La naturaleza de la materia, el origen del universo, la naturaleza de la vida y la aparición de la inteligencia.

(1) Teoría del pensamiento: el núcleo de la inteligencia es el pensamiento. (2) Teoría del umbral del conocimiento: la inteligencia depende de la cantidad y generalización del conocimiento (3) Teoría evolutiva: sustituir la representación del conocimiento por el control

1. El conocimiento es la base de todo comportamiento inteligente

2. La inteligencia es la capacidad de adquirir conocimientos y aplicarlos para resolver problemas.

La capacidad de percibir el mundo exterior a través de órganos de los sentidos como la visión, el oído, el tacto y el olfato. Más del 80% de la información se obtiene a través de la visión y el 10% a través del oído.

0.Breve descripción

1. Pensamiento lógico (pensamiento abstracto)

2. Pensamiento de imágenes (pensamiento intuitivo)

3. Pensamiento de epifanía (pensamiento inspirador)

El aprendizaje puede ser consciente y consciente, o puede ser inconsciente e inconsciente. Puede ser guiado por un maestro o practicado por uno mismo.

Capacidad de percepción de las personas: se utiliza para introducir información. Capacidades conductuales: salida de información.

Inteligencia implementada en máquinas (computadoras) mediante métodos artificiales, es decir, las personas hacen que las máquinas tengan una inteligencia similar a la de los humanos;

Disciplina que estudia cómo construir máquinas inteligentes (computadoras inteligentes) o sistemas inteligentes para que puedan simular y ampliar la inteligencia humana.

En "Computers and Intelligence", publicado por Turing en 1950, diseñó una prueba para ilustrar el concepto de inteligencia humana.

1. Una persona encerrada en una habitación que no puede leer los caracteres chinos en la tarjeta, de acuerdo con las instrucciones en inglés, relaciona los caracteres chinos obtenidos de la rendija de la puerta con los caracteres chinos de la habitación y luego los arroja desde la apariencia. Parece que esta persona entiende chino y coincide correctamente. La velocidad será cada vez más rápida. De hecho, no entiende chino.

2. Prueba: Ni siquiera pasar el test de Turing demuestra que una computadora pueda pensar

Formalizar o modelar el conocimiento humano.

representación simbólica, representación del mecanismo de conexión

Un tipo de método que utiliza varios símbolos que contienen significados específicos que se combinan de diversas formas y órdenes para representar el conocimiento. Por ejemplo, lógica de predicados de primer orden, producción, etc.

Conecte varios objetos físicos de diferentes maneras y secuencias, y transfiera y procese entre sí diversa información que contiene significados específicos para representar conceptos y conocimientos relacionados. Por ejemplo, red neuronal, etc.

Estudiar cómo hacer que las computadoras tengan capacidades de aprendizaje similares a las humanas para que puedan adquirir conocimientos automáticamente a través del aprendizaje.

La comprensión y la experiencia del mundo objetivo acumuladas en la vida a largo plazo y la práctica social, la investigación científica y los experimentos.

1. La estructura de información formada al asociar información relacionada.

2. El conocimiento refleja la relación entre las cosas en el mundo objetivo. Diferentes relaciones entre diferentes cosas o las mismas cosas forman un conocimiento diferente.

Cualquier conocimiento se produce bajo ciertas condiciones y ambiente, y es correcto bajo tales condiciones y ambiente.

Estado de conocimiento: "verdadero", "falso", estado intermedio entre "verdadero" y "falso"

El conocimiento se puede expresar en formas apropiadas, como lenguaje, texto, gráficos, redes neuronales, etc.

Utilizar el conocimiento para razonar sobre más conocimientos nuevos.

Representar plenamente la información, facilitar la utilización del conocimiento, facilitar la organización, el mantenimiento y la gestión del conocimiento, y facilitar la comprensión y la implementación.

P(X1,X2,....XN)

una cosa independiente o un concepto abstracto

Describir la naturaleza, estatus o relación entre individuos.

1.﹁: “negación” o “no”

2.∨: "disyunción" - o

3.∧：“conjunción”——con

4. →: "implicación" o "CONDICIÓN"

5.↔: "equivalencia" o "bicondición"

6. Tabla de verdad de la lógica de predicados

1. Cuantificador universal (∀x): "para todos (o cualquier) x individual en el dominio individual".

2. Cuantificador existencial (∃x): "Existe un individuo x en el dominio individual"

3. El orden en que aparecen los cuantificadores universales y los cuantificadores existenciales afectará el significado de la proposición.

1. Un predicado único es una fórmula de predicado, que se denomina fórmula de predicado atómico.

2. Si A es una fórmula predicada, entonces "A también es una fórmula predicada

3. Si A y B son fórmulas de predicados, entonces A∧B, A∨B, A→B y A↔B también son fórmulas de predicados.

4. Si A es una fórmula predicada, entonces (∀x)A y (∃x)A también son fórmulas predicadas.

5. La fórmula generada al aplicar (1)-(4) en pasos finitos también es una fórmula predicada.

6. La prioridad de los conectivos se ordena de mayor a menor: ﹁,∧,∨,→,↔

1. Alcance de los cuantificadores

2. Variables restringidas y variables libres.

1. "Producción": propuesta por primera vez por el matemático estadounidense E. Post en 1943

2. En 1972, Newell y Simon desarrollaron un sistema de producción basado en reglas en su estudio de los modelos cognitivos humanos.

3. Las producciones se utilizan habitualmente para representar hechos, reglas y sus medidas de incertidumbre, y son adecuadas para representar conocimiento fáctico y conocimiento regular.

1. Reglas deterministas

2. Reglas de incertidumbre

3. Hechos de certeza

4. Hechos inciertos

1. Además de las implicaciones lógicas, las producciones también incluyen diversas operaciones, reglas, transformaciones, operadores, funciones, etc. Por ejemplo, "Si la temperatura del horno excede el límite superior, cierre la compuerta inmediatamente" es una producción, pero no una implicación.

2. Las implicaciones sólo pueden expresar conocimientos precisos, mientras que las producciones pueden expresar no sólo conocimientos precisos, sino también conocimientos imprecisos. Siempre es necesario que la coincidencia de implicaturas sea precisa. La comparación de producción puede ser precisa o imprecisa, siempre que la similitud calculada según un determinado algoritmo se encuentre dentro de un rango preespecificado, se considera coincidente.

<Producción>::=<Premisa>→<Conclusión> <premisa>::=<condición simple>|<condición compuesta> <Conclusión>::=<Hecho>|<Operación> <Condición compuesta>::=<Condición simple>Y<Condición simple>[Y<Condición simple>…|<Condición simple>O<Condición simple>[O<Condición simple>… <operación>::=<nombre de la operación>[(<variable>,…)]

El símbolo "::=" significa "definido como"; el símbolo "|" significa "o es" el símbolo "[]" significa "puede ser predeterminado";

1. Base de reglas

2. Base de datos completa (base de datos, contexto, pizarra, etc.)

3. Sistema de control (mecanismo de razonamiento)

(1) Seleccione de la base de reglas para hacer coincidir hechos conocidos en la base de datos completa. (2) Puede haber más de una regla coincidente exitosa y se requiere resolución de conflictos. (3) Al ejecutar una determinada regla, si la parte correcta de la misma son una o más conclusiones, agregue estas conclusiones a la base de datos completa. centro, si su derecho es una o más operaciones, realizar dichas operaciones. (4) Para conocimientos inciertos, al ejecutar cada regla, se debe utilizar un determinado algoritmo para calcular la incertidumbre de la conclusión. (5) Verifique si la base de datos completa contiene la conclusión final y decida si detener la operación del sistema

1. Base de reglas

2. Base de datos completa

3. Proceso de trabajo del mecanismo de razonamiento.

1. Naturalidad, modularidad, eficacia, claridad.

1. Ineficiente e incapaz de expresar conocimientos estructurales.

1. La relación entre el conocimiento del dominio no es estrecha y no existe una relación estructural.

2. Conocimiento empírico e incierto, y no existe una teoría estricta y unificada para este conocimiento en campos relacionados.

3. El proceso de solución de problemas de dominio se puede expresar como una serie de operaciones relativamente independientes, y cada operación se puede expresar como una o más reglas de producción.

Es conveniente expresar conocimiento estructural y puede expresar la relación estructural interna del conocimiento y la conexión entre el conocimiento.

En la red de marcos, el marco inferior puede heredar el valor de ranura del marco superior y también puede complementarse y modificarse.

La representación del marco es consistente con las actividades de pensamiento de las personas cuando observan cosas.

1. Razonamiento deductivo

2. Razonamiento inductivo

3. Razonamiento predeterminado

1. Razonamiento determinista

2. Razonamiento de incertidumbre

1. Razonamiento monótono

2. Razonamiento no monótono

1. Razonamiento basado en hechos

2.Idea básica

1. Razonamiento basado en objetivos

2.Idea básica

3.Ventajas

4. Desventajas

1. Primero hacia adelante y luego hacia atrás

2. Primero retroceder y luego avanzar

Un tipo de razonamiento en el que el razonamiento directo y el razonamiento inverso se realizan simultáneamente y se "encuentran" en un determinado paso del proceso de razonamiento.

1. Coincidencia exacta y exitosa (uno a uno)

2. No se puede hacer coincidir correctamente

3. La coincidencia múltiple es exitosa (uno a muchos, muchos a uno, muchos a muchos) y se requiere resolución de conflictos.

1. Ordenar por relevancia

2. Ordenar los hechos conocidos según su actualidad (posgeneratividad)

3. Ordenar por grado de coincidencia (razonamiento de incertidumbre)

4. Ordenar por número de condiciones (dar prioridad a aquellas con menos condiciones)

una propuesta que no se puede descomponer

Fórmula de predicado atómico y su negación.

La disyunción ∨ de cualquier texto, cualquier texto en sí es también una cláusula

Una cláusula que no contiene palabras. Una cláusula vacía siempre es falsa e insatisfactoria.

un conjunto de cláusulas

1.

1.

1.

1. Los cuantificadores existenciales no aparecen en el alcance de los cuantificadores universales: basta con utilizar cualquier individuo a, b, c.

2. El cuantificador existencial aparece en un o Dentro del alcance de múltiples cuantificadores universales

0. Forma de prefijo = (prefijo) {forma madre}, (prefijo): cadena cuantificadora universal, {forma madre}: fórmula de predicado sin componente

1. Simplemente coloque todos los cuantificadores universales al frente.

1.

1. Cambiar a la forma de un conjunto, dos cláusulas y la relación conjuntiva predeterminada entre las cláusulas.

1. Diferentes cláusulas utilizan diferentes variables.

Supongamos que C1 y C2 son dos cláusulas cualesquiera en el conjunto de cláusulas. Si el texto L1 en C1 y el texto L2 en C2 son complementarios, elimine L1 y L2 de C1 y C2 respectivamente y analice las partes restantes de las dos cláusulas. , formar una nueva cláusula C12.

La fórmula de reducción C12 es la conclusión lógica de sus cláusulas principales C1 y C2. Es decir, si C1 y C2 son verdaderos, entonces C12 es verdadero.

Supongamos que C1 y C2 son dos cláusulas en el conjunto de cláusulas S, y C12 es su fórmula de reducción. Si se usa C12 para reemplazar C1 y C2, se obtiene un nuevo conjunto de cláusulas S1, entonces se puede deducir la insatisfacibilidad del conjunto de oraciones atómicas S. de la insatisfacibilidad de S1, es decir, la insatisfacibilidad de S1 → la insatisfacibilidad de S.

Supongamos que C1 y C2 son dos cláusulas en el conjunto de cláusulas S, y C12 es su fórmula de reducción. Si se agrega C12 al conjunto de oraciones atómicas S para obtener un nuevo conjunto de cláusulas S1, entonces S y S1 son equivalentes en el sentido de que son insatisfactorios. , es decir, la insatisfacibilidad de S1 ↔ la insatisfacibilidad de S

1. Para la lógica de predicados, la reducción es la conclusión lógica de su cláusula principal.

2. Para la lógica de predicados de primer orden, es decir, si un conjunto de cláusulas es insatisfactorio, entonces debe haber una deducción reductiva del conjunto de cláusulas a una cláusula vacía si hay una deducción del conjunto de cláusulas a una cláusula vacía; cláusula, entonces el conjunto de cláusulas es insatisfactorio.

3. Si no se reduce ninguna cláusula vacía, no se puede decir que S sea insatisfactorio ni que S sea satisfacible.

Un proceso de pensamiento que comienza a partir de hechos conocidos (evidencia) y gradualmente saca conclusiones o demuestra que una determinada hipótesis es verdadera o falsa mediante el uso de conocimiento relevante.

A partir de la evidencia inicial de incertidumbre, mediante el uso del conocimiento de la incertidumbre, el proceso de pensamiento para finalmente derivar una conclusión que tiene un cierto grado de incertidumbre pero que es razonable o casi razonable.

En los sistemas expertos, la incertidumbre del conocimiento generalmente la dan los expertos en el dominio, generalmente un valor numérico: la fuerza estática del conocimiento.

La evidencia inicial proporcionada por el usuario al resolver el problema y la conclusión derivada previamente utilizada como evidencia para el razonamiento actual en el razonamiento.

1. Puede expresar plenamente el grado de incertidumbre del conocimiento y la evidencia correspondientes.

2. La especificación del rango de medición facilita la estimación de la incertidumbre por parte de los expertos y usuarios del dominio.

3. Es conveniente calcular la transferencia de incertidumbre, y la medición de la incertidumbre calculada para la conclusión no puede exceder el rango especificado por la medición. La determinación de la medición debe ser intuitiva y debe tener la base teórica correspondiente.

Algoritmo utilizado para calcular la similitud entre partes coincidentes

Se utiliza para indicar los límites de similitud.

SI E ENTONCES H(CF(H,E))

1. Factor de credibilidad, que refleja la fuerza de la conexión entre los requisitos previos y la conclusión.

2.El rango de valores de CF(H,E):[-1,1]

3. Si la aparición de la evidencia correspondiente aumenta la credibilidad de que la conclusión H sea verdadera, entonces CF(H,E)>0 Cuanto más evidencia parezca respaldar la verdad, mayor será el valor de CF(H,E). Por el contrario, CF(H,E)<0, cuanto más evidencia parezca apoyar la falsedad, menor será el valor de CF(H,E).

4. Si la apariencia de evidencia no tiene nada que ver con H, entonces CF(H,E)=0.

La solidez del conocimiento, es decir, el grado de influencia sobre H cuando la evidencia correspondiente a E es verdadera.

El grado actual de incertidumbre sobre la evidencia E

CF(E)=mín{CF(E1),CF(E2)....CF(En)}

CF(E)=máx{CF(E1),CF(E2)....CF(En)}

Cuando CF(E)<0, entonces CF(H)=0 Cuando CF(E)=1, entonces CF(H)=CF(H,E)

1. Supongamos que D es el conjunto de todos los valores posibles de la variable x, y los elementos en D son mutuamente excluyentes. En cualquier momento, x toma y solo puede tomar un elemento en D como valor, entonces D se llama muestra. espacio de x.

2. En la teoría de la evidencia, cualquier subconjunto A de D corresponde a una proposición sobre x, que se denomina "el valor de x está en A".

1. Sea D el espacio muestral y las proposiciones en el campo están representadas por subconjuntos de D.

1. Suponga que hay n elementos en el espacio muestral D, entonces el número de subconjuntos en D es 2 ^ n. 2^D: Todos los subconjuntos de D.

2. Función de distribución de probabilidad: asigne cualquier subconjunto A de D a un número M (A) en [0,1]. Cuando A∈D,A≠D, M(A): el grado preciso de confianza correspondiente a la proposición A

3. La función de distribución de probabilidad es diferente de la probabilidad.

(1) Establezca el espacio muestral D del problema. (2) Calcule la función de distribución de probabilidad básica dada por la experiencia o por la medición de confiabilidad de reglas y hechos de aleatoriedad. (3) Calcule el valor de la función de confianza y el valor de la función de probabilidad del subconjunto en cuestión. (4) Sacar conclusiones basadas en el valor de la función de confianza y el valor de la función de probabilidad.

Los tres espacios muestrales son difíciles de entender.

Todos los objetos discutidos están representados por U, etc.

Cada objeto en el dominio de discusión suele estar representado por a, b, c, x, y, z.

La totalidad de ciertos elementos que pueden distinguirse entre sí en el dominio del discurso y que tienen ciertos mismos atributos, a menudo representados por A, B, etc.

a pertenece a A o a no pertenece a A, es decir, solo hay dos valores de verdad "verdadero" y "falso"

La lógica difusa asigna a cada elemento del conjunto un número real entre 0 y 1 para describir la intensidad de su pertenencia a un conjunto. Este número real se denomina grado de pertenencia del elemento que pertenece a un conjunto. Las funciones de membresía de todos los elementos del conjunto constituyen colectivamente la función de membresía del conjunto.

No se puede incumplir

A, B: conjunto difuso, la relación difusa está representada por el producto cruzado (producto cartesiano): R: A×B→[0,1]

si (condición) → entonces (conclusión)

La matriz de relaciones difusas R desde el dominio de condición hasta el dominio de conclusión. El razonamiento difuso se lleva a cabo mediante la síntesis de vectores difusos condicionales y relaciones difusas R para obtener el vector difuso de la conclusión, y luego se utiliza el método de "aclaración" para convertir la conclusión difusa en una cantidad precisa.

Métodos de representación y solución de problemas.

Método de búsqueda, método de inducción, método de reducción, método de razonamiento, método de producción.

Búsqueda directa a partir del estado inicial, a partir de las condiciones dadas por el problema.

Búsqueda inversa comenzando desde el estado objetivo: comience con el objetivo que desea alcanzar, vea qué operadores pueden producir el objetivo y qué condiciones se necesitan para aplicar estos operadores para producir el objetivo.

Una búsqueda directa comienza desde el estado inicial y una búsqueda inversa comienza desde el estado de destino hasta que las dos rutas se encuentran en algún punto intermedio.

Un conjunto de variables o matrices que representan conocimiento narrativo, como el estado del sistema y los hechos: Q=[q1,q2,...,qn]^T

Un conjunto de relaciones o funciones que representan conocimiento de tipo proceso que causa cambios de estado: F={f1,f2,...,fn}

Un sistema simbólico que utiliza variables de estado y símbolos de operación para representar el conocimiento sobre el sistema o problema. El espacio de estados es una tupla de cuatro: (S, O, S0, G).

El camino desde el nodo S0 al nodo G

una secuencia finita de operadores

A partir del estado inicial, el camino se busca constante y tentativamente hasta llegar al destino o "nodo irresoluble", es decir, un "callejón sin salida". Si encuentra un nodo que no se puede resolver, retrocede hasta el nodo principal más cercano en la ruta para ver si el nodo tiene otros nodos secundarios que no se hayan expandido. Si es así, continúe buscando a lo largo de estos subnodos; si se encuentra el objetivo, se saldrá de la búsqueda con éxito y se regresará a la ruta de resolución del problema.

1.Tabla PS (estados de ruta)

2.Tabla NPS (nuevos estados de ruta)

3.Tabla NSS (estados sin solución)

1. Utilice la tabla de estados no procesados ​​(NPS) para permitir que el algoritmo regrese (retroceda) a cualquiera de los estados.

2. Utilice una tabla de estado "sin salida" (NSS) para evitar que el algoritmo vuelva a buscar rutas sin solución.

3. Registre el estado de la ruta de búsqueda actual en la tabla PS y devuélvalo como resultado cuando se cumpla el propósito.

4. Para evitar caer en un bucle infinito, se debe verificar el subestado recién generado para ver si está en las tres tablas.

Un estado que se ha generado pero cuyos subestados no se han buscado

Registra el estado que se ha generado y ampliado.

1. No existe un conocimiento controlador como base para la búsqueda, por lo que cada paso de la búsqueda es completamente arbitrario.

2. Existe suficiente conocimiento de control como base, por lo que cada paso de la búsqueda es correcto, pero esto no es realista.

El costo real desde el nodo inicial S0 hasta el nodo n

El costo estimado de la ruta óptima desde el nodo n hasta el nodo objetivo Sg se denomina función heurística.

Reduce la carga de trabajo de búsqueda, pero puede provocar la imposibilidad de encontrar la solución óptima. Cuanto mayor es la proporción, más heurística es.

Esto generalmente resulta en una mayor carga de trabajo y, en casos extremos, se convierte en una búsqueda ciega, pero es posible encontrar la solución óptima.

Los grupos mejor adaptados a su entorno natural tendían a producir grupos más grandes de descendencia.

La aplicabilidad de un algoritmo se refiere a los tipos de problemas a los que se puede aplicar el algoritmo y depende de las restricciones y suposiciones requeridas por el algoritmo.

La confiabilidad de un algoritmo se refiere a la capacidad del algoritmo para resolver la mayoría de los problemas diseñados con la precisión adecuada.

Se refiere a si el algoritmo puede converger al óptimo global. Bajo la premisa de la convergencia, se espera que el algoritmo tenga una velocidad de convergencia más rápida.

Se refiere a la sensibilidad del algoritmo a sus parámetros de control y datos del problema.

Los métodos y operaciones que se consideran efectivos en el mundo biológico se pueden introducir en el algoritmo mediante analogía, lo que a veces conduce a mejores resultados.

0.Definición

1. Codificación binaria

2.Codificación gris

1. El uso del método de expresión de números reales no requiere conversión a un sistema numérico y puede realizar operaciones genéticas directamente en el fenotipo de la solución.

2. La idea básica de la codificación de mapeo de múltiples parámetros: primero codifique binariamente cada parámetro para obtener una subcadena y luego conecte estas subcadenas en un cromosoma completo.

3. Cada subcadena en la codificación de mapeo multiparámetro corresponde a su propio parámetro de codificación, por lo que puede tener diferentes longitudes de cadena y rangos de valores de parámetros.

0.Breve descripción

1. Transformación lineal

2. Método de transformación de la función de potencia.

3.Método de transformación exponencial

0.Breve descripción

1.Método de proporción de fitness/ Método Montecarlo

2. Método de clasificación

1. Selección de ruleta

2. Selección del torneo

3. Mejor conservación individual

1. Un pequeño cruce

2. Intersección de dos puntos

1. PMX cruzado de coincidencia parcial

Las cadenas de códigos individuales de la población seleccionan aleatoriamente uno o más loci y cambian los valores genéticos de estos loci según la probabilidad de mutación.

Seleccione aleatoriamente dos puntos (puntos de inversión) en la cadena de código individual y luego inserte los valores del gen entre los dos puntos en la posición original en orden inverso.

Seleccione aleatoriamente un código en la cadena de código individual y luego inserte este código en el medio del punto de inserción seleccionado aleatoriamente

Seleccione aleatoriamente dos genes del cromosoma para un intercambio simple.

Seleccione aleatoriamente un gen y muévalo hacia la izquierda o hacia la derecha un número aleatorio de dígitos

1. El algoritmo genético diploide utiliza dos cromosomas dominantes y recesivos para evolucionar simultáneamente, proporcionando la función de memorizar bloques de genes previamente útiles.

2. El algoritmo genético diploide utiliza herencia dominante.

3. La herencia diploide prolonga la vida de los bloques de genes útiles, mejora la capacidad de convergencia del algoritmo y puede mantener un cierto nivel de diversidad cuando la probabilidad de mutación es baja.

1. Codificación/Decodificación

2. Operador de copia

3. Operador cruzado

4. Operador de mutación

5. Operadores de reordenamiento explícitos e implícitos

1. En el algoritmo genético, se utilizan múltiples poblaciones para evolucionar simultáneamente y la información genética transportada por individuos sobresalientes entre poblaciones se intercambia para romper el estado de equilibrio dentro de la población y alcanzar un estado de equilibrio superior, lo que conduce a que el algoritmo salte de el óptimo local.

2. Establezca dos grupos de algoritmos genéticos y ejecute operaciones de replicación, cruce y mutación de forma independiente. Al mismo tiempo, después de completar cada generación, se seleccionan e intercambian individuos aleatorios e individuos óptimos en las dos poblaciones, respectivamente.

1. Diseño de codificación/decodificación

2. Operador de cruce y operador de mutación

3. Operador híbrido

4. Supongamos la población A y la población B. Después de que ambas poblaciones A y B hayan completado los operadores de selección, cruce y mutación, se genera un número aleatorio num, y se seleccionan aleatoriamente num individuos en A y el mejor individuo en A, y num Los individuos en A se seleccionan aleatoriamente y se intercambia el mejor individuo en B para romper el estado de equilibrio.

0.Srinvivas M., Patnaik L. M. y otros propusieron un algoritmo genético adaptativo (AGA) en 1994: Pc y Pm pueden cambiar automáticamente con la aptitud.

1. Cuando la aptitud de cada individuo en la población tiende a ser consistente o óptima local, aumente Pc y Pm para salir del óptimo local y cuando la aptitud del grupo esté relativamente dispersa, disminuya Pc y Pm para beneficiar a los individuos excelentes; supervivencia

2. Al mismo tiempo, para los individuos cuya aptitud es mayor que el valor de aptitud promedio del grupo, seleccione Pc y Pm más bajos para que la solución pueda protegerse en la próxima generación para los individuos cuya aptitud es menor que el valor de aptitud promedio; , seleccione valores más altos de Pc y Pm, lo que provocará la eliminación de la solución.

Cada individuo es considerado como una partícula sin volumen ni masa en el espacio de búsqueda de n dimensiones, que vuela a una cierta velocidad en el espacio de búsqueda, y la velocidad determina la dirección y la distancia del vuelo de la partícula. Todas las partículas tienen un valor de aptitud determinado por la función de optimización.

PSO se inicializa como un grupo de partículas aleatorias y luego encuentra la solución óptima mediante iteración. En cada iteración, la partícula se actualiza siguiendo dos "valores extremos". La primera es la solución óptima encontrada por la propia partícula, que se denomina valor extremo individual. La otra es la solución óptima que actualmente encuentra toda la población. Esta solución se llama extremo global.

1. En el espacio de búsqueda continua de n dimensiones, defina la partícula i-ésima (i = 1,2,..., m) en el enjambre de partículas.

La parte 1 es la velocidad de la partícula en el momento anterior; La segunda parte es el componente "cognitivo" individual, que representa el propio pensamiento de la partícula y compara la posición actual con la posición óptima que ha experimentado. La tercera parte es el componente "social" del grupo, que representa el intercambio de información y la cooperación mutua entre partículas. ψ1 y ψ2 controlan respectivamente la tasa de aprendizaje de la contribución relativa del componente cognitivo individual y el componente social grupal. El coeficiente aleatorio aumenta la aleatoriedad de la dirección de búsqueda y la diversidad del algoritmo.

1. Si ψ1>0, ψ2>0, entonces el algoritmo se llama modelo completo PSO

2. Si ψ1>0, ψ2=0, entonces el algoritmo se llama modelo cognitivo PSO.

3. Si ψ1=0, ψ2>0, entonces el algoritmo se llama modelo social PSO.

4. Si ψ1=0, ψ2>0 y g≠i, entonces el algoritmo se llama modelo desinteresado PSO.

1. Inicializa cada partícula

2. Evaluar la aptitud de cada partícula.

3. Establece el Pi de cada partícula.

4. Establezca el valor óptimo global Pg

5. Actualizar la velocidad y posición de las partículas.

6. Consulta las condiciones de rescisión

1. Velocidad máxima Vmax

2.Factor de ponderación

1. Solo la parte 1, es decir, ψ1=ψ2=0

2. No existe la parte 1, es decir, w=0

3. No existe la parte 2, es decir, ψ1=0

4. No existe la parte 3, es decir, ψ2=0

Experimentos iniciales: w se fijó en 1,0, ψ1 y ψ2 se fijaron en 2,0, por lo que Vmax se convirtió en el único parámetro que necesitaba ajustarse, generalmente establecido en un rango de variación del 10 % al 20 % por dimensión. Los experimentos de Suganthan muestran que se pueden obtener mejores soluciones cuando ψ1 y ψ2 son constantes, pero no necesariamente tienen que ser 2. Estos parámetros también se pueden ajustar mediante sistemas difusos. Shi y Eberhart propusieron un sistema difuso para ajustar w

Se supone que el centro de distribución puede utilizar hasta K (k=1,2...K) vehículos para transportar y entregar L (i=1,2...L) clientes, e i=0 representa el almacén. La carga de cada vehículo es bk (k=1,2,…K), la demanda de cada cliente es di (i=1,2,…L), y el costo de transporte del cliente i al cliente j es cij (can ya sea distancia, tiempo, costo, etc.). Defina las siguientes variables:

1. Para este tipo de problema de optimización combinatoria, el método de codificación y la configuración de la solución inicial tienen un gran impacto en la solución del problema. Se utiliza el método de codificación de números naturales comúnmente utilizado.

2. Para el problema de K automóviles y L clientes, utilice una disposición aleatoria de números naturales de 1 a L para generar un conjunto de soluciones X=(x1,x2,...,xL). Luego utilice el método parsimonioso o el método de inserción más cercano para construir la solución inicial.

1. A principios de la década de 1990, el científico italiano Marco Dorigo y otros se inspiraron en el comportamiento de búsqueda de alimento de las hormigas y propusieron la Optimización de Colonias de Hormigas (ACO).

2. Un algoritmo de búsqueda heurística aplicado a problemas de optimización combinatoria

3. Buen rendimiento en la resolución de optimización combinatoria discreta.

1.Seguimiento de feromonas

2.Legado de feromonas

1. Medio ambiente

2. Reglas de búsqueda de alimento

3.Reglas de movimiento

4. Normas para evitar obstáculos

5. Reglas de las feromonas

1 pregunta

2. Proceso de búsqueda

1. Sistema de círculo de hormigas

2. Sistema de cantidad de hormigas

3. Sistema de densidad de hormigas

4.Comparar

1. Garantiza que las feromonas residuales no se acumulen indefinidamente

2. Si no se selecciona la ruta, la feromona residual anterior se debilitará gradualmente con el tiempo, lo que permite al algoritmo "olvidar" las rutas incorrectas.

3.

4. Refleja plenamente la capacidad de supervivencia de caminos más cortos (mejores soluciones) en el alcance global del algoritmo.

5. Rendimiento de retroalimentación positiva de información mejorada

6. Se mejoró la velocidad de convergencia de búsqueda del sistema.

1. Refleja la intensidad de factores aleatorios en la búsqueda de caminos de las colonias de hormigas.

2. Cuanto mayor sea el valor de α, más probable será que la hormiga elija el camino que ha tomado antes y la aleatoriedad de la búsqueda se debilita.

3. Cuando α es demasiado grande, la búsqueda de la colonia de hormigas caerá prematuramente en el óptimo local.

1. Refleja la fuerza de los factores a priori y deterministas de la colonia de hormigas en la búsqueda de camino.

2. Cuanto mayor sea el valor de β, mayor será la posibilidad de que la hormiga elija el camino local más corto en un determinado punto local.

3. Aunque la velocidad de convergencia de la búsqueda se acelera, la aleatoriedad de la colonia de hormigas se debilita durante el proceso de búsqueda del camino óptimo y es fácil caer en el óptimo local.

1. Cuando la escala del problema a procesar es relativamente grande, la cantidad de información sobre los caminos (soluciones factibles) que nunca se han buscado se reducirá a cerca de 0, reduciendo así la capacidad de búsqueda global del algoritmo.

2. Y cuando 1-ρ es demasiado grande, la posibilidad de que se vuelvan a seleccionar las rutas buscadas anteriormente es demasiado alta, lo que también afectará el rendimiento aleatorio y las capacidades de búsqueda global del algoritmo.

3. Por el contrario, aunque el rendimiento aleatorio y la capacidad de búsqueda global del algoritmo se pueden mejorar reduciendo la volatilidad de la feromona 1-ρ, también reducirá la velocidad de convergencia del algoritmo.

Un sistema de procesamiento tiene 6 máquinas herramienta y es necesario procesar 4 piezas de trabajo. Cada pieza de trabajo tiene 3 procesos, como se muestra en la figura.

Puede verse en la Figura 6.12 que la máquina 6 no procesa ninguna pieza de trabajo. La razón es que aunque puede procesar los procesos p23, p33, p42 y p43, se puede ver en la Tabla 6.5 que el tiempo de procesamiento de la máquina 6 es mayor que el de otras máquinas procesadoras, especialmente el tiempo de procesamiento de p23 y p33. por lo que a la máquina 6 no se le asigna ninguna tarea de procesamiento

0.redes neuronales,NN

1. Red neuronal biológica NNN

2. Red neuronal artificial ANN

1. Estructura del cerebro humano: corteza, mesencéfalo, tronco del encéfalo, cerebelo

2. El cerebro humano está compuesto por más de 100 mil millones (10^11-10^14) de células nerviosas (neuronas) entrelazadas en una estructura de red, incluidas alrededor de 14 mil millones de neuronas en la corteza cerebral y 100 mil millones en la corteza cerebelosa.

3. Hay alrededor de 1000 tipos de neuronas, y cada neurona está conectada a aproximadamente 10 ^ 3-10 ^ 4 otras neuronas, formando una red neuronal extremadamente compleja y flexible.

1. Estado de excitación: potencial de membrana celular > umbral del potencial de acción → impulso nervioso

2. Estado inhibidor: potencial de membrana celular <umbral del potencial de acción

Debido a la plasticidad de las estructuras neuronales, la transmisión sináptica puede fortalecerse y debilitarse.

1. Características de las neuronas

2. La forma de interconexión entre neuronas - estructura topológica

3. Aprender reglas para mejorar el rendimiento para adaptarse al entorno

1. Tipo de avance: red neuronal BP

2. Tipo de comentario: Hopfield

1. Método sincrónico (paralelo)

2. Modo asíncrono (en serie)

Hay algunas diferencias entre los dos, pero no demasiado grandes.

1. La primera fase/fase de formación en red

2. Segunda fase/fase de trabajo

1. ¿Existe una red neuronal de BP que pueda aproximarse a una muestra o función determinada?

2. Cómo ajustar los pesos de conexión de la red neuronal BP para que la entrada y salida de la red sean las mismas que la muestra dada

1. Propagación hacia adelante

2. Propagación hacia atrás

1. Determinación del número de capas ocultas y neuronas en la capa oculta.

2. Configuración de pesos iniciales

3. Preprocesamiento de datos de entrenamiento

4. Proceso de posprocesamiento

1.Inicialización

2. Tome un conjunto de muestras de N conjuntos de muestras de entrada y salida.

3. Propagación hacia adelante

4. Calcule el error entre la salida real de la red y la salida esperada.

5. Propagación hacia atrás

6. Sea t 1→t, tome otro conjunto de muestras y repita (2)-(5) hasta que el error de los N conjuntos de muestras de entrada y salida alcance el requisito.

Red BP: red directa multicapa (capa de entrada, capa oculta, capa de salida). Pesos de conexión: modificados mediante algoritmo de aprendizaje Delta. Función de transferencia neuronal: Función sigmoidea. Algoritmo de aprendizaje: propagación hacia adelante, propagación hacia atrás. La conexión entre capas es unidireccional y la propagación de información es bidireccional.

Buenas características de aproximación, gran capacidad de generalización y buena tolerancia a fallos.

Velocidad de convergencia lenta, valor extremo local, difícil determinar el número de capas ocultas y nodos de capas ocultas

Diseñar una red BP de tres capas para clasificar los números del 0 al 9

1. Cada número está representado por una cuadrícula de 9 × 7, donde los píxeles grises representan el 0 y los píxeles negros representan el 1. Representa cada cuadrícula como una larga cadena de bits de 0,1. El mapa de bits comienza desde la esquina superior izquierda y desciende hasta una columna completa de la cuadrícula, luego se repite para las otras columnas.

2. Seleccione la estructura de la red BP como 63-6-9. Hay 97 nodos de entrada, correspondientes al mapeo de la cuadrícula anterior. 9 nodos de salida corresponden a 10 categorías

3. El tamaño del paso de aprendizaje utilizado es 0,3. Entrene durante 600 ciclos. Si el valor del nodo de salida es superior a 0,9, se establece en ON. Si el valor del nodo de salida es inferior a 0,1, se establece en OFF.

1. Representar cada solución factible al problema de optimización como una matriz de transposición.

2. Corresponden a la matriz de transposición y la red neuronal compuesta por n neuronas: cada elemento de la matriz de transposición de cada solución factible corresponde a la salida en estado estacionario de la neurona correspondiente.

3. Construya la función de energía de modo que su valor mínimo corresponda a la solución óptima del problema de optimización y satisfaga las restricciones.

4. Utilice el método de la función de penalización para construir la función objetivo, que es igual a la expresión de la función de energía de cálculo de la red neuronal Hopfield, y determine el peso de cada conexión y el parámetro de sesgo.

5. Dado el estado inicial de la red y los parámetros de la red, etc., haga que la red funcione de acuerdo con la ecuación dinámica hasta que alcance un estado estable e interprete esto como la solución al problema de optimización.

1. Inestabilidad de la solución

2. Los parámetros son difíciles de determinar.

3. Hay una gran cantidad de mínimos locales en la función de energía, lo que dificulta garantizar la solución óptima.

1. La red neuronal BP toma valores numéricos como entrada. Si desea procesar información relacionada con la imagen, primero debe extraer características de la imagen.

2. Dado que el algoritmo BP se basa en el ajuste de parámetros de gradiente, también es fácil caer en la solución óptima local.

3. A medida que aumenta el número de capas de la red neuronal, se produce un grave fenómeno de "difusión de gradiente" en el proceso de entrenamiento, es decir, los resultados de salida de la red se propagan hacia atrás cuando llegan a las primeras capas. desaparecerá gradualmente y los pesos de la red no podrán guiarse en el entrenamiento de valores, lo que provocará que el proceso de entrenamiento de la red no converja.

4. El algoritmo BP generalmente solo se puede usar para aprender estructuras de red poco profundas (generalmente igual a 3), lo que limita la capacidad de representación de datos del algoritmo BP y afecta su aplicación en ingeniería.

5. Dirección del esfuerzo: aumentar el número de capas ocultas de la red neuronal, es decir, la profundidad, por lo que la red neuronal correspondiente se denomina red neuronal profunda (DNN) y el algoritmo de aprendizaje correspondiente se denomina aprendizaje profundo (DL).

1. En 2006, el profesor Hinton y el estudiante de doctorado Salakhutdinov propusieron un método de aprendizaje profundo basado en importantes descubrimientos en biología.

2. En 1968, cuando los neurobiólogos David Hunter Hubel y Torsten N. Wiesel estaban estudiando las neuronas utilizadas para la sensibilidad local y la selección de dirección en la corteza cerebral del gato, se descubrieron dos puntos importantes:

a Para la codificación visual, las neuronas de la corteza cerebral animal tienen campos receptivos locales, es decir, son localmente sensibles y tienen selectividad de dirección.

b. La corteza cerebral de los animales se procesa de forma jerárquica y jerárquica. Hay tres tipos de células en la corteza visual primaria del cerebro: células simples, células complejas y células supercomplejas. Estos diferentes tipos de células realizan funciones de percepción visual en diferentes niveles de abstracción.

3. En 2006, el profesor Hinton y otros publicaron un algoritmo de aprendizaje de redes neuronales profundas en la famosa revista académica "Science" y sacaron dos conclusiones importantes:

a. Las redes neuronales artificiales con múltiples capas ocultas tienen mejores capacidades de aprendizaje de características. La extracción de características de cada capa es una abstracción de la capa anterior y las características aprendidas caracterizan mejor los datos. La esencia del preentrenamiento jerárquico de aprendizaje profundo es abstraer los datos de entrada paso a paso, de acuerdo con el proceso cognitivo del cerebro biológico.

b A través del "entrenamiento previo capa por capa" de la inicialización capa por capa, se puede encontrar un peso de red neuronal que esté cerca de la solución óptima, y ​​luego toda la red se optimiza y entrena mediante "finamente". tuning", reduciendo así en gran medida la necesidad de entrenar redes neuronales multicapa.

1. Después de obtener características mediante convolución, si usa estas características directamente para entrenar un clasificador, la cantidad de cálculo será muy grande. Agregar estadísticas sobre características en diferentes ubicaciones se denomina agrupación.

2. Métodos comunes de agrupación: agrupación promedio, agrupación máxima

3. La red neuronal convolucional pierde una gran cantidad de información en la capa de agrupación, lo que reduce la resolución espacial y hace que la salida casi no cambie con pequeños cambios en la entrada.

La imagen digital pasa a través de una capa de convolución estándar, con 256 canales. Cada canal utiliza un núcleo de convolución de 9 × 9 para convertir el brillo de los píxeles en la imagen de la capa de entrada en una salida de características local, que se utiliza como entrada de la capa Conv1.

La capa de cápsulas convolucionales contiene 32 cápsulas. PrimaryCaps es donde realmente comienzan las cápsulas

La capa completamente conectada de la red de cápsulas necesita reconocer 10 tipos de números (0 ~ 9), por lo que hay 10 cápsulas en esta capa. El número de elementos en el vector representado por cada cápsula es 16, lo que representa diferentes estados. número

La función de activación no lineal aplastante también se llama función de compresión. La primera parte es la dirección de entrada. La escala de escala de la suma lineal S de la cantidad, la última parte es el vector unitario de la suma lineal S

El algoritmo de enrutamiento dinámico en la red de cápsulas reemplaza la agrupación en la red neuronal convolucional, que es una forma de extraer información útil.

Explicación del algoritmo

Los parámetros de convolución de la red y los pesos en la Cápsula se actualizan de acuerdo con la función de pérdida. La función de pérdida utilizada es maximizar la distancia entre las muestras positivas y negativas al hiperplano.

0.imagen

1. La reconstrucción consiste en utilizar el vector cápsula de categoría predicha, es decir, el vector con el valor de módulo más grande, para reconstruir la imagen real representada por la categoría.

2. Reconstruya la red para reconstruir el decodificador de red que contiene tres capas completamente conectadas. El decodificador genera 784 números, correspondientes al número de píxeles de la imagen reconstruida (28x28=784 píxeles)

3. La función de pérdida de este proceso se construye calculando la distancia euclidiana entre los píxeles de salida de la capa FCSigmoide y los píxeles de la imagen original.

Se han realizado algunos cambios en el tamaño del número, el grosor y la posición del conjunto de prueba MNIST. Resultados experimentales: CapsNet logró resultados mucho mejores que CNN en el conjunto de datos AFFNIST con dígitos superpuestos

1. En promedio, el 80% de los rangos fronterizos de los dos números en MultiMNIST son números superpuestos.

2. Números que se superponen a la imagen MultiMNIST (blanca) y los resultados reconstruidos por CapsNet (rojo y verde)

3. Resultados experimentales: CapsNet logró una tasa de error de clasificación más baja

Literatura científica/experto en el campo → ingeniero de conocimiento → editor de conocimiento → base de conocimiento

1. El sistema MYCIN fue construido por la Universidad de Stanford en 1972 y finalmente se completó en 1978.

2. El sistema está escrito en lenguaje INTERLISP.

3. La base de conocimientos tiene más de 200 reglas, que pueden identificar 51 tipos de bacterias y manejar correctamente 23 tipos de antibióticos.

4. Diagrama de estructura

1. Representación del conocimiento del dominio: reglas de producción

2. Representación de parámetros clínicos.

1. Razonamiento inverso y estrategia de búsqueda en profundidad

2.Sistema MYCIN: completa todo el proceso de consulta y razonamiento a través de dos subprogramas MONITOR y DESCUBRE

3.MONITOREAR: Analizar si se cumplen los requisitos previos de la regla para decidir si rechazar la regla o adoptarla, y registrar los resultados después de cada identificación de un requisito previo en la base de datos dinámica

4.DESCUBRIR: Verifique los parámetros requeridos por MONITOR. Puede estar en la base de datos dinámica o puede obtenerse a través de preguntas de los usuarios.

1. Generar una posible “tabla de planes de tratamiento”

2. Elija la fórmula del medicamento

1. Estructura general

2.Archivo de modelo (base de conocimientos modelo)

3. Ficha terminológica (base de conocimientos terminológicos)

4.Analizador

5. Red de inferencia

6. Emparejador

7.Transmisor

8.analizador de inglés

9. Sistema de preguntas y respuestas

10. Compilador de red

11. Explica el sistema.

12. Sistema de adquisición de conocimientos

Evaluación de resultados de exploración, evaluación de exploración de área minera, elaboración de planes de ubicación de pozos.

Una red codificada de modelos de depósitos que conecta evidencia de exploración y algunos supuestos geológicos importantes en un gráfico dirigido.

1. Razonamiento de verosimilitud: razonamiento basado en la relación de probabilidad del principio de Bayes y utiliza la "tasa de verosimilitud" para expresar la solidez de la regla.

2. Razonamiento lógico: razonamiento basado en relaciones lógicas booleanas

3. Razonamiento contextual: razonamiento basado en la relación semántica entre contexto y contexto

1. Función

2.Proceso de trabajo

3.Aplicación

1.Definición

2.Programa de edición de red

3. Programa de emparejamiento en línea

4.Aplicación

1.Breve descripción

2.Composición

3. Tres reglas

4. Proceso de razonamiento

5.Aplicación

Un lenguaje universal de expresión del conocimiento desarrollado por J. McDermott, A. Newell y otros en la Universidad Carnegie Mellon de Estados Unidos.

La combinación de expresión general y control proporciona el mecanismo básico requerido por los sistemas expertos y no favorece ciertas estrategias de resolución de problemas ni estructuras de expresión del conocimiento.

Base de reglas de producción, motor de inferencia, base de datos.

Puede proporcionar una variedad de componentes convenientes para el desarrollo de sistemas expertos, como herramientas auxiliares para la adquisición de conocimientos, modos de representación del conocimiento adecuados para diversas estructuras de conocimiento, diversos mecanismos de razonamiento incierto, sistemas de gestión de bases de conocimientos, etc.

Una herramienta típica de desarrollo de combinación de módulos.

1. Los usuarios utilizan varios componentes existentes de AGE como materiales de construcción para ensamblar y diseñar fácilmente el sistema requerido.

2. Los usuarios definen y diseñan varios componentes necesarios a través de la interfaz de herramientas de AGE para formar su propio sistema experto.

0. Lenguajes orientados a la IA o lenguajes de IA

1. Lenguaje PROLOG (propuesto por primera vez por R. Kowalski; desarrollado con éxito por A. Comerauer y su equipo de investigación en 1972): un lenguaje de programación lógico basado en el razonamiento deductivo

2. Lenguaje LISP (desarrollado con éxito por McCarthy y su equipo de investigación en 1960): lenguaje de procesamiento de tablas; muchos de los primeros sistemas expertos (MYCIN, PROSPECTOR) se construyeron utilizando LISP

Lenguaje C, lenguaje C++

Para mejorar las capacidades del motor de búsqueda, mejorar la calidad de la búsqueda del usuario y mejorar la experiencia de búsqueda del usuario.

También conocido como gráfico de conocimiento científico, utiliza varios gráficos y otras tecnologías de visualización para describir los recursos de conocimiento y sus portadores, y extraer, analizar, construir, dibujar y mostrar el conocimiento y sus interconexiones. Muestra campos de conocimiento complejos a través de la extracción de datos, el procesamiento de información, la medición del conocimiento y la representación de gráficos, y revela las reglas de desarrollo dinámico de los campos de conocimiento.

Los gráficos de conocimiento describen las relaciones complejas entre conceptos y entidades en el mundo objetivo de una forma estructurada, expresan la información de Internet en una forma más cercana al mundo cognitivo humano y proporcionan una manera de organizar, gestionar y comprender mejor la información masiva en el mundo objetivo. capacidad de internet

Base de conocimientos, red semántica.

1.RDF proporciona un método de descripción universal de recursos.

2. La base de datos de gráficos se refiere a una base de datos que utiliza gráficos como estructuras de datos para almacenar y consultar datos.

0. El gráfico de conocimiento es esencialmente una red semántica.

1. Los nodos representan entidades o conceptos.

2. Los bordes representan varias relaciones/atributos semánticos entre entidades/conceptos.

3.Hechos de relación = (cabeza, relación, cola)

Un gráfico de conocimiento también se puede ver como un gráfico. Los nodos del gráfico representan entidades o conceptos, y los bordes del gráfico están compuestos de atributos o relaciones.

0. Los trillizos son una representación universal de los gráficos de conocimiento. Las formas básicas de los triples se dividen principalmente en dos formas.

1. (Entidad 1-Relación-Entidad 2), China-Capital-Beijing

2. (Entidad-Atributo-Valor de Atributo), Beijing-Población-20,69 millones

1. Estructura lógica

2.Arquitectura del sistema

Creado automáticamente en base a la extracción de información, la edición y creación colaborativa masiva y la creación manual de expertos.

1. La extracción de conocimiento consiste en extraer conocimiento de datos de diferentes fuentes y diferentes estructuras para formar conocimiento (datos estructurados) y almacenarlo en el gráfico de conocimiento.

2. Orientado principalmente a datos abiertos vinculados, las entradas típicas son texto o imágenes en lenguaje natural o documentos de contenido multimedia de vídeo, etc. Luego extraiga las unidades de conocimiento disponibles mediante tecnología automatizada o semiautomática.

3. La unidad de conocimiento incluye principalmente tres elementos de conocimiento: entidad (extensión del concepto), relación y atributo.

También conocido como aprendizaje de entidades/reconocimiento de entidades nombradas, sirve para identificar automáticamente entidades nombradas del corpus de datos original.

La extracción de clases semánticas se refiere a la extracción automática de información del texto para construir clases semánticas y establecer la asociación entre entidades y clases semánticas, como una regularización y abstracción a nivel de entidad.

La tarea de la extracción de atributos es construir una lista de atributos para cada clase semántica de ontología. Los valores de atributos se extraen como valores de atributos adicionales para entidades de una clase semántica Los dos pueden formar una dimensión de gráfico de conocimiento completa de conceptos de entidad.

El objetivo es resolver el problema de la vinculación semántica de entidades. La información básica de la relación incluye el tipo de parámetros. patrón de tupla que satisface esta relación, etc.

Búsqueda, planificación, sistemas expertos, juegos inteligentes, teoría de juegos, robots, aprendizaje automático, etc.

El aprendizaje supervisado, el aprendizaje no supervisado, las teorías y algoritmos de aprendizaje son todos importantes.

Aprendizaje supervisado, centrado en la aplicación de algoritmos.

Resuelve una serie de problemas de clasificación, pero no puede resolver el problema XOR.

En el caso de muestras pequeñas se pueden obtener mejores resultados

Clasificación, regresión (ajuste lineal, ajuste no lineal), agrupación

Aprendizaje supervisado, aprendizaje no supervisado, aprendizaje semisupervisado, aprendizaje por refuerzo

1.Definición

2. Ingrese x

3. Salida y

4. Dos problemas de clasificación

5. Experimente la selección de riesgos

6. Experimentar riesgo Significado probabilístico

7. Función de riesgo empírico general

8.Algoritmo de descenso de gradiente

1. Resuelve múltiples tipos de problemas

2. PDF del problema de clasificación múltiple

3. Función de costo en la muestra i

1. Confusión de etiquetas

2. Ganancia de información

3. Árbol de decisión

4. Bosque aleatorio

Falta de pruebas rigurosas, sólo resultados empíricos

1. Hay datos sobre el precio de la casa existente D y una casa nueva. ¿A cuánto asciende el valor de esta casa?

2. Supongamos que los precios de la vivienda están definidos por una función lineal.

3.

1. Datos de entrenamiento

2. Objetivos de aprendizaje semisupervisados

3. ¿Por qué utilizar muestras sin etiquetar?

4. Por qué los datos sin etiquetar pueden ser buenos para el aprendizaje

1. Definición de agrupación

2. Idea central

3. Función objetivo

4.Ejemplos

5. Búsqueda y solución alternativas

1. Conozca la matriz de conocimiento Q (calidad) del mismo orden que R. Suponga que se conoce el número de estados e inicialice Q para que sea una matriz totalmente cero.

1. Precisión (clasificación)

2. Matriz de confusión

3. Precisión y recuperación (recuperación)

Visualización de resultados experimentales.

Capaz de funcionar sin intervención directa de humanos u otros agentes.

Los agentes inteligentes pueden responder a los cambios en el entorno de manera oportuna

El cuerpo inteligente tomará la iniciativa para completar sus propios objetivos de diseño y mostrará un comportamiento espontáneo impulsado por los objetivos.

Diferentes agentes tienen la capacidad de comunicarse y comunicarse, pueden colaborar para completar tareas y pueden negociar y resolver problemas cuando encuentran conflictos.

1. Elija acciones basadas en la información percibida actual, independientemente de la información histórica.

2. Utilice reglas si-entonces para mapear el estado actual del entorno y sus propias acciones.

3. El agente utiliza directamente información sensorial para el mapeo, sin la necesidad de construir un modelo ambiental internamente a través de símbolos, lo que acelera la velocidad de ejecución de los agentes reactivos.

1. Modelo de comportamiento: máquina de estados finitos (máquina de estados finitos)

2. Selección de acción: mapeo del estado a la acción (sin representación simbólica compleja)

3. Puede haber múltiples comportamientos que satisfagan las reglas de selección de acciones al mismo tiempo.

4. Estructura jerárquica: las reglas de nivel inferior tienen mayor prioridad

1.Condiciones

2. Proceso

Comentarios simples, elegantes y oportunos del entorno.

1. Al no existir un modelo ambiental, no se puede considerar la información histórica y no se puede predecir el comportamiento de otros agentes.

2. Es muy difícil de diseñar (debe obtenerse mediante experimentos continuos) y no existe un método estándar.

3.La depuración es muy difícil

4. Cuando un agente tiene una gran cantidad de reglas, el diseño y la implementación son muy difíciles (por ejemplo, prioridad e interacción entre reglas)

5. Dificultad para comunicarse con los demás, no toda la información se procesa simbólicamente

1. El agente construye internamente un modelo mundial completo.

2. Tomar decisiones sobre el comportamiento del agente mediante planificación o razonamiento lógico.

3. Agente de razonamiento práctico

Razonar contra conocimientos/creencias (obtener nuevos conocimientos)

0. Razonamiento para la acción, que consta de dos pasos principales.

1. Deliberación: decidir qué hacer, la intención del agente

2. Razonamiento de medios-fines: decidir qué hacer y cómo realizar la intención del agente (generar un plan para realizar la intención)

1. Si el agente acepta una intención, elegirá un método para implementarla.

2. Una vez aceptada una intención, el agente sólo renunciará a ella cuando ésta se realice, se considere inalcanzable o se reconsidere.

3. El agente no optará por aceptar intenciones que entren en conflicto con sus intenciones actuales.

4.El agente cree que puede completar sus propias intenciones.

1. Creencias

2.Deseos/meta

3.Intenciones

4. Revisión de creencias (beliefrevision)

5. Generación de objetivos

6. Función de selección de objetivos

7. Función de planificación

8. Función de selección de intención

Al construir su propio modelo ambiental para predecir el comportamiento de otros agentes, puede predecir comportamientos históricos y utilizar comportamientos históricos para tomar decisiones de comportamiento.

Construir un modelo de entorno dentro de un agente a través de información ambiental requiere una sobrecarga adicional, y el proceso de toma de decisiones y razonamiento lógico consumirá más tiempo en comparación con un proceso de mapeo en una arquitectura reactiva.

1. Contiene partes de reacción y deliberación.

2. La parte de reacción puede responder a cambios en el mundo (medio ambiente) sin razonamientos complejos.

3. La parte de deliberación puede utilizar sistemas simbólicos para razonar sobre el comportamiento del agente.

4. Utilice a menudo estructuras en capas.

5. Cuestión clave: cómo manejar y controlar las relaciones e interacciones entre subsistemas.

1. Cada capa está conectada directamente a sensores y efectores.

2. Cada capa es equivalente a un subcomponente, que generará diferentes sugerencias de selección de acciones y eventualmente devolverá una de las acciones "adecuadas".

3. Ventajas: Sencillo e intuitivo

4. Desventajas: alta complejidad de selección y diseño difícil

1. Sólo una capa está conectada directamente al sensor/efector

2. Control de un solo paso: cada capa de componentes procesa la información de entrada y los resultados, y pasa los resultados del procesamiento a la siguiente capa. Las capas conectadas al sensor y al efector son dos capas diferentes.

3. Control de dos pasos: la información se transmite capa por capa desde el sensor hasta la última capa, y luego los resultados se procesan desde la última capa y la salida se transmite a la inversa al efector, que está conectado al sensor y el efector.

4. Problema: el procesamiento de información debe pasar por cada capa. Cuando ocurre un problema en una determinada capa, el programa no se puede ejecutar.

1. Capas verticales, doble control.

2. Capa conductual

3. Capa de planificación

4.Capa de interacción

1.

1.

1.

1. Los cuantificadores existenciales no aparecen en el alcance de los cuantificadores universales: basta con utilizar cualquier individuo a, b, c.

2. El cuantificador existencial aparece en un o Dentro del alcance de múltiples cuantificadores universales

0. Forma de prefijo = (prefijo) {forma madre}, (prefijo): cadena cuantificadora universal, {forma madre}: fórmula de predicado sin componente

1. Simplemente coloque todos los cuantificadores universales al frente.

1.

1. Cambiar a la forma de un conjunto, dos cláusulas y la relación conjuntiva predeterminada entre las cláusulas.

1. Diferentes cláusulas utilizan diferentes variables.