“人工智能”复习提纲及重点提示、 知识原则和知识门槛，知识表示的构成；知识表示的工作假设和符号结构应满足的主要特性；知识表示性能的评价；知识表示的常见方式；程序性和陈述性知识。
答：
（1）知识原则（P15-16）
Lenat和Feiganbaum于IJCAI-10提出了知识原则：一个系统展示高级的智能理解和行为，主要是因为拥有应用领域特有的知识：概念、事实、表示、方法、模型、隐喻和启发式。
（2）知识门槛（P16）
系统拥有的知识和其性能（问题求解能力和效率）的关系可以表示为二维曲线（请参见书中P16中的“图2.1 知识门槛”），图中W，C，E称为知识门槛。其中，
使能门槛W。超过此门槛时，系统就拥有了为执行任务所需的最低限度知识；低于此门槛，系统无足够的知识去解决问题。 胜任门槛C。到达C点时，系统成为在某应用领域中求解问题的专家，胜任只有专家才能解决的问题求解任务。 全能门槛E。到达E点时，由于知识量的空前增加（丰富），使系统能解决该应用领域内几乎所有的问题，成为全能专家。 （3）知识表示的构成（P17）
知识表示在人工智能体的建造中起到关键的作用，正是以适当的方式表示了知识，才导致智能体展示出智能行为。识别表示可视为数据结构及其处理机制的综合，即
知识表示 ＝ 数据结构 ＋ 处理机制
其中，恰当的数据结构用于存储要解决的问题、可能的中间解答和最终解答，以及解决问题涉及之世界的描述。存储这些描述（符号）的数据结构也称为符号结构，它导致了知识的显式表示。然而，仅有符号结构并不能体现出系统具有知识，因为符号结构本身并不构成意义，只有对其做适当的处理才构成意义。所以，要使系统显示出有知识，不仅要定义适当的数据结构（即符号结构），还须定义配套的处理机制去使用它们。
（4）知识表示的工作假设和符号结构应满足的主要特性（P21－22）
Brian Smith在他的博士论文中提出了关于知识表示的一个基本的方法论设想，称为知识表示假设。该假设声称：
任何机械设置（装置？）的智能过程均由结构成分组成，人们作为外部观察者，自然地引用这些结构对该智能过程展示的知识作陈述性描述；独立于这样的外部语义，它们在产生显示（显式？）的行为中起到基本的作用。
上述“结构成分”就是KB系统中的符号结构，它满足2个主要特性：
可解释为表示知识的命题。 在KB系统的行为中起因果作用。 基于这一假设，设计任何KB系统均包括2个方面：知识表示和领域特有的知识。知识表示提供表示语言和推理机制，表示语言以符号结构描述获取到的领域知识，而推理机制则应用这些知识实现智能行为。
（5）知识表示性能的评价（P23－24）
Woods提出应从两个方面评价知识表示的性能，包括表示的充分性和表示法效用：
表示的充分性：是指作重要区分和避免不必要区分的能力。一种表示方式无论怎样有效，若不能表示必要的区别，也是没有用处的。只有具备表示的充分性，知识表示系统才能恰当地描述问题求解涉及的事物，以及智能体对于外部世界的信念、目的和猜测等。 表示法效用：是指表示知识的元素和处理这些元素的操作应能有效地支持使用知识的推理活动。它又分为2个方面： i) 概念效率。指知识表示方式应能有利于知识库以自然的方式吸收随意的新信息，新知识的加入和老知识的更新不会引起知识库发生大的变化。
ii) 计算效率。主要指推理的有效性，如推理的速度、结论的正确性和有效性等。
要兼顾概念效率和计算效率往往比较困难，因为前者要求表示知识的符号结构与知识的获取和知识库维护相容（即知识应以接近于人的思维方式表示），而后者则要求与推理机相容（即知识应以接近于计算机目标代码的方式表示）。解决上述矛盾的一种可取方法是，提供2套符号结构，分别面向知识获取和机器推理，并设计自动转变程序来实现两者间的映射。
（6）知识表示的常见方式（P25-26）
常见的知识表示方式可归纳为4类：一阶谓词逻辑、产生式系统、语义网络、框架系统。
a) 一阶谓词（P25）。
b) 产生式系统（P25-26）。
c) 语义网络（P26）。
d) 框架系统（P26）。
重点提示：
一阶谓词逻辑具有很好的表示充分性，从而使得基于这种表示方式的归结定理证明方法能适用于各种应用领域。然而，归结原理不能应用启发式知识控制推理，因为它有知识库较大时推理效率极低的缺点。 产生式系统由规则库、综合数据库和控制子系统3个部分组成。产生式规则最适合于表示各种启发式知识以指示事物间的经验性关联，故广泛应用于专家系统的设计中。 语义网络注重表示对象间的关系，而框架系统更强调对象的内部结构。 （7）程序性和陈述性知识（P27-28）
智能体拥有的知识可按存储方式区分为2大类：程序性知识和陈述性知识。
程序性知识 —— 隐含于使用它的计算机程序中。 陈述性知识 —— 独立于应用它的程序而清晰地存储。 重点提示：
程序性知识（如搜索算法、控制策略等）隐含于推理机中。 陈述性知识的共同特点是：能清晰地存储于独立定义的符号结构中；可由应用该知识的程序存取。 陈述性知识在设计智能系统中处于突出而重要的地位，其优点：易于修改；可应用于多重目标；易于扩展；支持自我意思。 陈述性知识是以牺牲效率来换取灵活性。
2、知识表示和推理间的制约关系：不完全知识，关系数据库、逻辑程序设计、语义网络、框架描述语言设计中的权衡。
答：
（1）不完全知识（P30－31）
（2）关系数据库（P31－32）
当完全消除表示不完全知识的能力时，知识库就退化为关系数据库。 （3）逻辑程序设计（P32－33）
逻辑程序设计是一种一阶逻辑的受限表示形式，典型例子为Prolog语言。 逻辑程序与数据库一样，只允许表示关于领域世界的完全知识，不同之处仅在于逻辑程序允许经由推理回答问题。 从某种意义上说，逻辑程序设计并未给推理系统提供任何计算上的优点，因为决定知识库中显式表示的知识隐含着什么是不可判定的。 （4）语义网络（P33－34）
语义网络等价于数据库加上特性继承机制。 不能表示特性继承机制无法处理的不完全知识。 特性继承超出真值理论的范畴。 语义网络提供了集结信息的结构化描述手段。 总之，语义网络通过限制表示能力来换取有效的推理方式——图搜索，但不便于表示启发式推理规则（如Prolog语言或产生式系统那样），难以展开演绎推理。
（5）框架描述语言设计中的利弊权衡（P34－35）
框架表示机制可视为语义网络的精化，使语义网节点（称为框架）具有更丰富的结构化描述。 …… （6）几点结论（P34）
表示能力和易处理性之间存在制约关系。 知识表示的性能无绝对衡量标准，应依据手头实际的问题求解任务权衡所需的表示能力和易处理性。 删除不必要的表示能力，将会明显提高推理的有效性。 现有知识表示语言均可视为一阶谓词逻辑的受限情况。 混合系统促进表示性能。
3、知识级分析：知识级组成和结构，合理性原则，知识的本性，知识的表示。
答：
（1）知识级组成（P38－39）
知识级组成包括3个成分：
部件 —— 目标集、动作集和一个知识体； 媒介 —— 就是知识，自治体通过知识作为媒介，以决定为达到某目标应采用什么动作； 行为法则 —— 即合理性原则，指导选择合适的动作去达到自治体的目标。
（2）知识级结构（P39－40）
一个自治体的知识级结构由动作集、目标集和一个知识体组成：
动作集 —— 导致了自治体与它所处环境的交互作用，并由此使人感觉到它的存在。 知识体 —— 包含自治体拥有的知识，并可通过动作来增加体中的知识。知识体仅是知识级的一个部件而已，用于容纳知识，不考虑内部结构。 目标集 —— 阐述自治体在所处环境中事务的知识。
（3）合理性原则（P40）
控制自治体并预言其行为的法则称为合理性原则，其精确定义：
若一个自治体有关于它动作之一会导致达到某一目标的知识，则该自治体将选择那个动作。
重点提示：
合理性原则把知识、目标和动作联系在一起，而不需要任何具体的物理关联机制。 合理性原则是属于认知科学的，不同于任何物理和机械学中的法则，不不同于计算机系统其它级的行为法则。 合理性并不包含优化选择的概念，只要动作能达到目标，选择该动作就是合理的。 仅有合理性原则对于选择动作去达到目标是不充分的，因为常会遇到多个不同动作能达到同一目标的情况。 不能唯一地确定系统行为是知识级不同于其它计算机系统级的又一显著不同。 知识级只能确定系统行为的范畴和轮廓，行为的完全确定必须在符号级实现。
（4）知识的本性（P41）
重点提示：
知识只能由自治体的行为来表现。 符号信息的集合并不表示有知识，要使系统表现出有知识，不仅必须有存放符号信息的数据结构，还要有相应的处理过程。 不存在存放知识的物理结构（难道人的大脑不是用于存放知识的物理结构吗？！），知识是通过行为来体现的。
（5）知识的表示（P41－42）
重点提示：
知识级分析确保系统的可行性和总体性能，但其操作化必须在符号级实现。这是知识级系统向符号级系统归约的问题，知识的表示就是归约的实现方式。归约意指知识级的构成元素可由下层符号级的元素来定义或加以具体实现。 自治体 —— 对应于整个符号级系统。 动作 —— 定义为相应的符号处理程序，包括输入输出和其它为执行动作所需的操作。 知识体 —— 通过定义符号结构和相应的处理程序来表示。 目标 —— P42。 合理性法则 —— P42。 基于上述归约的定义，可把知识的表示定义为在符号级编码知识体。
4、符号推理的高级技术，规则库大时产生式系统的缺点，组织问题求解的事务表法和黑板法。
答：符号推理的高级技术有（P50）：
假设与约定, 从属和辨证，约束满足和元推理等。
规则库大时产生式系统的缺点(P56):
难以扩展
选择规则的底效性
不灵活的控制策略
单一的表示形式
事务表法(P57) : 事务表是一张应由系统执行的列表，也称为任务表，是面向动作的问题求解组织方式之一。从组织问题求解的角度，事务表方法的意义也在于它允许各个推理模块经由事务表相互通信，以求协调它们在事务求解中的合作关系。(P57)
黑板法（P57-59）: 黑板法与事务表都是面向动作的组织方式，适合黑板法解决问题应有以下的特点：
大的解答空间；
不精确，不完全和不可靠的数据；
需要处理和集成众多异质的信息；
需众多知识源合作求解问题；
需使用多种不同的推理方法；
解答渐增性地生成。
5 KB系统的体系结构原则，手工知识获取过程及其自动化，KB系统开发步骤，KB系统开发工具和环境的分类。
答：
KB系统的体系结构原则………………………………………………………………….......p63
体系结构研究的核心问题在于如何根据应用领域的特征和问题求借任务的要求来组织问题求借和推理控制，并由此决定表示知识的符号结构和推理的机制。尽管基于知识的问题求解允许有多种多样的实施方法，但仍可以归纳出某些组织求解的原则。作为一个术语，体系结构学定义为设计KB系统的科学和方法，体系结构的合理性将影响到问题求解的效率、完备性和可靠性。
手工知识获取过程及其自动化………………………………………………………………..p67
手工知识获取过程：
领域专家
知识工程师
知识获取界面
推理机
知识库
知识获取的自动化：
领域专家
智能知识 的取界面
推理机
知识库
KB系统开发步骤
KB系统开发工具和环境的分类……………………………………………………………….p185
模式识别与人工智能
开发工具和环境可以分为三类：外壳（骨架系统）、表示语言、开发工具箱（开发环境）。
外壳给知识工程师提供现成的实现KB系统的骨架，只要按骨架规定的表示方式编写专门知识，就可形成应用领域的KB系统。
表示语言类工具为知识工程师提供面向知识处理的高级编程语言。
开发工具箱（开发环境）为KB系统的生命周期——开发、运行、维护、评价、进化等各个阶段提供工具，甚至可以提供多种外壳和表示语言，以及综合它们建立复杂KB系统的手段。
6 定性物理：定性演算（定性变量、算术规则、定性微分、定性方程及其求解），定性演算的模糊性；定性行为和定性状态，状态转变规则，定性行为的预言（推理），存在的问题和改进方法。
答：
答：1 定性物理：定性物理是一种典型的深法，目的在于使用应用领域的基本原理和尝试对物理系统的行为作定性推理。物理系统可以是自然的或人工的遵守物理定理的任何系统。
2 定性变量：定性推理用来做比实际数字更不精确信息（如正负号、相对大小、值变化方向等）的推断。在定性物理研究中，作定性描述的参数称为定性变量或量（quantity），量之间关系可用定性方程或定性不等式表示。
定性演算：定性演算就是关于值间隔（而不是值）的运算。
算术规则：具体可以参照76－77页有关定性算术规则的描述。
定性微分：定性物理研究关注物理世界的行为，而行为又直接与变化关联。但量（定性变量）值（＋，0，－）仅描述了世界的状态而非变化，所以定性微分是重要的，因为它指出了变化的方向。我们约定以[dx]指示的符号，称为定性微分。
定性方程及其求解：以定性变量和它们的定性微分作为参数的方程可以作为控制量变化的定性规则。所以，包括定性微分的方程，均可用于表示关于行为的知识。
定性方程可以通过一下三种方式获得（具体可以参照p78页）：
(1)微分方程。
(2)变量间从属关系的定性描述。
(3)对线性方程求导。
求解方法具体参照p78页3 求解关于定性方程的系统 这一小节。
3 定性行为与定性状态：首先定性物理系统X可定义为一个有限的变量集：X＝{x1,x2,x3,…，xn}，X的定性行为可定义为一个按时间顺序的定性状态序列。定性状态定义为系统变量定性值分配的一个组合，可能的值分配组合个数为，其中为可取的定性值的个数。
状态转变规则（具体可以参照p80－81）：
连续性规则 微分规则 零变规则 变零规则 瞬变规则 定性行为的预言（推理），存在的问题和改进方法（可以参照）：
依据状态转变规则，可以预言系统的下一状态。但显然，定性描述因丢失了定量信息而无法区别这些情况，使行为的预言呈现出不精确性。
定性预言的能力可以用以下两个概念来衡量：健全性和完备性。一般来说，完备性已可达到，但健全性尚不能达到。
定性预言的另一个严重的问题是复杂性，模糊性和复杂性是紧密相关的，提高定性预言的精度和效率的关键在于克服模糊性。
以下有几种方法（需要具体参看p82）：
引入变量排序知识。 将状态的描述（变量集）分解为子部分。 引入高阶倒数 五不发生行为。 层次抽象。
7 基于功能的因果建模方法和结果发现，与简单因果网和定性物理的比较。
答：
1）基于功能的因果建模：物理系统（设备）的建模按结构、功能和行为的描述进行。
结构：设备的结构描述包括两个项目：组成设备的子设备（部件）的列表，设备可实现的功能。
功能：设备某功能的描述包括三个项目：条件（使能），功能实现的结果，执行功能的手段。
行为：行为的描述表示为因果网的片断，由节点和链组成。每个节点为一陈述性语句（可以是谓词表达式），用以说明系统状态和状态的变化。初始（顶层）节点往往指示行为的中间和最终结果。链指示因果关系，并加注解说明发生因果关联的理由。注解可以是指针，指向下一层次（更详细）的功能或行为描述；也可以是领域的基本知识。
基于功能的因果建模方法有以下特点：
设备的功能化表示。以设备的结构（组成和可实现功能）来刻画设备是什么样的，而以功能（条件、结果、手段）和行为（因果网片断）来刻画设备是如何工作的。 模块化描述。任何子设备均可以用执行同样功能的别的子设备取代。 自顶向下地分层表示和理解设备行为。即从最抽象的表示和理解逐步深入到最细节。这种方式允许人们根据他们的需要，对设备行为的理解深入到任何适当的层次，而更下层的可以不必考察。 以结构、功能、行为作为组织因果知识的索引。 2）基于功能的推理——结果发现
由于设备的功能和行为表示已经包含了大量关于设备正常行为或异常行为的因果描述，基于这种表示的推理实际上就是把与当前所考察设备的特别行为（正常或异常）相关的因果描述从知识库中收集起来（以结构、功能和行为作索引），并由此生成相应于特别初始条件的因果网。所以，这样的推理称为结果发现。对应于不同的初始条件，推理系统将生成（装配出）不同的因果网，以便解释初始条件下的设备行为。
结果发现的算法如下：
指定设备的初始条件。包括异常的状态变量值（正常的变量值由推理系统自动填入―――缺省值）、失去的功能、异常的功能。 决定推理的起点。首先从知识库搜索满足初始条件的功能或行为，形成起点列表，然后删除冗余。 构造因果网，以描述给定初始条件物理系统行为。从推理起点，以功能描述中的手段项、行为描述中的指针型注释（因果链上），不断扩充描述行为的因果网片断，直到最低层知识。 3）与简单因果网和定性物理的比较
基于功能的因果模型改变了传统的由简单因果链构成因果网的方式，而以更为有效的方式来组织。整个因果网层次地分解为片断，作为物理系统各层次部件行为的描述；结构、功能、行为则作为索引去快速地收集相关的因果网片断。基于这种模型的推理，并非简单地搜索因果网中的路径，而是先将层次存放的相关因果网片断搜索到，再装配成适合于特别初始条件的特别因果网。这种方法与定性物理方法的不同之处是，它不需要推导出因果关系，而只是收集已存在的因果关系（视为已通过定性物理方法推导出的结果），比定性物理方法高效得多。
8 深、浅层知识及推理的区别，深、浅层推理的综合方式和自适应学习；动态系统的适应性多级诊断建模方法的知识表示，诊断过程和自适应学习。
答：
深、浅层知识及推理的区别（P71，P72） 浅层知识指经验知识，往往表示的是事物见现象上的关联，并不揭示事物的本质。基于浅层知识的启发式推理称为浅层推理。 关于应用领域的基本原理和常识能够揭示事物的本质，称为深层知识，基于深层知识的推理称为深层推理。 大量的研究表明，尽管浅层知识易于且主要表示为规则形式，而深层知识易于并主要表示为框架和语义网形式，但不是绝对的，反之亦可。换言之，深层和层知识的区别不在于表示形式而在于知识的特性本省（或者说是语义而不是句法上的不同）。从语义角度，浅层知识又称编译知识，是专家运用领域深层知识解决问题的过程中高度概括并经反复验证和精化后产生的知识。解决问题效率高，但复杂情况下由于提炼的不完备造成知识的不完善。 深、浅层推理的综合方式（P96） 深层知识的量往往很庞大，而基于深层知识的推理步有很精细，可想而知，其推理效率是相当低下的。相比之下，浅层知识相当精炼，效率高，但具有脆弱性。所以，应综合深、浅层推理，即以浅层推理为核心和主干，并将深层推理作为补充和后盾。另外，深层推理也应在浅层推理的指导下进行。例如，可通过浅层推理得出部分解答或将解答限制在一定的范围内在驱动深层推理，以大大提高深层推理的效率。而深层推理的结果又可为浅层推理所用
自适应学习（P96） 将深浅层推理综合来解决问题，我们会得到四个层次的知识和推理：经验性关联，不精确模型，定性物理模型，定量模型。后三层为深层知识。知识的分层给自适应创造了条件，这种学习方式是值系统在遇到新问题是，只能依赖于深层知识去推理，这时系统问题求解性能下降表现为效率低下。但一旦问题求解成功，问题求解涉及的知识就可以归纳、整理＆编辑，形成新的浅层知识――经验性关联，或精化原有的经验性关联知识。结果以后遇到类似问题，就可依赖新的知识，表现为较好的自适应能力。
动态系统的适应性多级诊断建模方法的知识表示，诊断过程和自适应学习（P97，P98，P99） 深层知识由被诊断系统之结构和行为来表示；一个多级仿真器基于被诊断系统的定性和定量知识，用于辅助确认或删除假设的故障点；而机器学习则展示为由深到浅的知识的迁移和抽象。
知识表示 深层知识描述被诊断系统的结构和行为：结构的描述包括构成系统的部件及其联接关系；行为描述则指出部件的输入、输出特性、它们的关系、部件应实现的功能和其他可观察到的特性。
结构表示 结构知识服务于仿真＆决定部件行为间的因果关系。结构表示建立在一个参数化的部件类型库基础上。具体的部件是部件型的例示。部件型又分为两类：基本部件、组合部件。后者又有内部结构，从而形成对系统结构的层次描述。
行为表示 行为知识用于仿真，定义为定量或定性计算函数，用于描述部件的输出和状态参数如何随输入参数的值而改变。这些函数附加于部件型的（基本部件和组合部件）描述体。
因果网 因果网隐含于结构的描述中，每个部件的输出点，可视为该因果网中的节点。节点i和节点j之间的联接弧意指i直接影响j。由于被诊断系统为多层结构，因果网也相应地分解为多个层次。属于同上一层的部件的所有下层部件的输出点构成解释上层部件行为的因果网。
浅层知识表示为故障症状（SYM）与最特别（但不必是底层）的部件之异常特性（MSP）之间的关联，特性表示为输出或状态参数。
诊断过程 诊断过程是一个自顶层结构到底层结构的自顶向下的分层推理过程。在每层结构中，先作浅层推理，若不成功，再作深层推理。
浅层推理 浅层是基于SYM和MSP之间的直接关联知识作推理。被诊断系统分层，所以前曾推理也按结构的层次加以组织。
深层推理 无论在哪一结构层，只要浅层推理无法确定故障部件，就转入深层推理（在同一结构层）。按这层结构项应的因果网，找出可能引起SYM的所有因果链。然后按一定的策略决定因果链上的某个测试点，在调用仿真器计算测试点期望值，与实测值作比较，逐步缩小故障范围到某一部件。
深、浅层推理综合 推理综合的总的原则是先浅后深，适用于每个结构层；无论浅、深层推理，找到故障部件后，只要是非基本部件，就要深入到下一结构层次。
自适应学习 （1）基于深层知识的诊断成功是，把故障部件的异常特性（MSP）与（SYM）直接关联而形成浅层知识（表示为规则），并累计使用该关联知识查出故障的次数。由于同一SYM可因不同的MSP引起，优先取计数最高的可能故障部件作检测。
（2）故障行为仿真后。低层结构中部件的测试往往困难且代价高。为此可以设计一些计算函数来仿真部件的故障行为。若仿真结果与实测不符，说明实际故障并非由设想的原因引起。
9 基于概念模型的问题求解建模的三种方法和主要差别，常见任务和功能化体系结构方法。
答：
设计问题求解行为模型的最重要方面是概念模型，可以把概念模型视为描述领域专家问题求解过程的本体论，它提供基本术语和术语合成法则去面熟问题求解涉及的实体、它们的属性和关系以及在求解问题中所起的作用。概念模型课归纳为三个主要范畴：基于表示、方法和任务的概念模型。
1）。基于表示的概念模型
这种概念模型直接反映与推理机关连的符号级表示，是涉及符号级表示语言和推理机制的基础，第一代KB系统及工具的概念模型均属于这种类型。
2）。基于方法的概念模型
这种概念模型面向知识级建模分析，提供预先定义的方法，使用户建模的注意力集中在获取实现方法所需的领域特有知识，而不是规则和框架等符号级表示结构。这种概念模型提供一组基本术语去描述在特别应用领域中实现方法的有关知识。
3）。基于任务的概念模型
这种概念模型不面向通用的问题求解方法，而只面向特别种类的任务；直接刻画任务结构而非执行任务的方法，因而可避免因用户不能正确理解问题求解方法而产生的问题。
主要差别：
基于表示的概念模型的主要弱点在于完全面向符号级建模分析，忽略了人的认识行为处于知识级这一特点。所以，在使用这些工具建模（建立知识库）时，知识级分析完全时用户（知识工程师）的事情，而且用户必须清醒地认识到他做地知识级分析结果能手工地转变为符合概念模型指定的符号级表示形式。若用户不能充分理解工具隐含的概念模型，就会发生知识级分析的结果与符号级实现的严重失配。此外知识级分析的一个重要方面是决定问题求解的方法，但这些工具不提供任何支持手段，严重影响的KB系统的开发。
基于方法的概念模型的主要缺点是应用领域与概念模型的失配问题。用户必须认识到由概念模型预先确定的问题求解方法适合于手头的问题，并有能力正确而一致地使用概念模型提供的基本术语；否则不足以开发好的问题求解模型。
按基于特种任务的概念模型来建立问题求解模型的主要缺点在于，手头要解决的问题必须适合于概念模型。由于概念模型几乎完全确定了问题求解的控制流程，用户只能填充细节内容，而不能改变流程的结构化组织，所以这种建模方式只适合于很受限制的范围。当然，若实际问题刚好适合于概念模型，则用户不须自行设计控制流程的结构化组织，只要直接填入内容知识（模型的细节）即可。这时，领域专家只需稍加训练，就能自行设计问题求解的过程模型——在包含概念模型的知识获取工具指导下填入内容知识，而免除知识工程师的介入。这种方式可显著提高知识获取的自动化程度（不需知识工程师介入），是知识获取研究追求的目标。但是这样的机遇很少，除非专门为手头任务设计这种获取工具。
为了克服基于预先固定的概念模型来设计KB系统而产生的失配问题，Chandrasekaran提出了以常见任务方法去实现问题求解的功能化体系结构。这种方法要求以功能单元来构造基于知识的问题求解系统，而不是以预先固定的概念模型强加于系统。为实现智能软件的重用和加速KB系统的开发，可以将每个功能单元的实现视为常见任务的历史，并为每个任务提供开发工具（包括知识表示语言和推理机）。鉴于复杂的问题求解任务场可以层次的分解为子任务，只要预先建立一个范围充分广阔的常见任务集，就可以通过组合应用适当的任务来快速设计KB系统。
常见任务可以从三个方面加以定义：
任务的功能——描述要解决的问题之类型和特征。特征包括输入信息和输出结果的特征、所使用知识的特征等。
知识的表示和组织——包括定义表示知识的基本术语和组织方式（合成法则），这实际上是定义了一种知识表示语言。
控制策略——定义使用知识去实现信息处理功能的推理机制。
常见任务实际上定义了一个涉及功能单元大额外壳（shell），也可视为给予任务的概念模型，只不过任务的粒度小的多。由此，涉及KB系统的第一步就是层次分解手头的问题求解任务，知道每个字任务成为常见任务；然后按每个常见任务外壳提供的表示语言获取和表示知识，将常见任务外壳例示为执行具体子任务的功能单元；这些功能单元联合起来就形成了所需KB系统的功能化体系结构。
Chandrasekaran认为诊断推理中常涉及四个常见任务：层次分类；诱导装配；假设匹配；数据库推理。
功能化结构体系结构方式的评价。一常见任务法实现功能化体系结构的核心思想是，基于知识的问题求解系统可以由功能单元来构造，而功能单元是常见任务在特别应用领域中的例示。每个功能单元包含解决某一特别子问题的领域知识，这些知识以常见任务指定的形式表示和组织，并以相应的推理控制方式使用。以功能化体系结构方式构造KB系统有如下优点：
多样性。（P118，字太多省略… 下同） 模块化。 知识获取。 推理解释。 推理效率。 系统设计。 然而以功能化体系结构方式构造KB系统也存在着一些缺点：
失配问题。 不完备性。 难以使用。 我们认为，功能化体系结构方式只有功能单元组成的单一层次的表示结构，是引起这些缺点的原因。若功能单元能够通过组合下层基本元素（控制和推理元素）来构造而不是作为固定shell的例示，这些缺点就消失了。因为功能单元不再有强加的预先固定的概念模型，常见任务的分类的粒度也不成为问题，因为可按需从下层基本元素来构造；下层基本元素肯定比由基本元素构造的常见任务少的多，用户只需花费少量时间就能学会基本元素的定义和合成法则。
10 知识级建模方法KADS：知识获取的采矿观和建模观，建模观的关键——获取概念模型，KADS的中间模型、专门知识建模方法、解释模型和结构保留设计。
答：
采矿观 代表传统知识获取观点，这种观点把知识获取视为从领域专家诱导出知识并将其传送到KB系统的过程。KB系统成为由知识工程师制作的用以填充知识的容器，知识工程师为开矿者，领域专家的大脑为矿藏。这意味着，领域专家求解问题所需的知识已经存在于大脑中，知识工程师只需通过与领域专家会谈就可获取到知识，再转变其为KB系统所使用的形式。
建模观 把开发KB系统视为建模活动，KB系统不再简单地只是填充知识的容器，而是以特定的方式模拟人问题求解行为或真实世界中系统行为的模型。
建模观的关键——获取概念模型 建模观最关键的就是获取概念模型。这分为两种方式：提供概念模型和建模语言。建模语言供知识工程师用以构造概念模型，使其与应用领域牲和问题求解任务的要求匹配。建模语言分为知识级和符号级两类，由于符号级建模语言抽象级太低，难以使用，所以开发知识级建模语言成为主流。
概念模型可类比于关系数据库中的概念模式，目的在于对系统行为涉及的对象和操作进行抽象而直观的描述。概念模型不涉及物理实现，所以使用的描述语言并非是关于计算结构和技术的形式语言，而是面向人思维方式的认识观念的语言。
KADS的中间模型 生命周期是软件开发方法论的基础，按KADS观点，KB系统的生命周期由相继的苦干所谓的中间模型来控制。中间模型导致了知识工程任务的分解：每个模型均强调被建KB系统的某一方面，而忽略其它方面，从而复杂的知识工程过程可以按任务各个击破。
专门知识建模方法 建模考虑两个关键因素：1，对知识类型的区分，即按人的认识论观点来切分专门知识的范畴,2分层组织各种类型的知识。KADS区分了四个范畴的知识：
领域－对应用领域作表态的原理性描述 推理－使用领域知识作揄的知识。 任务－表示问题求解任务结构的知识 策略－对问题求解作动态规划的知识
解释模型 解释模型是缺少领域层的专门知识模型。典型的解释模型描述一个常见任务的揄知识和任务知识，由于这些知识以应用领域无关的术语描述，能够重用于不同的应用领域。
结构保留设计 所谓结构保留指知识概念模型的元素与符号级表示结构之间存在对应性，从而KB系统的实现可视为加符号级信息到概念模型的过程。
11 非单调推理的形式方法（包括封闭世界假设、谓词完备和缺省推理），数据从属和理由维持，从属制导回溯。
答:
11.1非单调推理的形式方法
11.1.1封闭世界假设 Closed World Assumption, CWA
（1）CWA
CWA是一种对由某基本信念集Δ定义的一个理论τ(Δ)作完备化的方法。
即τ(Δ)是完备的，意指包含了每一个基础原子公式或其反。
Eg: {P(A), P(B), Q(A)} 是不完备的，因为没有Q(B)或﹃Q(B)
（2）扩充集
为完备τ(Δ)而生成的扩充集，每个基础原子公式的取反均是假设的暂时信念。
记为Δasm
Eg: Q(B) 不属于τ(Δ) 令Δasm = {﹃Q(B)}
则CWA(Δ) =τ(Δ∪Δasm)
（3）性质
CWA非单调，因为一旦有新的基础原子公式加入Δ，则为完备τ(Δ)而生成的扩充集就必须收缩（删除错误假定的项）。
Eg: 有Q(B)加入τ(Δ)，则删除τ(Δ)中的﹃Q(B)
CWA的作用是完备化数据库系统，它不能保证CWA(Δ)是一致的。（即不保证加入Δasm的全真）。
（4）试图解决不一致性的定理（p160页）
11.1.2谓词完备
（1）谓词完备方法将满足一阶谓词的对象限制性为仅仅由Δ说明必须满足该谓词的那些。
Eg:
Δ = {P(A)},则有充分条件 ∨x(x=A→P(x))
谓词完备方法假设P(x)的必要条件也成立，即∨x(P(x)→x=A)
这称为谓词P的完备公式，它使Δ中的P的定义完备化。
11.1.3缺省推理
（1）在缺乏信息时，一个有效的作法就是根据已有信息和经验作有益的猜测，只要不发生反面的证据，构造这些猜测的过程称为缺省推理。
常见的缺省推理方法有最有可能的缺省推理、限制。
（2）限制 Circumscription ：类似谓词完备把满足Δ中谓词的对象限制在由Δ说明必须满足那些对象范围内，但取消了包含的公式必须是子句且对P单一的要求。
模式识别与人工智能 Eg: Δ= {P(A)∨P(B)}
Δ中的P非单一，不能应用市县词完备方法，
经由限制方法对Δ的关于P的扩充表示为性
CIRC [Δ, P] ≡ Δ ∧ ∨P*( (Δ(p*) ∧ ∨x(P*(x)→P(x)) )
→ ∨x ( P(x)→P*(x) )
P*为谓词变量(P165页)
11.2 数据从属和理由维持
(1)理由维持:
所谓理由维持就是要保持推理结论和推理依据的一致性,并以推理依据作为得出结论的理由。
(2)数据从属
数据从属记载演绎数据库中的元素之间的相互依存（即从属）关系，一些元素的真值取决于其它元素的真值。数据从属是实现理由维持的一个重要技术。
根据记载的从属关系，发现假设假，则同时撤消结论；反之，推理结论假则同时撤消假设。
11.3从属制导回溯
从属制导回溯是指，无论何时时RMS（理由维持系统）发现矛盾，都可依据从属记载寻找到引起该矛盾的根源。
非单调推理系统组成：
理由维持子系统RMS
回溯器
问题求解器
12 CSP定义，CSP的解决方法，包括基于回溯、约束传递、智能回溯和真值维持，以及变量排序和值选择。<不在考试范围内>
13 主观Bayes方法，包括条件概率、规则强度的似然率和不确定性的传递；MYCIN的确定性方法，包括不确定性的量度、传递和组合；D-S证据理论，包括假设、规则和证据的不确定性，以及不确定性的传递；应用不确定推理的准则。
答:
（1）主观Bayes方法
主观Bayes方法处理推理过程中不确定的主要理论基础是传统概率论中的Bayes理论。Bayes理论的应用要求收集大量的样品时间来作统计，以便获得事件发生的概率来表示信念的强度（确定性的程度）并作相关计算。
条件概率：
根据Bayes理论，有以下条件概率公式：
其中p(P)和p(Q)分别指示前提P和结论Q的先验概率（不依赖规则P=>Q）；p(P/Q)称为后验概率，指示结论Q成立时前提P成立的概率。往往后验概率比条件概率更易于获取，所以可不经由统计手段去获得条件概率，而是由此公式计算之。
规则的强度的似然率：
Q的先验似然比O(Q)和条件似然比O(Q/P)：
令，则有
LS称为规则P=>Q成立的充分性因子，用以指示规则强度的似然率，即P成立对Q成立的影响力。上式称为Bayes理论的似然公式，指出结论Q的条件似然比可以由其先验似然比和规则的充分性因子LS来计算。
令
并有
LN称为规则P=>Q成立的必要性因子，用于指示P不成立时对Q成立的影响程度。
LS（和LN）的引入大大促进了Bayes理论在不确定推理中的应用。
不确定性的传递：
不确定性传递公式：
有一个有意义的特性，即当p(P/P’)=p(P)时，p(Q/P’)=p(Q)。这完全符合人的直觉：既然无关于前提P真实程度的任何信息（仅有先验概率p(P)），也就不可能从规则P=>Q获得关于结论Q真实程度的任何信息（仅有先验概率p(Q)）。
当p(P/P’)=p(P)时，按公式计算出来的p(Q/P’)与领域专家给出的p(Q)常不一致。为避免这种不一致而引起的矛盾，主观Bayes方法建议采用分段线性插值的手段来计算p(Q/P’)的实际值。
（2）MYCIN的确定性方法
不确定性的量度
MYCIN提出的确定性方法表示推理规则为如下形式：
E=>H，CF(H,E)
规则前提E可以是命题的合取和析取组合，结论为单一命题；CF(H,E)为确定性因子，简称可信度，用以量度规则的确定性（可信）程度。令
CF(H,E)=MB(H,E) –MD(H,E)
其中MB(H,E) 指示信任量度，MD(H,E)指示不信任量度。
不确定性的传递
在证据E具有不确定性的情况下，规则E=>H的结论H的不确定性可以通过不确定性的传递来计算。相应的推理过程记为E’=>E=>H，而结论H在环境E’下的可信度记为CF(H, E’)。
不确定性的传递算法定义如下：
CF(H, E’)= CF(H, E)·max[0, CF(E, E’)]
=(MB(H,E)-MD(H,E)) ·max[0, CF(E, E’)]
不确定性的组合
在环境E’下，若两个证据的合取或析取支持结论H，则可表示为
E’=>E1∧E2=>H或E’=>E1∨E2=>H
证据的不确定性组合定义为
CF(E1∧E2,E’)=min[CF(E1,E’), CF(E2,E’)]
CF(E1∨E2,E’)=max[CF(E1,E’), CF(E2,E’)]
（3）D-S证据理论
假设
设U为所有可能假设（表示为原子命题的结论）的有限集合，且U中的元素是互斥的，则可以在U的幂集2U上定义一个基本概率分配函数m: 2U →[0,1]，满足
数值m(A)称为基本概率，它表示依据当前环境（证据）对假设集A（U的子集）的信任程度。
三个描述证据不确定性的函数：信任函数、似然函数和类概率函数。
规则
定义具有不确定性的规则形如
E=>A, CF
其中E为支持A成立的证据集；A={a1,a2,…,am},ai∈U(i=1,2,…,m)，A为假设集U的子集；CF={C1,C2,…,Cm}，用于指示前提E成立时假设ai成立的可信度。
不确定性
证据E的不确定性可以用类概率函数f(E)表示，原始证据的f(E)应由用户给定，作为中间结果的证据则由不确定性传递算法确定。
不确定性的传递
对于具有不确定性的规则，定义
m({ai})=f(E)·Ci (i=1,2,…,m)
或缩简记为
m({a1},{a2},…, {am})=(f(E)·C1, f(E)·C2, …, f(E)·Cm)
规定，则对于U的所有其它子集H，均有
m(H)=0
所以当A为U的真子集时，有
进一步可以计算PI(A)和f(A)。
（4）应用不确定推理的准则
①尽可能避免使用统计表示，能确定性地解决问题的场合不应使用不确定推理，因为主观概率是不精确的，且在许多场合难以估计。
②在必须采用不确定推理时，应将其限制在小范围内（相应于推理中的逻辑步）；而不要在不能反映问题结构的大跨度操作中执行。
③切记不确定推理结果的精度决不会超过输入数据的精度，不管采用什么技巧也无济于事，所以应尽量保持输入数据的精确性，否则结论的可信度只是误导。
14 模糊集合、语言变量和隶属函数，模糊逻辑的表示，基于模糊规则的推理，基于模糊关系的推理，实现模糊控制的方法。
答：
模糊集合、隶属函数
在论域U上定义一个模糊子集（简称模糊集），其对U的任意元素x均指定一个值，以表示它对的隶属程度，即有
其中，称为的隶属函数。
语言变量
模糊逻辑的核心概念是语言变量，语言变量是一种形式的数据压缩。但这种压缩不同于定性物理中的量（值间隔）概念，因为语言变量的定性值是一种模糊值间隔，相互重叠，不存在用于分割连续值域的界标。使用语言变量的主要方式是模糊规则和模糊图。
模糊逻辑的表示
模糊逻辑的基本思想是将常规数值变量模糊化，使变量成为以定性术语（也称语言值）为值域的语言变量。当用语言变量来描述对象时，定性术语就构成模糊命题。可以省略被描述的对象，则模糊命题可表示为“〈语言变量〉〈定性值〉”形式。
每个模糊命题均由相应的一个模糊集作细化描述，所以模糊逻辑操作与模糊集操作是一致的。
基于模糊规则的推理
模糊规则的前提是模糊命题的逻辑组合（经由合取、析取和取反操作）作为推理的条件；结论是表示推理结果的模糊命题。所有模糊命题成立的精确程度（或模糊程度）均以相应语言变量定性值的隶属函数来表示。
当模糊推理的输入信息是量化的数值时，可以直接基于模糊规则作推理，然后把推理结论综合起来，典型的基于模糊规则的推理过程可以分为两个阶段，其中第一阶段又分为三个步骤：
计算每条模糊规则的结论：①输入量模糊化，即求出输入量相对于语言变量各定性值的隶属度；②计算规则前提部分模糊命题的逻辑组合（合取、析取和取反的组合）；③将规则前提逻辑组合的隶属程度与结论命题的隶属函数作min运算，求得结论的模糊程度。 对所有规则结论的模糊程度作max运算，得到模糊推理结果。 基于模糊关系的推理
当模糊推理的输入信息是定性术语（以相应得模糊集表示）时，可以基于模糊关系作推理。
Mamdani方法：
设模糊规则形如P=>H，模糊命题P和H相应的模糊集和分别建立在论域UP和UH上（相应的元素变量为xp，xH）。令表示从P推出H的模糊关系，则定义
当实际的输入信息是模糊命题P’（相应得模糊集为）时，则模糊推理的输出H’（相应的模糊集为）表示为
实现模糊控制的方法
一般采用查表法。
首先将输入和输出物理量的值域划分为若干等级，并归一化到某一标准区域上，然后以二维模糊化表的方式定义隶属函数。模糊规则的定义也可以表格化。
实际上基于输入模糊化表、输出模糊化表和模糊规则表的计算和推理可以在模糊控制器实际工作之前预先完成，并将控制器的输入和输出数据整理成二维表。由此模糊控制器的工作就简化为从输入量等级查表决定输出量等级的处理了。
查表法的优点：可以显著提高模糊控制的效率，表格和查表程序只占很少内存，可以制作在ROM芯片上。
查表法的缺点：变更模糊规则和隶属函数不方便，而且当输入量个数增加时，表格的存储容量将指数级增长。
15 神经元和神经网络的基本定义以及自适应学习能力，BP网的构成和误差反向传播的实现，二值Hopfield网络的工作原理和存在的问题。
答:
神经元通常简化为一个多输入单输出的非线性阈值器件.(P214)
许多神经元以一定方式连接在一起,即构成神经网络;神经网络往往有层次结构,最常见的是三层网络结构.(P215)
人工神经网络的一个重要特征是其自适应学习能力,神经网络的最基本的学习规则是Hebbian规则,所有的学习规则都可以视为Hebbian规则的变种.(P215)
典型的BP网有三个层次:输入层,隐含层和输出层,相邻层次神经元间采用全互连形式,同层神经元间则不相连.(P216)
误差反向传播的实现:如果输出模式与期望的输出模式有误差,就从输出层反向将误差逐层传送到输入层,把误差”分摊”给各个神经元并修改连接权,使网络实现从输入模式到输出模式的正确映射.对于一组训练模式,可以逐个用训练模式作为输入,反复进行误差检测和反向传播过程,直到不出现误差为止.(P217)
二值Hopfield网络的工作原理:二值Hopfield网络只有一个神经元层次,神经元间全互连,且具有对称连接,每个神经元有0/1两个状态,由n个神经元组成的网络有2n个状态.网络从某一初始状态变动到稳定状态的基本工作方式有两种:串行异步方式(任意时刻随机地或确定性地选中网络中的一个神经元进行状态更新,其余的神经元的状态保持不变)和并行同步方式(任意时刻可以有多个神经元的状态同时更新.).(P219-220)
二值Hopfield网络存在的问题:神经网络有可能变迁到能量局部极小状态,而不能到达全局最小状态.(P222)
16 神经网络和模糊技术的优缺点，以及神经-模糊技术应用方式。
答：神经网络和模糊技术的优缺点: 神经网络具有自适应学习能力和大规模并行处理能力,擅长处理感知信息,但只能应用于有足够大且健全的训练集可以获取的场合.而且,由于神经网络的工作是模拟人脑的微观行为,不能为人直观理解,当神经网络给出的解答不符合期望时难以解释和调试(纠正).另一方面,基于模糊逻辑的推理系统能直接应用科学领域的专门知识,并以模糊规则浓缩地表示,易于软硬件实现,尤其是在自动控制领域.最大的缺点在于无自适应学习能力,且制定精确的隶属关系较为困难.(P217)
神经-模糊技术应用方式:1.模糊神经网络—将神经网络作为模糊分类器使用,要识别的模式作为神经网络输入模式,而期望的联想模式作为输出模式,只要输入和输出模式均为模糊集,就可以实现模糊联想.2.自适应模糊系统—这种系统借助于神经网络来生成模糊推理所需的整套规则和各语言变量定性值相应的隶属函数.3.联合系统—神经网络可以用于为模糊系统作输入预处理和校正输出,从而形成两种技术的联合系统.(P217-218)
17 CBR系统的分类、运行阶段和CBR过程，范例的构成，索引设计步骤和索引词汇的建立，理想的检索过程，解答改编方法和改进措施，基于范例的学习方式，基于规则和范例的混合系统。
答:
CBR系统按其执行的任务划分为两大类：
解释型：分类或刻画当前新问题的处境。 问题求解型：应用先前的范例去建议适合于新问题的解答。
范例的内容通常由三个主要部分构成：
问题和处境描述：表示范例中要解决的问题和问题所处的环境。 解答：说明范例中的问题应如何解决。 后果：解答实际执行后的结果状态。
范例的设计步骤：
范例分析：对于每一个范例，分析其可给CBR系统的哪些拟定任务提供指导。 精化描述：确定范例中问题的处境往往在第一步已经涉及，所以第二步中要做的工作实际上是精化处境的描述。 结构化描述：第三步是以结构化的方式用适当词汇描述范例中问题的处境。 处境描述的泛化：处境描述的泛化可以通过两种方式来进行。 1． 泛化填充槽值的选项（关键词）。
2． 泛化槽本身。
索引词汇的建立应遵循以下准则：
索引词汇必须覆盖应用领域中值得记忆的各个方面。 索引词汇描述问题处境的详细程度取决于范例应如何为类似的新问题提供参考解答。 鉴于范例的索引是为范例库检索机制服务的，索引必须要以检索机制便于使用的方式表示。换言之，索引词汇的表示应与检索机制的设计统筹考虑。
建立索引词汇的过程如下：
收集一批典型的案例作为范例，它们应在问题的处境，解答，解答执行后果方面具有代表性。 鉴别每个范例的特点和能提供的经验教训。 刻画每个范例解决其问题时的处境。 对于每个处境，通过分配描述槽及其值建立范例索引，并确保索引既能抽象到足以通用于应用领域，又具体到足以识别和范例类似的新问题处境。 设计能覆盖这些要求的词汇，首先抽象出描述槽，然后确定每个槽的可能填充值。
理想的检索过程 见书244页表7.1
以问题的处境描述和当前推理目标作为检索子系统的输入。
首先，处境描述经过处境分析过程而得到精化，并由此建立新问题得索引，从范例库检索；类似范例所依据得指标。
然后，检索算法依据范例库得组织结构搜索与新问题处境部分匹配得范例。
近年来采用得解答改编方法可归纳为一下四个方面 具体见书245页
成分替换 解答改造 目的特别得改编 指导重用
解答改编技术的改进措施
采用灵活的改编规则 避免使用改编规则 减少解答改编要求
基于范例的学习方式 具体见248页
从成功中学习 从失败中学习 基于新范例积累和索引精化的学习
规则和范例可以视为经验知识的两种重要表示形式。规则便于描述通用的行为准则，从而可用来定义领域理论，但由于真实世界的复杂性，往往会有许多例外和难以预料的因素无法包含于领域理论，从而产生规则推理系统的脆弱性问题。
规则和范例表示的知识有较好的互补性。以规则来表示泛化的领域理论，可以免去建立大型范例库的需要。范例库的存在又使领域理论不会陷入必须考虑各种例外情况和特别处理的困境，因为范例库中的范例可以提供面向例外情况和特别处理的参考解答。
18 时间的表示，在谓词逻辑中引入时间参数，基于时态逻辑的RWT理论框架；面向时序约束的过程建模，时间分枝和可能世界。
答：
通过时间和日期去索引事实，称为时间线表示，只是面向时间的数据库的应用基础，时间线表示关键在于需确保两个时间标记的顺序是可以通过简单操作来计算的，并要求面向时间的数据库系统提供有效的功能去按时间去索引事实。
在谓词逻辑中引入一个时间参数是在谓词公式中，增加一个指示时间的参数，结果是谓词公式的真值就会随时间参数改变而发生变化，作为语句的时间索引，时间参数通常取其值域作为非负实数。
基于时态逻辑的RWT理论框架由以下三部分构成
一个非空的时间集合。 一个时序关系记为R，以阐明时间的先后次序，R定义为 R(t,t’)=True for t
R满足传递律：(任意W)( 任意t)( 任意r)[(R(t,w)∧R(w,r))=>R(t,r)]
R也要满足时间具有连续性 (任意W)( 任意t)(存在r)[R(w,t)=>(R(w,r)∧R(r,t))]
面向时序约束的过程建模方法 参考 课本 P269，Line 10
时间分枝实际是推理关系知识状态的受限性，因为缺乏完整的确定性的关于将来或过去的知识，才使得表示多个可能的将来或过去是必要的，以实现推理的实现和精化。
可能世界是从同一分枝点导出来的多个将来，又同一个分枝点导出的不同的可能世界中，推理行为互相独立，在一个可能世界中的推理不能用于另一个可能世界，也不会引起后者产生不一致性。
19 空间的表示，基于均匀划分和四叉树的空间搜索方法，空间的层次抽象表示和推理。
答：
1）、空间的表示
欧几里得空间的某些概念可以直接应用于空间推理，几个最基本的概念可以作为空间表示的基础。
点：空间中的原子位置。依据任务不同，空间可以表示为2维的或者3维的。点通过它们的坐标来确定，就像时间的表示那样，选用实数或整数坐标取决于应用需求。作为整体，空间可视为点的集合。长度作为空间中唯一的一维测量，面积则是二维的，而体积是三维的。
方向：可以定义为单位球面上的一点，或从单位球中心到球表面某个点的矢量。
区域：一个点集。二维长方形就是一种区域，相应得点集包含长方形的四边和其内部
2）、基于均匀划分和四叉树的空间搜索方法
P 279最后一段
P 281 2 、区域大小统一的问题
3、基于四叉树的最近优先搜索
3）、空间的层次抽象表示和推理
P 282 多层次空间表示
P285 关于形状的推理。
体扫掠。 组合。 表面网络。 构造几何
20 软件Agent应拥有的基本特性、行为理论、体系结构和通信机制；软件Agent的分类。
20.1.软件Agent的基本特性
具有社会和领域知识，能依据“心理”状态(信念、期望和意图)自主工作，具有语义互操作和协调、合作行为能力；作为参与协同工作的软构件(component)，支持紧凑一致的协同工作。
20.2.软件Agent的行为理论
SA定义为有意识系统： SA的行为可以通过归因于信念、期望和理性的方法去预言。 从两个方面来表示SA的意识(即心理状态)： 信息观念——反映一个SA对其所处环境的感知； 意愿观念——以某种方式指导该SA行动的依据。 用经典的一阶逻辑来表示涉及意识的观念会引起语法和语义问题： Jan believes John is the brother of Mary. Believe(Jan, Brother(John, Mary)) Believe(Jan, Brother(Jupiter, Mary)) 解决语法问题： 模态逻辑(Modal Logic)：提供非真值函数型的所谓模态操作应用于谓词公式； 元语言(Meta-Language)——采用元语言谓词表示意愿，并以另一语言(可以是一阶谓词逻辑)的公式作为其参数项。 解决语义问题： 可能世界语义(Possible Worlds Semantics)——将SA的信念、知识、意向等刻画为一组所谓的可能世界，并提供一致性理论去处理可能世界间的关系； 解释的符号结构(Interpreted Symbolic Structure)——将SA的信念默认为表示于特定数据结构中的符号公式。 有意向的SA逻辑模型： Moore的能力模型、 Cohen and Levesque的意向模型、 Rao and Georgeff的BDI逻辑框架、 Wooldridge的MA系统逻辑模型。
20.3. 软件Agent的体系结构
可视SA为一种作解释性处理的自动机，或称其是思考型(deliberative)的。 基于知识的思考型SA以行为规划部件作为体系结构的核心， 心理状态，尤其是BDI状态(信念、期望和意向)则成为行为规划的依据。 Bratman设计的IRMA： ARCHON 定义了四个关键的符号数据结构：计划、信念、期望和意向。 行为规划经由五个部件的联合运作来实现：推理机、手段-目的(Means-Ends)分析器、机遇分析器 、筛选过程、思考过程。 Brooks提出的行为主义观念： 智能行为可以不依赖于符号(从而知识)表示和推理，而是作为行为体与其环境交互作用的结果浮现出来。 智能存在于观察者的眼睛里，而非天生的或能赋予行为体的一种特性。 基于包含(subsumption)体系结构的能快速响应环境变化(如避开发现的障碍物)的机器人。 遵循行为主义观念的反应型体系结构： “处境-动作”型规则：编码成一个低级结构(如数字电路)，以实现SA对处境变化的快速反应； PENGI——一个仿真计算机游戏软件 处境自动机(Situated Automata）：“处境-动作”规则——“感知-动作”规则) 。 混合方式：InteRRaP、Touring Machines。
20.4. 软件Agent通信
建立通信标准： 促进通信接口和SA的实现相分离； 公用的通信语言： 过程型：提供Scripting语言去表示需交换的过程指令、单个命令或程序； 说明型：通过谓词逻辑语言传递信息。 ACL(Agent Communinication Lauguage)： ARPA倡导的知识共享创始(Knowledge Sharing Initiative)项目。 由三个部分构成： 词汇表——共享本体论、对于协同工作所涉及论域的概念化描述； 内部语言——KIF(Knowledge Interchange Format； 外部语言——KQML(Knowladge Query and Manipulation Language。
20.5. 软件Agent分类概观
按照Nwana的观点，可从以下几个方面作分类分析： 移动性——分类为静止型和移动型。 思考性——分类为思考型和反应型。 行为特性： 理想SA的基本特性可归纳为三个： 自治性、合作性和学习性；
分类如图9.2所示。 扮演角色——分类为：提供信息、 执行任务、作为接口等。
五类有实用前景的SA： 合作型SA、接口型SA、 移动型SA、信息型SA、 反应型SA。 混合型SA——这些类型中可以有两个或三个类型的特性集结于同一SA。 异质MA系统——一个MA系统包括多种类型的SA。
21 ARCHON体系结构，软件Agent自身模型的定义，合作问题求解活动的定义；传统合作问题求解模型的主要问题，个体意向和联合意向，基于联合目标和公共处方的联合负责模型，GRATE*提供的联合意向定义，联合行为建立的二相过程，基于联合负责模型的合作协调。
22 关于本体论的基本概念和研究目标，基于KIF的本体论开发工具Ontolingua，基于KQML的交互协议，通信促进服务，软件Agent社会的模型和行为准则。
