haa_y的博客

本文为零基础读者介绍AI中解决优化问题的四种方法：1）局部搜索（如爬山算法）通过逐步改进当前解来寻找最优，但易陷入局部最优；2）模拟退火通过概率性接受较差解来跳出局部最优；3）线性规划适用于目标和约束均为线性的问题；4）约束满足问题（CSP）通过回溯和一致性检查解决离散优化问题。文章提供了每种方法的伪代码实现和适用场景，并建议根据问题特点选择合适方法，如地形复杂用模拟退火，约束多用CSP等。最后给出常见错误提醒，如邻域定义不清、忽略启发式等。

局部搜索算法通过维护单个节点并移动到相邻节点来寻找最优解。爬山算法通过选择当前节点的最佳邻居进行优化，但可能陷入局部最优。模拟退火算法通过温度参数控制接受劣解的概率来避免局部最优。线性规划用于优化线性目标函数，约束满足问题则通过变量、域和约束来建模。回溯搜索通过试错方法寻找解，结合启发式选择和一致性维护提高效率。算法包括最小剩余值启发式和最小约束值启发式来优化搜索过程。

摘要： 从52张牌中抽到黑桃或2的概率计算：共有13张黑桃和4张2（含黑桃2）。使用概率公式P(黑桃或2)=P(黑桃)+P(2)-P(黑桃且2)=13/52+4/52-1/52=16/52≈0.308。 抛两枚硬币出现一正一反的概率：可能的组合为正正、正反、反正、反反。有利情况有2种，故概率为2/4=0.5。 因果图分析题：当已知火车准时，轨道维护与否不影响预约出席概率（正确），因为维护仅通过影响火车准点率间接影响出席。 联合概率计算：电池由A厂生产且缺陷的概率=0.6（A厂生产概率）×0.02（A厂缺陷率

本文介绍了概率论在AI中的应用，从基础概念到贝叶斯网络和隐马尔可夫模型(HMM)。主要内容包括：1)概率公理和随机变量；2)条件概率与贝叶斯公式；3)联合概率和常用规则；4)贝叶斯网络的图结构表示和推断方法；5)马尔可夫假设和HMM模型，包括状态转移和观测发射模型；6)近似推断方法如采样技术。文章强调AI通过概率计算处理不确定性，为从静态到动态的推理问题提供了系统方法。

摘要：本文介绍了概率论中的核心概念，包括世界概率、无条件/条件概率、随机变量及其分布。重点讲解了贝叶斯规则及其应用，联合概率的计算方法，以及概率运算规则（否定、容斥、边际化）。详细阐述了贝叶斯网络的数据结构表示和推理方法，包括枚举推断和采样技术（拒绝采样、似然加权）。最后介绍了马尔可夫假设、马尔可夫链转移模型，以及隐马尔可夫模型的基本原理，说明了如何通过可观测状态推断隐藏状态。全文系统性地构建了概率推理的知识框架。

如果你也被扫雷 AI 的“超能力”吸引过——打开一片安全区、精准标雷、偶尔摆烂随机一手——那么这篇文章正好适合你。我们会从零到一，用最轻松的方式，带你实现一个能自己推理的扫雷 AI：它懂知识表示，会做逻辑推理，还会在没招时优雅地随机一把。

摘要：本文解析骑士与无赖谜题中的逻辑约束建模方法。核心要点包括：(1)必须为每个角色添加Or身份约束，确保"非此即彼"的设定；(2)使用Biconditional精确建模角色陈述；(3)多人场景需要完整身份约束才能交叉验证；(4)逻辑符号(∧/∨/↔)分别实现条件组合、身份互斥和真值对应；(5)模型检查通过穷举保证完备性。文章通过4个典型谜题演示了从基础约束到复杂陈述的建模过程，强调符号定义和等式判断对逻辑推理的重要性。

本文介绍了基于知识的智能体（Knowledge-Based Agents）及其逻辑推理的核心概念。主要内容包括： 基本定义：基于知识的智能体通过内部知识表示进行推理和行动，核心概念包括语句（Sentence）、命题符号（Propositional Symbols）和五种逻辑连接词（¬, ∧, ∨, →, ↔）及其真值表。 关键概念：模型（Model）表示可能世界，知识库（KB）存储已知事实，蕴含（Entailment）描述逻辑关系，推理（Inference）是从知识库推导新结论的过程。 模型检验算法：通过枚

本文摘要：知识型智能体通过内部知识表征进行推理，涉及命题逻辑、逻辑连接词（如与、或、蕴含）和真值模型检查。推理方法包括模型枚举（计算复杂度高）和定理证明（如Modus Ponens、归结法）。一阶逻辑（FOL）引入常量符号、谓词符号和量词（全称、存在），扩展了命题逻辑的表达能力。文章还以游戏（如《妙探寻凶》）为例说明逻辑编码的应用，并讨论了合取范式转换和归结推理等关键技术。