先引用壹段資料
------------------------------------------------------------------
第壹類包括符號處理的方法。它們基於N?e?w?e?l?l和S?i?m?o?n的物理符號系統的假說。盡管不是所有人都贊同這壹假說，但幾乎大多數被稱為“經典的人工智能”（即哲學家John?Haugeland所謂的“出色的老式人工智能”或G?O?FA?I）均在其指導之下。這類方法中，突出的方法是將邏輯操作應用於說明性知識庫。最早由John?McCarthy?的“采納意見者”備忘錄提出[?M?c?C?a?r?t?h?y1?9?5?8?]，這種風格的人工智能運用說明語句來表達問題域的“知識”，這些語句基於或實質上等同於壹階邏輯中的語句。采用邏輯推理可推導這種知識的結果。這種方法有許多變形，包括那些強調對邏輯語言中定義域的形式公理化的角色的變形。當遇到“真正的問題”，這壹方法需要掌握問題域的足夠知識，通常就稱作基於知識的方法。許多系統的構建都運用了這些方法，在本書後面將會提到壹些。
在大多數符號處理方法中，對需求行為的分析和為完成這壹行為所做的機器合成要經過幾個階段。最高階段是知識階段，機器所需知識在這裏說明。接下來是符號階段，知識在這裏以符號組織表示（例如列表可用列表處理語言L?I?S?P來描述），同時在這裏說明這些組織的操作。接著，在更低級的階段裏實施符號處理。多數符號處理采用自上而下的設計方法，從知識階段向下到符號和實施階段
----------------------------------------------------------------
題目的意思就是叫妳根據以知識為基礎的原則解題
比如，程序由無限多個判斷組成，這些判斷的條件就是所謂的知識。像是刺激響應壹樣。比如，玩家壹方派兵到了AI方的城下，這是壹種情況，妳應該為妳的AI寫下該怎麽做的腳本。懂了嗎？
舉個例子
--------------------------------------------------------------
以圖中的網格為例，兩個機器人，分別命名為“b?l?a?c?k”和“w?h?i?t?e”。它們可以向其所在的行或列中的相鄰壹格交替地移動（比如說，?w?h?i?t?e先移動），而且輪到其中壹個時，它必須移動。假設w?h?i?t?e的目標是與b?l?a?c?k在同壹格，而b?l?a?c?k的目標是避免發生這種情況。w?h?i?t?e就可建立壹棵搜索樹，在交替的級別上，b?l?a?c?k可能的行動也被考慮進去。我上傳的圖中畫出了這棵搜索樹的壹部分。
為了選取最佳的起始動作，?w?h?i?t?e需要分析這棵樹來決定可能的結果——即：考慮b?l?a?c?k會阻止w?h?i?t?e實現此目標。在這種沖突的情況下，壹個a?g?e?n?t可能發現壹步移動，使得無論對方如何移動，它都可達到目標。不過更常見的情況是，由於計算和時間的限制，無論哪方都不能找到壹個動作以保證取得成功。本書將提供有限範圍搜索方法，可用於在這種情況下找到合理的移動方式。在任何情況下，在決定了第壹步之後，執行移動，考慮另壹方的可能移動，然後在感知/計劃/動作方式中重復計劃過程。
這個網格例子是雙a?g?e?n?t、信息完全，零和（z?e?ro?-?s?u?m）博奕的壹個實例。此處所討論的是，兩個a?g?e?n?t（稱為博弈者）輪流移動，直到其中任何壹方獲勝（另壹方因此失敗），或雙方和局。
每個博弈者完全熟悉環境及自己和對方可能的移動方式和影響（盡管每個博弈者都不知道另壹方在任何情況下究竟會怎樣移動）。研究這種博弈可使我們深入了解當有多個a?g?e?n?t時，計劃過程可能出現的更多的普遍問題—即使在這些a?g?e?n?t的目標並不互相沖突時。
可以看出，有許多常見的博弈，包括國際象棋、西洋跳棋(?d?r?a?n?g?h?t?)和圍棋，都屬於這種類型。而且它們的程序已經編寫得相當好——有的甚至可以達到參賽的水平。但此處，以並不十分有趣的井字博弈（Ti?c?-?Ta?c?-?To?e）為例，因為它簡單，有利於分析搜索技巧。有些博弈（例如
西洋雙陸棋，B?a?c?k?g?a?m?m?o?n）由於包含了概率因素而導致難以對它們進行分析。對許多博弈，特別像國際象棋這壹類，通常都用圖標來描述自己的狀態空間，我們用8×8數組來記錄黑白機器人在8×8網格中的不同位置；用算子表示博弈的移動，算子把壹種狀態描述轉換為另壹種描述，由壹個開始節點和每個博弈者的算子隱式定義博弈圖，照前面章節的
方法建立搜索樹，但在選擇第壹步時要使用壹些不同方法。
-----------------------------------------------------------------
加不加分我到不奢求，但我希望以後多交流，我也喜歡人工智能