第三章2知识表示-产生式表示r.ppt

№ * 首先令综合数据库的内容表示为城市名列表，初始时该列表只包含城市A。 设计真值函数not-visit(x)指示未访问过城市x，真值函数visit-all指示已遍历各城市，操作函数move(x)指示去城市x并将x加进城市名列表 二条规则 R1: not-visit(x)?? move(x),　　 R2: visit-all()?? move(A). № * 二 控制策略 从产生式系统的控制机制可知，选用合适的规则 是控制策略的主要内容和成功的关键 一般图搜索策略也适用于作为产生式系统的控制策略 产生式系统以激活的规则（而非问题状态）作为试探性选择的对象 不同之处在于产生式系统在失败回溯时可以对问题状态做恢复处理 可以把产生式系统的控制策略分为两大类：无信息控制和优化控制。后者又分为不可回溯和可回溯。 № * 1、 无信息控制 应用“First”冲突解法去控制整个问题求解过程，并相当于深度优先的盲目搜索方式 推理过程的每个识别-行动循环的识别阶段按排列顺序自上而下地对规则库中的规则作激活检查，第一条激活的规则就用于推进问题求解，然后循环进行，直到推理成功或失败 № * 2、 不可回溯的优化控制 应用Best冲突解法去控制整个问题求解过程，相当于应用启发式知识的搜索方式 服务于推理控制的知识是关于如何选取问题求解基础知识（产生式规则）的知识，所以称之为元知识（Meta knowledge） 元知识是产生式系统优化控制推理过程的关键 № * 识别-行动循环一个接一个地推动问题求解向目标状态前进 ，不能反悔 不可回溯的优化控制，简单易行，对于注重找到解答而不留意解答步骤（识别-行动循环个数）多少的应用问题较为适合 如八数码游戏，文法分析等问题 № * 实现不可回溯优化控制的一种方式就是爬山法，控制系统只需以应用领域相关的启发式知识指导“Best”冲突解法的执行，一旦选定某条激活的规则，其余激活的规则全部丢弃，不再予以考虑 但爬山法只适合于单一极值问题，即确保能推出解答而不会陷入失败的问题 № * 3、 可回溯的优化控制 允许在推理进入失败点时返回到按时序最接近的推理分支点 № * 递归过程是实现回溯控制策略的有效（次搜索失败和回溯）途径 递归过程算法可改写为服务于产生式系统的可回溯优化控制 № * 2.1.2节中第3小节的递归算法改写为可回溯优化控制： PS-BACKTRACK(db) 　　(1) 若db指示了目标状态，则输出（显示）db作为解答,算法成功结束；　　(2) 若db指示了失败状态，则返回真值F；　　(3) rs:=RULE-ACTIVATE(db)，并用启发式知识对rs中的规则按从优到劣的次序排列；　　(4) 若rs为空，则返回真值F；　　(5) r:=MOVE-FIRST(rs)；　　(6) PS-BACKTRACK(TRANSFORM(db,r))；　　(7) 返回语句（4）。 № * 算法中db设置为综合数据库的内容 算法的每次调用执行一个识别-行动循环 四皇后问题的产生式系统解决实例 R1: length(db)=0 ??APPEND(db,(1j)) R1: length(db)=1 ??APPEND(db,(2j)) R1: length(db)=2 ??APPEND(db,(3j)) R1: length(db)=3 ??APPEND(db,(4j)) № * № * 4、 推理修补技术 尽管可回溯的优化控制不失为一种较好的控制策略，但若启发式知识还不健全的话，可能会引起太多的失败回溯，以至严重影响推理效率 按时序的回溯往往只是盲目地回溯到上一个推理分支点，并不能准确地直接返回到推理失败的根源相应的推理分支点，使许多回溯工作白白浪费 可回溯的优化控制 缺点： 有些问题求解任务不允许回溯或不需要回溯 № * 可以通过设置修补规则来实现 推理修补，以便在推理失败的情况下激活这些规则，对推理的中间结果（综合数据库的内容）作某些变换，进而使失败的推理能继续下去 例子，对下列句子进行文法分析： Have the Students who Missed the exam take it today 试探have作为助动词和主动词 № * 从属导向的回溯技术也有类似的推理修补效果 当推理到达失败点时，并不按时序简单地回溯到上一推理分支点，而是分析失败的原因，直接确定导致失败的推理分支点 另外，推理系统并不撤销失败点到失败根源之间的所有推理结果，而是依据记载的推理前提和结果间的从属关系信息，仅撤销那些与失败相应的结果，即相当于作了推理修正