人工智能artificialintelligence第二章

人工智能artificialintelligence第二章内容摘要：

， 8个数随机放置； – 数字移动规则：空格周围的数字可移动到空格中； – 如果通过移动数字 ， 达到一个目标状态 ， 则游戏成功结束； – 求一个走步序列。 • 问题：怎样用一个产生式系统描述并解决上述问题。 2020/11/4 史忠植 人工智能：知识表示 28 例 1 • 产生式系统的描述 : – 综合数据库：存放棋盘的状态。 •棋盘的状态： 8个数字在棋盘上的位置分布。 •每走一步 ， 状态就会发生变化； •存放棋盘的当前状态； – 规则：规则是数字移动的方法。 •空格的移动 : •如果空格左边有数字 ， 则将左边的数字移到空格上； •如果空格右边有数字 ， 则将右边的数字移到空格上； •如果空格上边有数字 ， 则将上边的数字移到空格上； •如果空格下边有数字 ， 则将下边的数字移到空格上； 2020/11/4 史忠植 人工智能：知识表示 29 例 2 • 问题：设字符转换规则 A∧ B→C A∧ C→D B∧ C→G B∧ E→F D→E 已知： A， B 求： F 2020/11/4 史忠植 人工智能：知识表示 30 一、综合数据库 {x}， 其中 x为字符 二、规则集 1， IF A∧ B THEN C 2， IF A∧ C THEN D 3， IF B∧ C THEN G 4， IF B∧ E THEN F 5， IF D THEN E 例 2 2020/11/4 史忠植 人工智能：知识表示 31 三、 控制策略 顺序排队 四、初始条件 {A， B} 五、结束条件 F∈{x} 例 2 2020/11/4 史忠植 人工智能：知识表示 32 产生式系统的推理 • 正向推理 :从已知事实出发 ,通过规则库求得结论 .也称为数据驱动方式 ,或从底向上的方式 • 反向推理 :从目标出发 .反向使用规则 ,求得已知事实 ,或称目标驱动 ,自顶向下 . • 双向推理 :既自顶向下 ,又自底向上相结合得方法 .直至某个中间界面两方向结果相符便成功结束 . 2020/11/4 史忠植 人工智能：知识表示 33 正向推理推理过程 • 正向推理推理过程 (1)规则库中的规则与数据库中的事实进行匹配 ,得到匹配成功的规则集合 (2)从匹配规则集中选择一条规则作为使用规则 (3)执行使用规则的后件 ,将该规则的后件送入数据库 . 重复上述过程直到达到目标 2020/11/4 史忠植 人工智能：知识表示 34 反向推理推理过程 • 反向推理推理过程 (1)规则集合中的规则后件与目标事实进行匹配 ,得到匹配的规则集合 (2)从匹配规则集合中选择一条规则作为使用规则 (3)将使用规则的前件作为子目标 重复上述过程 ,直到各子目标均为已知事实成功结束 2020/11/4 史忠植 人工智能：知识表示 35 产生式系统的特点 • 优点 (1)自然性 (2)模块性 (3)有效性既可表示确定性知识 ,又可表示非确定性知识 ,既可表示启发式知识 ,又可表示过程性知识 (4)清晰性 :格式固定 ,结构简单 ,便于一致性 ,完整性检查 • 不足之处 – 效率不高 :匹配 冲突消解 执行 ,并且可能产生组合爆炸 – 不能表达具有结构性的知识 2020/11/4 史忠植 人工智能：知识表示 36 内容提要 状态空间 面向对象的知识表示 剧 本 本体 小结 2020/11/4 史忠植 人工智能：知识表示 37 概述 谓词逻辑 产生式系统 语义网络 框架 语义网络 • 基本概念 – 语义网络是通过概念及其语义关系来表达知识的一种网络图 ,是一种“带标识”的有向图 . – 节点表示各种事物 ,概念 ,情况 ,属性 ,动作 ,状态等 .弧表示各种语义关系 (节点 1 , 弧 , 节点 2) – 也可表示为 : – 当把多个基本的网络通过相应的语义关联在一起时 ,就得到一个语义网络 A B R 2020/11/4 史忠植 人工智能：知识表示 38 常用的语义联系 – ISA,AKO,Partof,Infer等 – AMemberof:表示个体与集体之间的关系 . – Composedof: 表示“构成”联系 ,是一种一对多的联系 – Have: 表示属性或事物的“占用”关系 .如鸟有翅膀 – Before, After, At: 表示事物之间的时间先后顺序 – Locatedon(at,under,inside,outside):表示事物之间的位置关系 – Similarto,Nearto:表示事物之间的相似或接近的关系 2020/11/4 史忠植 人工智能：知识表示 39 40 – (1) 能把实体的结构、属性与实体间的因果关系显式并简明地表达出来 , 与实体相关的事实、特征和关系可以通过相应的节点弧线推导出来。 这样便以联想方式实现对系统 的解释。 – (2) 由于与概念相关的属性和联系被组织在一个相应的节点中 , 因而使概念易于受访和学习。 – (3 ） 表现问题更加直观 , 更易于理解 , 适于知识工程师与领域专家的沟通。 语义网络中的继承方式也符合人类的思维习惯。 – (4) 语义网络结构的语义解释依赖于该结构的推理过程而没有结构的约定 , 因而得到的推理不能保证像谓词逻辑法那样有效。 – (5 ） 节点间的联系可能是线状 、 树状或网状的 , 甚至是递归状的结构 , 使相应的知识 存储和检索可能需要比较复杂的过程。 语义网络的特点 2020/11/4 史忠植 人工智能：知识表示 41  表示一些简单事实，如占有关系和其它情况：以节点表示实体与概念，节点间关系以有向链关联。 – 例： 小燕是一只燕子，燕子是一种鸟，鸟有翅膀；巢 1是小燕的巢，巢 1是巢中的一个。 – 问题： 上述的语义网络为二元关系，无法表示复杂事实，如：小燕从春天到秋天占有巢－ 1。 如果采用谓词逻辑表示为一个四元谓词演算： Owns（ XIAOYAN,NET1,SPRING,FALL） 二元语义网络的表示 SWALLOW BIRD XIAOYAN NEST1 NEST ISA ISA ISA OWNS HASPART WINGS 2020/11/4 史忠植 人工智能：知识表示 42 允许节点既可以表示一个物体或一组物体，也可以表示情况与动作。 每一情况节点成为事例框，有一组向外的弧，用以说明与该事例有关的各种变量。 SWALLOW BIRD XIAOYAN NEST1 NEST ISA ISA ISA OWNEE OWN1 OWNER SPRING FALL SITUATION TIME OWNERSHIP ISA ISA ISA ISA STARTTIME E。