内容发布更新时间 : 2024/9/20 5:54:10星期一 下面是文章的全部内容请认真阅读。

一、智能化智能体

1. 什么是智能体？什么是理性智能体？智能体的特性有哪些？智能体的分类有哪些？

智能体定义：通过传感器感知所处环境并通过执行器对该环境产生作用的计算机程序及其控制的硬件。

理性智能体定义：给定感知序列(percept sequence)和内在知识(built-in knowledge)，理性智能体能够选择使得性能度量的期望值(expected value)最大的行动。

智能体的特性：自主性（自主感知学习环境等先验知识）、反应性（Agent为实现自身目标做出的行为）、社会性（多Agent及外在环境之间的协作协商）、进化性（Agent自主学习，逐步适应环境变化）

智能体的分类：

简单反射型智能体：智能体寻找一条规则，其条件满足当前的状态（感知），然后执

行该规则的行动。

基于模型的反射型智能体：智能体根据内部状态和当前感知更新当前状态的描述，

选择符合当前状态的规则，然后执行对应规则的行动。

基于目标的智能体：为了达到目标选择合适的行动，可能会考虑一个很长的可能行动序列，比反射型智能体更灵活。

基于效用的智能体：决定最好的选择达到自身的满足。

学习型智能体：自主学习，不断适应环境与修正原来的先验知识。 2. 描述几种智能体类型实例的任务环境PFAS，并说明各任务环境的属性。 答题举例：

.

练习：给出如下智能体的任务环境描述及其属性刻画。

o 机器人足球运动员 o 因特网购书智能体 o 自主的火星漫游者 o 数学家的定理证明助手

二、用搜索法对问题求解

1.简述有信息搜索（启发式搜索）与无信息搜索（盲目搜索、非启发式搜索）的区别。 非启发式搜索：按已经付出的代价决定下一步要搜索的节点。具有较大的盲目性，产生较多的无用节点，搜索空间大，效率不高。

启发式搜索：要用到问题自身的某些信息，以指导搜索朝着最有希望的方向前进。由于这种搜索针对性较强，因而原则上只需搜索问题的部份状态空间，搜索效率较高。 2.如何评价一个算法的性能？（度量问题求解的性能）

? 完备性：当问题有解时，算法是否能保证找到一个解； ? 最优性：找到的解是最优解；

? 时间复杂度：找到一个解需要花多长时间 ? 搜索中产生的节点数

? 空间复杂度：在执行搜索过程中需要多少内存 ? 在内存中存储的最大节点数 3.简述几种搜索方式的思想。 非启发式搜索：

广度优先搜索：首先扩展根节点，接着扩展根节点的所有后续，然后在扩展它们的后续，依次类推。在下一层的任何节点扩展之前搜索树上本层深度的所有节点都已经扩展过。

代价一致搜索：扩展路径消耗最低的节点，若单步耗散相等，则等价于广度优先搜索算法。 深度优先搜索：扩展搜索树的当前边缘中最深的节点。搜索直接推进到搜索树的最深层，当最深层节点扩展完没达到目标节点则将向上回到下一个还有未扩展后续节点的稍浅的节点。 深度有限搜索：深度为l的节点被当做没有后续的节点对待。

迭代深入深度优先搜索：不断增大深度限制，直到找到目标节点。 代价一致搜索的迭代搜索：不断增加路径耗散限制

双向搜索：运行两个同时的搜索：向前搜索（从初始状态向前搜索）和向后搜索（从目标状态向后搜索），扩展节点前检查该节点是否在另一棵树的边缘。 启发式搜索：

贪婪最佳优先搜索：定义一个评价函数f，对当前的搜索状态进行评估，找出一个最有希望的节点来扩展。

局部搜索算法：从单独的一个当前状态出发，只移动到相邻状态，找目标状态，通常不保留搜索路径。

爬山法搜索：根据一个目标函数，找寻目前邻居中状态最好的一个（最陡上升）。（贪婪局部

. 2

.

搜索）

模拟退火搜索：先高温烧热，再慢慢降温。当“温度”T降低得足够慢，能找到全局最优解的概率逼近1。

局部剪枝搜索：按一定概率随机地从后续集合中选择k个后续，若出现目标状态则停止，否则再从所有后续中选择k个最佳后续，重复这一过程。

遗传算法：基于进化过程中的信息遗传机制和优胜劣汰的自然选择原则的搜索算法。

4.什么是启发式、启发式函数、可采纳的启发式、一致的启发式、启发式搜索？PPT方法一：对h加以限制。

评价函数 f(n) = g(n) + h(n)

g(n): 从初始状态s到状态n的实际耗散值。

h(n): 启发函数，从状态n到目标的最短路径的估计耗散值 f(n):从s经过n到目标的最短路径估计耗散值

5.简述A*算法，证明其最优性。

.

3