AI 人工智能基础知识
由一般性知识推出适合于某一具体情况的结论的推理是？ 演绎推理
P→QQ→R=>P→R 该永真蕴含式属于（ 假言三段论）
谓词逻辑下，子句,C1=L∨C1’,C2=¬L∨C2’,若σ是互补文字的最一般合一代换，则其归结式C=（ C1’σ∨C2’σ ）
C1’σ∨C2’σC1’∨C2’C1’σ∧C2’σC1’∧C2’若C1=P(x) ∨Q(x)，C2=┐P(a)∨R(y)，则C1和C2的归结式R（C1，C2）=( Q(a)∨R(y) )
在公式中"y$xp(x,y))，存在量词是在全称量词的辖域内，我们允许所存在的x可能依赖于y值。令这种依赖关系明显地由函数所定义，把每个y值映射到存在的那个x。这种函数叫做（ Skolem函数 ）
依赖函数Skolem函数决定函数多元函数以下属于不合法代换的有( ab )
{f(a)/b}{x/y,f(y)/x}{a/y,f(y)/x}{f(x)/y,x/z}以下推理错误的是（ cd）
P,P→Q=>Q┓Q,P→Q=>┓PQ,P→Q=>P┓P,P→Q=>┓Q产生式系统的推理包括（ abcd ）
正向推理逆向推理先正向推理，再逆向推理先逆向推理，再正向推理复合代换满足交换律。错误
产生式系统推理过程中，如果出现多个产生式规则匹配成功，我们称之为发生了( )，要进行( )才能够继续进行推理。冲突冲突消解
从足够多的事例中总结出一般性结论的推理是（归纳 ）推理
框架是一种结构化的知识表示方法
编译原理中的文法属于生产式
假设我们定义了以下谓词：Study(x)x肯学习Lucky(x)x是幸运的那么下列哪个谓词公式对于以下知识的表示是正确的？"张不肯学习但他是幸运的"
﹁Study(zhang)∧Lucky(zhang)
把一组产生式放在一起，让他们互相配合，协同作用，一个产生式生成的结论可以供另一个产生式作为已知事实使用，以求得问题的解，这样的系统称为产生式系统。一般来说，一个产生式系统由( )组成。
规则库综合数据库推理机
论域是由所讨论对象的全体构成的非空集合。正确
A算法中启发式函数应满足以下约束条件（ ）。Ah(n)≤h(n)
Ah(n)≤h*(n)
Bh(n)≥h*(n)
Ch(n)＝h*(n)
Dh(n)≠h*(n)
下图是一棵与/或树，按最大代价法计算图中节点S0的代价h(S0)=( 6 ) 。
设有如图所示的与/或树，请按和代价法计算解树代价。21
计算和代价和最大代价的方法：
在估计函数f(x)=g(x)+h(x)中，其中启发式函数h(x)表示从当前节点到目标节点的代价的估计
在估计函数f(x)=g(x)+h(x)中，其中代价函数g(x)表示从初始节点到当前节点的代价
如果问题存在最优解，则下面几种搜索算法中，（ 宽度优先搜索 ）必然可以得到该最优解。
状态空间表示法中，问题的解是从初始状态到目标状态所使用算符的序列
与或树的盲目搜索包括A自顶向下的扩展D自底向上的标识
问题归约的方式包括B分解C等价变换
常用的盲目搜索策略有A回溯B宽度优先C深度优先
状态空间表示法的基础是定义A状态C算符
终止节点一定是端节点，端节点不一定是终止节点。正确
全局择优搜索的效率比较宽度优先搜索的效率高。错误
在极大极小分析法中，对于或节点，选其子节点中一个最小的得分作为父节点的得分。错误
在深度优先搜索算法中，OPEN表的数据结构实际是一个把初始节点S0放入OPEN表,并建立只含S0的图,记为G
在宽度优先搜索算法中，OPEN表的数据结构实际是一个保存了所有已生成而未考察的节点，保存了所有已生成而未考察的节点，状态空间的一般搜索过程，把初始节点S0放入OPEN表,并建立只含S0的图,记为G
比如：
•Open表(深度优先搜索)
初始（1）
1（2,3,4,5）
2(6,7,3,4,5)
3(8,7,3,4,5)
4(9,10,7,3,4,5)
5(11,10,7,3,4,5)
6(12,13,10,7,3,4,5)
7(14,15,16,13,10,7,3,4,5)
8(17,18,15,16,13,10,7,3,4,5)
9(19,18,15,16,13,10,7,3,4,5)
……
…….对于上图的空间状态我们列出所有可能的open表：
Open表的变化(宽度优先搜索） 初始 (1)
1 (2,3,4,5)
2 (3,4,5,6,7)
宽度优先搜索改进：
Open表的变化(改进的宽度优先搜索）
初始 (1)
1 (2,3,4,5)
2 (3,4,5,6,7)
3 (4,5,6,7,8,9)
MYCIN系统中使用不确定推理，规则E→H由专家指定其可信度CF（H，E），若E不支持结论H为真，那么可以得到以下结论？CF（H，E）