简介：这份资料是山东大学人工智能导论课程的概念汇总笔记，面向正在修读该课程或备考期末的学生，也适合希望系统梳理人工智能基础概念的自学者。内容围绕课程核心章节展开，涵盖智能与人工智能的基本定义、知识表示与知识图谱、确定性推理方法等模块，对一阶谓词逻辑、产生式表示法、框架表示法、语义网络等知识点做了条理化归纳，并标注了非重点内容，便于读者按考试范围取舍复习。资源包共1个PDF文件，大小约2.28MB，以文档形式集中呈现概念定义、公式符号与结构示例，适合打印或平板阅读。目前已有433人学习下载，说明其在课程复习场景中具有一定参考价值。读者可借助这份汇总快速建立章节框架、对照课堂笔记查漏补缺，并在考前集中回顾推理方法、搜索策略与遗传算法等高频考点，提升复习效率。

1. 从一道“送分题”翻车说起：人工智能导论到底考什么

期末卷子上有一道题，几乎年年出现，却年年有人栽：给出一段自然语言描述，要求“用一阶谓词逻辑表示，并化为子句集”。很多人觉得这是送分题，提笔就写，结果量词辖域写错、Skolem 函数漏掉、否定符号没推进谓词里，一道 10 分的题最后只拿到 3 分。这门课的考试特点就在这里——概念看着都眼熟，真到落笔，考的是你能不能把“智能、知识表示、确定性推理、不确定性推理”这几块串成一条完整的链路。整张卷子的分值分布大致是：绪论与基本概念占两成，知识表示（谓词逻辑、产生式、框架、知识图谱）占三成，确定性推理（自然演绎、子句集、归结反演）占三成，不确定性推理（可信度、证据理论、模糊推理）占两成。想拿高分，靠的不是背名词，而是把每一类表示法和推理方法对应的“标准动作”练成肌肉记忆。这份概念汇总把代码框内容标为非重点，正好帮你把精力压在概念辨析和手工推导上，适合正在突击期末、想把知识点一次捋顺的人。

2. 知识表示：四种表示法的辨析与谓词逻辑落地

知识表示是整门课的地基，也是简答题和计算题的高频出题区。考试不会只问你“什么是知识表示”，而是给你一个场景，让你判断该用哪种表示法、为什么，再让你动手写一段谓词公式或产生式规则。这一章把四种表示法的适用边界讲透，再落到谓词逻辑的具体写法上。

2.1 四种表示法的对比与选型判断

先看一张对比表，考场上遇到“某场景适合哪种知识表示方法”的选择题或简答题，直接按这张表对号入座。

选型题的答题套路通常是：先点明知识的性质（确定性还是不确定性、是否强调结构），再对应表示法的特点。比如“诊断规则之间存在因果链、且部分规则带置信度”，答案就落在产生式表示法上，因为产生式既能表示精确规则，也能通过加置信度表示不精确知识，这一点是谓词逻辑的蕴含式做不到的——蕴含式只能表示精确知识，这是简答题里经常设的对比点。

2.2 一阶谓词逻辑：从自然语言到谓词公式的标准动作

谓词逻辑题失分最多的地方不是不会写，而是写不规范。标准动作分四步：定义谓词、确定个体、选量词、连连接词。看一道典型题。

题目：凡是容易的课程小王都喜欢；C 班的课程都是容易的；ds 是 C 班的一门课程。用谓词逻辑表示上述事实。

定义谓词： EASY(x)：x 是容易的 LIKE(x, y)：x 喜欢 y C(x)：x 是 C 班的一门课程 事实表示： (∀x)(EASY(x) → LIKE(Wang, x)) (∀x)(C(x) → EASY(x)) C(ds)

这段的关键在于量词辖域和蕴含方向。第一句“凡是容易的课程小王都喜欢”，全称量词管住的是“容易的课程”这个条件，所以写成EASY(x) → LIKE(Wang, x)，而不是EASY(x) ∧ LIKE(Wang, x)——后者意思是“所有课程既容易又被小王喜欢”，语义完全变了。这是阅卷时最常见的错误之一。连接词优先级从高到低是 ¬、∧、∨、→、↔，写复杂公式时该加括号就加括号，别指望阅卷老师帮你猜。

2.3 产生式与框架：结构图与继承性的考法

产生式系统的结构图是必背内容：规则库、综合数据库、控制系统三部分，控制系统负责匹配和冲突消解。冲突消解策略有按针对性排序、按已知事实的新鲜性排序、按匹配度排序、按条件个数排序，简答题常问“匹配成功的规则不止一条时怎么办”，把这四条列出来再补一句“实际系统常组合使用”就够了。

框架表示法的考点集中在“槽”和“侧面”的区分，以及缺省值的继承。给你一个教师框架，让你填一个具体事例框架，考的就是你能不能把“缺省：讲师”这类默认值正确继承下来。框架的继承性是它相对产生式的优势——下层框架可以继承上层框架的槽值，不用重复描述，这一点在对比题里要主动写出来。

2.4 知识图谱：模式层与数据层的分层逻辑

知识图谱的定义要抓住“节点表示实体或概念、边表示属性或关系”这一句。逻辑结构分模式层和数据层：数据层由事实组成，知识以事实为单位存储；模式层构建在数据层之上，是知识图谱的核心。构建方式分自顶向下和自底向上，前者先定模式再抽数据，后者先从数据归纳模式。数据处理对象分结构化、半结构化、非结构化三类，这个三分法在选择题里出现频率不低，记住“结构化程度依次降低”这条主线即可。

3. 确定性推理：子句集与归结反演的完整链路

确定性推理是整张卷子里计算量最大、也最能拉开差距的部分。自然演绎推理考的是推理规则的应用，子句集考的是九步化简的规范性，归结反演考的是从前提和否定结论出发推出空子句的完整过程。这一章的题必须动手写，光看会了不算会。

3.1 自然演绎推理：假言推理与拒取式的组合

自然演绎推理从一组已知为真的事实出发，用 P 规则（前提引入）、T 规则（推理规则）、假言推理（P, P→Q ⇒ Q）、拒取式推理（P→Q, ¬Q ⇒ ¬P）推出结论。考试常给一段带“凡是”“如果……则……”的描述，让你证明某个结论。答题时先把自然语言翻成谓词公式，再一步步标注用了哪条规则，步骤分拿满。

题目：凡是容易的课程小王都喜欢；C 班的课程都是容易的；ds 是 C 班的一门课程。求证：小王喜欢 ds。

已知： (1) (∀x)(EASY(x) → LIKE(Wang, x)) (2) (∀x)(C(x) → EASY(x)) (3) C(ds) 推理： 由 (3) 和 (2) 全称实例化：C(ds) → EASY(ds)，假言推理得 EASY(ds) 由 EASY(ds) 和 (1) 全称实例化：EASY(ds) → LIKE(Wang, ds)，假言推理得 LIKE(Wang, ds)

每一步都要写清“全称实例化”还是“假言推理”，别跳步。跳步在步骤分上是硬伤，哪怕结论对了也要扣。

3.2 子句集九步法：每一步都在防翻车

谓词公式化为子句集是九步流程，考试要么让你完整化简一个公式，要么在中间某步设坑。九步依次是：消去 → 和 ↔、把 ¬ 移到谓词前、变量标准化、消去存在量词（Skolem 化）、化为前束形、化为 Skolem 标准形、略去全称量词、消去合取词、子句变量标准化。

Skolem 化是重灾区。规则是：存在量词不在全称量词辖域内，直接换一个新变量常量；存在量词在一个或多个全称量词辖域内，用 Skolem 函数代替，函数的参数就是辖域内的全称变量。比如(∀x)(∃y)P(x, y)化成P(x, f(x))，f(x) 就是 Skolem 函数。很多人图省事直接换个常量，这一步错了后面全错。

提示：化简完检查一遍——子句集里不应再出现存在量词，也不应出现 → 和 ↔，每个子句是文字的析取。

3.3 归结反演：从否定结论到空子句

归结反演的步骤固定：前提化子句集、结论否定后并入、反复归结、出现空子句 NIL 即证明成立。看一道经典招聘题。

题目：三人中至少录取一人；如果录取 A 而不录取 B，则一定录取 C；如果录取 B，则一定录取 C。求证：一定录取 C。

P(x)：录取 x 前提子句集： (1) P(A) ∨ P(B) ∨ P(C) (2) ¬P(A) ∨ P(B) ∨ P(C) (3) ¬P(B) ∨ P(C) 结论否定：¬P(C) 归结： (1) 与 (2) 归结（消去 P(A) 与 ¬P(A)）：P(B) ∨ P(C) 上式与 (3) 归结（消去 P(B) 与 ¬P(B)）：P(C) P(C) 与 ¬P(C) 归结：NIL

归结时有个实用技巧：按子句由长到短的顺序归结，短子句信息密度高，容易快速逼近空子句。另外要记住一条判断边界——如果归结不出空子句，既不能说子句集不可满足，也不能说可满足，这个“不能下结论”的表述在判断题里经常出现。

3.4 归结求解：ANSWER 谓词的用法

归结不光能证明，还能求解。求“小张的老师是谁”这类问题，关键是把待求解问题写成¬Q ∨ ANSWER的形式并入子句集，最后归结出ANSWER(某值)，答案就在里面。

Teacher(a, b)：a 是 b 的老师 Classmate(a, b)：a 和 b 是同班同学 前提： (1) Teacher(Wang, Li) (2) Classmate(Li, Zhang) (3) ¬Classmate(x, y) ∨ ¬Teacher(z, x) ∨ Teacher(z, y) 求解式：¬Teacher(A, Zhang) ∨ ANSWER(A) 归结： (1) 与 (3)：¬Classmate(Li, y) ∨ Teacher(Wang, y) 上式与 (2)：ANSWER(Wang)

答案是小王（Wang）老师。这类题最容易错在求解式的构造——忘了加 ANSWER 谓词，或者把否定写在了 ANSWER 上，导致归结出来的不是答案而是一个普通子句。

4. 不确定性推理：可信度、证据理论与模糊推理的计算套路

不确定性推理是计算题集中区，可信度方法、证据理论、模糊推理三块各有固定公式，背熟公式再套例题，基本不会失分。这一章的题特点是“公式对就得分，公式错就归零”，所以每个公式的适用条件和取值范围必须记准。

4.1 可信度方法：三个公式走天下

可信度 CF 的取值范围是 [-1, 1]，CF(H, E) = 0 表示证据与结论无关。核心公式有三个：

• 传递：CF(H) = CF(H, E) × max{0, CF(E)}，当 CF(E) < 0 时 CF(H) = 0
• 合取证据：CF(E) = min{CF(E₁), …, CF(Eₙ)}
• 析取证据：CF(E) = max{CF(E₁), …, CF(Eₙ)}

多条知识支持同一结论时，用合成公式：两条正可信度先加再减乘积，即 CF₁ + CF₂ − CF₁×CF₂；一正一负则用 (CF₁ + CF₂) / (1 − min{|CF₁|, |CF₂|})。

题目：已知 CF(E₁) = 0.7×max{0, min{0.5, max{0.6, 0.7}}}，求 CF(E₁)。

先算内层：max{0.6, 0.7} = 0.7 再算 min{0.5, 0.7} = 0.5 再算 max{0, 0.5} = 0.5 CF(E₁) = 0.7 × 0.5 = 0.35

这类嵌套题考的就是运算顺序，从最内层括号往外算，合取取 min、析取取 max，别搞反。合成时注意分母是 1 − min{|CF₁|, |CF₂|}，不是 1 − max，这是最常见的公式记混点。

4.2 证据理论：信任函数与似然函数的对偶关系

证据理论里，概率分配函数 M 作用于子集而非单个元素，这是它和普通概率最大的区别。信任函数 Bel(A) 是对 A 为真的总信任程度，等于 A 所有子集的 M 值之和；似然函数 Pl(A) = 1 − Bel(¬A)，表示对 A 为非假的信任程度。

题目：D = {红, 黄, 蓝}，M({红}) = 0.3，M({黄}) = 0，M({红, 黄}) = 0.2。求 Bel({红, 黄}) 和 Pl({蓝})。

Bel({红, 黄}) = M({红}) + M({黄}) + M({红, 黄}) = 0.3 + 0 + 0.2 = 0.5 Pl({蓝}) = 1 − Bel(¬{蓝}) = 1 − Bel({红, 黄}) = 1 − 0.5 = 0.5

正交和公式里有个 K 值判断：K ≠ 0 时正交和仍是概率分配函数；K = 0 时不存在正交和，称两个 M 矛盾。这个“K = 0 即矛盾”的结论在判断题里常考，记住它。

4.3 模糊推理：隶属度运算与决策方法

模糊集合给每个元素赋一个 [0, 1] 的隶属度，表示属于集合的强度。表示方法有 Zadeh 表示法、序偶表示法、向量表示法。运算题常考代数运算，规则是：代数积取对应隶属度相乘，代数和取 a + b − ab，有界和取 min{1, a + b}，有界积取 max{0, a + b − 1}。

题目：A = 0.2/x₁ + 0.4/x₂ + 0.9/x₃，B = 0.1/x₁ + 0.0/x₂ + 0.7/x₃。求 A·B（代数积）。

A·B = (0.2×0.1)/x₁ + (0.4×0.0)/x₂ + (0.9×0.7)/x₃ = 0.02/x₁ + 0/x₂ + 0.63/x₃

模糊决策把模糊向量转成确定值，方法有最大隶属度法、加权平均判决法、中位数法。最大隶属度法取隶属度最大的元素，简单但信息损失大；加权平均法用隶属度作权重求加权平均，更平滑。简答题问“三种决策方法的区别”，按“信息利用程度”这条线答即可。

5. 易错点清单：五类高频失分题的对错拆解

这一章专挑考场上最容易翻车的五类题，每条按“错在哪、为什么错、怎么答对”拆开讲。这些点不是偏题怪题，而是每年都有人踩的常规坑。

5.1 谓词公式量词与蕴含方向写反

错在哪：把“所有 A 都是 B”写成(∀x)(A(x) ∧ B(x))，或者把蕴含方向写反成B(x) → A(x)。

为什么错：合取写法把“所有”变成了“既 A 又 B”，语义扩大；蕴含方向反了，逻辑关系整个颠倒。根子在于没理解全称量词配蕴含、存在量词配合取这条对应关系。

怎么答对：记住口诀——全称配蕴含，存在配合取。“所有 A 都是 B”是(∀x)(A(x) → B(x))，“存在 A 是 B”是(∃x)(A(x) ∧ B(x))。写完回读一遍自然语言，语义对得上再往下做。

5.2 Skolem 化把函数写成常量

错在哪：遇到(∀x)(∃y)P(x, y)，直接化成P(x, c)，用常量 c 代替了 Skolem 函数。

为什么错：存在量词在全称量词辖域内时，y 的取值依赖 x，用常量就丢掉了这种依赖关系，子句集与原公式不再等價。

怎么答对：判断存在量词前面有没有全称量词——没有就用新常量，有就用 Skolem 函数，函数参数是辖域内所有全称变量。上例正确写法是P(x, f(x))。

5.3 可信度合成公式分母记混

错在哪：一正一负合成时写成 (CF₁ + CF₂) / (1 − max{|CF₁|, |CF₂|})。

为什么错：分母取 max 会导致结果偏差，标准公式是 1 − min{|CF₁|, |CF₂|}。记混的根源是把“取小”和“取大”搞反。

怎么答对：记成“分母减小的那个”，即 1 减去两个绝对值中较小的。算完检查结果是否落在 [-1, 1] 内，超界说明公式用错了。

5.4 归结反演忘记否定结论

错在哪：直接把前提子句集拿去归结，不把结论否定后并入，结果归结不出空子句。

为什么错：归结反演的原理是反证法——要证 Q，就证 {F, ¬Q} 不可满足。少了 ¬Q，子句集本身可能是可满足的，自然推不出 NIL。

怎么答对：动笔前先写一行“结论否定：¬Q”，化成子句并入 S，再开始归结。求解题则写成¬Q ∨ ANSWER，别漏 ANSWER。

5.5 模糊运算把代数积和有界积搞混

错在哪：求代数积时用了 max{0, a + b − 1}，或者求有界和时用了 a + b − ab。

为什么错：四种运算的公式长得像，代数积是相乘、代数和是 a + b − ab、有界和是 min{1, a + b}、有界积是 max{0, a + b − 1}，混用直接算错。

怎么答对：按名字记——带“代数”的用乘法和 a + b − ab，带“有界”的用 min 和 max 截断。做题时先在草稿上写出四个公式再套数，别凭印象。

6. 考场答题节奏：从概念辨析到手工推导的时间分配

这门课的卷子有个特点：概念题和计算题交错出现，前面卡住一道谓词公式，后面归结反演就可能写不完。我的建议是把 120 分钟切成四段：前 20 分钟扫完选择、填空、名词解释，这类题不纠缠，拿不准的先标记跳过；中间 50 分钟集中攻知识表示和确定性推理的大题，这两块分值最高、步骤分最密；接着 30 分钟做不确定性推理的计算题，公式套用快，但要留出检查运算顺序的时间；最后 20 分钟回头补标记题，并专门检查子句集和归结过程有没有漏步。

答题时有几个习惯值得强制养成。谓词逻辑题写完先做一次“自然语言回读”，把公式念回中文，语义不对立刻改。子句集题在每一步旁边标序号（消去→、Skolem 化、前束形……），既是给自己检查，也是给阅卷老师看步骤。归结反演题把“结论否定”单独写一行，用箭头标出每次归结消去的是哪对文字，空子句写 NIL 并画框。可信度合成题算完检查结果范围，模糊运算题先列公式再代数。

注意：代码框标注为非重点的内容不必花时间推导实现，但概念层面的对应关系要清楚，比如深度学习特指基于深层神经网络的机器学习，人工神经网络是用大量简单处理单元广泛连接模拟大脑结构，这类定义在名词解释里是送分点。

押题方向上，绪论的智能特征（感知、记忆与思维、学习、行为）和发展三阶段（孕育、形成、发展）几乎必考一道简答；知识表示里谓词逻辑化子句集和产生式结构图是稳定考点；确定性推理的归结反演证明题年年有；不确定性推理的可信度合成和证据理论 Bel/Pl 计算是计算题主力。把这份概念汇总里的定义、公式、例题按这四条线过一遍，比漫无目的地翻书效率高得多。

从那以后我每次带人复习这门课，都强制走一遍“先默写公式表、再手推两道归结、最后限时做一套可信度计算”的流程，公式不默写不翻书，归结不写出每步消去哪对文字不算完。这套动作看着笨，但考场上手不抖。希望帮到你。

本文还有配套的精品资源，点击获取