學(xué)寶教育旗下公務(wù)員考試網(wǎng)站
當前位置:主頁(yè)  >> 試題中心  >> 綜合   
綜合
2019上半年事業(yè)單位聯(lián)考《綜合應用能力》C類(lèi)真題及答案
http://www.facebookdoug.com       2019-05-20      來(lái)源:浙江公務(wù)員考試網(wǎng)
【字體: 】              

  2019上半年事業(yè)單位聯(lián)考C類(lèi)《綜合應用能力》真題在此發(fā)布。本套2019上半年事業(yè)單位聯(lián)考C類(lèi)《綜合應用能力》真題來(lái)自考生回憶,由公考通整理。


  >>> 點(diǎn)擊下載PDF打印版(含參考答案,查看答案解析請下載PDF版)


  2019年上半年全國事業(yè)單位聯(lián)考C類(lèi)《綜合應用能力》真題


  材料一


  1997年,國際象棋大師加里·卡斯帕羅夫敗給了電腦“深藍”;2016年,谷歌人工智能AlphaGo又戰勝了韓國棋手李世石,這標志著(zhù)人工智能終于征服了它在棋類(lèi)比賽中最后的弱項——圍棋,谷歌公司的DeepMind團隊比預期提前了整整10年達到了既定目標。


  對計算機來(lái)說(shuō),圍棋并不是因為其規則比國際象棋復雜而難以征服——與此完全相反,圍棋規則更簡(jiǎn)單,它其實(shí)只有一種棋子,對弈的雙方輪流把黑色和白色的棋子放到一個(gè)19×19的正方形棋盤(pán)中,落下的棋子就不能再移動(dòng)了,只會(huì )在被對方棋子包圍時(shí)被提走。到了棋局結束時(shí),占據棋盤(pán)面積較多的一方為勝者。


  圍棋的規則如此簡(jiǎn)單,但對于計算機來(lái)說(shuō)卻又異常復雜,原因在于圍棋的步數非常多,而且每一步的可能下法也非常多。以國際象棋作對比,國際象棋每一步平均約有35種不同的可能走法,一般情況下,多數棋局會(huì )在80步之內結束。圍棋棋盤(pán)共有361個(gè)落子點(diǎn),雙方交替落子,整個(gè)棋局的總排列組合數共有約10171種可能性,這遠遠超過(guò)了宇宙中的原子總數——1080!


  對于結構簡(jiǎn)單的棋類(lèi)游戲,計算機程序開(kāi)發(fā)人員可以使用所謂的“暴力”方法,再輔以一些技巧,來(lái)尋找對弈策略,也就是對余下可能出現的所有盤(pán)面都進(jìn)行嘗試并給予評價(jià),從而找出最優(yōu)的走法。這種對整棵博弈樹(shù)進(jìn)行窮舉搜索的策略對計算能力要求很高,對圍棋或者象棋程序來(lái)說(shuō)是非常困難的,尤其是圍棋,從技術(shù)上來(lái)講目前不可能做到。


  “蒙特卡羅樹(shù)搜索”是一種基于蒙特卡羅算法的啟發(fā)式搜索策略,能夠根據對搜索空間的隨機抽樣來(lái)擴大搜索樹(shù),從而分析圍棋這類(lèi)游戲中每一步棋應該怎么走才能夠創(chuàng )造最好機會(huì )。舉例來(lái)說(shuō),假如筐里有100個(gè)蘋(píng)果,每次閉著(zhù)眼拿出1個(gè),最終要挑出最大的1個(gè),于是先隨機拿1個(gè),再隨機拿1個(gè)跟它比,留下大的,再隨機拿1個(gè)……每拿一次,留下的蘋(píng)果都至少不比上次的小,拿的次數越多,挑出的蘋(píng)果就越大。但除非拿100次,否則無(wú)法肯定挑出了最大的。這個(gè)挑蘋(píng)果的方法,就屬于蒙特卡羅算法。雖然“蒙特卡羅樹(shù)搜索”在此前一些弈棋程序中也有采用,在相對較小的棋盤(pán)中也能很好地發(fā)揮作用,但在正規的全尺寸棋盤(pán)上,這種方法仍然存在相當大的缺陷,因為涉及的搜索樹(shù)還是太大了。


  AlphaGo人工智能程序中最新穎的技術(shù)當屬它獲取知識的方式——深度學(xué)習。AlphaGo 借助兩個(gè)深度卷積神經(jīng)網(wǎng)絡(luò )(價(jià)值網(wǎng)絡(luò )和策略網(wǎng)絡(luò ))自主地進(jìn)行新知識的學(xué)習。深度卷積神經(jīng)網(wǎng)絡(luò )使用很多層的神經(jīng)元,將其堆疊在一起,用于生成圖片逐漸抽象的、局部的表征。對圖像分析得越細,利用的神經(jīng)網(wǎng)絡(luò )層就越多。AlphaGo也采取了類(lèi)似的架構,將圍棋模盤(pán)上的盤(pán)面視為19×19的圖片輸入,然后通過(guò)卷積層來(lái)表征盤(pán)面。這樣,兩個(gè)深度卷積神經(jīng)網(wǎng)絡(luò )中的價(jià)值網(wǎng)絡(luò )用于評估盤(pán)面,策略網(wǎng)絡(luò )則用于采樣動(dòng)作。


  在深度學(xué)習的第一階段——策略網(wǎng)絡(luò )的有監督學(xué)習(即從中   I   中學(xué)習)階段,擁有13層神經(jīng)網(wǎng)絡(luò )的AlphaGo借助圍棋數據庫KGS中存儲的3000萬(wàn)份對弈棋譜進(jìn)行初步學(xué)習。這3000萬(wàn)份棋譜樣本可以用a、b進(jìn)行統計。a是一個(gè)二維棋局,把a輸入到一個(gè)卷積神經(jīng)網(wǎng)絡(luò )進(jìn)行分類(lèi),分類(lèi)的目標就是落子向量A。通過(guò)不斷的訓練,盡可能讓計算機得到的向量A接近人類(lèi)高手的落子結果b,這樣就形成了一個(gè)模擬人類(lèi)下圍棋的神經(jīng)網(wǎng)絡(luò ),然后得出一個(gè)下棋函數F_go()。當盤(pán)面走到任何一種情形的時(shí)候,AlphaGo都可以通過(guò)調用函數F_go()計算的結果來(lái)得到最佳的落子結果b可能的概率分布,并依據這個(gè)概率來(lái)挑選下一步的動(dòng)作。在第二階段——策略網(wǎng)絡(luò )的強化學(xué)習(即從   Ⅱ   中學(xué)習)階段,AlphaGo開(kāi)始結合蒙特卡羅樹(shù)搜索,不再機械地調用函數庫,而類(lèi)似于一種人類(lèi)進(jìn)化的過(guò)程:AlphaGo會(huì )和自己的老版本對弈。即,先使用F_go(1)和F_go(1)對弈,得到了一定量的新棋譜,將這些新棋譜加入到訓練集當中,訓練出新的F_go(2),再使用F_go(2)和F_go(1)對弈,以此類(lèi)推,這樣就可以得到勝率更高的F_go(n)。這樣,AlphaGo就可以不斷改善它在第一階段學(xué)到的知識。在第三階段——價(jià)值網(wǎng)絡(luò )的強化學(xué)習階段,AlphaGo可以根據之前獲得的學(xué)習經(jīng)驗得出估值函數v(s),用于預測策略網(wǎng)絡(luò )自我對抗時(shí)棋盤(pán)盤(pán)面s的結果。最后,則是將F_ go()、v(s)以及蒙特卡羅樹(shù)搜索三者相互配合,使用F_ go()作為初始分開(kāi)局,每局選擇分數最高的方案落子,同時(shí)調用v(s)在比賽中做出正確的判斷。


  這就是AlphaGo給圍棋帶來(lái)的新搜索算法。它創(chuàng )新性地將蒙特卡羅模擬和價(jià)值網(wǎng)絡(luò )、策略網(wǎng)絡(luò )結合起來(lái)訓練深度神經(jīng)網(wǎng)絡(luò )。這樣價(jià)值網(wǎng)絡(luò )和策略網(wǎng)絡(luò )相當于A(yíng)lphaGo 的兩個(gè)大腦,策略網(wǎng)絡(luò )負責在當前局面下判斷“最好的”下一步,可以理解為落子選擇器;價(jià)值網(wǎng)絡(luò )負責評估整體盤(pán)面的優(yōu)劣,淘汰掉不值得深入計算的走法,協(xié)助前者提高運算效率,可以理解為棋局評估器,通過(guò)兩個(gè)“大腦”各自選擇的平均值,AlphaGo最終決定怎樣落子勝算最大。通過(guò)這種搜索算法,AlphaGo和其他圍棋程序比賽的勝率達到了99.8%。


  AlphaGo的飛快成長(cháng)是任何一個(gè)圍棋世界冠軍都無(wú)法企及的。隨著(zhù)計算機性能的不斷增強,遍歷蒙特卡羅搜索樹(shù)將進(jìn)一步提高命中概率。大量的計算機專(zhuān)家,配合大量的世界圍棋高手,在算法上不斷革新,再配合不斷成長(cháng)的超級計算能力,不斷地從失敗走向成功,最終打造出圍棋人工智能。在A(yíng)lphaGo擊敗李世石后,歐洲圍棋冠軍樊麾說(shuō)了這么一句話(huà):“這是一個(gè)團隊的集體智慧用科技的方式戰勝了人類(lèi)數千年的經(jīng)驗積累?!比撕蜋C器其實(shí)沒(méi)有站在對立面上,“是人類(lèi)戰勝了人類(lèi)”。


  材料二


  上世紀80年代,M市高溫首日經(jīng)常出現在6月中下旬至7月,到21世紀,往往還沒(méi)到6月中句,M市氣溫就會(huì )躥至35℃以上,僅有兩年的高溫日到7月才出現,1981年以來(lái),M市6-8月高溫日出現越來(lái)越頻繁,可見(jiàn),M市首個(gè)高溫日的出現時(shí)間越來(lái)越早,21世紀后每年首個(gè)高溫日出現時(shí)間肯定早于上世紀80年代。


  在M市,一年中最熱的時(shí)候莫過(guò)于7月,1997年以來(lái),高溫日數逐漸增多。截至2018年7月中旬,2018年M市高于35℃的日子已有6個(gè),比往年7月的平均數還多2個(gè)??梢源_定,這一年M市7月的高溫日總數將是1997年以來(lái)最多的一年。另外據統計,M市7月的高溫日整體多于6月和8月,照此趨勢,2018年8月的高溫日可能不會(huì )超過(guò)7月。


  近30年來(lái),M市7月的夜溫越來(lái)越高,1999年以來(lái)7月的夜間最低氣溫普遍超過(guò)23℃,所以2018年7月下旬M市夜間的最低氣溫不會(huì )低于23℃。


  同樣近30年來(lái),M市6-8月出現持續3天以上高溫的總次數為27次,20次都是在2000年以后出現的,2018年6月和7月,M市已經(jīng)分別出現了一次持續3天以上的高溫。既然2018年M市出現3天以上持續高溫的次數已經(jīng)超過(guò)了近30年來(lái)的平均值,那么8月份M市不會(huì )出現3天以上的持續高溫天氣。


  30年來(lái),M市“城市熱島效應”愈發(fā)顯著(zhù),城區與郊區的平均氣溫差值越來(lái)越大。2018年7月M市各區平均氣溫偏高,均超過(guò)26.7℃。其中市中心2個(gè)城區氣溫最高,其次是環(huán)市中心的其他4個(gè)城區,2個(gè)郊區的氣溫最低。(注:高溫日為日最高氣溫≥35℃)


  材料三


  材料(一)細菌學(xué)家弗萊明的實(shí)驗室里擺放著(zhù)許多有毒細菌培養皿。多年來(lái),


  他試驗了各種藥劑,力圖找到一種能殺滅這些細菌的理想藥品,但一直未能成功。1928年的一個(gè)早晨,他在檢查細菌的變化時(shí),突然發(fā)現一個(gè)葡萄狀球菌的培養皿里長(cháng)出了一團青色霉菌,并且其周?chē)瓉?lái)生長(cháng)著(zhù)的葡萄狀球菌消失了,他進(jìn)一步研究發(fā)現,這種青色霉菌對其他多種有毒細菌同樣具有殺滅作用,他把這種青色霉菌分泌的殺菌物質(zhì)稱(chēng)為青霉素。


  材料(二)1870年,英國科學(xué)家克魯克斯在做陰極射線(xiàn)管放電實(shí)驗時(shí),意外發(fā)現管子附近的照相底片有模糊陰影,他判斷是照相的干板有毛??;1890年美國科學(xué)家古德斯柏德在做相同的實(shí)驗時(shí)也發(fā)現同樣的現象,他歸因于沖洗藥水和沖洗技術(shù)有問(wèn)題;到了1892年,德國有些物理學(xué)家也觀(guān)察到這一現象,但當時(shí)他們的注意力都集中在研究陰極射線(xiàn)的性質(zhì)上,對此并沒(méi)有警覺(jué)。直到1895年,這一奇特現象才被德國物理學(xué)家倫琴敏銳地抓住,他反復研究實(shí)驗,最終發(fā)現了X射線(xiàn),他也因此獲得諾貝爾物理學(xué)獎。


  材料三:丹麥天文學(xué)家第谷三十年如一日觀(guān)測天象,記錄了750顆星相對位置的變化,糾正了以往星表中的錯誤。但第谷不善于對感性材料進(jìn)行科學(xué)抽象和概括,終究未能揭示行星運動(dòng)規律。臨終前,他把自已所有的材料交給了學(xué)生開(kāi)普勒,要求他繼續研究行星運動(dòng)的理論。起初,開(kāi)普勒以第谷宇宙體系為基本框架來(lái)探討這個(gè)問(wèn)題,但毫無(wú)所獲,于是轉而以哥白尼日心體系為基本框架展開(kāi)研究。他精于理論思維和數學(xué)推導,根據老師留下的大量一手資料,最終發(fā)現了天體運動(dòng)的三大定律,被譽(yù)為“天空立法者”。


  【問(wèn)題】


  問(wèn)題一


  科技文獻閱讀題:請認真閱讀文章,按照每道題的要求作答。(50分)


  根據材料一,回答下列問(wèn)題:


  1.判斷題:請用2B鉛筆在答題卡相應的題號后填涂作答,正確的涂“A”,錯誤的涂“B”。


 ?。?)國際象棋的走法不超過(guò)35*80種。


 ?。?)結構簡(jiǎn)單的棋類(lèi)游戲可以通過(guò)對博弈樹(shù)的“暴力”窮舉搜索找出最優(yōu)走法。


 ?。?)傳統的計算機圍棋程序能夠完全尺寸棋盤(pán)的蒙特卡羅樹(shù)模擬并計算最大勝率。


 ?。?)函數F_go(n)比F_go(n-1)的勝率更高。


  2.填空題:請根據文意,分別填補Ⅰ、Ⅱ兩處缺項,沒(méi)空不超過(guò)6個(gè)字。


 ?、瘢?nbsp;  )  Ⅱ(   )


  3.多項選擇題:備選項中有兩個(gè)或兩個(gè)以上符合題意,請用2B鉛筆在答題卡相應的題號后填涂正確選項的序號,錯選、少選均不得分。


 ?。?)這篇文章開(kāi)頭認為圍棋是人工智能在棋類(lèi)游戲中最弱項的原因是:


  A.圍棋每一步可能的下法太多,無(wú)法使用窮舉搜索


  B.圍棋的規則對于計算機來(lái)說(shuō)太復雜,無(wú)法理解


  C.單一的計算機神經(jīng)網(wǎng)絡(luò )難以應對圍棋的搜索計算


  D.圍棋盤(pán)面局勢的評估缺乏現代就三家技術(shù)的支撐


 ?。?)下列關(guān)于A(yíng)lphaGo“兩個(gè)大腦”的說(shuō)法正確的是


  A.價(jià)值網(wǎng)絡(luò )負責評估盤(pán)面優(yōu)劣


  B.策略網(wǎng)絡(luò )負責判斷走法優(yōu)劣


  C.策略網(wǎng)絡(luò )能夠協(xié)助價(jià)值網(wǎng)絡(luò )提高運算效率


  D.價(jià)值網(wǎng)絡(luò )和策略網(wǎng)絡(luò )共同確定最終的落子位置


  4.比較分析AlphaGo新算法和蒙特卡羅樹(shù)搜索的不同之處。


  要求:概括準確,層次清晰,文字簡(jiǎn)潔,不超過(guò)250字。


  5.請為本文寫(xiě)一篇內容摘要


  要求:全面、準確,條理清晰,不超過(guò)350字。


  問(wèn)題二


  論證評價(jià)題:閱讀給定材料二,指出其中存在的4處論證錯誤并分別說(shuō)明理由。請在答題卡上按序號分條作答,每一條先將論證錯誤寫(xiě)在“A”處(不超過(guò)75字),再將相應理由寫(xiě)在“B”處(不超過(guò)50字)。(40分)


  問(wèn)題三


  材料作文題:閱讀下列材料,按要求作答。(60分)


  參考給定材料三,以“科學(xué)發(fā)現并不偶然”為話(huà)題,自選角度,自擬題目,寫(xiě)一篇議論文。


  要求:觀(guān)點(diǎn)鮮明、論證充分,條理清晰,語(yǔ)言流暢,字數在800~1000字。



?
互動(dòng)消息