人工智能课后习题答案怎么用：从题型拆解到高分复习模板

简介：这是一份由清华大学出版社出版的《人工智能》教材配套课后习题答案Word文档，面向高校计算机、人工智能及相关专业学生，用于课后作业校验、考试复习与自学参考。文档包含全书各章节习题的详细解答，覆盖解图与规则顺序定义、启发函数在8数码问题中的应用、归结原理与合一算法、逻辑命题的归结证明、动物特征分类等经典知识点，能够帮助读者系统梳理状态空间搜索、自动定理证明、知识表示与推理等核心模块，尤其对搜索策略的选择和逻辑推理的步骤有清晰示范。资源以单个doc文件形式提供，包体大小约1009KB，排版清晰，可直接查看或打印使用，适合作为纸质教材之外的便携复习资料。目前已有59人浏览学习，适合正在学习人工智能导论或准备考研复试的读者。文档中对8数码问题的搜索过程、归结证明步骤等均给出了逐步推导，结合教材对照学习可有效查漏补缺。

1. 完整word版人工智能课后习题答案：为什么抄完还是会挂科

期末前两周，班群置顶消息永远是同一句：谁有完整word版人工智能课后习题答案，清华大学出版社那本的？这类文档我见过不下五个整理版本，文件名末尾的(1)大多是下载器自动追加的同名后缀，内容大同小异，核心是教材每章后的概念题与计算题答案。问题在于，对着答案抄一遍，合上文档，考试换两个数字照样手生。这篇笔记不打算复读文档里的题号，而是把课后题拆成题型、推导模板、翻车点和验证方法四块，覆盖《人工智能导论》期末考试和大作业里出现频率最高的搜索、知识表示、机器学习计算题。新手能按步骤练，复习过的人能拿来查漏。

2. 从「找答案」到「会做题」：课后题五类题型的识别方法与推导模板

2.1 状态空间搜索题：A*手算表格与Python核验脚本

搜索类题目是课后题的第一座山，常见问法有三种：画出搜索树、写出open表和closed表的变化过程、用A*求最优路径。手算的第一步永远是定义状态表示。八数码用一个3×3矩阵表示棋盘，传教士过河用(左岸传教士数, 左岸野人数, 船在哪一岸)这样的三元组表示，而图的路径搜索问题则退化成节点字符串。状态表示没写清楚，后面全部白算，这是阅卷时最冤枉的扣分点。

第二步列操作符。八数码是空格向四个方向移动，传教士问题是有哪些合法渡河组合，图搜索则是每条有向边本身。第三步才轮到算法主体：手算时我习惯画一张三列表格，分别是节点、g值、h值和f值，g值永远是从起点出发的累计代价，不是父节点到当前节点的单步边权。最后一步写路径和总代价，缺了路径只写f表，阅卷老师仍然会给一半分。

下面用一个五节点有向图走一遍完整手算。图结构是A→B代价1、A→C代价3、B→D代价1、C→D代价2、D→E代价2，目标节点E。启发函数取h(A)=3、h(B)=2、h(C)=3、h(D)=1、h(E)=0，这个h满足可采纳性条件h(n)≤h*(n)，A*能保证返回最优解。初始open表为[A(0,3,f=3)]，弹出A后扩展出B(1,2,f=3)和C(3,3,f=6)，open表变成[(B,f=3),(C,f=6)]。弹出B扩展出D(2,1,f=3)，open表为[(D,f=3),(C,f=6)]。弹出D扩展出E(4,0,f=4)，open表为[(E,f=4),(C,f=6)]。弹出E即到达目标，最优路径A-B-D-E，总代价4。

import heapq def a_star(graph, start, goal, heuristic): # graph: 邻接表，每个节点形如 [(邻居, 代价), ...] # heuristic: 每个节点到目标节点的启发值 h(n) open_set = [(heuristic[start], start)] # 小顶堆元素为 (f, 节点)，f = g + h g_score = {start: 0} # 起点到该节点的累计代价 came_from = {} # 记录父节点，用于回溯路径 while open_set: f, current = heapq.heappop(open_set) if current == goal: path = [current] while current in came_from: current = came_from[current] path.append(current) return path[::-1], g_score[goal] for nxt, cost in graph.get(current, []): tentative = g_score[current] + cost # 走这条边的临时 g 值 if tentative < g_score.get(nxt, float('inf')): g_score[nxt] = tentative came_from[nxt] = current heapq.heappush(open_set, (tentative + heuristic.get(nxt, 0), nxt)) return None, -1 graph = { 'A': [('B', 1), ('C', 3)], 'B': [('D', 1)], 'C': [('D', 2)], 'D': [('E', 2)], } heuristic = {'A': 3, 'B': 2, 'C': 3, 'D': 1, 'E': 0} path, cost = a_star(graph, 'A', 'E', heuristic) print("最优路径:", path, "总代价:", cost)

这段代码的逻辑核心是heapq小顶堆永远弹出当前f最小的节点，g_score字典记录已确认的最小代价，tentative和旧值比较那一步防止重复扩展。参数需要注意两点：一是边权不等时把neighbor的cost换成真实值，二是启发函数必须满足可采纳性，否则A*会退化成可能丢最优解的算法。手算和脚本结果对照时，重点看open表弹出顺序是否一致，不一致往往意味着g值累计错了。

2.2 知识表示题：产生式、框架、语义网络的三种落笔模板

知识表示题的特征很直白，题目给一段常识性描述，要求用指定表示方法写出来。选型原则先记住：产生式系统适合「如果……那么……」的规则型知识，比如医疗诊断规则、动物识别规则；框架表示适合具有类层级和默认值的对象知识，比如学生信息、课程信息；语义网络适合强调关系和属性的知识，比如「鸟会飞」「麻雀是鸟」。选错表示方法，即使内容对也要扣分。

产生式系统的标准落笔顺序是：先写规则库，每条规则写成「规则名：IF 前提 THEN 结论」，再写综合数据库（事实集合），最后写控制策略。控制策略是多数人丢分的地方，题目如果没指定，至少要说明采用正向推理还是反向推理，以及冲突消解策略，比如按规则次序优先。

框架表示则要按三层结构写：框架名、槽、侧面。以学生信息为例，框架名是「学生」，槽有「姓名」「学号」「专业」，每个槽下可以挂「值」「默认值」「限制」这些侧面。语义网络题除了画节点和带标签的有向弧，还要在答案里补一句文字说明，把图里的三元组关系翻译成句子，很多老师按这一句给采分点。

2.3 机器学习计算题：决策树信息增益和朴素贝叶斯的推导模板

机器学习计算题集中在决策树和朴素贝叶斯两类。决策树的核心是信息增益计算，先说手算步骤：第一步统计标签分布并计算数据集总熵，第二步对候选特征的每个取值划分数据子集、计算条件熵，第三步用总熵减条件熵得到信息增益，增益最大的特征优先分裂。我见过大量答案在第二步忘记乘子集占比的权重，导致条件熵偏小、增益虚高，排序直接出错。

用一个五行小数据集演示。数据是「天气」和「温度」两个特征，标签是「是否出去玩」：晴-高-否，晴-低-是，阴-高-是，雨-高-否，雨-低-是。总熵为-3/5·log₂(3/5)-2/5·log₂(2/5)≈0.971。按天气划分，晴子集是「否，是」熵为1，阴子集「是」熵为0，雨子集「否，是」熵为1，加权条件熵为2/5×1+1/5×0+2/5×1=0.8，信息增益约0.171。按温度划分，高子集是「否，是，否」熵为0.918，低子集「是，是」熵为0，加权条件熵为3/5×0.918≈0.551，增益约0.420。温度增益更大，所以第一层按温度分裂。

import math from collections import Counter def entropy(labels): """计算熵，labels 是标签列表，如 ['否','是','否']""" total = len(labels) if total == 0: return 0.0 counts = Counter(labels) return -sum((c / total) * math.log2(c / total) for c in counts.values()) def info_gain(data, feature_idx): """data 每行是 [特征1, 特征2, ..., 标签]，feature_idx 是特征列下标""" base = entropy([row[-1] for row in data]) values = set(row[feature_idx] for row in data) weighted = 0.0 for v in values: subset = [row for row in data if row[feature_idx] == v] weighted += len(subset) / len(data) * entropy([row[-1] for row in subset]) return base - weighted data = [ ['晴', '高', '否'], ['晴', '低', '是'], ['阴', '高', '是'], ['雨', '高', '否'], ['雨', '低', '是'], ] print("天气的信息增益:", round(info_gain(data, 0), 4)) print("温度的信息增益:", round(info_gain(data, 1), 4))

这段代码的输出结果分别是0.171和0.4199，和手算一致。逻辑上base熵先算一次，然后按特征取值划分子集，weighted变量累加各子集占比乘以子集熵。参数说明里最值得强调的是feature_idx，不同教材数据集的特征列位置不一样，核对时先确认传入的是第几列。朴素贝叶斯题则套贝叶斯公式P(类别|特征)=P(特征|类别)P(类别)/P(特征)，沿用上面数据算P(是|晴)=(1/3×3/5)/(2/5)=0.5，零概率时记得加一平滑，这也是常被忽略的采分点。

3. 按章节过《人工智能导论》：搜索、推理、神经网络的采分点与答题范式

3.1 搜索策略章节：DFS、BFS、A*的对比表与阅卷采分点

搜索策略是教材前半部分的重头戏，也是课后题计算量最大的章节。复习时先背熟三种算法的对比关系，这是选择题和分析题的直接题源。

其中b是分支因子，m是搜索树最大深度，d是最优解所在深度。阅卷时的大题采分点集中在四个位置：状态表示是否规范、操作符是否完整覆盖所有合法动作、open表和closed表是否按算法规则变化、最终是否明确写出路径和代价。我见过不少答卷把搜索树画对了但没写open表，直接扣掉一半分，因为open表是评判算法执行过程是否规范的核心证据，只画树无法证明你走的不是贪心路径。

答题顺序建议固定成五步：写状态表示、写初始和目标状态、写操作符、列open/closed表、输出路径。最后一步的路径要和第四步的弹出顺序一致，否则老师会认定前后矛盾。复习时手算一道八数码题，再对照第2章的Python脚本核验弹出顺序，基本就能覆盖这个章节90%的考点。

3.2 知识表示与不确定性推理：可信度方法计算模板

不确定性推理是期末大题的另一个常驻考点，其中可信度方法最常考。核心公式是两条规则的合成：CF(H)=CF₁+CF₂−CF₁·CF₂（两个正可信度合成），同号规则合成后可信度大于其中任意一个，这个直觉反过来也提醒你，异号的时候要转成差分公式。答题模板固定为三步：先列出每条规则的可信度，再判断合成方向，最后套公式算结果并说明可信度的含义。

主观贝叶斯方法则主要考P(H|E)=P(E|H)P(H)/P(E)的代入计算，注意区分P(E|H)和P(H|E)哪个是题目直接给的，哪个要推导。这一章的得分点很实在：公式写对就给一半分，代入数值错一个只扣代入分。所以复习时反而要刻意背公式而不要太纠结数值精度，很多人翻车不是因为算错，而是因为把CF合成公式和贝叶斯公式的位置记混了。

知识表示部分则要和第2章的三种模板结合训练。框架题常考「用框架表示一个具体对象」，语义网络题常考「把一段话转成网络结构」，产生式题常考「规则库整理与冲突消解」。三种题型用同一套落笔逻辑：先审题明确要求的表示方法，再抽取实体和关系，最后按标准格式组织，这一步在考场上是拿分效率最高的操作。

3.3 机器学习与神经网络章节：感知机迭代和BP反向传播的落笔顺序

凡是用到公式的章节，答题顺序可以直接决定得分率。感知机题给一组样本和初始权重，要求迭代若干轮。标准落笔是：写更新公式wᵢ←wᵢ+η(t−y)xᵢ，初始化权重和阈值，然后每轮每样本依次计算输出、判断是否更新、记录更新后的权重向量。用OR逻辑门验证：样本(0,0)→0、(0,1)→1、(1,0)→1、(1,1)→1，初始权重[0,0]，学习率0.1。第一轮(0,1)时输出0而期望1，权重更新为[0,0.1]；轮到(1,0)时更新为[0.1,0.1]；第二轮所有样本都正确分类，迭代结束。

BP反向传播的手算题则固定四步：前向计算各层输出、计算输出层误差项、误差反向传播到隐层、更新全部权重。记忆口诀是「误差从输出端往回流，谁接收了谁的贡献谁承担误差」。输出层误差项和隐层误差项的下标不要混，输出层用期望值减实际输出，隐层用输出层误差的加权和乘隐层激活函数导数。神经网络题目的给分点通常是公式是否正确、误差项方向是否合理、权重更新是否朝向损失下降的方向，数值算到最后对不上，只要推导链完整也能拿过程分。

4. 对答案时常见问题排查：五个翻车点的现象、原因、解决

4.1 翻车点一：A*手算时丢g列，f=h退化成贪心

现象：自己的open表弹出顺序和标准答案差很远，最后得到的路径明显绕路，却被自己标成最优。原因：手算只在节点旁边写了h值，没有单独列g值，把f=h当作启发式优先，这本质上是贪婪最佳优先搜索，不是A*。另一个常见原因是把g算成父节点到当前节点的单步边权，而不是从起点累计的代价。解决：手算一律用「节点、g、h、f」四列表格，每扩展一个节点先把g值累计完整再算f。对照第2章的脚本跑一遍，如果脚本输出的路径和手算一致，说明表格没列错。

4.2 翻车点二：信息增益的对数底数在ln和log2之间反复横跳

现象：决策树信息增益算出来和答案差一个固定比例，有时特征排序恰好没变，有时排序直接错了。原因：熵的定义是−Σp·log₂p，计算器默认的ln键按顺手了，或者python里用了math.log()而不是math.log2()。解决：统一用底数2，所有中间计算保持同一底数。写答案时把熵的计算过程展开写清楚，老师按步骤给分，即使最终数值有偏差也能看出方法正确。用第2章的info_gain函数把数据丢进去跑一遍，数值对不上时逐项检查每个子集的占比权重。

4.3 翻车点三：归结反演时把存在量词直接删掉

现象：谓词逻辑归结题做了两页纸，始终归不出空子句，翻答案发现对方引入了一个函数符号。原因：消去存在量词需要Skolem化，但很多人习惯直接把∃x去掉，忽略了前面是否有全称量词约束。规则是：若存在量词前面没有任何全称量词，用一个新的常数替换该变量；若存在量词位于某个全称量词辖域内，则必须用Skolem函数替换，函数参数就是那个全称量词约束的变量。解决：拿到谓词公式先写前束范式，把量词全部提到最前面，再按顺序判断每个存在量词应该引入常数还是函数。这个细节通常是归结题的分水岭，函数符号出现的那一刻就说明题做对了。

4.4 翻车点四：BP反向传播误差项符号反了，权重越改越错

现象：手算BP时每一轮权重更新方向和标准答案恰好相反，误差不仅没降反而变大。原因：损失函数取E=1/2(t−y)²时，对权重求导会产生负号，推导结果是w:=w+η·(t−y)·φ′(net)·x。很多人把更新式记成w:=w−η·(t−y)·φ′(net)·x，符号一反，权重朝损失上升的方向走。解决：先固定损失函数形式再推导符号，不要跨教材混用。写成统一约定：δ_out=(t−y)·φ′(net_out)，隐层误差δ_h=φ′(net_h)·Σ(w_k·δ_k)，权重更新一律是w:=w+η·δ·输入。拿单个神经元先用第5章的验证脚本算一遍，符号对了再上多层手算。

4.5 翻车点五：把答案文档当学习大纲，背完还是不会迁移

现象：文档翻得很熟，甚至能把某些大题的答案复述出来，但考试换了两组数据、换了个场景就完全动不了笔。原因：课后习题答案文档是「结果快照」，不是「推导过程」，它按教材题号排列，没有给你标注各章节的重难点权重和题型归纳。而且清华大学出版社的人工智能教材有多个版次，章节顺序和题号经常对不上，照着旧版题号找新版内容是常态。解决：先用第3章的考点清单过一遍教材目录，把每章高频题型标注出来，再针对薄弱题型去答案文档里看对应题号的具体推导步骤，最后用代码或自测验证，让文档从背诵材料变成核对工具。

5. 把答案文档变成验证工具：三天突击方案和脚本自查法

5.1 三天突击方案：按题型分配时间

如果离考试只剩三天，别再从头背答案文档了，按下面这个节奏走。第一天集中攻克搜索题和知识表示题，上午手算两道A*，下午把第2章的脚本跑起来核验open表顺序，晚上背产生式和框架的答题模板。第二天主攻机器学习计算题，上午算决策树信息增益和朴素贝叶斯，下午训练感知机和手推一轮BP，晚上用脚本把当天手算结果全部重算一遍。第三天收尾不确定性推理和论述题，上午练可信度合成，下午做一套包含选择、计算、简答的模拟自测，晚上只查错题对应的题型模板，不再重抄整篇答案。

论述题也有固定模板：先给定义，再写方法或分类，然后说优缺点，最后补一个应用场景。字数控制在两三百字，定义占三成、方法占四成、优缺点和应用占三成，这个比例最稳妥。这套突击方案本身也就是一条被验证过的人工智能学习路径，从题型到模板再到验证，比盯着答案文档啃要高效得多。

5.2 手算验证脚本：五分钟写一个答案自检程序

无论突击还是长线复习，我强烈建议保留一个小习惯：手算完后，花五分钟写一段几十行的脚本核对答案。下面这段通用的路径代价核对函数，适用于所有图搜索题，把你手算的路径填进去，边权对不对立刻见分晓。

def check_path_cost(graph, path): """核对 A* 手算路径的实际代价：依次累加路径上每条边的权""" total = 0 for i in range(len(path) - 1): for nxt, cost in graph[path[i]]: if nxt == path[i + 1]: total += cost break else: raise ValueError(f"路径 {path[i]} -> {path[i+1]} 不存在") return total graph = { 'A': [('B', 1), ('C', 3)], 'B': [('D', 1)], 'C': [('D', 2)], 'D': [('E', 2)], } print(check_path_cost(graph, ['A', 'B', 'D', 'E'])) # 期望输出 4

核验逻辑很简单：从第一个节点开始，挨个在当前节点的邻居里找下一个节点，找到就累加代价，找不到就报错。这套做法的价值不在脚本本身，而在于强迫你把算法从「纸面推演」变成「可执行逻辑」，动手写一遍比背十遍公式都管用。笔试之外的技能考核也一样能迁移，比如人工智能训练师这类职业认证里的计算分析题，核验思路完全相同。带课这些年我见过太多学生卡在计算题上，最值钱的一条血泪经验就是：手算决定你懂不懂，脚本决定你对不对，两个都做了，计算题基本没有失分空间。这份答案文档谁都找得到，但能不能把文档里的死答案变成自己能推出来的活方法，靠的就是这个循环——识别题型、套模板、踩过坑、再验证。希望帮到你。

本文还有配套的精品资源，点击获取