611产生式规则（例）.ppt

* 阿三打死得其所 * 例2：M-C问题（续3 ） 4，规则集 IF (m, c, 1) THEN (m-1, c, 0) IF (m, c, 1) THEN (m, c-1, 0) IF (m, c, 1) THEN (m-1, c-1, 0) IF (m, c, 1) THEN (m-2, c, 0) IF (m, c, 1) THEN (m, c-2, 0) * IF (m, c, 0) THEN (m+1, c, 1) IF (m, c, 0) THEN (m, c+1, 1) IF (m, c, 0) THEN (m+1, c+1, 1) IF (m, c, 0) THEN (m+2, c, 1) IF (m, c, 0) THEN (m, c+2, 1) 例2：M-C问题（续4） 例2：N=5，k=3为例 * 人工智能 * 例3：猴子摘香蕉问题 一个房间里，天花板上挂有一串香蕉，有一只猴子可在房间里任意活动（到处走动，推移箱子，攀登箱子等）。设房间里还有一只可被猴子移动的箱子，且猴子登上箱子时才能摘到香蕉，问猴子在某一状态下（设猴子位置为a，箱子位置为b，香蕉位置为c），如何行动可摘取到香蕉。 * 人工智能 * a b c 例3：猴子摘香蕉问题 * 人工智能 * 1，综合数据库 定义5元组（M, B, Box, On, H） M：猴子的位置 B：香蕉的位置 Box：箱子的位置 On=0：猴子在地板上 On=1：猴子在箱子上 H=0：猴子没有抓到香蕉 H=1：猴子抓到了香蕉 例4：量水问题 对量水问题给出产生式系统描述，并画出状态空间图。 有两个无刻度标志的水壶，分别可装5升和2升的水。设另有一水缸，可用来向水壶灌水或倒出水，两个水壶之间，水也可以相互倾灌。已知5升壶为满壶，2升壶为空壶，问如何通过倒水或灌水操作，使能在2升的壶中量出一升的水来。 * 人工智能 * 例4：量水问题 * 人工智能 * * 人工智能 * 6.2.3控制策略与常用算法（1） 推理方式 正向推理 ——从初始事实数据出发，正向使用规则进行推理，朝目标方向前进。又称为前向推理、正向链、数据驱动的推理。 反向推理——从目标出发，反向使用规则进行推理，朝初始事实或数据方向前进。又称反向推理、反向链、目标驱动的推理。 * 人工智能 * 6.2.3控制策略与常用算法（2） 正向推理算法一 步1 将初始事实/数据置入动态数据库； 步2 用动态数据库中的事实匹配目标条件，若目标条件满足，推理成功，结束。 步3 用规则库中各规则的前提匹配动态数据库中的事实，将匹配成功的规则组成待用规则集。 步4 若待用规则集为空，则运行失败，退出。 步5 将待用规则集中各规则的结论加入动态数据库，或者执行其动作，转步2。 * 人工智能 * 6.2.3控制策略与常用算法（3） 若把动态数据库的每一个状态作为一个节点的话，则上述推理过程就是一个从初始状态到目标状态的状态图搜索过程。 如果把动态数据库中的每一个事实/数据作为一个节点的话，则上述推理过程就是一个自底向上的与或树搜索过程。 * 人工智能 * 6.2.3控制策略与常用算法（4） 反向推理算法 步1 将初始事实/数据置入动态数据库，将目标条件置入目标链； 步2 若目标链为空，则推理成功，结束。 步3 取出目标链中第一个目标，用动态数据库中的事实同其匹配，若匹配成功，转步2。 步4 用规则集中的各规则的结论同该目标匹配，若匹配成功，则将第一个匹配成功且未用过的规则的前提作为新的目标，并取代原来的父目标加入目标链，转步3。 步5 若该目标是初始目标，则推理失败，退出。 步6 将该目标的父目标移回目标链，取代该目标及其兄弟目标，转步3。 * 人工智能 * 6.2.3控制策略与常用算法（5） 在产生式系统中，从前提到结论的产生式规则通常也是一棵与或树。 合取，与节点：一个产生式的前提包含了几个事实，那么它的结论对应这些事实的合取。 析取，或节点：一个结论可以由多个产生式得到，则这个结论对应这些产生式的析取。 每个产生式系统都隐含着许多这样的与或树。 * 人工智能 * 6.2.3控制策略与常用算法（6） F1 P1 F3 F4 F5 F6 B C D A P2 P3 P4 P5 F2 事实 中介事实 B、C、D 产生式规则 P1、P2、P3、P4、P5 结论 * 人工智能 * 6.2.3控制策略与常用算法（7） 例6.1：动物分类问题的产生式系统描述及求解。 规则： r1： IF 该动物有毛发 THEN 该动物是哺乳动物 r2： IF 该动物有奶 THEN 该动物是哺乳动物 r3： IF 该动物有羽毛