第6章 问题求解范型.DOCVIP

第6章 问题求解范型 AI的许多方面涉及问题求解。因此，研究人类的问题求解方法是AI领域的重要课题。在AI的研究和实践中，总结出来一整套一般问题求解方法－－问题求解范型。下面的列表给出了AI的主要问题求解范型，但不是一个完全的表： 描述—匹配（第2章）； 目标归约（第2章）； 约束传播（第3章）； 搜索（第4章）； 手段－结局分析（第5章）； 产生－测试（第6章）； 规则系统（第6章）； 形式逻辑（第7章）； 遗传算法等 本章介绍两种重要的、常用的问题求解范型：产生—测试和基于规则系统。产生－测试问题求解范型在很多实际系统中得到应用。本章我们分析两个系统中使用的该类问题求解范型： DENTRAL：用于有机化学领域，从质谱图分析有机物的结构； ACRONYM：用于图象处理，从航空照片中辨别飞机。 基于规则系统，又称为产生式系统，常见于知识工程中，很多专家系统属于基于规则系统问题求解范型。专家系统执行的任务的类型可有： 综合（Synthesis）：如，XCON组配计算机； 分析（Analysis）：如，MYCIN诊断感染疾病； 解释（Interpretation）：如，PROSPECTOR解释油井日志。 学习这一章的目的是，通过学习，能根据问题求解特征，选择适宜的范型，建立问题求解器。 另外，在AI文献中，经常提及“弱方法（weak methods）”概念。它是指 弱方法：不需要对问题领域有深刻理解的问题求解范型。 6.1 产生和测试 产生－测试范型的组成 产生器：枚举可能的解，即产生假设。 测试器：评估假设，判断是否接受产生的解。 产生－测试范型的工作方式 第一种：首先产生所有可能的解，然后对所有的解进行测试； 第二种：产生器和测试器交替工作，产生一个解，就进行测试。终止条件有三种可能：其一，一旦发现一个可接受的解，系统终止工作；其二，一旦发现指定数目的解，系统终止工作；其三，发现所有的解后，系统终止工作。 6.1.1 产生－测试系统在识别问题中的应用 产生－测试范型经常用来解决识别问题。但是，一般限制于问题的可能解答在102量级上的情况。若可能的解答太多，产生－测试的问题求解效率会很低。下面有两个例子说明怎样用产生－测试范型解决识别问题。 例子1，识别树。假设有一未知名的树，希望通过查阅一本有关树的书，来识别它。一般做法是一页一页地依次翻书，当发现书中某张图片与要识别的树相同时，停止翻书。一页一页地翻书就是产生过程，把图片与树匹配就是测试过程。 例子2，开保险柜的密码锁。假设保险柜由6位数字组成，而你忘记了密码。可能的做法是依次尝试密码的所有组合：00－00－00，00－00－01，00-00-02，…直到打开保险柜的门。生成密码的各种组合就是产生过程，转动保险柜的手柄就是测试过程。 6位数字密码的可能组合是106，打开密码锁的平均尝试次数是500000。因此，用产生－测试方法开密码锁是很低效的。 6.1.2 产生器特性 一个好的产生器应该具有下列三个特性： 产生器是完全的。产生器应有能力产生所有可能的解。 产生器是无冗余的。产生器不能多次提出相同的解，以免损害效率。 产生器具有启发能力。产生器能使用可能的约束信息，限制解空间。 对于一个产生器来说，启发能力是非常重要的，因为在一般情况下，可能解的数目非常大。用上面的例子来说明怎样使用启发式。 在识别树的例子中，若时间是冬季，并发现要识别的树是光秃的，则翻书时会跳过常青乔本（针叶树）部分。在开密码锁的例子中，若能确定密码的组合是素数，且在00～99之间，则尝试的可能是253=15625。 6.1.3 DENTRAL与产生--测试范型 DENTRAL是使用产生－测试范型的典型专家系统。DENTRAL代表DENTRitic Algorithm（所谓树状算法），是第一个专家系统。由斯坦福大学Feigenbaum领导的研究小组于1965年开始开发的，1968年基本开发成功，主要开发者是J. Lederbeg。 DENTRAL的知识表示 产生器用过程语言实现，测试器用InterLisp语言实现，这是一种规则表示语言。 META－DENTRA 随后，开发了META－DENTRAL，用于获取DENTRAL所需的知识，它带学习功能，帮助化学家确定质谱片段（fragmentation）与子结构特性之间的关系，即学习给定分子类的片段规则。META－DENTRAL也是用InterLisp语言实现的。 META－DENTRAL使用示例学习方法，其过程如下： 输入：已知分子的三维结构，及一组质谱图。 输出：关于分子结构与质谱图的关系的规则。 生成规则：产生一组关于特定分子的单一分片过程的、高度特殊化的规则。