logic1剖析.ppt

前向链接和反向链接的对比 前向链接：data-driven 反向链接：goal-driven 通常，反向链接的耗散远小于KB大小的线性值。 对于智能体来说，应该共享前向和反向推理的工作，将前向推理限制在生成与要用反向链接求解的查询有关的事实上。 有效的命题推理 基于模型检验的2个命题推理算法家族： 基于回溯搜素 DPLL 基于爬山法搜索 WalkSAT 主要内容 基于知识的智能体 总体的智能体设计 wumpus世界：一个基于知识的智能体运转的例子 逻辑 命题逻辑 命题逻辑的推理形式 基于命题逻辑的智能体 用逻辑推理寻找陷阱和wumpus 陈述“物理规则”的知识库 ?P1,1 ?W1,1 Bx,y ? (Px,y+1 ? Px,y-1 ? Px+1,y ? Px-1,y) （1） Sx,y ? (Wx,y+1 ? Wx,y-1 ? Wx+1,y ? Wx-1,y) （2） W1,1 ? W1,2 ? … ? W4,4 ?W1,1 ? ?W1,2 ?W1,1 ? ?W1,3 … ?64个符号和155个语句 用命题逻辑来辨别陷阱、wumpus和安全方格的智能体 命题逻辑的表达能力的局限性 KB包含以(1)和(2)（见再前页)中给出形式表示的每个方格的“物理规则”语句，环境规模越大，要求的初始KB就越大。 如果要记录位置与方向，KB需包含以下形式的语句： Lx,yt ? FacingRightt ? Forwardt ? Lx+1,yt＋1 需要表达能力更强的逻辑语言。 小结 智能化智能体需要关于世界的知识以达到良好的决策 逻辑智能体对知识库进行推理，以导出新的语句，并用它们来决策。 逻辑的基本概念 表示语言通过语法和语义来定义 语句之间的蕴涵关系 推理：可靠性和完备性 归结规则产生一个用于表示为合取范式的知识库的完备推理算法。 前向链接和反向链接都是用于以Horn Form表示的知识库的非常自然的推理算法。 命题逻辑缺乏表达能力。 * * 表示和学习 * 完备性：KB的有限性。 * figure 7.9 * * * * * 推理算法的可靠性与完备性 * Resolution yields a complete inference algorithm. * CNF in order to apply resolution. 逻辑等价关系（1） 逻辑等价关系（2） wumpus世界的推理 证明： 从R2开始 R6： (B1,1?(P1,2∨P2,1))∧((P1,2∨P2,1)?B1,1) R2双向蕴涵消去 R7： (P1,2∨P2,1)?B1,1 R6与消去 R8： ?B1,1??(P1,2∨P2,1) 逆否命题逻辑等价 R9： ?(P1,2∨P2,1) R4/R8分离规则 R10 ?P1,2∧?P2,1 迪摩根定律 证毕. 用R1~R5规则和推理模式证明： [1,2]和[2,1]中没有陷阱， 即?P1,2和?P2,1 证明、方法 模型检查 真值表枚举：时间复杂度为O(2n)。 推理规则的应用 寻找证明的过程与搜索问题中寻找解的过程非常类似：定义后继函数以便生成推理规则所有可能的应用。 从初始知识库正向出发，应用推理规则以生成目标语句； 从目标语句反向出发，试图找到由初始知识库引出的推理规则链。 命题逻辑的推理是NP完全的 逻辑系统的单调性 单调性：对于任意语句?和?，如果KB|= ?，那么KB? ? |= ?。 单调性意味着任何时刻只要在知识库中发现了合适的前提，就可以应用推理规则 规则的结论和KB中其它内容无关。 归结（Resolution） 归结： 单一推理规则，与完备的搜索算法相结合，得到完备的推理算法。 归结：单个归结 R11： ?B1,2 R12： B1,2? (P1,1?P2,2?P1,3) 事实 R13： ?P2,2 R14： ?P1,3 同R10的推导过程 R15： P1,1?P2,2?P3,1 对R3消去、R5分离 R16： P1,1 ? P3,1 R13/R15归结 R17： P3,1 R1/R16归结 例子：Agent从[2,1]返回[1,1]， 接着走到[1,2]并在此地闻到臭气， 但没有微风。 归结（Resolution） 全归结规则： 假设：l1 ?… ? lk and