人工智能2013(3经典推理).ppt

反向推理算法： (1)将要求证的假设(目标)构成一个假设集； (2)从假设集中选出一个假设，检查该假设是否已在总数据库中，若在，则该假设成立，此时，若假设集为空，则成功退出，否则继续执行（2）；若该假设不在数据库中，转下一步； (3)判断该假设是否可由规则库的某个规则导出，若不能，则询问用户是否为可由用户证实的原始事实，若是，该假设成立，并放入总数据库，重新寻找新的假设，若不是，则转（5）； (4)将规则库可以导出该假设的规则构成可用规则集 (5)检查可用规则集是否为空，若空，失败退出，否则按冲突消解策略从可用规则集中取出一条规则，将该规则的前提中的每个子条件作为新的假设放入假设集，然后转(2)。 3.7.3 产生式系统举例 规则:R1：动物有毛 → 哺乳类 R2：动物产奶 → 哺乳类 R3：动物有羽毛 → 鸟类 R4：动物会飞 ∧会下蛋 → 鸟类 R5：哺乳类∧动物吃肉→ 食肉类 R6：动物有犬齿 ∧有爪 ∧眼盯前方→肉食类 R7：哺乳类 ∧有蹄 →蹄类动物 R8：哺乳类 ∧反刍 → 蹄类 R9：食肉类 ∧ 黄褐色 ∧ 有斑点→ 金钱豹 R10：食肉类 ∧ 黄褐色 ∧ 有黑色条纹→虎 R11：蹄类 ∧ 长脖 ∧ 长腿 ∧ 有斑点→ 长颈鹿 R12：蹄类 ∧ 有黑色条纹→ 斑马 R13：鸟类 ∧长脖 ∧ 长腿 ∧ 不会飞 →鸵鸟 R14：鸟类 ∧会游泳 ∧黑白二色 ∧ 不会飞 →企鹅 R15：鸟类 ∧善飞 →信天翁 部分推理网络 斑马 有蹄类 有蹄 哺乳类 有毛 产奶 反刍 有斑点 黑条纹 长腿 长颈鹿 r2 r1 r7 r8 长脖 r12 r11 问题：观察到一种动物是{有暗斑，长脖，长腿，产奶，有蹄}，问是什么动物？ 推理过程： 初始化总数据库（有暗斑，长脖，长腿，产奶，有蹄） R2：动物产奶 → 哺乳类 改变总数据库（有暗斑，长脖，长腿，产奶，有蹄，哺乳类） R7：哺乳类 ∧有蹄 →蹄类 改变总数据库（有暗斑，长脖，长腿，产奶，有蹄，哺乳类，蹄类） R11：蹄类 ∧ 长脖 ∧ 长腿 ∧ 有斑点→ 长颈鹿 3.8 系统组织技术 3.8.1 议程表 系统组织技术首先将一个大系统或复杂系统中的知识划分为一组相对独立的模块，然后考虑各子模块间在求解时的合作问题。 议程表是一个系统能够执行的任务表列。与每个任务有关的有两件事，即提出该任务的理由和表示对该任务是有用的证据总权的评价。 3.8.2 黑板法 黑板法由一组称为知识资源(KS)的独立模块和一块黑板组成求解系统。知识资源含有系统中专门领域的知识，而黑板则是一切KS可以访问的公用数据结构。 3.8 系统组织技术 3.8.3 Δ-极小搜索法 提供了一种选择最有希望假设的技术。 * * 当一个问题有多个解答或多条解答路径，且只须找到其中一个时；往往应对搜索深度加以限制。 一般设置深度限制; 当深度限制不合理时，可能找不到解; 可以将算法改为可变深度限制，最坏情况时，搜索空间等同于穷举，是一个通用的与问题无关的方法 * 在A算法中，如果对所有的x存在h(x)≤h*(x),则称h(x)为h*(x)的下界，它表示某种偏于保守的估计。 　　定义3 采用h*(x)的下界h(x)为启发函数的A算法，称为A*算法。当h=0时，A*算法就变为有序搜索算法。 * 本例中能使MAX获胜的终局是（2，2，1，1，1，MIN），能使MIN获胜的终局是（2，1，1，1，1，1，MAX）和（2，2，2，1，MAX）。从下页图中可以看出，无论MIN如何走法，MAX都有可能取胜，只要他抓住（4，2，1，MIN）这个关键状态就行。但是如果MAX不甚精通棋术，误入（5，1，1，MIN）或（3，2，2，MIN）状态，MIN就可以获胜。若双方都精通本棋，则先走者必败。分析: 博奕图中MAX取胜的路线有点像与或图的一个解图. 由MIN走的那些节点的后继节点和与节点相像, 即MAX取胜的一个解必须是能从所有这些后继节点中取胜; 而MAX的后继节点则和或节点相似, 即MAX只要从这些后继节点中的一个取胜即可. * 即不根据最后实际计算出的输赢来评份, 而是根据在一定深度处的节点的估计值来评分, 亦即用估计值代替实际的搜索。计算这种估计值的函数, 叫静态估值函数, 它相当于A*算法中的启发函数h。 上例的事实表达式用与或图表示如下： 可以看出，每个端节点都是一个文字，所以与或图相当于把一个表达式按照与或关系拆分成文字表示。 讨论： 利用与或图求解图： 方法与可分解系统中的解图求法相同。不同的是与或图中