《人工智能》--课后习题答案.docx

人工智能课后习题答案第一章绪论1.l答：人工智能就是让机器完成那些如果由人来做则需要智能的事情的科学。人工智能是相对于人的自然智能而言，即用人工的方法和技术，研制智能机器或智能系统来模仿延伸和扩展人的智能，实现智能行为和“机器思维”，解决需要人类专家才能处理的问题。1.2答：“智能”一词源于拉丁“Legere”，意思是收集、汇集，智能通常用来表示从中进行选择、理解和感觉。所谓自然智能就是人类和一些动物所具有的智力和行为能力。智力是针对具体情况的，根据不同的情况有不同的含义。"智力''是指学会某种技能的能力，而不是指技能本身。1.3 答：专家系统是一个智能的计算机程序，他运用知识和推理步骤来解决只有专家才能解决的复杂问题。即任何解题能力达到了同领域人类专家水平的计算机程序度可以称为专家系统。1.4 答：自然语言处理一语言翻译系统，金山词霸系列机器人一足球机器人模式识别一MicrosoftCartoonMaker博弈一围棋和跳棋第二章知识表达技术2.1解答：（1）状态空间（StateSPaCe）是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（S,0,SO,G）：S状态集合;0操作算子集合;SO初始状态,S0uS;G目的状态,GS,（G可若干具体状态，也可满足某些性质的路径信息描述）从SO结点到G结点的路径被称为求解路径.状态空间一解是一有限操作算子序列，它使初始状态转换为目标状态：Ol0203OkS0S1S2G其中01,，Ok即为状态空间的一个解（解往往不是唯一的）（2）谓词逻辑是命题逻辑的扩充和发展，它将原子命题分解成客体和谓词两个部分。与命题逻辑中命题公式相对应，谓词逻辑中也有谓词（命题函数）公式、原子谓词公式、复合谓词公式等概念。一阶谓词逻辑是谓词逻辑中最直观的一种逻辑。（3）语义网络是一种采用网络形式表示人类知识的方法。即用一个有向图表示概念和概念之间的关系，其中节点代表概念，节点之间的连接弧（也称联想弧）代表概念之间的关系。常见的语义网络形式有命题语义网络、数据语义网络：E-R图（实体-关系图）、语言语义网络等。2.2解答:(1)2.3解答：设有如下四个谓词：HUMAN(X)X是人LAWED(X)X受法律管制COMMIT(X)X犯法Punished(X)X受法律制裁前两个谓词可以变为：HUMAN(X)LAWED(X),表示：人人都要受法律的管制；后两个谓词可以变为：Commit(X)Punished(X),表示只要X犯了罪，X就要受到惩罚；进一步，还可以把上述两个谓词联结成如下形式：HUMAN(X)LAWED(X)COMMIT(X)PUNISHED(X)本公式的含义是：如果由于某个X是人而受到法律管制，则这个人犯了罪就一定要受到惩罚。晁盖是人，受法律的管制(老百姓受法律的管制)；所以晁盖劫了生辰纲，违反了宋王朝的法律，一定要受到官府的追究。高衙内是人，却不受法律的管制(达官贵人和恶少不受法律的管制)；所以高衙内强抢民女，同样是违反了宋王朝的法律，却可以横行无忌。2.4解答：题中提供的条件可记为伊，依次利用这些条件可得到如下结果：(1)条件：周和钱是同一性别；卜推得：李、徐、周、钱是同一性别条件：李、徐、周是同一性别;J条件：李的爱人是陈的爱人的表哥，则李的爱人性别是男，而李的性别是女这样可以初步推出：李、徐、周、钱均是女的，对应的王、陈、孙、吴均是男的。(2)条件：陈与徐、周俊不构成夫妻，则陈选择的余地为钱或李;推得：陈与钱是夫妻条件：李与陈不构成夫妻；条件：吴与徐、周均不构成夫妻，则吴选择的余地为李；推得：吴与李是夫妻条件：王与周不构成夫妻，则王选择的余地为徐；推得：王与徐是夫妻排除上述已经成立的条件，显然可推得：孙与周是夫妻。2.5 解答：符号微积分基本公式为f/(x)=F(b)-F(a)=F(x)用产生式表示为：IfRx)and(a,b)ThenF(b)-F(a)2.6 解答：题中描述的情况用谓词形式可表达如下：DOG(X)X是狗SOUND(X)X会吠叫BIT(X,Y)X咬YANIMAL(X)X是动物题中各条推理则可以表示为：Pl:XDOG(X)3yBIT(X,Y)VSOUND(X)P2:VX(ANIMAL(X)ASOUND(X)>3yBIT(X,Y)P3:猎犬是狗，即DoG(X)种X的谓词样品是猎犬，同时也可得ANlMAL(猎犬)将P3带入Pl可得SOUND(猎犬)，再将SOUND(猎犬)和ANIMAL(猎犬)带入P2可得myBIT(猎犬,Y),即可以得到结果：猎犬是咬人的。2.7解答：题中的三条规则侧重点不同：RI规则的重点在于我师的任务；R2规则的重点在于敌团的配置；R3规则的重点在于我师的任务和敌团的配置同时满足。它们之间的关系为RlR2R3o所以根据冲突解决规则中的规模排序，可知首先应该选择规则R3,系统执行才最有效。2.8解答:2.9解答:(1)(2)实用文档2.10解答:2.11解答：在产生式系统中，随着产生式规则的数量的增加，系统设计者难以理解规则间的相互作用，究其原因，在于每条规则的自含性使得知识表示的力度过于细微。因此要提高产生式系统的可理解性，就应当按照软件工程的思想，通过对规则的适当划分，将规则组织诚易于管理的功能模块。由于框架系统具有组织成块知识的良好特性，因此将两者进行有机结合，可以为产生式系统的开发、调试和管理提供有益的帮助。基于框架的表示机制可以用作产生式语言和推理机制设计的一个重要构件。另外，框架可以直接用于表示规则，如果将每一个规则作为一个框架处理，一组用于解决特定问题的规则可组织成一类，且在这一类框架中表示这组规则的各种特性。2.12解答：略2.13解答：(1)题目描述可转换为如下问题(N阶汉诺塔问题)有编号为A、B、C的三个柱子和标识为1、2、N的尺寸依次从小到大的N个有中心孔的金片；初始状态下N个金片按1、2N顺序堆放在A号柱子上，目标状态下N个金片以同样次序顺序堆放在B号柱子上，金片的搬移须遵守以下规则：每次只能搬一个金片，且较大金片不能压放在较小金片之上，可以借助于C针。(2)假设基本操作为move(x,A,C,B),表示将X个金片从A移到B上，中间可借助于C。当N=I时，则无需借助中间的C针，就可以直接实现将1个金片从A移到B上，这也是问题的最简操作，可表示为move-one(1,A,B)；当NX时，需要用中间的C针作辅助。其操作又可分为以下三步：将NT个金片从A移到C上，中间可借助于B,转换为基本操作就是move(N-l,A,B,0；将1个金片直接从A移到B上，转换为基本操作就是move-one(l,A,B)；将NT个金片从C移到B上，中间可借助于A,转换为基本操作就是m。Ve(N-1,C,A,B）；实用文性这样，就将问题的规模减小为N-L依次递归求解就可以得到相应的结果。(3)设M(X)表示移动X个金片所需要的操作次数，则上述N阶汉诺塔问题可以表示成如下形式：=1J1(N)=2M(N-1)+1最后可以解得M(N)=2匚1下面给出对梵塔问题给出产生式系统描述，并讨论N为任意时状态空间的规模。(1)综合数据库定义三元组：(A,B,C),其中A,B,C分别表示三根立柱，均为表，表的元素为1N之间的整数，表示N个不同大小的盘子，数值小的数表示小盘子，数值大的数表示大盘子。表的第一个元素表示立柱最上面的柱子，其余类推。(2)规则集为了方便表示规则集，引入以下几个函数：first(L)：取表的第一个元素，对于空表，first得到一个很大的大于N的数值。tail(L)：取表除了第一个元素以外，其余元素组成的表。cons(x,L)：将X加入到表L的最前面。规则集：rl:IF(A,B,C)and(first（八）<first(B)THEN(tail（八）,cons(first（八）,B),C)r2:IF(A,B,C)and(first（八）<first(C)THEN(taiI（八）,B,cons(first（八）,C)r3:IF(A,B,C)and(frst(B)<first(C)THEN(A,tail(B),cons(first(B),C)r4:IF(A,B,C)and(first(B)<first（八）)THEN(cons(first(B),A),tail(B),C)r5:IF(A,B,C)and(first(C)<first（八）)THEN(cons(first(C),A),B,tail(C)r6:IF(A,B,C)and(first(C)<first(B)THEN(A,cons(first(C),B),tail(C)(3)初始状态：(1,2,.,N),O,O)(4)结束状态：(O,O,(1,2,，N)问题的状态规模：每一个盘子都有三种选择：在A上、或者在B上、或者在C上，共N个盘子，所以共有3卸种可能。即问题的状态规模为3及。2.14解答：(1)定义谓词G(x,y):X比y大，个体有张三(Zhang)、李四(Ii),将这些个体带入谓词中，得到G(Zhangji)和G(Zhang,Ii),根据语义用逻辑连接词将它们联结起来就得到表示上述知识的谓词公式：6h*g,li)-G(zhang,li)(2)定义谓词Marry(X,y):X和y结婚,Male定)：X是男的,Female(x)：X是女的。个体有甲（八）、乙(B),将这些个体带入谓词中，得到MaiTy(A,B)Male（八）>Female(B)以及Male（八）>FCmalC(B),根据语义用逻辑连接词将它们联结起来就得到表示上述知识的谓词公式：Marry(A,B)(Male（八）AFcmale(B)V(Malc(B)AFemale（八）)(3)定义谓词HoneSt(x):X是诚实的，Lying(x):X会说谎。个体有张三(Zhang),将这些个体带入谓词中,得到HOneSt(x)、-Lying(x)、Lying(Zhang)、-HOneSt(Zhang),根据语义用逻辑连接词将它们联结起来就得到表示上述知识的谓词公式：V X (Honest-Cd'lLyl(X)A (Lying (zhang)IHonest(zhang)第三章问题求解方法3.1 答：深度优先搜索与广度优先搜索的区别在于：在对节点n进行扩展时，其后继节点在OPEN表中的存放位置不同。广度优先搜索是将后继节点放入OPEN表的末端，而深度优先搜索则是将后继节点放入OPEN表的前端。广度优先搜索是一种完备搜索，即只要问题有解就一定能够求出，而深度优先搜索是不完备搜索。在不要求求解速度且目标节点的层次较深的情况下，广度优先搜索优于深度优先搜索；在要求求解速度且目标节点的层次较浅的情况下，深度优先搜索优于广度优先搜索。广度优先的正例：积木问题；深度优先的正例：邮递员问题，反例：国际象棋。3.2 答：衡量标准为：这组子状态中有没有目标状态，如果有，则选择该节点并且搜索成功;若没有，则按照某种控制策略从己生成的状态中再选择一个状态作为当前状态重复搜索过程。3.3 答：(1)广度优先搜索：该程序必须找到解，并且最好是最优解；(2)广度优先搜索：医生要根据病人的各种病状判断病人的病；(3)深度优先搜索：该程序要求一定要找到目标路径；(4)深度优先搜索：该程序要求找到最优解；(5)广度优先搜索：不能确定它们是否等同，既不能确定它们是否有等同解。3.4 答：对于四皇后问题，如果放一个皇后的耗散值为I的话，则任何一个解的耗散值都是4o因此如果h是对该耗散值的估计，是没有意义的。对于像四皇后这样的问题，启发函数应该是对找到解的可能性的评价。利用一个位置放皇后后，消去的对角线的长度来进行评价。3.5 答：定义hl=M+C2B,其中M,C分别是在河的左岸的传教士人数和野人人数。B=I表示船在左岸，B=O表示船在右岸。也可以定义h2=M+C0hl是满足A*条件的，而h2不满足。要说明h2=M+C不满足A*条件是很容易的，只需要给出一个反例就可以了。比如状态(1,1,1),h2=M+C=l+l=2,而实际上只要一次摆渡就可以达到目标状态，其最优路径的耗散值为1。所以不满足A*的条件。下面我们来证明hl=M+C-2B是满足A*条件的。我们分两种情况考虑。先考虑船在左岸的情况。如果不考虑限制条件，也就是说，船一次可以将三人从左岸运到右岸，然后再有一个人将船送回来。这样，船一个来回可以运过河2人，而船仍然在左岸。而最后剩下的三个人，则可以一次将他们全部从左岸运到右岸。所以，在不考虑限制条件的情况下，也至少需要摆渡2次。其中分子上的”一3”表示剩下三个留待最后一次运过去。除以“2”是因为一个来回可以运过去2人，需要M+C-32个来回，而”来回”数不能是小数，需要向上取整，这个用符号-1表示。而乘以“2”是因为一个来回相当于两次摆渡，所以要乘以2。而最后的“+1”，则表示将剩下的3个运过去，需要一次摆渡。化简有：M+C-3C1、M+C3n1A/ZVC1×2+1×2+1=M+C-3+1=M+C-222再考虑船在右岸的情况。同样不考虑限制条件。船在右岸，需要一个人将船运到左岸。因此对于状态(M,C,0)来说，其所需要的最少摆渡数，相当于船在左岸时状态(M+l,C,1)或(M,C+l,1)所需要的最少摆渡数，再加上第一次将船从右岸送到左岸的一次摆渡数。因此所需要的最少摆渡数为：(M+C+l)-2+l。其中(M+C+1)的”+1”表示送船回到左岸的那个人，而最后边的“+1”，表示送船到左岸时的一次摆渡。化简有：(M+C+l)-2+l=M+C.综合船在左岸和船在右岸两种情况下，所需要的最少摆渡次数用一个式子表示为：M+C-2Bo其中B=I表示船在左岸，B=O表示船在右岸。由于该摆渡次数是在不考虑限制条件下，推出的最少所需要的摆渡次数。因此，当有限制条件时，最优的摆渡次数只能大于等于该摆渡次数。所以该启发函数h是满足A*条件的。3.6 答：在搜索期间改善h函数，是一种动态改变h函数的方法。像改进的A*算法中，对NEXT中的节点按g值的大小选择待扩展的节点，相当于令这些节点的h=0,就是动态修改h函数的一种方法。由定理2：若h(n)满足单调限制，则由A*所扩展的节点序列，其f值是非递减的，即f(ni)<f(nj),当h满足单调条件时，A*所扩展的节点序列，其f是非递减的。对于任何节点i,J如果j是i的子节点,则有f(i)f(j)<>利用该性质，我们可以提出另一种动态修改h函数的方法：f(j)=max(Ri),f(j)以f(j)作为节点j的f值。f值的改变，隐含了h值的改变.当h不满足单调条件时，经过这样修正后的h具有一定的单调性质，可以减少重复节点的可能性,3.7 答：像这种类型的问题，由于涉及到城市距离或旅行费用，所以利用代价树广度优先搜索求解。为此，首先必须将旅行交通图转换为代价树，转换方法为：从初始节点A开始，把与它直接相邻的节点作为他的后继节点，对其他节点也作同样的扩展，但若一个节点以作为某节点的前驱节点，则它就不能再作为该结点的后继结点。另外，图中节点除了初始节点A之外，其它的节点都有可能在代价树中多次出现，为了区分它们的多次出现，分别用下标1,2标出。但他们却是图中的同一个节点。设估价函数f(n)=d(n)+w(n),其中d(n)为状态的深度，w(n)为城市间的距离。代价树如下所示：ACEBDA定义hl=n*k,其中n是还未走过的城市数,k是还未走过的城市间距离的最小值。h2=l,其中n是还未走过的城市数，ki是还未走过的城市间距离中n个最小的距离.显然这两个h函数均满足A*条件。3.8 答：可定义h为：h=B右边的W的数目设j节点是i节点的子节点，则根据走法不同，h(i)-h的值和C(i,j)分为如下几种情况：(1) B或W走到了相邻的一个空格位置,此时：h(i)-h(j)=O,C(ij)=l;(2) W跳过了1或2个W,此时h-h(j尸0,C(iJ)=l或2；(3) W向右跳过了一个B(可能同时包含一个W),此时：Mi)-h(j)=l,C(i,j)=l或2；(4) W向右跳过了两个B,此时：h(i)-hG)=-2,C(i,j)=2;(5) W向左跳过了一个B(可能同时包含一个W),此时：Mi)-h(O=l,C(i,j)=l或2；(6) W向左跳过了两个B,此时：h(i)-h(j)=2,C(ij)=2;(7) B跳过了1或2个B,此时h(i)-h(j)=O,C(i,j)=l或2；(8) B向右跳过了一个W(可能同时包含一个B),此时：h(i)-h(j)=l,C(i5j)=l或2；(9) B向右跳过了两个W,此时：h(i)-h(j)=2,C(ij)=2;(10) B向左跳过了一个W(可能同时包含一个B),此时：h(i)-h(j尸-l,C(ij)=l或2；(11)B向左跳过了两个W,此时：h(i)-h(j)=-2,C(iij)=2;纵上所述，无论是哪一种情况，具有:Mi)-h(j)C(ij)°且容易验证h=0,所以该h是单调的。由于h满足单调条件，所以也一定有h(n)h*(n),即满足A*条件。3.9 答:3.10 答：余一棋的弈法如下：两棋手可以从5个钱币堆中轮流拿走一个、两个或三个钱币，拣起最后一个钱币者算输。试通过博弈证明，后走的选手必胜，并给出一个简单的特征标记来表示取胜策略。为了方便起见，用(AB)()()这样的表表示一个状态。这样得到搜索图如下：目标(2)八数码问题空格：Up,Left,Down,Right3.11 答：与/或图的解图：那些可解结点的子图，包含一结点到目的结点集的、连通的可解结点的子图。在问题的完整的隐含图中扩展生成出包含初始结点和目的结点集合的连通的明显子图。(2)算法AO*：必须对当前已生成出的与或图中的所有结点实施其每解点是否为可解结点的标注过程，如果起始结点被标注为可解的，则搜索过程可成功地结束；如果起始结点还不能被标注为可解的，则应当继续扩展生成结点(尽可能地记录，所有生成的结点中，哪些结点被标注了可解的，以便减少下一次标注过程的工作量)；同样地，对不可解结点也同样如此。利用结点的可解/不可解性质，能从搜索图中删去可解结点的任何不可解结点的子结点;同样地，能删去不可解结点的所有的子结点(搜索这些被删除的结点是没有意义的，而只会降低搜索的效率)。两个主要过程的反复：自上而下的图生长过程，并通过跟踪有标记的连接符寻找一个候选局部解图自下而上的估价函数值的修正、连接符的标记和SOLVED的标注过程(3)3.12 答：此题要求按照课中例题的方式，给出算法，以下是每个循环结束时的搜索图。上面这种做法比较简单，也可以如下做:(6)3.13 答：略3.14 答：博弈搜索通常被限制在一定的范围，搜索的目标是确定一步好的走法(好棋)，等对手回手后，再继续搜索。因此，博弈搜索过程总是由当前状态向目标状态搜索，而不是由目标状态向当前状态搜索。这类博弈的实例有西洋跳棋等。3.15 答：8(3,0,8)(7,8,3)、(0,6)、(8,9)(7,6)、(8,6,5)、(2,3)、(0,-2)、(6,2)、(5,8)、(9,2)3.16 答：见上图3.17 答：略3.18 答：一剪裁算法.a剪裁一若极小层的v=a(先辈层)则中止这个MIN以下的搜索.剪裁一若极大层的a>P(先辈层)则中止这个MAX以下的搜索算法如下：doublealphabeta(intdepth,doublealpha,doublebeta.Positionp);*alpha是MAX的当前值beta是MIN的当前值,depth是在搜索树中的深度,p是所求结点的位置*/doublet;if(depth=。)returnevaluate(p);/*如果P是叶结点,算出P的值*/fr(i=l;i<=w;i+÷)t=alphabeta(depth-1,beta,alpha,pi);if(t>alpha&&MAX)if(t>beta)returnt;*直接返回*/elsealpha=t;f(t<alpha&&MIN)if(t<beta)returnt;*直接返回*/elsealpha=t;)returnalpha;3.19 -3.22答：略第四章基本的推理技术4.1 答:推理：按照某种策略从己有事实和知识推出结论的过程。(2)正向推理实用文档正向推理(事实驱动推理)是由已知事实出发向结论方向的推理。基本思想是：系统根据用户提供的初始事实，在知识库中搜索能与之匹配的规则即当前可用的规则，构成可适用的规则集RS,然后按某种冲突解决策略从RS中选择一条知识进行推理，并将推出的结论作为中间结果加入到数据库DB中作为下一步推理的事实，在此之后，再在知识库中选择可适用的知识进行推理，如此重复进行这一过程，直到得出最终结论或者知识库中没有可适用的知识为止。正向推理简单、易实现，但目的性不强，效率低。需要用启发性知识解除冲突并控制中间结果的选取，其中包括必要的回溯。由于不能反推，系统的解释功能受到影响。(3)反向推理反向推理是以某个假设目标作为出发点的一种推理，又称为目标驱动推理或逆向推理。反向推理的基本思想是：首先提出一个假设目标，然后由此出发，进一步寻找支持该假设的证据，若所需的证据都能找到，则该假设成立，推理成功；若无法找到支持该假设的所有证据，则说明此假设不成立，需要另作新的假设。与正向推理相比，反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，同时它还有利于向用户提供解释。反向推理的缺点是在选择初始目标时具有很大的盲目性，若假设不正确，就有可能要多次提出假设，影响了系统的效率。反向推理比较适合结论单一或直接提出结论要求证实的系统。(4)推理方式分类 演绎推理、归纳推理、默认推理 确定性推理、不精确推理 单调推理、非单调推理 启发式推理、非启发式推理4.2 答：(1)在推理过程中，系统要不断地用数据库中的事实与知识库中的规则进行匹配，当有一个以上规则的条件部分和当前数据库相匹配时，就需要有一种策略来决定首先使用哪一条规则，这就是冲突解决策略。冲突解决策略实际上就是确定规则的启用顺序。(2)冲突解决策略：专一性排序、规则排序、数据排序、就近排序、上下文限制、按匹配度排序、按条件个数排序4.3 答：归结反演就是利用归结和反演实现定理的证明。具体过程如下：(1)将定理证明的前提谓词公式转化为子句集F。(2)将求证的目标表示成合适的谓词公式G(目标公式)。(3)将目标公式的否定式G转化成子句的形式，并加入到子句集F中，得到子句集S。(4)应用归结原理对子句集S中的子句进行归结，并把每次归结得到的归结式都并入S中。如此反复进行，若归结得到一个空子句NIL,则停止归结，证明了G为真。4.4 答:略4.5 答：(I)(VX)(Vy)P(x,y)Q(x,y)=(Vx)(Vy)11P(x,y)VQ(x,y)=-P(x,y)VQ(x,y)子句集为P(,y)VQ(,y)(2)(x)(三y)P(x,y)vQ(x,y)R(x,y)=(Vx)(三y)-P(x,y)-Q(x,y)VR(x,y)=P(x)VP(x)=(Vx)-P(x,f(x)Q(x,f(x)vR(x,f()P(x,f(x)AQ(x,f(x)vR(x,f(x)=-P(x,f(x)VR(,f(x)11Q(x,f(x)vR(x,f(x)=11P(x,f(x)vR(x,f(x)-Q(y,f(y)vR(y,f(y)子句集为一P(x,Rx)VR(x,f()和Q(y,f(y)VR(y,f(y)(3)(Vx)(Vy)P(X,y)一(Vy)Q(x,y)R(x,y)=(Vx)(三y)P(x,y)V-(Vy)Q(x,y)R(x,y)=(Vx)(三y)-P(x,y)V(三y)-Q(x,y)VR(x,y)=(Vx)-P(x,f(x)V-Q(x,f(x)VR(x,Rx)=P(x,f(x)VQ(x,f(x)VR(x,f(x)子句集为一P(x,f(x)VV(x,f(x)VR(x,Rx)4.6答：(1)Ax,Ay,Az,Aw,Au)(3)4.7 答：(1) (三x)P(x)P（八）P(x)P(B)目标取反化子句集：(三x)P(x)P（八）P(x)P(B)(三x)P(x)VP（八）-P(x)VP(B)(Vx)P(x)-P（八）VP(x)-P(B)(Vx)P(x)-P（八）VP(x)P(x)P（八）VP(B)(Vx)P(x)11P（八）VP(x)P(x)VP(B)P（八）VP(B)P(x)A11P（八）VP(X)P(x)VP(B)-P（八）VP(B)得子句集：l,P(l)2,一P（八）VPx23, P(x3)V-P(B)4, -P（八）V-P(B)(2) (Vx)P(x)Q（八）VQ(B)(wx)P(x)AQ(x)目标取反化子句集：一(Vx)P(x)AQ（八）VQ(B)-(wx)P(x)Q(x)HY(Vx)P(X)八Q（八）VQ(B)V(wx)P(x)八Q(x)(Vx)P(x)Q（八）VQ(B)(Vx)bP(x)V2(x)(Vx)P(x)AQ（八）VQ(B)(Vy)bP(y)V)(y)(Vx)(Vy)P(x)AQ（八）VQ(B)-P(y)V-Q(y)P(x)Q（八）VQ(B)A11P(y)V-Q(y)得子句集：1，P(X)2,Q（八）VQ(B)3,P(y)VQ(y)4.8 答：4.9 答：答:我们用Skier(X)表示X是滑雪运动员，AlPiniSt(X)表示X是登山运动员,AIPine(X)表示X是Alpine俱乐部的成员。问题用谓词公式表示如下：已知：(I)Alpine(Tony)(2) Alpine(Mike)(3) Alpine(John)(4) (Vx)Alpine(x)Skier(x)VAlpinist(X)(5) (Vx)Alpinist(x)Like(x,Rain)(6) (Vx)-Like(x,SnOW)Skier(x)(Vx)Like(Tony,x)Like(Mike,x)(8) (Vx)-Like(Tony,x)Like(Mike,x)(9) 1.ike(Tony,Snow)(10) 1.ike(Tony,Rain)目标：(3)Alpine(x)AAlpinist(x)-Skier(x)化子句集：(I)Alpine(Tony)AlPine(M汰e)(3) Alpine(John)(4)(Vx)Alpine(x)Skier(x)VAlpinist(x)=(Vx)AIPine(X)VSkier(x)VAlpinist(x)=>Alpine(x)VSkier(x)VAlpinist(x)(5) (Vx)Alpinist(x)-Like(x,Rain)=(Vx)Alpinist(x)VLike(x,Rain)=>Alpinist(x)VLike(x,Rain)(6) (Vx)Like(x,SnoW)一Skier(x)=(Vx)Like(x,Snow)VSkier(x)=>Like(x,Snow)VSkier(x)(7)(Vx)Like(Tony,x)->Like(M汰e,x)=(Vx)-Like(Tony,x)VLike(M汰e,x)=>Like(Tony,x)VLike(Mike,x)(8) (Vx)Like(Tony,x)Like(Mike,x)=(Vx)(Like(Tony,x)VLike(Mike,x)=>Like(Tony,x)VLike(Mike,x)(9) 1.ike(Tony,Snow)(IO)Like(Tony,Rain)目标取反：(3)Alpine(x)AAlpinist(x)-Skier(x)=(Vx)Alpine(x)VAlpinist(x)VSkier(x)=>Alpine(x)V-Alpinist(x)VSkier(x)经变量换名后，得到子句集：Alpine(Tony),Alpine(Mike),AIpine(John),Alpine(xl)VSkier(xl)VAlpinist(xl),Alpinist(x2)V-Like(x2,Rain),Like(x3,Snow)V-Skier(x3),Like(Tony,x4)VLike(Mike,x4),Like(Tony,x5)VLike(Mike,x5),Like(Tony,Snow),Like(Tony,Rain),Alpine(x)V-Alpinist(x)VSkier(x)归结树如下：4.10 答：基于规则的演绎推理可分为正向演绎推理、反向演绎推理和正反向混合演绎推理。在正向演绎推理中，作为F规则用的蕴含式对事实的总数据库进行操作运算，直至得到该目标公式的一个终止条件为止。事实目标公式在反向演绎推理中，作为B规则用的蕴含式对目标的总数据库进行操作运算，直至得到包含这些事实的终止条件为止。目标公式事实4.11 答：第五章不精确推理5.1 答：不精确推理是建立在蟀典典基础上的一种推理，是基于不确定性知识的推理。不精确推理就是从丕确定性的初始事实（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丕确定性却是合理或者近乎合理的结论的思维过程。在不精确推理中，知识和证据都具有不确定性，这为推理机的设计与实现增加了复杂度和难度。它除了必须解决推理方向、推理方法和控制策略等基本问题外，一般还需要解决不确定性的表示、不确定性的匹配和不确定性的更新算法等问题。5.2 答：有明确定义但不一定出现的事件中包含的不确定性称为随机性，他不因人的主观意思变化，由事物本身的因果律决定。不精确推理就是表示和处理随机性的推理方法。5.3 答：(1)当有一个证据El时，根据BayeS公式，可得P（三）P(-%)P(H1IE1)=P(HjXP(EJHJ+P(H2)P(EtH2)+P(H3)P(ElH3)=0.4*0.5/(0.4*0.5+0.3*03+0.3*0.5)=0.2/0.44=0.45同理可得：P(HIE2)=0.09/0.44=0.20P(HE3)=0.15/0.44=0.34这说明，由于证据El的出现，HI和H3成立的可能性有所增加，而H2成立的可能性有所下降。(2)当证据El、E2同时出现时，根据多证据情况下的BayeS公式，可得P(EJM)P(I">P(")P(H1I£1E2)=P(EJHJP(&I乩)P(HJ+P(EJ/)P(E21/)P()+P(EJ/)P(&1%)P(%=0.14/(0.14+0.162+0.009)=0.59同理可得：P(H2IE1E2)=0.34P(H3IF1E2)=0.064这说明，由于证据El和E2的出现，Hl和H2成立的可能性有不同程度的增加，而H3成立的可能性则有了较大幅度的下降。5.4 答：LS1.S为规则的充分性量度，它反映E的出现对H的支持程度。当LS=I时，O(HE)=O（三）,说明E对H没有影响；当LS>1时，O(HlE)>O（三）,说明E支持H,且LS越大，E对H的支持越充分，若LS为8,则E为真时H就为真；当LSVl时，O(HlE)VO（三）,说明E排斥H,若LS为0,则o(HlE)=0,即E为真时H就为假LN1.N为规则的必要性量度，它反映E对H的支持程度，即E的出现对H的必要性。当1.N=I时，O(HhE)=O（三）,说明-IE对H没有影响；当LN>1时,O(H-1E)>O（三）,说明TE支持H,且LN越大，E对H的支持越充分，若LN为8,则E为真时H就为真；当LN<1时，O(Hl-IE)Vo（三）,说明E排斥H,若LS为0,则O(HHE)=0,即TE为真时H就为假LS和LN的关系由于E和E不会同时支持或排斥H,所以只有以下三种情况存在：情形1：LS>1且LN<1情形2：LS<1且LN>1情形3：LS=LN=I5.5 答：5.6 答：根据经验对一个事物或现象为真的相信程度称为可信度。规则的一般形式为：IFETHENH(CF(H,E)。其中，CF(H,E)是该规则的可信度，称为可信度因子或规则强度。CF(H,E)在-1,1上取值，它表示在已知证据E的情况下对假设H为真的支技程度、CF(H,E)定义如下:CF(H,E)=MB(H,E)-MD(H,E),其中，MB(MeasureBelief)称为信任增长度，表示因证据E的出现而增加对假设H为真的信任增加程度MB(H,E)>0P(HE)>P（三）;MD(MeasureDisbelief)称为不信任增长度，表示因证据E的出现对假设H为假的信任减少的程度MD(H,E)>0P(HE)<P（三）o(1)求证据E3、E4逻辑组合的可信度CF(E3ANDE4)=minCF(E3),CF(E4)=min0,5,09=0.8(2)根据规则R3求CF(EI)CF(EI)=0.9XmaX0,CF(E3ANDE4)=0.9×0.8=0.72(3)求证据E6、E7逻辑组合的可信度CF(E6ORE7)=maxCF(E6),CF(E7)=max0.1,0.5)=0.5(4)根据规则R5求CFI(E2)CF1(E2)=-O.3Xmax0,CF(E6ORE7)=-03X0.5=-0.15(5)根据规则R