人工智能导论113条简答与名词解释：五条主线速通核心考点

简介：面向软件工程等专业修读人工智能导论课程的学生，这份整理聚焦教材第五版中的简答题与名词解释，可用于期末复习、课堂笔记补充和概念自查。内容围绕逻辑思维、形象思维与顿悟思维的差异，符号表示法和连接机制表示法，机器学习的学习机理、方法与学习系统组成，模式识别、人工神经网络，以及知识不确定性、一阶谓词逻辑、产生式系统的基本结构和工作过程、框架表示法、知识图谱的逻辑结构与构建过程等高频考点展开，按问答形式归纳关键定义与答题要点。包内共1个PDF文件，压缩包约2.65MB，篇幅集中、便于打印或平板标注，适合快速检索和背诵。已有1021人学习，可作为梳理人工智能基础概念、查漏补缺的轻量复习材料。

1. 113 条考点压成五条主线：先看清这份整理省了哪一步

考前一周翻开《人工智能导论》，最难受的不是没背，是背了找不到落点：简答题要写“区别”和“流程”，名词解释要一句话说准，可概念散在十几章里，逻辑思维和产生式隔了半本书，知识图谱和 BP 网络又像两门课。这份“人工智能导论简答题+名词解释整理”做的事很朴素——把 113 条按知识表示、推理、搜索、智能计算、专家系统五条线重新排了一遍，每条都按考试能直接落笔的粒度写。适合三类人：软件工程专业临考冲刺的、跨专业补基础的、面试前想快速过一遍概念边界的。它不替代教材，替代的是你从目录里一条条捞考点的时间。

2. 知识表示的两条路线：三类思维、符号与连接、产生式与框架

2.1 三类思维：别背三段定义，背三条对照轴

逻辑思维、形象思维、顿悟思维这三个词，很多人背完定义就忘，原因是把它们当成三段独立文字在记。真正要写进简答题的是“不同”，所以得先找到能对比的轴：思维过程是串行还是并行、能不能形式化、信息不完整时结果还靠不靠得住。

按这张表答题，先写“三者差别体现在过程形态、形式化程度和信息缺失下的表现三个维度”，再逐条展开，最后补一句“顿悟思维并非独立于前两者，而是穿插其中”。这样写出来是分析，不是复述。血泪经验是：只写“逻辑思维靠逻辑、形象思维靠直觉”这种同义反复，阅卷时基本拿不到结构分。

2.2 符号表示法与连接机制：一条分界线划开后面所有内容

符号表示法的定义要抓住“符号 + 组合方式”两个要素：用包含具体含义的符号，以不同方式和顺序组合起来表示知识，一阶谓词逻辑、产生式都属于这一类。连接机制表示法则强调“物理对象以某种方式连接，在连接之间传递和加工信息”，神经网络是典型。两者的根本分界只有一句话：知识究竟存放在符号结构里，还是存放在连接权重里。

这条线一旦立住，后面所有概念都能挂上去。人工神经网络是“大量简单处理单元经广泛连接组成的人工网络，用来模拟大脑神经系统的结构和功能”，它站在连接派这一侧；产生式、框架、知识图谱站在符号派这一侧。机器思维是对通过感知得来的外部信息和机器内部工作信息进行有目的的处理，它不偏向任何一派，是两派都要实现的目标。模式识别则是研究对象描述和分类方法的学科，分析和识别的模式可以是信号、图像或者普通数据。

机器学习这条线要单独记结构，因为简答题常问“机器学习主要研究哪三方面问题”：学习机理（人类获取知识、技能和抽象概念的天赋能力）、学习方法（在对生物学习机理简化的基础上用计算方法再现）、学习系统。学习系统的组成是四个基本部分——环境、学习、知识库、执行与评价。这里有个容易翻车的细节：不少人把“执行”和“评价”拆成两块，写成五个部分。原文的写法是“环境、学习、知识库、执行与评价等四个基本部分”，答题时按四块写，把执行与评价合并成一块更稳。

2.3 知识、知识表示与四个不确定性来源

知识的定义落在“长期生活、社会实践、科学研究及实验中积累起来的对客观世界的认识与经验”。知识表示则是把人类知识形式化或者模型化，是对知识的一种描述，或者说是一组约定，一种计算机可以接受的用于描述知识的数据结构。这两句要能一口气写出来，因为很多简答题的第一句就是它们。

知识的不确定性有四个来源：随机性、模糊性、经验性、不完全性。这四个词不是并列背完就完事，它们是后面四类方法的索引：随机性对应证据理论这类带概率度量味道的方法；模糊性对应模糊集合与隶属函数；经验性对应可信度 CF，因为 CF 本身就是“根据经验对一个事物或现象为真的相信程度”，带较大主观性和经验性；不完全性对应默认推理，即在知识不完全的情况下假设某些条件已经具备再往下推。把这层映射记住，遇到“为什么用 CF 而不是概率”这类追问，就不会卡住。

顺带把知识发现这条支线挂在这里。知识发现全称是从数据库中发现知识（KDD），数据挖掘（DM）是从数据库中挖掘知识，两者目的都是从数据集中抽取和精化一般规律或模式。任务是数据总结、概念描述、分类、聚类、相关性分析、偏差分析、建模；方法是统计方法、粗糙集、可视化、机器学习方法。这部分常以名词解释或填空出现，不需要展开成章节。

2.4 一阶谓词逻辑：优点四条，局限三条

一阶谓词逻辑表示法的优点：自然性、精确性、严密性、容易实现。局限性：不能表示不确定的知识、组合爆炸、效率低。这七条几乎是固定答案，但要注意“容易实现”和“效率低”不矛盾——前者指表示机制本身实现简单，后者指推理过程中的搜索空间膨胀。

答题时建议按“表示能力—推理效率—适用场景”三层收：表示能力上精确但不覆盖不确定知识；推理效率上容易组合爆炸；适用场景上适合规则明确、领域知识边界清晰的题。这样即使题目换成“为什么产生式比谓词逻辑更适合某场景”，也能顺着这三层推出来。

2.5 产生式系统：三部件与五步工作过程

产生式系统的基本结构是三件套：规则库，用于描述相应领域内知识的产生式集合；综合数据库，也叫事实库、上下文、黑板，用于存放问题求解过程中各种当前信息；控制系统，也叫推理机构，由一组程序组成，负责整个产生式系统的运行，实现对问题的求解。

工作过程五步是高频简答题，必须完整：

1. 从规则库中选择与综合数据库中的已知事实进行匹配。
2. 匹配成功的规则可能不止一条，进行冲突消解。
3. 执行某一规则时，如果右部是一个或多个结论，把这些结论加入综合数据库；如果右部是一个或多个操作，则执行这些操作。
4. 对于不确定性知识，执行每条规则时还要按一定算法计算结论的不确定性。
5. 检查综合数据库中是否包含最终结论，决定是否停止系统运行。

第 4 步和第 5 步是最容易漏的两步。很多人背成“匹配—消解—执行”三步就交卷，结果丢一半分。记法可以压缩成一句口诀：匹配、消解、执行、算不确定、判终止。第 4 步存在的意义是产生式可以表示不精确知识，第 5 步存在的意义是系统必须有终止条件，否则就是死循环。

产生式表示法的特点分两块。优点是自然性、模块性、有效性、清晰性；缺点是两个——效率不高、不能表达结构性知识。适合用产生式表示的知识有三类：领域知识间关系不密切、不存在结构关系；经验性及不确定性的知识，且相关领域中没有严格统一的理论；领域问题的求解过程可被表示为一系列相对独立的操作，且每个操作可被表示为一条或多条产生式规则。这三条其实是缺点的另一面：正因为不能表达结构性知识，它才适合那些本来就没有结构关系的领域。

产生式与谓词逻辑中蕴含式的区别，是这一节最容易被扣分的地方，答案只有两条但每条都要写透：

“如果炉温超过上限，则立即关闭风门”这个例子要记住：它是产生式，但不是蕴含式，因为右部是一个操作而不是一个逻辑结论。写简答时把这个例子带上，比空写两条定义有说服力。

2.6 框架与知识图谱：槽、侧面与两层结构

框架是描述所论对象（一个事物、事件或概念）属性的数据结构。一个框架由若干个“槽”组成，每个槽又可根据实际情况划分为若干个“侧面”。槽用于描述对象某一方面的属性，侧面用于描述相应属性的一个方面，槽值和侧面值就是这些属性被赋予的值。这个层级关系画不出来也要说清楚：框架 → 槽 → 侧面 → 值。

框架表示法的特点三条：结构性，便于表达结构性知识，能把知识的内部结构关系及知识间的联系表示出来；继承性，框架网络中下层框架可以继承上层框架的槽值，也可以进行补充和修改；自然性，与人在观察事物时的思维活动一致。继承性是框架最值钱的地方，也是常考“框架为什么适合表达层次化知识”的答案核心。

知识图谱又称科学知识图谱，用各种图形等可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系，由一些相互连接的实体及其属性构成。逻辑结构分两层：数据层主要由一系列事实组成，知识以事实为单位存储；模式层构建在数据层之上，是知识图谱的核心。构建过程有两个方向：自顶向下是先为知识图谱定义好本体与数据模式，再把实体加入知识库；自底向上是从开放链接数据中提取实体，选择置信度较高的加入知识库，再构建顶层本体模式。

三种表示法放一张表对照，复习时比翻三遍书快：

3. 推理与不确定性：从正向/逆向到 CF、证据理论与模糊集

3.1 推理的四组坐标：先分清题型再动笔

推理的定义是：人们在对各种事务进行分析、综合并做出最后决策时，通常从已知事实出发，运用已掌握的知识，找出其中蕴涵的事实，或归纳出新的事实。这个定义里“已知事实 + 知识 → 新事实”三个要素要写全。

分类不能混着背，按四组坐标分开：

“启发性知识”单独记一句：与问题有关且能加快推理过程、提高搜索效率的知识。它和后面启发式搜索里的“启发信息”是一对，前者偏知识层面，后者偏搜索控制层面，答题时别互换。

正向推理的流程是已知事实 → 结论，三步：从初始已知事实出发，在知识库 KB 中找出当前可适用的知识，构成可适用知识集 KS；按某种冲突消解策略从 KS 中选出一条知识推理，把推出的新事实加入数据库 DB 作为下一步的已知事实，再在 KB 中选取可适用知识构成 KS；重复第二步，直到求得问题的解或 KB 中再无可适用的知识。

逆向推理是目标驱动，以某个假设目标为出发点：选定一个假设目标，寻找支持该假设的证据，若所需证据都能找到则原假设成立；若无论如何都找不到所需证据，说明原假设不成立，需要另作新假设。优点是没必要使用与目标无关的知识，目的性强，也利于向用户提供解释；缺点是起始目标的选择有盲目性。这一优一缺经常被拆成两道题问，答题时把“目的性强”和“起始目标盲目”当成一对矛盾记住。

混合推理有两种走法：先正向后逆向，先正向推理帮助选择某个目标，从已知事实演绎出部分结果，再用逆向推理证实该目标或提高其可信度；先逆向后正向，先假设一个目标逆向推理，再利用逆向推理中得到的信息正向推理，推出更多结论。

冲突消解策略四条：按针对性排序、按已知事实的新鲜性排序、按匹配度排序、按条件个数排序。这四条要能和产生式工作过程第 2 步对上号，否则容易被追问“冲突消解发生在哪一步”时答错位置。

3.2 归结反演：子句集九步，第四步最容易错

谓词公式化为子句集的九步是：消去谓词公式中的“→”和“↔”符号；把否定符号移到紧靠谓词的位置上；变量标准化；消去存在量词；化为前束形，前束形 =（前缀）{母式}；化为 Skolem 标准形；略去全称量词；消去合取词；子句变量标准化。

这九步里第四步和第六步最容易翻车。消去存在量词时，如果存在量词在全称量词的作用域内，要用 Skolem 函数（以全称量词的变量为参数）替换；如果不在任何全称量词作用域内，才用 Skolem 常量替换。很多人一律写常量，遇到嵌套量词就错。第六步 Skolem 标准形要求母式是合取形式，这一步和第 8 步“消去合取词”是配套的，前者把母式变成全是“与”，后者再把“与”拆成独立子句。

顺带提一句，原文里“推结反演”是“归结反演”的 OCR 识别问题，两处都出现同样的写法，说明是扫描件识别的系统性错误。复习时以“归结反演”为准，别把这个错字一起背进去。

3.3 可信度 CF：静态强度、动态强度与三段合成

可信度是根据经验对一个事物或现象为真的相信程度，带有较大主观性和经验性，准确性难以把握。这句话本身就是一个名词解释的完整答案，最后半句不能省，它解释了为什么 CF 后来会被更严格的方法补充。

两个强度要分清：静态强度 CF(H, E) 是知识的强度，即当 E 所对应的证据为真时对 H 的影响程度；动态强度 CF(E) 是证据 E 当前的不确定性程度。一个描述规则，一个描述事实，方向不同。

合成公式分三段，同号异号处理方式不同：

def combine_cf(cf1, cf2): """按可信度合成公式合并两个 CF 值 cf1 / cf2: 两条证据或两条规则推出的可信度，取值 [-1, 1] 返回值: 合成后的可信度 """ if cf1 >= 0 and cf2 >= 0: # 同为正：相加再减去乘积 return cf1 + cf2 - cf1 * cf2 if cf1 < 0 and cf2 < 0: # 同为负：相加再加上乘积 return cf1 + cf2 + cf1 * cf2 # 异号：和除以 (1 - 较小绝对值) return (cf1 + cf2) / (1 - min(abs(cf1), abs(cf2))) # 验算：0.6 与 0.4 同正 print(combine_cf(0.6, 0.4)) # 0.76 # 验算：-0.6 与 -0.4 同负 print(combine_cf(-0.6, -0.4)) # -0.76 # 验算：0.8 与 -0.4 异号 print(combine_cf(0.8, -0.4)) # 0.666...

这段代码的作用不是让你考试时写程序，而是把公式的三种分支固定在手指记忆里。参数说明：输入两个 CF 值都必须在 [-1, 1] 区间，超出区间说明前面某一步算错了；同负分支里用的是“加乘积”而不是“减乘积”，这是最常写错的地方，因为正负号容易被直觉带偏。原文的公式区在扫描时丢了负号，只剩“缺少的是‘-’”这句批注，正好对应同负分支，抄笔记时如果照着缺失的公式背，考场上一定翻车。

3.4 证据理论与模糊集：信任、似然、隶属度与清晰化

证据理论这条线，先记样本空间：设 D 是变量 x 所有可能取值的集合，且 D 中元素互斥，任一时刻 x 都取且只能取 D 中某一个元素为值，则称 D 为 x 的样本空间。然后是基本概率分配函数 m，满足 m(∅)=0 且所有子集的 m 之和为 1。信任函数 Bel(A) 是对 A 的所有子集的基本概率分配求和；似然函数 Pl(A) = 1 - Bel(¬A)，表示不否定 A 的程度。两者关系是 Bel(A) ≤ Pl(A)，这个不等号方向不能反。

证据理论的不确定性推理步骤四步：建立问题的样本空间 D；由经验给出，或者由随机性规则和事实的信度度量求得基本概率分配函数；计算所关心子集的信任函数值、似然函数值；由信任函数值、似然函数值得出结论。这四步是流程题的标准骨架，答题时每一步后面补一句“这一步在算什么”，比只写四个短语扎实。

模糊集合这块，核心是隶属度：模糊逻辑给集合中每一个元素赋予一个介于 0 和 1 之间的实数，描述其属于一个集合的强度，该实数称为元素属于一个集合的隶属度；集合中所有元素的隶属度全体构成隶属函数。表示方法三种：Zadeh 表示法、序偶表示法、向量表示法。隶属函数确定方法四种：模糊统计法、专家经验法、二元对比排序法、基本概念扩充法。

模糊推理的思路是：从条件论域到结论论域的模糊关系矩阵 R，通过条件模糊向量与模糊关系 R 的合成进行模糊推理，得到结论的模糊向量，再用“清晰化”方法把模糊结论转换为精确量。清晰化也叫模糊决策、模糊判决、解模糊，方法三种：最大隶属度法、加权平均判决法、中位数法。三种方法的适用差异可以用一句话区分：最大隶属度法取峰值、最直接但对多峰不敏感；加权平均法把隶属度当权重做重心计算、结果平滑；中位数法取累积隶属度一半处、对极端值不敏感。

4. 搜索与智能优化：状态空间、A*、遗传算法与粒子群的分层记法

4.1 状态空间与搜索四问：先问清楚再选算法

状态空间是利用状态变量和操作符号表示系统或问题有关知识的符号体系，通常写成一个四元组。不同教材对四个分量的命名和顺序略有差异，常见写法是状态集、操作算子集、初始状态集、目标状态集，答题时按自己教材的写法来，不要自创符号。

搜索需要解决的基本问题有四个：是否一定能找到一个解；找到的解是否是最佳解；时间与空间复杂性如何；是否终止运行或是否会陷入死循环。这四个问题其实是选算法的判据——先确定要不要最优解，再决定用不用启发式，最后才看复杂度。

搜索方向三种。数据驱动是从初始状态出发的正向搜索，从问题给出的条件出发；目的驱动是从目的状态出发的逆向搜索，从想达到的目的入手，看哪些操作算子能产生该目的，以及应用这些操作算子产生目的时需要哪些条件；双向搜索是两头同时开工，直到两条路径在中间某处汇合。

盲目搜索与启发式搜索的分界要写准：盲目搜索是在不具有对特定问题的任何有关信息的条件下，按固定步骤（依次或随机调用操作算子）进行的搜索；启发式搜索是考虑特定问题领域可应用的知识，动态确定调用操作算子的步骤，优先选择较适合的操作算子，尽量减少不必要的搜索，以求尽快到达结束状态。关键词是“动态确定”和“优先选择”，这两个词丢了，答案就退化成“聪明的搜索”这种废话。

4.2 回溯搜索：PS、NPS、NSS 三张表各管什么

回溯搜索用三张表把“能回退、不重搜、不死循环”三件事分开处理。PS（path states）保存当前搜索路径上的状态，如果找到了目的，PS 就是解路径上的状态有序集；NPS（new path states）是新的路径状态表，包含等待搜索的状态，其后裔状态还未被搜索到，即未被生成扩展；NSS（no solvable states）是不可解状态集，列出找不到解题路径的状态，如果搜索中扩展出的状态是它的元素，可立即排除，不必沿该状态继续搜索。

回溯思想四条：用未处理状态表 NPS 使算法能返回（回溯）到其中任一状态；用“死胡同”状态表 NSS 避免算法重新搜索无解的路径；在 PS 表中记录当前搜索路径的状态，满足目的时将它作为结果返回；为避免陷入死循环，必须对新生成的子状态进行检查，看它是否在这三张表中。

这三张表的分工可以这样理解：PS 管“我是怎么走到这儿的”，NPS 管“我还能往哪儿走”，NSS 管“这条路我试过，走不通”。简答题如果只写三张表的定义不写分工，通常只能拿一半分。

4.3 宽度优先与深度优先：一张表记住代价

宽度优先搜索（breadth-first search，广度优先搜索）以接近起始节点的程度（深度）为依据，进行逐层扩展的节点搜索方法。深度优先搜索（Depth-first Search）首先扩展最新产生的节点，深度相等的节点按生成次序的盲目搜索。

这两者的取舍本质上是“空间换完备”还是“时间换空间”。考试里如果题目强调“内存受限”，答案方向就是深度优先；强调“必须找到最短步数解”，答案方向就是宽度优先。

4.4 启发式搜索与 A*：h(n) 的三个性质

启发信息是在具体求解中能够利用与该问题有关的信息来简化搜索过程，此类信息称为启发信息。启发式图搜索策略的特点是重排 OPEN 表，选择最有希望的节点加以扩展。运用启发式策略有两种基本情况：一个问题由于问题陈述和数据获取的模糊性，可能使它没有一个确定的解；一个问题可能有确定解，但状态空间特别大，搜索中生成扩展的状态数会随搜索深度呈指数级增长。

启发式信息按运用方法分三类：陈述性启发信息用于更准确、更精炼地描述状态；过程性启发信息用于构造操作算子；控制性启发信息表示控制策略的知识。按作用分三类：用于扩展节点的选择，决定先扩展哪一个节点；用于生成节点的选择，决定要生成哪些后继节点；用于删除节点的选择，决定删除哪些无用节点。这六类容易混，记法是“方法三类看信息本身是什么，作用三类看信息用在搜索的哪个动作上”。

估计函数 h(n) 的比重大小是一道经典判断题：h(n) 比重大，降低搜索工作量，但可能导致找不到最优解；h(n) 比重小，一般导致工作量加大，极限情况下变为盲目搜索，但可能可以找到最优解。这句话要能正着说也能反着推。

A* 的三个性质要分清。可采纳性：当一个搜索算法在最短路径存在时能保证找到它，就称该算法是可采纳的。单调性：保证沿路径的 f 值不下降，扩展过的节点不会被重新扩展。信息性：在两个 A* 启发策略 h1 和 h2 中，如果对搜索空间中的任一状态 n 都有 h1(n) ≤ h2(n)，就称策略 h2 比 h1 具有更多信息性。h(n) 越大，A* 搜索的信息性越多，所搜索的状态越少，但更多信息性需要更多计算时间，可能抵消减少搜索空间带来的益处。

一句话结论要背牢：如果某一问题有解，那么利用 A* 搜索算法对该问题进行搜索一定能搜索到解，并且一定能搜索到最优解而结束——这个结论成立的前提是 h(n) 满足可采纳性，答题时把前提补上，否则容易被追问答错。

4.5 遗传算法：编码、选择、交叉变异与自适应

遗传算法是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法，非常适用于处理传统搜索方法难以解决的复杂和非线性优化问题。基本思想是在求解问题时从多个解开始，然后通过一定法则逐步迭代产生新的解。注意“从多个解开始”这一点，它和单点搜索的爬山法形成对照，也是“群体搜索、易于并行化”这个特点的来源。

一维染色体编码方法是将问题空间的参数编码为一维排列的染色体。二进制编码是用若干二进制数表示一个个体，将原问题的解空间映射到位串空间 B={0,1} 上，再在位串空间上进行遗传操作。优点是类似于生物染色体的组成，算法易于用生物遗传理论解释，遗传操作如交叉、变异等易实现，算法处理的模式数最多；缺点是相邻整数的二进制编码可能具有较大的 Hamming 距离，降低遗传算子的搜索效率，要先给出求解精度，求解高维优化问题时二进制编码串长、搜索效率低。

遗传算法的特点要按“对问题的要求—搜索方式—信息使用—并行性”四条写：对所求解的优化问题没有太多数学要求，由于进化特性，搜索过程中不需要问题的内在性质，可直接对结构对象进行操作；利用随机技术指导对一个被编码的参数空间进行高效率搜索；采用群体搜索策略，易于并行化；仅用适应度函数值来评估个体，并在此基础上进行遗传操作，使种群中个体之间进行信息交换；能够非常有效地进行概率意义的全局搜索。

选择这一块有两层，别混。个体选择概率分配方法：蒙特卡罗法、排序方法（线性、非线性）。选择个体方法：转盘赌选择、锦标赛选择方法、最佳个体保存方法。前者算“每个个体被选中的概率怎么定”，后者算“按这个概率怎么真正挑出来”。

自适应遗传算法记一句就够：当种群各个体适应度趋于一致或者趋于局部最优时，使交叉概率 Pc 和变异概率 Pm 增加，以跳出局部最优；当群体适应度比较分散时，使 Pc 和 Pm 减少，以利于优良个体的生存。核心逻辑是“拥挤时加大扰动，分散时减小扰动”。

4.6 粒子群：两个极值与六步流程

群智能算法是受动物群体智能启发的算法，群体智能是由简单个体组成的群落与环境以及个体之间的互动行为。粒子群算法的基本思想：将每个个体看作 n 维搜索空间中一个没有体积质量的粒子，在搜索空间中以一定速度飞行，该速度决定粒子飞行的方向和距离，所有粒子有一个由优化函数决定的适应值。

基本原理要抓住两个极值：PSO 初始化为一群随机粒子，然后通过迭代找到最优解；每次迭代中，粒子通过跟踪两个极值更新自己，第一个是粒子本身所找到的最优解，称为个体极值；另一个是整个种群目前找到的最优解，称为全局极值。

流程六步：初始化每个粒子，在允许范围内随机设置初始位置和速度；评价每个粒子的适应度，计算目标函数；设置每个粒子的 Pi，将其适应度与它经历过的最好位置比较，优于则作为该粒子的最好位置 Pi；设置全局最优值 Pg，将适应度与群体经历过的最好位置 Pg 比较，优于则作为当前群体最好位置 Pg；更新粒子的速度和位置；检查终止条件，未达到设定条件（预设误差或迭代次数）则返回第二步。

遗传算法与粒子群的差别可以用一张小表收：

5. 常见问题排查：五个「背了但写不出」的坑

5.1 概念边界类：三个最容易糊在一起的对照

坑一：把产生式和蕴含式写成同一个东西。

现象：简答题问“产生式与谓词逻辑中的蕴含式有何区别”，答成“产生式就是蕴含式的一种”，或者只写“产生式能表示规则”。

原因：只记住了两者的书写形式都像“如果……则……”，没记住能力边界。蕴含式的右部只能是逻辑结论，匹配必须精确；产生式的右部可以是操作、规则、变换、算子、函数，匹配可以是不精确的，只要相似度落在预先指定范围内就认为可匹配。

解决：用“炉温超过上限，则立即关闭风门”这个例子做锚点——右部是“关闭风门”这个操作，所以它是产生式不是蕴含式。答题时先写这一条，再补“能否表示不精确知识”这条，两条区别就齐了。

坑二：把不确定性推理和模糊推理当成同义词。

现象：题目问“不确定性推理有哪些方法”，答案里只写模糊推理，或者把 CF 说成“模糊可信度”。

原因：日常语境里“不确定”和“模糊”混用，但教材里是两条线。可信度 CF 处理的是经验性带来的不确定性，度量的是“根据经验对某个结论为真的相信程度”；证据理论处理随机性，靠基本概率分配、信任函数和似然函数；模糊集处理模糊性，靠隶属度和隶属函数，元素可以“部分属于”一个集合。

解决：把知识不确定性的四个来源和三类方法做成一张对照卡——随机性对证据理论，模糊性对模糊集，经验性对 CF，不完全性对默认推理。考场上先判断题目描述的是哪类不确定性，再选方法，不要一看到“不确定”就写模糊。

坑三：单调推理与非单调推理说反。

现象：把非单调推理解释成“结论越来越少”，或者把单调推理解释成“结论永远正确”。

原因：只记了字面，没记判别标准。单调推理的关键是随着推理推进和新知识加入，推出的结论越来越接近最终目标；非单调推理的关键是新知识加入后不但没有加强已推出的结论，反而要否定它，使推理退回到前面某一步重新开始。

解决：记一句判别句——“新知识会不会打脸旧结论”。会打脸、要回退重来的是非单调；不会打脸、一路逼近目标的是单调。默认推理是典型的非单调推理，因为它建立在“假设某些条件已具备”之上，一旦假设被推翻，结论

本文还有配套的精品资源，点击获取