附錄Ａ 計算機科學與技術學科綜合考試人工智能真題
１９９９年計算機科學與技術學科綜合考試真題
課程Ⅳ 人工智能原理
一、選擇題（共４分）
人工智能作為一門學科，在（ ）年誕生于（ ）。ＬＩＳＰ語言是（ ）年提出的，ＭＹＣＩＮ的誕生地
是（ ）。
第１、３空格候選答案：
（Ａ）１８７０ （Ｂ）１８７６ （Ｃ）１８８０ （Ｄ）１８８６ （Ｅ）１８９０ （Ｆ）１８９５ （Ｇ）１９３５
（Ｈ）１９４０ （Ｉ）１９４６ （Ｊ）１９５０ （Ｋ）１９５６ （Ｌ）１９６０（Ｍ）１９７０（Ｎ）１９８０
第２、４空格候選答案：
（１）Ｄｏｖｅｒ （２）ＬａｓＶｅｇａ （３）ＲｉｃｅＵｎｉｖｅｒｓｉｔｙ
（４）ＮｅｗＹｏｒｋ （５）Ｈｏｕｓｔｏｎ （６）Ｃｈｉｃａｇｏ
（７）Ｂｏｓｔｏｎ （８）Ｌｏｎｄｏｎ （９）Ｄａｒｔｍｏｕｔｈ
（１０）Ｓｅａｒｔｉｅ （１１）ＨａｒｖａｒｄＵｎｉｖｅｒｓｉｔｙ （１２）ＯｘｆｏｒｄＵｎｉｖｅｒｓｉｔｙ
（１３）ＵｎｉｖｅｒｓｉｔｙｏｆＣａｍｏｒｉｄｇｅ （１４）Ｂｉｒｍｉｎｇｈａｍ （１５）ＪｏｈｎｓＨｏｐｋｉｎｓＵｎｉｖｅｒｓｉｔｙ
（１６）Ｐｅｎｎｓｙｌｖａｎｉａ （１７）ＲＡＮＤ （１８）ＩＢＭ
（１９）ＳａｎＪｏｓｅ （２０）ＦｒａｎｋｌｉｎａｎｄＭａｒｓｈａｌｌＣｏｌｌｅｇｅ （２１）Ｐｈｉｌａｄｅｌｐｈｉａ
（２２）Ｄｅｎｖｅｒ （２３）Ｍｏｎｔｒｅａｌ （２４）Ｂｅｒｋｅｌｅｙ
（２５）ＣａｒｎｅｇｉｅＭｅｌｏｎＵｎｉｖｅｒｓｉｔｙ （２６）Ｍｉｃｈｉｇａｎ （２７）ＭＩＴｓ
（２８）ＫａｎｓａｓＣｉｔｙ （２９）Ｐｒｏｖｉｄｅｎｃｅ （３０）ＳｔａｎｆｏｒｄＵｎｉｖｅｒｓｉｔｙ
二、填空題（共１０分）
１．近年來，對人類智能的理解上形成了兩種不同的觀點，一種觀點稱做（ ）主義，另一種觀
點，即（ ）的觀點，稱做（ ）主義。
２．常用的知識表示方法有邏輯表示法、（ ）、（ ）、（ ）、（ ）
等。
３．下圖為Ｓｉｍｏｎ提出的學習模型，請填充空白框。
三、（５分）將下式化為不含量詞的子句
～ｘｙｚｕＰ（ｘ，ｙ，ｚ，ｕ）
五、（１０分）已知：規則可信度
Ａ→Ｘ ＣＦ（Ｘ，Ａ）＝０．８
Ｂ→Ｘ ＣＦ（Ｘ，Ｂ）＝０．６
Ｃ→Ｘ ＣＦ（Ｘ，Ｃ）＝０．４
Ｘ∧Ｄ→Ｙ ＣＦ（Ｙ，Ｘ∧Ｄ）＝０．３
證據可信度ＣＦ（Ａ）＝ＣＦ（Ｂ）＝ＣＦ（Ｃ）＝ＣＦ（Ｄ）＝０．５。
Ｘ、Ｙ的初始可信度ＣＦ0（Ｘ）＝０．１；ＣＦ0（Ｙ）＝０．２。
要求用ＭＹＣＩＮ的方法計算：
１．結論Ｘ的可信度ＣＦ（Ｘ）；
２．結論Ｙ的可信度ＣＦ（Ｙ）。
２０００年計算機科學與技術學科綜合考試真題
課程Ⅳ 人工智能原理
一、選擇與填空（共１０分，每空０．５分）
１．命題邏輯下，可以歸結（消解、ｒｅｓｏｌｕｔｉｏｎ）的子句Ｃ１和Ｃ２，在某解釋下Ｃ１和Ｃ２為真。則其歸結式
（消解式、ｒｅｓｏｌｖｅｎｔ）Ｃ在該解釋下（ ）。
Ａ．必真 Ｂ．必假 Ｃ．真假不能斷言
２．表達式Ｇ是不可滿足的，當且僅當對所有的解釋（ ）。
Ａ．Ｇ為真 Ｂ．Ｇ為假 Ｃ．Ｇ為非永真（ｉｎｖａｌｉｄ）
３．ＭＹＣＩＮ系統中規定，證據Ａ的可信度ＣＦ（Ａ）的取值為（ ）。
Ａ．ＣＦ（Ａ）＞０ Ｂ．０≤ＣＦ（Ａ）≤１ Ｃ．－１≤ＣＦ（Ａ）≤１
４．主觀Ｂａｙｅｓ推理中，規定似然比（Ｌｉｋｅｌｉｈｏｏｄ）ＬＳ和ＬＮ應（ ）。
Ａ．≥０ Ｂ．≤０ Ｃ．＞０
５．在誕生初期，人工智能被定義為這樣一個計算機科學的分支：它是研究（ ）。人工智能程
序與通常意義下的程序比較它具有以下四個特點：（ ），（ ），（ ），（ ）。
６．用反演（ｒｅｆｕｔａｔｉｏｎ）歸結證明定理，證明過程是這樣結束的。若（ ），則定理得證；若（ ），
則證明失敗。
７．在語義網絡中，為了進行節點（結點，ｎｏｄｅ）間節點屬性的繼承推理，規定了兩個約定俗成的鏈（弧，
ａｒｃ），命名為（ ）和（ ），用來標明類與子類、類與個體之間的關系。
８．產生式規則與蘊涵規則的區別在于：產生式規則（ ），而蘊涵規則（ ）。
９．ＭＹＣＩＮ推理中，對證據的可信度ＣＦ（Ａ）、ＣＦ（Ａ１）和ＣＦ（Ａ２）之間，規定如下關系：ＣＦ（～Ａ）＝
（ ），ＣＦ（Ａ１∧Ａ２）＝（ ），ＣＦ（Ａ１∨Ａ２）＝（ ）。
１０．主觀Ｂａｙｅｓ推理中，規則Ｅ→Ｈ的不確定性是以似然比ＬＳ和ＬＮ描述的。ＬＳ表示了規則成立的
（ ）性；ＬＮ表示了規則成立的（ ）性。
二、化下列邏輯表達式為不含存在量詞的前束形（ｐｒｅｎｅｘｆｏｒｍ）（５分）
（Ｘ）（Ｙ）｛（Ｚ）［Ｐ（Ｚ）∧～Ｑ（Ｘ，Ｚ）］→Ｒ（Ｘ，Ｙ，ｆ（ａ））｝
四、對結論做假設Ｈ，有證據Ｅ１和Ｅ２，規則Ｒ１和Ｒ２。（１０分）
Ｒ１：Ｅ１→Ｈ，ＬＳ＝２０，ＬＮ＝１；
Ｒ２：Ｅ２→Ｈ，ＬＳ＝３００，ＬＮ＝１。
已知Ｈ的先驗概率Ｐ（Ｈ）＝０．０３。若證據Ｅ１和Ｅ２依次出現，按主觀Ｂａｙｅｓ推理，求Ｈ在此條件下的
概率Ｐ（ＨｍＥ１，Ｅ２）。
（注意：每步應列出計算式，計算結果可取近似值。）
２００１年計算機科學與技術學科綜合考試真題
課程Ⅳ 人工智能原理
一、選擇與填空（共１０分，每空０．５分）
（１）標準邏輯（謂詞邏輯）中，重言式（ｔａｕｔｌｏｇｙ）是（ ）。
Ａ．永真 Ｂ．永假 Ｃ．非永真（ｉｎｖａｌｉｄ）
（２）反演（ｒｅｆｕｔａｔｉｏｎ）歸結（消解，ｒｅｓｏｌｕｔｉｏｎ）證明定理時，
若當前歸結式（消解式，ｒｅｓｏｌｖｅｎｔ）是（ ），則
定理得證。
Ａ．永真式 Ｂ．包孕式（ｓｕｂｓｕｍｅｄ） Ｃ．空子句
（３）ＭＹＣＩＮ系統中規定，若證據Ａ的可信度ＣＦ（Ａ）＝０，則意味著（ ）。
Ａ．證據不可信 Ｂ．對證據一無所知 Ｃ．證據可信
（４）主觀Ｂａｙｅｓ推理中，規則Ｅ→Ｈ，其ＬＳ＝ＬＮ＝１，這意味著（ ）。
Ａ．Ｅ對Ｈ沒有影響 Ｂ．Ｅ支持Ｈ Ｃ．～Ｅ支持Ｈ
（５）開發專家系統所要解決的基本問題有３個，那就是知識的獲取、知識的表示和（ ）；知識
表示的方法主要有（ ），（ ），（ ），（ ）。
（６）反演歸結的支持集策略規定：參加歸結的子句應這樣選取：（ ），而其歸結式應并
入（
）內。
（７）謂詞邏輯下，子句Ｃ１＝Ｌ１∨Ｃ′１，Ｃ２＝～Ｌ２∨Ｃ′２，若σ是互補句節的（ ）的合一子，則其歸結
式（消解式，ｒｅｓｏｌｖｅｎｔ）Ｃ＝（ ）。
（８）以反演歸結證明子句集Ｓ不可滿足的過程中，當前歸結式是（ ）或（ ），則可
刪除。
（９）語義網絡是（ ）表示的［節點１，有向弧，節點２］三元式聯結而成的。其節點表示（
），其弧表示（ ）。
（１０）ＰＲＯＳＰＥＣＴＯＲ系統中的規則，由專家指定其ＬＳ、ＬＮ的值，由似然比定義知：ＬＳ、ＬＮ與０（零）
比較應ＬＳ、ＬＮ皆（ ）０，并且，若指定ＬＳ＞１，則ＬＮ應指定（ ）；反之亦然。
二、計算證據對結論的不確定性的影響（７分）
已知規則Ｒ１、Ｒ２的可信度：Ｒ１，Ａ→Ｘ，ＣＦ（Ｘ，Ａ）＝０．８
Ｒ２，Ｂ→Ｘ，ＣＦ（Ｘ，Ｂ）＝０．６
證據可信度ＣＦ（Ａ）＝ＣＦ（Ｂ）＝０．５，Ｘ的初始ＣＦ０（Ｘ）＝０．１，現逐次引用Ｒ１、Ｒ２，要求用ＭＹＣＩＮ的方
法計算結論Ｘ的可信度ＣＦ（Ｘ）。
三、用標準邏輯（經典邏輯，謂詞邏輯）的子句集表示下述刑偵知識，并用反演歸結的線性策略證明結
論。（９分）
現定義如下謂詞（其項變量Ｘ，Ｙ，Ｚ，皆為全稱變量）。
Ｔｈｉｅｆ（Ｘ）———某人Ｘ是賊；
Ｌｉｋｅｓ（Ｘ，Ｙ）———某人Ｘ喜歡某物Ｙ；
Ｍａｙｓｔｅａｌ（Ｘ，Ｙ）———某人Ｘ可能會偷竊某物Ｙ。
（１）用子句集表示下屬刑偵知識：
ｉＪｏｈｎ是賊。
ｉｉＰａｕｌ喜歡酒（ｗｉｎｅ）。
ｉｉＰａｕｌ（也）喜歡奶酪（ｃｈｅｅｓｅ）
ｉｖ如果Ｐａｕｌ喜歡某物則Ｊｏｈｎ也喜歡某物。
ｖ如果某人是賊，而且他喜歡某物，則他就可能會偷竊該物。
（２）求證結論：Ｊｏｈｎ可能會偷竊什么？
即求證目標：Ｍａｙｓｔｅａｌ（Ｊｏｈｎ，Ｚ），Ｚ＝？
（提示：建議將求證目標作為頂子句，按線性策略進行反演消解，注明每次消解式的置換及其父子句的
編號。）
附錄Ｂ 計算機科學與技術學科綜合考試真題參考解答
１９９９年綜合考試人工智能真題參考解答
一、（Ｋ），（９），（Ｌ），（３０）
二、１．（符號主義），（仿生學），（聯結主義）
２．（框架表示法），（語義網絡表示法），（面向對象表示法），（產生式表示法）
３．
五、解：考慮Ｘ、Ｙ具有初始可信度，所以使用更新法計算結論可信度。
（１）Ｘ的可信度更新值計算
由于證據初始值ＣＦ（Ａ）＝ＣＦ（Ｂ）＝ＣＦ（Ｃ）＝ＣＦ（Ｄ）＝０．５＜１，所以，使用公式（４．２．１０）。由規則ｒ１：
ＣＦ（Ｘ／Ａ）＝ＣＦ０（Ｘ）＋ＣＦ（Ａ）×ＣＦ（Ｘ，Ａ）－ＣＦ０（Ｘ）×ＣＦ（Ａ）×ＣＦ（Ｘ，Ａ）
＝０．１＋０．５×０．８－０．１×０．５×０．８＝０．４６
由規則ｒ２：
ＣＦ（Ｘ／Ａ，Ｂ）＝ＣＦ（Ｘ／Ａ）＋ＣＦ（Ｂ）×ＣＦ（Ｘ，Ｂ）－ＣＦ（Ｘ／Ａ）×ＣＦ（Ｂ）×ＣＦ（Ｘ，Ｂ）
＝０．４６＋０．５×０．６－０．４６×０．５×０．６＝０．６２２
由規則ｒ３：
ＣＦ（Ｘ／Ａ，Ｂ，Ｃ）＝ＣＦ（Ｘ／Ａ，Ｂ）＋ＣＦ（Ｃ）×ＣＦ（Ｘ，Ｃ）－ＣＦ（Ｘ／Ａ，Ｂ）×ＣＦ（Ｃ）×ＣＦ（Ｘ，Ｃ）
＝０．６２２＋０．５×０．４－０．６２２×０．５×０．４＝０．６９８
ＣＦ（Ｘ／Ａ，Ｂ，Ｃ）即是Ｘ的可信度之更新值。
（２）Ｙ的可信度更新值計算
由規則ｒ４：首先求出
ＣＦ（Ｘ∧Ｄ）＝ｍｉｎ｛ＣＦ（Ｘ），ＣＦ（Ｄ）｝
＝ｍｉｎ｛０．６９８，０．５｝
＝０．５
由于規則Ｘ∧Ｄ→Ｙ的前提Ｘ∧Ｄ之可信度ＣＦ（Ｘ∧Ｄ）＝０．５＜１，所以，仍要使用公式（４．２．１０），得到
ＣＦ（Ｙ／Ｘ∧Ｄ）＝ＣＦ０（Ｙ）＋ＣＦ（Ｘ∧Ｄ）×ＣＦ（Ｙ／Ｘ∧Ｄ）－ＣＦ０（Ｙ）×ＣＦ（Ｘ∧Ｄ）×ＣＦ（Ｙ，Ｘ∧Ｄ）
＝０．２＋０．５×０．３－０．２×０．５×０．３
＝０．２＋０．１５－０．２×０．１５＝０．３２
故結論Ｙ之可信度的更新值為ＣＦ（Ｙ）＝０．３２。
