计算机人工智能论文(4)

1、研究方向

1.1问题求解

人工智能的第一个大成就是发展了能够求解难题的下棋(如国际象棋)程序。在下棋程序中应用的某些技术，如向前看几步，并把困难的问题分成一些比较容易的子问题，发展成为搜索和问题归约这样的人工智能基本技术。今天的计算机程序能够下锦标赛水平的各种方盘棋、十五子棋和国际象棋。另一种问题求解程序把各种数学公式符号汇编在一起，其性能达到很高的水平，并正在为许多科学家和工程师所应用。有些程序甚至还能够用经验来改善其性能。 1.2逻辑推理与定理证明逻辑推理是人工智能研究中最持久的子领域之一。其中特别重要的是要找到一些方法，只把 注意力集中在一个大型数据库中的有关事实上，留意可信的证明，并在出现新信息时适时修正这些证明。对数学中臆测的定理寻找一个证明或反证，确实称得上是一项智能任务。为此不仅需要有根据假设进行演绎的能力，而且需要某些直觉技巧。

1976年7月，美国的阿佩尔(K.Appel)等人合作解决了长达124年之久的难题--四色定理。他们用三台大型计算机，花去1200小时CPU时间，并对中间结果进行人为反复修改500多处。四色定理的成功证明曾轰动计算机界。

1.3自然语言理解

NLP(Natural Language Processing)自然语言处理也是人工智能的早期研究领域之一，已经编写出能够从内部数据库回答用英语提出的问题的程序，这些程序通过阅读文本材料和建立内部数据库，能够把句子从一种语言翻译为另一种语言，执行用英语给出的指令和获取知识等。有些程序甚至能够在一定程度上翻译从话筒输入的口头指令(而不是从键盘打入计算机的指令)。目前语言处理研究的主要课题是：在翻译句子时，以主题和对话情况为基础，注意大量的一般常识--世界知识和期望作用的重要性。

人工智能在语言翻译与语音理解程序方面已经取得的成就，发展为人类自然语言处理的新概念。

1.4自动程序设计

也许程序设计并不是人类知识的一个十分重要的方面，但是它本身却是人工智能的一个重要研究领域。这个领域的工作叫做自动程序设计。已经研制出能够以各种不同的目的描述(例如输入/输出对，高级语言描述，甚至英语描述算法)来编写计算机程序。这方面的进展局限于少数几个完全现成的例子。对自动程序设计的研究不仅可以促进半自动软件开发系统的发展，而且也使通过修正自身数码进行学习(即修正它们的性能)的人工智能系统得到发展。自动编制一份程序来获得某种指定结果的任务同证明一份给定程序将获得某种指定结果的任务是紧密相关的。后者叫做程序验证。许多自动程序设计系统将产生一份输出程序的验证作为额外收获。

1.5专家系统

一般地说，专家系统是一个智能计算机程序系统，其内部具有大量专家水平的某个领域知识与经验，能够利用人类专家的知识和解决问题的方法来解决该领域的问题。也就是说，专家系统是一个具有大量专门知识与经验的程序系统，它应用人工智能技术，根据某个领域一个或多个人类专家提供的知识和经验进行推理和判断，模拟人类专家的决策过程，以解决那些需要专家决定的复杂问题。当前的研究涉及有关专家系统设计的各种问题。这些系统是在某个领域的专家(他可能无法明确表达他的全部知识)与系统设计者之间经过艰苦的反复交换意见之后建立起来的。在已经建立的专家咨询系统中，有能够诊断疾病的(包括中医诊断智能机)，估计潜在石油等矿藏的，研究复杂有机化合物结构的以及提供使用其它计算机系统的参考意见等。发展专家系统的关键是表达和运用专家知识，即来自人类专家的并已被证明对解决有关领域内的典型问题是有用的事实和过程。专家系统和传统的计算机程序最本质的不同之处在于专家系统所要解决的问题一般没有算法解，并且经常要在不完全、不精确或不确定的信息基础上作出

结论。

专家系统可以解决的问题一般包括解释、预测、诊断、设计、规划、监视、修理、指导和控制等。高性能的专家系统也已经从学术研究开始进入实际应用研究。随着人工智能整体水平的提高，专家系统也获得发展。正在开发的新一代专家系统有分布式专家系统和协同式专家系统等。在新一代专家系统中，不但采用基于规则的方法，而且采用基于模型的原理。

1.6机器学习

学习能力无疑是人工智能研究上最突出和最重要的一个方面。人工智能在这方面的研究近年来取得了一些进展。学习是人类智能的主要标志和获得知识的基本手段。机器学习(自动获取新的事实及新的推理算法)是使计算机具有智能的根本途径。正如香克(R. Shank)所说："一台计算机若不会学习，就不能称为具有智能的。"此外，机器学习还有助于发现人类学习的机理和揭示人脑的奥秘。所以这是一个始终得到重视，理论正在创立，方法日臻完善，但远未达到理想境地的研究领域。

2、人工智能的研究领域

2．1智能搜索

智能搜索在人工智能中应用很广泛，它能解决人们现实生活中的很多问题，与人们的生活息息相关，例如：八方块问题、博弈问题等。大体上来说，搜索分为两种，一种是非启发式的搜索，另一种是启发式搜索。非启发式的搜索可以分为广度优先搜索、深度优先搜索、有界深度优先搜索、代价树的宽度优先搜索、代价树的深度度优先搜索。在非启发式的搜索过程中不改变搜索策略，不利用搜索获得的中间信息，它盲目性大，效率差，用于小型问题还可以，用于大型问题根本不可能；而启发式搜索在搜索过程中加入了与问题有关的启发性信息，用以指导搜索向着一个比较小的范围内进行，加速获得结果的过程。总的说来，非启发式搜索随着搜索的进行，需要搜索的空间很快加大。启发式搜索过程中，随着搜索的进行，需要搜索的空间有所增加，但增加的幅度远远小于非启发式搜索。 启发式搜索法的基本思想是在搜索路径的控制信息中增加关于被解问题的某些特征，用于指导搜索向最有希望到达目标结点的方向前进。启发式搜索可以分为局部择优搜索、

全局择优搜索、有序搜索、A*算法等。

在搜索过程中，关键的一步是如何确定下一个要考察的节点，确定的方法不同就形成了不同的搜索策略。如果在确定节点时能充分利用与问题求解有关的控制信息，估计出节点的重要性，就能在搜索时选择重要性较高的节点，以利于求得最优解。像这样可用于指导搜索过程，且与具体问题求解有关的控制性信息称为启发性信息。

2．2人工神经网络技术 …… 此处隐藏：1127字，全部文档内容请下载后查看。喜欢就下载吧 ……