写业务代码的工程师也能帮你把散落的术语钉回理论原点。2. 知识表示三件套状态空间、谓词逻辑与语义网络知识表示是整份答案里信息密度最高的一章。状态空间、谓词逻辑、语义网络这三种表示方式分别对应了程序员的三种思维习惯过程式、声明式和图结构。理解清楚它们的边界比背下定义重要得多。2.1 状态空间四元组从S0到G的求解路径状态空间被定义为一个四元组(S, O, S0, G)其中 S 是状态集合O 是操作算子集合S0 是初始状态G 是目标状态。原文里特意强调“求解路径”是从 S0 结点到 G 结点的路径而解是有限操作算子序列。这个抽象非常接近现代规划算法的底层模型比如 PDDL 里的init、goal和 action 定义。用 Python 写一个最小实现来理解这个四元组from collections import namedtuple StateSpace namedtuple(StateSpace, [S, O, S0, G]) # 八数码的状态集合0~8 的排列0 表示空格 S [tuple(p) for p in __import__(itertools).permutations(range(9))] # 操作算子集合对空格位置的四个移动方向 def operators(state, action): idx state.index(0) # 空格位置 r, c idx // 3, idx % 3 nr, nc r {UP: -1, DOWN: 1}.get(action, 0), c {LEFT: -1, RIGHT: 1}.get(action, 0) if 0 nr 3 and 0 nc 3: new list(state) new[idx], new[nr * 3 nc] new[nr * 3 nc], new[idx] return tuple(new) return None O [UP, DOWN, LEFT, RIGHT] S0 (2, 8, 3, 1, 6, 4, 7, 0, 5) # 某个打乱状态 G (1, 2, 3, 8, 0, 4, 7, 6, 5) # 目标状态 ss StateSpace(S, O, S0, G)这里把 S 定义成所有排列的集合实际工程里不可能全部预计算更常见的做法是用生成器按需产出合法状态。operators函数就是 O 的具象化它接受当前状态和动作返回后继状态或None。S0 和 G 分别对应输入条件和验收条件。四元组的意义在于它把“问题求解”拆分成了“状态迁移”和“路径搜索”两个独立问题后面第三问的汉诺塔也正是用三元组(A, B, C)重复了这个套路。2.2 谓词逻辑把关系写成一阶公式原文用晁盖和高衙内的例子讲解谓词逻辑核心是把“人受法律管制”和“犯罪受惩罚”这类常识写成蕴含式。一阶谓词逻辑比命题逻辑强的地方在于它能表达“对所有的 x”和“存在某个 x”也就是全称量词和存在量词。婚姻推理那道题非常适合用代码模拟。题目给出的五条约束本质上是一个约束满足问题people [李, 周, 钱, 徐, 王, 陈, 孙, 吴] # 条件③李的爱人是陈的爱人的表哥 - 李的爱人是男性李是女性 # 条件⑤李、徐、周是同一性别 # 条件①王与周不构成夫妻 males [王, 陈, 孙, 吴] females [李, 徐, 周, 钱] not_pair {(王, 周), (陈, 徐), (陈, 周), (李, 陈), (吴, 徐), (吴, 周)} def valid(pair): a, b pair return a in males and b in females and pair not in not_pair # 按约束逐个排除最后得出唯一匹配这题的推理步骤看起来像文字游戏实际就是回溯算法的人工版本。你可以在代码里用itertools.permutations生成所有夫妻配对再过滤not_pair约束得到结果吴与李、王与徐、孙与周。谓词逻辑在这里的价值是帮你把自然语言里的“表哥”“夫妻”这些关系拆成无歧义的谓词和量词写成规则后机器才能处理。2.3 语义网络与框架有向图比公式更直观语义网络用节点表示概念、有向弧表示关系。原文给了知更鸟、鸵鸟和鸟的 I SA 层次图。这种表示在代码里可以直接用邻接表semantic_net { 知更鸟: {isa: 鸟, colour: 红, habit: 春至秋}, 鸵鸟: {isa: 鸟, can: 跑, not_can: 飞}, 鸟: {isa: 动物, can: 飞}, } def inherit(net, node, attr, defaultNone): while node in net: if attr in net[node]: return net[node][attr] node net[node].get(isa) return default print(inherit(semantic_net, 知更鸟, can)) # 得到 飞 print(inherit(semantic_net, 鸵鸟, can)) # 得到 跑语义网络擅长表达继承关系但也容易陷入多继承冲突。比如“企鹅既是鸟又会游泳”如果“鸟”节点的can属性是“飞”那么企鹅就会错误继承“飞”。工程上的处理方式有两种给弧加上否定标记not_can或者在继承时优先取离节点更近的属性。框架系统比语义网络更结构化它把一组属性打包成槽正好解决了产生式系统里规则互相干扰的问题。原文 2.11 已经点出来了框架适合做产生式系统的组织外壳这也是后来专家系统工具里常见的做法。三种表示方式的选型可以简单归纳为状态空间适合“状态多、动作少”的过程性问题谓词逻辑适合“关系复杂、需要做推导”的验证性问题语义网络适合“概念层级明确、有分类体系”的知识组织问题。实际系统里三者经常混用。3. 从盲目搜索到启发式搜索策略的参数边界问题求解这一章是所有章节里代码含量最高的。广度优先、深度优先、A*、博弈剪枝这些算法今天仍然是路径规划和游戏 AI 的核心。要理解它们先看 OPEN 表里节点的压入位置。3.1 广度优先与深度优先OPEN 表的压入方向原文 3.1 说得很直接两者的唯一区别是后继节点放在 OPEN 表的末端还是前端。广度优先用 FIFO 队列深度优先用 LIFO 栈。用 Python 写一对对照实现from collections import deque def bfs(start, goal, expand): open_list deque([start]) visited set() while open_list: node open_list.popleft() # 从左侧取出自然 FIFO if node goal: return True if node in visited: continue visited.add(node) open_list.extend(expand(node)) # 新节点追加到右侧 return False def dfs(start, goal, expand): open_list [start] visited set() while open_list: node open_list.pop() # 从右侧取出LIFO if node goal: return True if node in visited: continue visited.add(node) open_list.extend(expand(node)) # 新节点追加到右侧 return False两个函数只有两行不同popleft()对应pop()append的位置决定了搜索方向。广度优先一定能找到解完备性但状态多时内存爆炸深度优先内存省却可能一头扎进深的无底洞。原文举的例子很有代表性积木问题用广度优先因为状态空间浅国际象棋这类状态空间极深的问题深度优先不剪枝基本跑不完。实际工程里我一般会加一个迭代加深来弥补缺失步骤的问题先限制深度为 1 做深度优先再逐步加深。3.2 启发函数的可采纳性传教士与野人传教士与野人问题里原文定义了h1 M C - 2B并证明它满足 A* 条件而h2 M C不满足。这个区别是实战中选估价函数最容易踩的坑。def h1(state): M, C, B state # 左岸传教士、左岸野人、船是否在左岸 return M C - 2 * B def h2(state): M, C, _ state return M C # 反例状态 (1,1,1)左岸 1 传教士 1 野人船在左岸 # h2 1 1 2但实际只需 1 次摆渡就能把两人都运到右岸 print(h1((1, 1, 1)), h2((1, 1, 1))) # 输出 -1 2A* 的可采纳性要求h(n) h*(n)其中h*是到目标的真实代价。h2在目标附近会高估代价导致搜索提前丢弃最优路径。h1里的-2B是点睛之笔船在左岸时一次摆渡最多运走两人但最后必须有人把船开回来所以最少的摆渡次数一定比“裸人数”小。从这个例子能学到一个通用方法分析一个启发函数是否可采纳先找最宽松的最优解下界再看它是否违反限制条件。实际项目里多数启发函数都偏保守宁可低估不可高估。3.3 α-β 剪枝估值函数的边界更新博弈搜索的 α-β 剪枝是极小极大算法的高效版。原文的伪代码给得比较粗糙补一个可以直接跑的版本def alphabeta(depth, alpha, beta, node, maximizing): if depth 0 or node.terminal(): return node.evaluate() if maximizing: # MAX 节点 value -float(inf) for child in node.children(): value max(value, alphabeta(depth - 1, alpha, beta, child, False)) alpha max(alpha, value) if alpha beta: # β 剪枝MIN 侧已经不可能选这条路 break return value else: # MIN 节点 value float(inf) for child in node.children(): value min(value, alphabeta(depth - 1, alpha, beta, child, True)) beta min(beta, value) if beta alpha: # α 剪枝MAX 侧不会选这条路 break return value剪枝靠的是alpha和beta两个窗口alpha是 MAX 当前能保证的最低收益beta是 MIN 当前能接受的最高成本。一旦某个子节点的收益越过了窗口边界后面的兄弟节点就没必要再展开。实际使用中要注意搜索顺序——先评价最可能的走法剪枝效率最高如果顺序很差α-β 退化成普通极小极大。工程里常配合置换表记忆已评估节点能进一步减少重复计算。4. 归结反演与推理机把逻辑公式变成可执行流程推理技术这章很多教材只讲概念但这部分恰恰是专家系统规则引擎的雏形。正向、反向、归结三类机制今天仍然能在 Drools、Prolog 里找到对应。4.1 正向推理与反向推理RS 与目标驱动正向推理从已知事实出发循环匹配规则把结论加入数据库反向推理先假设目标再反向找支持证据。一个最小正向推理引擎可以这样写# 规则库每个规则是 (前提集合, 结论) rules [ ({HUMAN(x)}, LAWED(x)), ({COMMIT(x), LAWED(x)}, PUNISHED(x)), ({PUNISHED(x)}, NEED_INVESTIGATION(x)), ] facts set([HUMAN(晁盖), COMMIT(晁盖)]) def forward_chaining(rules, facts): changed True while changed: changed False for premises, conclusion in rules: matched all(any(p.replace(x, fact[fact.index(()1:-1]) in facts for fact in facts) for p in premises) if matched and conclusion not in facts: facts.add(conclusion) changed True return facts这里用字符串替换模拟变量绑定简化了合一过程。正向推理的优点是实现简单、只要事实推不出来了就停缺点是中间结论会爆炸需要冲突消解策略来控制哪条规则先执行。反向推理则先选中目标PUNISHED(晁盖)再去找支持它的COMMIT和LAWED目的性强很多适合做解释系统——用户可以问“为什么得出这个结论”系统直接回溯推理链路。4.2 归结反演目标取反之后一切都简单了归结反演的核心思路是把前提写成子句集把目标的否定也写成子句加入子句集然后反复归结直到推出空子句NIL。空子句等价于矛盾矛盾的出现意味着原目标得证。原文 4.5 的子句集转换有一个值得注意的细节变量要改名为不同记号防止不同量词的变量混淆。用 Python 演示一个最基础的归结操作def resolve(c1, c2): for lit1 in c1: for lit2 in c2: if lit1[1:] lit2[1:] and lit1[0] ! lit2[0]: # 找到互补对取集合差后得到归结式 merged [lit for lit in c1 c2 if lit ! lit1 and lit ! lit2] return set(merged) return None # 子句集{P(a), ~P(x)或Q(x), ~Q(y)} clauses [ {P(a)}, {~P(x), Q(x)}, {~Q(a)}, ] while True: new_clauses set() for i in range(len(clauses)): for j in range(i 1, len(clauses)): r resolve(clauses[i], clauses[j]) if r set(): print(得到空子句证明完成) raise SystemExit if r: new_clauses.add(frozenset(r)) if not new_clauses: break clauses.extend(list(new_clauses))这个实现没有做合一遇到P(f(x))和P(f(a))这种需要代换的情况就失效了。工程化的归结器一般用最一般合一算法把两个原子公式统一成同一个形式。但基本流程已经能跑通从P(a)和~P(x)∨Q(x)归结出Q(a)再和~Q(a)归结得到空子句。整个归结反演完全机械非常适合做自动定理证明。4.3 冲突消解策略的工程映射原文 4.2 列出了专一性排序、规则排序、数据排序、就近排序、上下文限制等策略。这些策略本质上都是给规则库里的规则分配优先级对应到代码里就是规则对象上的priority字段。策略名称含义实现方式专一性排序条件更具体的规则先执行规则前提长度降序规则排序人工指定优先级规则类携带 priority 属性数据排序匹配数据更新时间排序为事实维护时间戳就近排序最近用过的规则优先LRU 缓存上下文限制只启用当前上下文相关规则模块/命名空间分区在规则引擎里这些策略常常被混合使用比如先按上下文过滤再按专一性排序最后按规则优先级决定。理解了这些细节再看 Drools 的 salience 和 agenda-group 就不会觉得神秘了。5. 不精确推理贝叶斯更新与 LS/LN 参数语义不精确推理是专家系统走向实用的关键。现实世界的证据总是带噪声规则也不完全可靠。这份答案里的主观贝叶斯方法恰好提供了一个有严格概率基础的参数体系。5.1 贝叶斯后验计算证据组合的顺序无关性原文 5.3 给出了单证据和多证据的 Bayes 计算。用 Python 可以直接复现prior [0.5, 0.3, 0.2] # 先验 P(H1), P(H2), P(H3) likelihood [ # 每个证据下的条件概率 [0.4, 0.3, 0.3], # P(E1|H) [0.6, 0.2, 0.2], # P(E2|H) ] def bayes_update(prior, likelihood, evidence_indices): joint [] for i, p in enumerate(prior): prob p for e in evidence_indices: prob * likelihood[e][i] joint.append(prob) norm sum(joint) return [x / norm for x in joint] print(bayes_update(prior, likelihood, [0])) # 单证据 print(bayes_update(prior, likelihood, [0, 1])) # 双证据注意这里的假设是证据之间条件独立否则需要联合分布。双证据的结果是 0.59、0.34、0.064说明 H1 和 H2 的后验上升H3 下降。工程里用这个函数时要注意先验概率的更新是序列相关的但最终结果与证据顺序无关只要按全概率归一化即可。5.2 主观贝叶斯的 LS/LN充分性与必要性主观贝叶斯用LS和LN两个参数描述规则的可信度。LS是充分性量度表示 E 出现时对 H 的支持程度LN是必要性量度表示 E 不出现时对 H 的支持程度。一个关键约束是LS和LN不能同时大于 1 或同时小于 1因为 E 出现和不出现不可能都对 H 有利。用代码做参数校验def valid_lsln(LS, LN): if LS 1 and LN 1: return False if LS 1 and LN 1: return False return True这个校验能拦截很多人工配置错误。比如某条规则“发烧 → 感冒”LS10但同时LN5就矛盾发烧支持感冒不发烧居然也支持感冒这在逻辑上说不通。实际构建专家系统时我习惯把 LS/LN 直接放进规则对象推理时用一个公式合并多条规则的贡献比如odds(H|E) LS * odds(H)这样每条规则的增量是独立的方便回溯和解释。5.3 一个可复用的验证技巧面对不精确推理代码最难调的是先验概率。一个常见做法是把贝叶斯更新改造成对数几率log odds这样乘法和除法都变成加法数值稳定性更好import math def update_with_log_odds(log_prior, log_likelihood_ratio, evidence_occurred): if evidence_occurred: return log_prior log_likelihood_ratio else: return log_prior - log_likelihood_ratio用对数几率避免概率下溢同时让参数语义更直观log_likelihood_ratio为正是支持为负是反对。最后再通过sigmoid转回概率。这个小技巧在写贝叶斯垃圾邮件分类器时同样适用值得收进你的工具箱。本文还有配套的精品资源点击获取