我对爬山算法有点困惑。 我想“运行”算法，直到我在树中找到第一个解（“a”是初始状态，h和k是最终状态），它说状态附近的数字是启发值。这是树： 我的问题: 我试着在树上爬山，所以我们开始一个->f->g，然后什么？结束（没有结果），但我读到爬山不能回去做一个新的选择（例如j或e）？是这样吗？ 如果我能回去怎么办？我的意思是，当我们改变初始选择时，我们选择e而不是g，或者选择j而不是f 对不起，我的问题太简单了。爬山不能保证不会陷入局部最小值/最大值。 然而，只有最纯粹的爬山形式才不允许你后退

我正在自动化一个向真人提问的过程（通过短信，但不重要）。这些问题的答案是肯定的/否定的，但该人可能会以多种方式做出回应，例如：当然，现在不会，是的，永远不会，或者以其他方式。我想尝试解析这个文本，并确定它是肯定的还是否定的答案（当然，它可能并不总是正确的） 我认为这样做的想法和概念可能已经存在，因为这似乎是人工智能的一项常见任务，但我不知道它可能被称为什么，所以我找不到关于如何实现它的信息。所以我的问题是，有没有开发出算法来进行这种解析，如果有，我在哪里可以找到更多关于如何实现它们的信息？我在想

我无法理解作者是如何计算适应度函数的，以及他是如何分别计算8 6 5的： 书名：斯图尔特·J·拉塞尔和彼得·诺维格——人工智能的现代方法 请帮助我，因为我花了很多时间。起初我以为这是在计算一个人的数量，但事实并非如此。有人能解释我吗 遗传算法中的适应度函数依赖于问题。您应该根据其“基因”完成给定问题的方式，将适应度值分配给当前群体中的特定成员。解决方案越好，健康分数越高。这是通过创造新一代来进化种群所必需的。 在这本书的第三版中，这个例子是关于8皇后问题的，在这种情况下，函数是基于非邻接皇后对

现在我正在尝试实现一个粒子过滤器。我得到了一张挂在墙上的地图，我试图在这张地图上定位一个机器人。基于粒子滤波方法，我初始化1000个随机粒子，在每个步骤中，我根据特定的移动指令移动这1000个粒子，即一对角度里程计。移动之后，我计算测量的可能性，并将其与感知到的到墙壁的距离进行比较，然后根据粒子的可能性对其重新采样。我认为这是粒子过滤器的基本过程。现在让我困惑的是，我应该如何处理一些粒子在前进时撞击墙壁的情况 我想对你来说太晚了。然而，它可以帮助其他人。粒子滤波是一种概率方法，可以根据运动和先验

我目前正在使用换位表进行移动排序。使用迭代深化搜索，我存储上一次迭代的minimax值，以便为下一次迭代排序移动。那很好 这是我的困惑： 如果我在换位表中找到某个位置，那么我将使用先前计算的分数进行移动排序（来自迭代深化的上一次迭代）。然而，如果这个位置的分数被更新（在返回minimax之后），并且该位置在另一个子树中再次被找到（迭代深化的相同迭代）-我不想仅仅将其用于移动排序。。。我应该能够返回这个值，因为这个值现在已经为这个迭代计算过了，并且是绝对值 我的问题是：有两个换位表是标准的吗？一个

我正在构建一个基于人工智能的问答聊天机器人。具体步骤是什么？由于我对Python和AI都是新手，我应该如何开始工作呢。 （注意：-使用Python和构建生成式聊天机器人是必须的，因为这是一项任务）聊天机器人，至少值得命名的聊天机器人是相当复杂的。有很多团队每天都在努力制作一个。但是，好消息是，“智能”这个词没有一个确切的定义，简单的东西可能就足够了 你可以使用一种精确匹配的方法，当你第一次给它机会时，它会让你失望。您可以将现有问题中的一组单词与您收到的单词进行比较，这会稍微好一点。但是，如果您仍

我在我的一本AI书籍中读到，在模拟或游戏中用于路径查找的流行算法（A-Star、Dijkstra）也被用于解决著名的“15难题” 有谁能给我一些建议，告诉我如何将15个难题简化为一个节点和边的图形，以便我可以应用其中一个算法 如果我将图中的每个节点视为一个游戏状态，那么这棵树不会变得很大吗？或者这只是一种方法吗？只需使用游戏树即可。请记住，树是图形的一种特殊形式 在您的情况下，每个节点的叶子将是您在当前节点上进行一个可用移动后的游戏位置。快速的谷歌搜索会找到一些文章，详细介绍了这一点：一篇在上，

你知道除了图案记录之外还有什么应用吗。为了实现Hopfield神经网络模型，需要使用递归神经网络（Hopfield网络是其中的一种特殊类型），用于序列学习中的几个任务： 序列预测（将股票价值的历史记录映射到下一时间步的预期值） 序列分类（将每个完整的音频片段映射到扬声器） 序列标签（将音频片段映射到所说的句子） 非马尔可夫强化学习（例如，需要深度记忆作为T迷宫基准的任务） 我不确定你所说的“模式识别”到底是什么意思，因为它基本上是一个完整的领域，每个任务都可以使用神经网络进行匹配。递归神经网

我已经实现了一个分类器 每次迭代都会收到一个要分类的参数对象，一些对象共享一个可分类的“属性”，如颜色名称 分类参数可能会改变，因此它们也会参数化 并在初始化时传递给该分类器 分类器实现基于类型的分类逻辑 可能的分类和要分类的对象的名称 我对一些文章中使用的词汇感到非常困惑： 这是一种常见的分类器形式吗？ 在我的方法中，我没有看到向量，没有统计分类，没有层次分类，没有机器学习，等等 哪种分类器适用于计算机科学文献？您的“参数对象”是一个特征向量。您的分类器显然不涉及培训，因此我认为它是一个基

我有一些单层神经网络的代码： class network { var outputs; var weights; var biases; feedforward(inputs) { } outputFunction(number) { } } 输出函数是一个sigmoid，因此返回一个介于0和1之间的数字。输入是1和0的数组 我通过添加outputs2、weights2、biases2添加了一个隐藏层，然后执行以下操作： feedforward2(inputs) { use w

我正在寻找AI算法来连接一个简单电路中的大厅，我假设它可以表示为一个二维矩阵，它本身会导致一个图形问题。 我找不到这样的算法，所以我可以添加一个启发式算法。 我很确定这是一个著名的人工智能问题，但我不知道它的名字， 希望任何人都能告诉我在哪里可以找到这样的算法，并向我保证我关于电路及其图形表示的假设是正确的。 谢谢。我不知道你所说的“连接大厅”是什么意思，但如果你试图布置一条电路，也许搜索“拓扑平面布线算法”会对你的搜索有所帮助 此外，以下文章可能会给您一些想法： )我在某个地方读到，遗传算法被

我想实现一个*并寻找一个引用 在以下情况下，它可能会失败。考虑三个节点A、B和C START -> A -> C -> GOAL | ^ \-> B 路径成本为： START -> A : 10 START -> B : 1 B -> A : 1 A -> C : 100 C -> GOAL : 100 显然，解决方案是START->B->A->C->GOAL，但是如果启发式方法允许我们在扩展B

在开始讲话之前，请看以下内容： 我想知道人工智能如何预测出正确的角度和力量，以使射击符合玩家的要求。它们都处于静止位置，不移动 感谢您的帮助……您需要先了解一下。问题是不同的功率需要不同的发射角度，因此您需要尝试不同的功率范围或角度范围 编辑：您所附的图像描述了给定投射物子弹、炸弹以及您在平行于地面的水平面上投掷的任何物品的路径。这些特殊类型的问题通常需要线性运动方程的变化，这就是你在网站上看到的 除了运动方程，我链接的网站应该给你一些简单的问题，以及如何解决它们，以确保你遵循 根据您的问题，

想象一下，你给一个系统提供了一堆PDF，而只有你知道这些PDF是如何关联的（例如，它们都是论文、新闻或发票）。系统知道批次已连接，但不知道它们之间的关系 然后系统扫描这些pdf，并为每个文档建议索引及其各自的值 这里有一个例子：你向系统提供你公司所有的发票。系统处理这些单据并建议索引“供应商”、“发票成本”和“到期日”。对于每个pdf，系统还提取条目的值 所以我的问题是：什么样的人工智能系统最适合这种情况？神经网络？组合？如果您知道机器应该查找什么关键字，并且文档都遵循相同的格式，则只需搜索关键

在《人工智能-现代方法》第三版中，我看到了一句有趣的话： “到目前为止，还没有很好地理解如何将两种算法[目标导向推理/规划和启发式搜索]组合成一个健壮高效的系统”（Russel pg 189） 为什么会这样？为什么很难将面向目标的规划与启发式搜索结合起来？强化学习不能解决这个问题吗？术语“目标导向推理”在20世纪80年代被用于回溯搜索技术。有时它被称为反向推理或自上而下的搜索，这意味着一切都一样。它描述了算法在遍历状态空间中的工作。或者更具体地说：它描述了访问图中状态的顺序。在较新的文献中，规划

关于面向agent编程范式的三个标准： 支持定义代理心理状态的逻辑系统 用于编程代理的解释式编程语言 代理化过程，用于将代理程序编译成低级可执行系统（与第二点相关） 有没有未编译的解释编程语言？据我所知，解释语言的全部目的是实现一种具有某些功能、语法等的新语言。。。但是底层的实现最终需要编译成一些低级的东西，以便它能够实际执行 面向代理的编程范例的第3点是否只是简单地说，仅仅从理论上定义一种语言，而不将该语言实现为可编译为可实际运行的低级代码是不够的？事实上，编译语言和解释语言之间存在一个连

变分自动编码器（VAE）本身就是一个令人振奋的概念。毫不奇怪，大多数帖子、评论和教程都集中在理论和体系结构上，但大多数也没有提到数据扩展的主题。在使用VAE进行实验时，我遇到了一个（对我来说）令人惊讶的阅读标志，即数据缩放成VAE的方式非常重要，我无法理解这是什么原因 要可视化以下问题，请在此处访问笔记本： 假设目标是通过VAE重建正弦波（例如声波）。当我通过模型输入标准化数据时，它只能得到-1和1之间的近似值。显然，快速的答案是将数据标准化。然而，这导致了以下问题： 1） VAE只能近似于-1

我正在尝试向提交解决方案，但提交后出现以下错误 错误：在“Id”列中找不到1459个必需的键值 错误：在“Id”列中找不到所需的键值“1461” . . 错误：在“Id”列中找不到所需的键值“1469” 问题是测试数据集只有1459行，从错误来看，验证集似乎需要更多的条目 当您在开始读取csv文件时，请注意将index_col='Id'参数放入其中 df_train_full = pd.read_csv("/kaggle/input/.../train.csv", index_col='Id'

我试图开发一个语音助手，但我不知道该用哪种语言。 我希望该应用程序在windows和android上都能正常工作。 如果您有任何建议，请发布。Python将是最好的答案。Python有很多工具可用于此目的。确切地说是Python。它为我们提供了很多工具和库。对于这些类型的项目，我强烈推荐python。这里有一些工具和库可能对您有所帮助 wikipedia-从wikipedia获取信息或执行wikipedia搜索 pip install wikipedia 请求-生成GET和POST请求 pip

遗传算法是一种元启发式算法。声明是人口每一代都会进化成更好（更适合）的解决方案。为什么呢 我对人工智能相当陌生，但希望逐步提高；-）所以请帮助我理解这个算法 在每次迭代中，都会创建新一代的总体。为什么它会包含一个同等适合或更适合的个体 Create a population of Individuals WHILE population does not have the optimal fittest OR not maximum number of generations call:

当IDA*（迭代深化星号）算法运行15个难题时，我必须对其进行可视化。确切地说，我需要可视化树和拼图 IDA*算法与A*算法类似 我需要实施三件事： 1） IDA*代码 2） 之后，IDA*与问题（15个谜题）相连 3） 然后，我需要可视化算法的树 但我相信之前一定有人实现了IDA*运行15个难题的代码。我需要您的帮助来查找此源代码，这样我就不会花2个月的时间来编写以前由其他人编写的代码，这样我就有时间专注于可视化。 15拼图 我知道一些C、C++和C语言。 我需要一个简单的源代码，我会理解的，

最近我和一个朋友进行了一次有趣的人工智能讨论，我对专家系统产生了好奇 在谷歌上花了2个小时后，我找不到任何有用的东西开始使用。有没有人知道一个运行在mac上的专家系统外壳，并且有足够好的文档记录，让初学者能够理解并使用它来构建专家系统 我认为与它们一起玩是了解它们如何工作、知识如何建模的一个好方法。CLIPS在Mac OS X上运行：。有在线文档和PDF。你可以浏览一下用户指南，看看它是否是你感兴趣的东西

请观看这段16秒的视频演示，演示在最便宜的首次搜索过程中所做的决定。 00:08，演讲者选择不扩展从Oradea到Sibiu的路径，因为Sibiu已经被探索过。我觉得这是一个错误的选择，因为我们正在寻找成本最低的道路。虽然Sibiu已经探索过，但我们仍然需要检查这条新路径，因为它可能提供一条通往Sibiu的路径，这条路径的成本比之前探索的通往Sibiu的路径要低。请解释我是否在这里，或者告诉我哪里出了问题。如果你做了重复的决定，你将陷入一个循环，永远不会出来。这就是为什么您会保留已访问的节点，并

我想知道在我的推荐系统中使用模糊逻辑如何能获得某种优势 我的系统基本上通过以下方式计算用户之间的相似性： 谷本系数 余弦距离 离散距离 然后将所有相似性合并为一个从0到1的度量值。 因此，我们可以为用户1找到相似的用户，然后向他推荐与他相似的用户购买的商品 我了解模糊理论的基本知识，只是想不出在这里有什么用法，但想试试 我想听听你对此有什么想法。我还没有看到模糊逻辑在现实生活中有如此多的成功应用，所以我不会对它期望太高 如果你想不出任何用法，为什么要尝试它？如果你的相似度值从0到1，你可以使

我的剪辑文件中有以下规则： (defrule check-final (declare (salience 12)) ?scnt <- (set-count (value ?v) (class ?c)) (test (= ?v ?*total*)) => (printout T ?*total* " == " ?v crlf) ) 这是怎么可能的？？？发现了部分问题：我正在使用全局？*total*，根据 全局变量可以作为模式匹配的一部分进行访问 过

我不确定这是否是问这个问题的正确地点，但现在开始 我已经做了大约12年的程序员，拥有php、java、c#、vb.net和asp方面的经验。我一直对人工智能很感兴趣。我认为这对任何开发者来说都是一个终极挑战 我已经写了很多简单的脚本来玩游戏，但与我接下来要做的相比，我什么都没有写。我想写一个能玩MMORTSG（大型多人在线实时战略游戏）的AI程序。我一直在搜索许多AI技术，但似乎没有一个能解决我知道我将面临的问题： 我可以预见的问题： 游戏没有“双赢局面”，相反，与其他玩家相比，最好的策略是增长

我建立并训练了一个无监督的深层人工神经网络，从一个大数据集中检测高阶特征 这些数据包括每日的天气测量，我的深网最后一层的输出是4个神经元宽，有望代表高阶特征。 现在我想检测一个非常罕见事件（例如龙卷风）的概率。 我挑出了导致龙卷风的数据点，但这些数据点很少，大约是5000000个数据点中的10000个 What's the best design for my tornado classifier? 创建一个仅由10000个tornado数据点组成的训练集，每次的期望输出为1 创建一个由所有

我正在从事人工智能领域的一个类似游戏的项目；其中我使用PSO算法为敌人找到玩家的位置。我的问题是： 如何优化粒子群优化算法以找到一个不是静态的、不断变化的目标 我想在这个游戏的不同层次上实现一些群体智能算法。在更新粒子速度之前（以及之后，在限制速度、位置之后），通常在PSO中，粒子最佳位置和群最佳位置在当前迭代中更新群中每个粒子的w.r.t.目标函数值。让我们分别表示这些位置particleBestPos（对于每个粒子）和swarmBestPos。最后，对于每个粒子，让particleCurre

如果给你： 机器人传感器检测到物体的概率分布，假设它位于位置p（z | x） 机器人在任何位置的先验概率 由机器人传感器进行的实际观测 如果要更新这个观察结果的概率分布，你会用什么方法 我不确定我是否应该使用贝叶斯滤波器、卡尔曼滤波器，或者我是否过度考虑了这个问题 例如： 如果一个机器人可以沿着数字线从1-7移动，在x=4时进行站立投票。机器人可以判断投票是在它的左边、右边还是在它前面（z=-1,1,0） p（z | x）x=1x=2x=3x=4x=5x=6x=7 z=-100.25.5.5

我正在制作一个人工智能应用程序，在那里我发现了关于minimax和Alpha-beta修剪的知识。我发现在程序中我已经使用了极小极大的概念 我发现Alpha-beta修剪减少了要搜索的分支 所以我的问题是，我需要什么类型的树来应用这个算法 在研究中，我总是发现二叉树。（每个节点正好有两个子节点） 但在我的应用程序中，每个节点可以生成1到30个子节点 那么我应该对它使用alpha-beta修剪吗？或者这是不可能的。 是否有其他算法可以像Alpha-beta修剪那样减少分支？对于节点有两个以上子节点

在训练多层神经网络时，需要使用一个sigmoidal激活函数来有效地学习 在训练单层感知器时，使用S形激活函数是否有任何优势，或者简单的阶跃（heaviside）函数是否足够（甚至更好） 我正在慢慢地了解神经网络，但如果能得到任何帮助，我将不胜感激。是的，这是一个优势。结果可以是介于0和1之间的某个值，不必是“是”或“否”，也可以是“可能”。即使是单神经元模型，最好有一个非阶跃激活函数 如果需要，这取决于输出的读取方式。您需要二进制（是、否）值还是介于两者之间的值 我想你也可以用线性函数，如果你

我正在寻找推荐书（或其他资料，如网页）来展示这些例子——给定函数的神经网络结构（人工） 也就是说，对于具有N个参数的函数min，什么是最好的网络结构（在某种意义上，是最低限度的，但又是正确的）。或用于abs功能。等等 我的问题（你推荐什么书？）的原因是我想获得适当的“感觉”，如何塑造网络以获得所需的效果，而不过度使用密集的网络，该网络计算正确，但效率非常低。没有“最佳神经网络结构”这样的东西。如果你幸运的话，你会找到一个能胜任这项工作的结构，但这并不意味着这个结构是“最好的” 我强烈推荐你读书。

最近我研究了k-最近邻和决策树，我很好奇这两者之间的区别，也就是说，对于像分离目标函数“如果x2>x1返回1，否则返回0”这样的任务，选择最近邻会很好，因为决策树会涉及太多的拆分。 所以我只是在考虑在什么样的情况下，选择一个决策树比k-最近邻更合适 另一个问题是关于K-最近邻，我知道当K=1时，它只是一个基线分类（将实例分类为其近邻集的类）。有人能告诉我什么样的分类任务，3-最近邻肯定会超过1-最近邻的neightbour分类器吗 提前谢谢 这是对第二个问题的回答 （我假设“绝对跑赢”是指总是跑

你知道一个好的和最重要的详细禁忌搜索的例子 有些事情并不难，因为我正在理解这个很酷的算法 我发现了这个和这个，但它不是很详细，我几年前从维基百科上了解到的，但是要好得多。关于代码示例，请看一看Jason Brownlee博士的。介绍了Ruby代码的示例，其中还包括Ruby代码的示例。我写了一篇关于禁忌搜索以及如何使用禁忌搜索解决TSP的文章， 以及java实现。我希望这能有所帮助

如何在Q-学习中使用最小-最大树 我想实现一个Q-Learning connect-four代理，听说在其中添加MinMax树很有帮助。Minimax允许您展望未来的许多动作，并以一种最大化您在该时间跨度内得分机会的方式进行比赛。这对Connect-4很有好处，在Connect-4中，游戏几乎可以在任何时候结束，并且每回合可用的移动次数不是很大。Q-Learning将为您提供一个值函数来指导Minimax搜索。Q-Learning是一种算法。对于每个可能的状态（板），它学习可用动作（移动）的值。

我希望对口水有更深入的了解，我想知道剪辑的技能和知识是否可以转移到口水上 特别是，我想知道下面这本书是否有助于深入了解口水背后的一些原理 ? 注：此问题由选定答案中的评论回答。亚马逊上有几本DROOLS图书，包括今年（2013年）出版的两本。亚马逊上有几本DROOLS图书，包括今年（2013年）出版的两本.我发现Drools的书存在的问题是，它们没有对理论进行太多的详细阐述。然而，CLIPS书籍倾向于更详细地介绍，这就是为什么我想知道CLIPS书籍中包含的知识是否可以转移到Drools。许多知识

首先，对这样一款游戏进行静态搜索是否值得？其次，如果静态搜索确实值得，那么该搜索应该考虑什么（例如关闭工厂、阻塞工厂等） 谢谢， 伊万

我有一个游戏，有多个敌人，他们必须追逐一个玩家。我使用带有mp_网格和路径的GML A*寻路设置了寻路。然而，在寻找玩家时，这些敌人可以在对方的上方行走。为了解决这个问题，我还告诉路径使用mp_grid_add_实例忽略敌人，但是它们完全停止移动，因为它们将自己视为障碍，从而将自己困在边界框中。有没有一种方法可以通过mp_grid_add_实例添加“除self之外的所有其他敌人” 以下是我的网格创建代码（在用于初始化变量的控件类中）： 这是我的路径初始化代码（在Zombie类中）： 这是报警0中

所以我为我的基于国际象棋的益智游戏实现了一个极大极小搜索。在这种情况下，搜索将确定下一步的AI片段 minimax本身运行良好，它返回预期的移动，但当我实现alpha-beta修剪时，minimax在每次旋转中为每个片段返回相同的两个值。 例如，当前处于（0,0）位置的AI车可能会收到（1,0），因为它从极小极大移动，下一次它要求极小极大移动时，它将收到（0,0）。无论我在求值函数中做了什么更改，这个循环都会发生 游戏状态由用户位置、棋子位置和代表棋盘本身的棋盘阵列组成。 我在这里使用自己的节点

我使用Jason语言在两个代理之间进行通信。但我无法使用send操作，它给出了一个错误 这是我的两个经纪人 代理1：- // Agent Agent1 in project factorial3.mas2j /* Initial goals */ !start. /* Plans */ +!start : true <- .print("starting.."); !query_factorial(2). +!query_factorial(X) : true <-

我正在从中学习迭代深化。我主要关心的是开销。这个链接说 分支因子越高，重复执行的开销越低 扩展状态 对这一说法没有任何解释，也没有给出令人信服的论据。我在寻找这句话背后的原因，因为我认为开销应该随着分支因子的增加而增加，这也意味着没有节点在增加，那么开销是如何减少的呢 到现在为止，我还没有发现任何合理和有用的东西。如果有人能帮助纠正我的观念，我将非常感谢你。你的问题的答案在陈述上面的公式中 (d)b + (d-1)b^{2} + \cdots + 3b^{d-2} + 2b^{d-1} + b

我需要知道离散数学在人工智能中的重要性 离散数学将帮助您理解数学的基本结构，同时培训您发展逻辑直觉（编写归纳证明，向您介绍鸽子洞原理等技术）。 进入人工智能领域，真的没有一条直截了当的道路像人工智能这把伞一样，自从这个词被发明以来，它已经扩大了很多，但是人们决定坚持它，因为把每一个分支——机器学习、决策、NLP、问答、信息检索——都称为人工智能是有意义的 一旦你在写证明和理解逻辑方面有了坚实的基础，你就可以通过潜入最新的研究从特定领域开始。如果不是，你就必须通过学习离散数学课程来加强你的基础。这

我想用强化学习编程一个人工智能。这个游戏是鬼！（）： 在鬼魂里！，每个玩家都有四个好鬼魂和四个坏鬼魂——但只有拥有鬼魂的玩家才能看到它是好是坏（就像Stratego中的棋子一样）。这些鬼魂在一个6x6游戏板的后排开始游戏，并移除角落。每一回合，玩家将他的一个鬼魂垂直移动一个正方形。进入对手的鬼魂会杀死该鬼魂。要想获胜，你必须除掉你自己的恶鬼，杀死你对手的好鬼，或者从你对手的角球格中移出你的一个好鬼 您将使用哪种算法来编程AI？这是非常广泛的。您想用什么方式将RL和MinMax结合起来？更重要的是

考虑以下图表： 我们将S定义为起始节点，G定义为目标节点。 A*应该找到G，因为它总是找到目标 但是，基于最低的f（n）实现A*，其中f（n）=g（n）+h（n）导致以下路径： S->B->X或Y X&Y启发式是零（因此它们必须是目标节点），但就问题的定义而言，我们真正的目标是G。 这是否意味着我们选择的启发式是不可接受的？算法应该继续，因为它没有找到目标，除非假设目标是任何具有零值的节点。@SamiKuhmonen，但不是，h（n）=0 n是目标，是*算法的先决条件？据我所知，不是。这只是一

我正在读一本书，格伦·西曼（Glenn Seemann）和大卫·m·伯格（David m Bourg）写的《面向游戏开发者的人工智能》，他们将视频游戏人工智能作为基于规则的学习系统的一个例子 基本上，玩家有3个可能的移动，并以三击的组合命中。人工智能旨在预测玩家的第三次打击。系统的规则是所有可能的三步组合。每个规则都有一个关联的“权重”。每次系统错误猜测时，规则的权重都会降低。当系统必须选择规则时，它会选择权重最高的规则 这与基于强化学习的系统有何不同？谢谢 是的，这是学期末的强化学习。今天，你

我正在研究决策和人工智能之间的区别 这两个主题有什么不同？我现在不明白，这两个领域有区别吗？或者其中一个包含另一个 人工智能的一个定义是，它是关于采取理性行动的代理，其中理性的定义取决于上下文。在《人工智能：现代方法》（第三版）中，作者说： 我们将人工智能定义为对从网络接收感知的代理的研究 环境和执行操作 后来： 理性主体是指为了达到最佳结果而采取行动的主体，或者在存在不确定性时，达到最佳预期结果的主体 采取行动需要做出决定，因此AI就是要做出理性的决定 当然，这并不意味着人工智能在决策方面具有

我对人工智能产生了兴趣，希望跟上最新的人工智能研究。有人能推荐我应该阅读的前2-3种人工智能期刊吗？也许你的兴趣范围更广一些，但看看和它的姐妹软件库。一些好的期刊有： （贾伊尔） 另外，《机器学习研究杂志》是一本伟大的杂志（如另一篇文章所述），但它只涉及机器学习（人工智能的一个子集），而不涉及其他人工智能相关领域。如果你真的想了解人工智能的最新进展，你还应该关注一些引人注目的会议，如： （IJCAI） （AAAI） 太好了，我来看看。谢谢

目的是引导机器人从源S到目标G，同时以任意顺序通过所有检查点@。无法访问标记为的单元格。机器人可以在标记的位置上移动 解决这个问题的一种方法是从当前状态中选择一个检查点作为目标，然后引导bot到达它。然后选择下一个检查点作为目标，选择当前检查点作为源，并引导bot实现其新目标。最终将它从最后一个检查点引导到状态G。但是这种技术严重依赖于通过检查点的顺序。我想知道是否可以找到一个好的启发式方法来决定下一步去哪个检查点？我认为这个问题可以归结为旅行推销员。设S、G和@为图的节点。然后计算每对节点之间

我只是不明白如何计算神经网络的输出，它包含一个循环连接 下面是一个例子（我还不能发布图片）： （i_1,2是输入值，w_1,2,3，r是连接权重，o_1是输出值。） 为了简单起见，假设没有激活或传递函数。 如果我正确理解ANN的工作原理，那么在不考虑红色循环连接的情况下，输出计算如下 o_1=(w_1*i_1+w_2*i_2)*w_3 但是，当考虑红色连接时，情况如何？是吗 o_1=((w_1*i_1+w_2*i_2)+(w_1*i_1+w_2*i_2)*w_r)*w_3 也许吧？但那只是

很抱歉发布了一个基本问题，而不是一个详细的编程问题！唉，IBM派人来这里寻求BlueMix支持 我们正在评估不同的人工智能机器人，与沃森一起，我认为我们想做的是使用Alchemy分析我们的网站，并拥有一个聊天机器人，可以使用常识以及Alchemy从我们的网站学到的知识回答随机问题 但是，我找不到一个如何将炼金术连接到聊天机器人的例子。你们谁能给我指一下正确的方向吗？改天我会带着更难的问题回来 我认为，是使用炼金术分析我们的网站，并有一个聊天机器人，可以回答随机问题使用一般知识以及炼金术从我们的网