人工智能知识表示(共51页).ppt

第五章知识表示 表示是使用人造的体系对自然界事物的运算规律进行概括与抽象的模型知识表示是概括智能的模型需同时满足“刻画智能现象”与“计算装置可接受”两个条件表示观：注重形式化的认知观注重模拟客观世界本体的本体观产生式规则是一种使用最广泛的表示方法语义网络、框架、脚本都是结构化的表示方法，结构化表示法适合描述那些带有结构、层次、比较复杂的事物，反映了人们使用知识的方式，提供了结构的描述关系评价知识表示方法从表示的能力和效率两个方面考虑：表示能力（区分与避免不必要区分）：一阶谓词逻辑最强，其它方法是其子集效率：考虑知识获取和知识库维护的效率（适合人的思维）考虑推理机的效率（适合机器实现）， 一阶谓词逻辑最弱经典人工智能的主要表示方法：一阶谓词逻辑是最基本的表示方法，具有严谨的公理体系5.1逻辑表示法 用谓词表示知识命题：表示知识的陈述性形式称为命题例：张平是学生、树叶是绿色的谓词：带有参数的命题叫做谓词例：是学生（X）谓词比命题有更强的表达能力：1）有概括能力2）引进了变量3）在知识之间建立联系 是学生（X）：X是学生 受纪律约束（X）：X受纪律约束 犯错误（X）：X犯错误 受纪律惩罚（X）：X受纪律惩罚连接后：是学生（X）受纪律约束（X）犯错误（X）受纪律惩罚（X）(6)X是学生(X)学籍(X)Y是教师(Y)职称(Y)例：没有无学籍的学生，也没有无职称的教师。

1)Q(2)没有无学籍的学生也没有无职称的教师(3)存在无学籍的学生存在无职称的教师(4)X无学籍的学生(X)Y无职称的教师(Y)(5)X是学生(X)无学籍(X)Y是教师(Y)无职称(Y)第一种谓词简单，个数多，较灵活第二种谓词复杂，个数少，利于检索这个命题可在六个不同的层次表示：分得细知识多推理效率低分得粗知识少推理效率高上述方式是谓词多，参数少另一种是谓词少，参数多P(x1,x2,.x10)其中，x1表示是否、x2表示动作、x3表示有无、x4、x5表示对象，x6到x10与x1到x5一样即：P(不，存在，无，学籍，学生，不，存在，无，职称，教师)可表示为(x)(A(x)B(x)或(x)(B(x)A(x)或(x)(A(x)(B(x)用谓词表示知识的例子：1）所有的有理数都是实数令P(x)表x是有理数，Q(x)表x是实数则应为(x)(P(x)Q(x)而不是(x)(P(x)Q(x)2）有的实数是有理数应为(x)(Q(x)P(x)而不是(x)(Q(x)P(x)3）没有无理数是有理数A(x)表示无理数，B(x)表示有理数(x)(机器(x)型号(x,B)电源故障(x)4）凡是桌面上没放书本的桌子都配有台灯。

x)(桌子(x)上面放书(x)配有台灯(x)(x)(桌子(x)(y)(书(y)在上面(y , x)(z)(台灯(z)在上面(z,x)(x)(桌子(x)在上面(书,x)在上面(台灯,x)5）张宏的母亲和谁都没吵过架x)(人(x)吵架(母亲(张宏),x)6）型号B的所有机器都有电源故障7）放在台灯下面的书可能是数据结构，也可能是编译原理，不会是别的书用谓词表示自然语言：用谓词和项表示句子的关系和实体一元谓词表示一个集合多元谓词表示一个关系x)(学校(x)老同学(母亲(赵亮),校长(x)8）赵亮的母亲和某校的校长是老同学书(a)台灯下面(a)(是(a,数据结构)是(a,编译原理)重迭量词 对于二元谓词R(x,y)，可以连续两次引用量词，有四种形式： (x) (y) R(x,y)：一切x和一切y有关系R (x) (y) R(x,y)：一切x和有的y有关系R (x) (y) R(x,y)：有的x和一切y有关系R (x) (y) R(x,y)：有的x和有的y有关系R 例：一切固体都可以被某些液体所溶解 (x)(固体(x)(y)(液体(y) 被溶解(x,y) 有的液体可以溶解一切固体 (y)(液体(y)(x)(固体(x) 被溶解(x,y)产生式也称作规则，或产生式规则。

产生式一词来源于Post机, Post机是E.Post在1943年根据字符串替换规则提出的称为产生式系统的一种计算模型5.2产生式系统知识之间存在着大量的因果关系，可以用一种称之为“产生式”的形式来描述例：如果大学毕业就能找到工作如果大学毕业热门专业名牌大学就能找到好工作综合数据库是产生式使用的主要数据结构，它用来表述问题状态或有关事实，对应于表示问题的说明式知识产生式系统的基本结构产生式系统是问题求解系统它是把一组产生式放在一起，让它们互相配合，协同作用，一个产生式生成的结论可以供另一个产生式作为前提，以这种方式求得问题的解决一个产生式系统由三个基本部分组成：一个综合数据库、一组产生式规则和一个控制系统一组产生式规则构成了规则库，每一条规则形如:IF条件THEN行动或IF前提THEN结论IF积木X在A处AND积木X上面为空AND机械手在A处AND机械手为空THEN机械手抓起积木X（条件行动）例如:IF动物是哺乳动物AND动物吃肉THEN动物是食肉动物（前提.结论）控制系统是规则的解释程序，它规定了如何选择一条可用的规则的原则(搜索策略)和规则使用的方式(推理方向)，并根据综合数据库的信息，控制求解问题的过程。

PrecedureRespond 扫描数据库，找到可用规则集S； whileS非空且问题未被求解do begin 调用过程select-Rule（S），从S中选出规则R； 执行R的结果部分，更新数据库的内容； 扫描数据库，找到可用规则集S end5.2.1推理方式正向推理正向推理的基本思想是从已知数据信息出发，正向使用规则（让规则的前提与数据库匹配）求解问题它要求用户首先输入有关当前问题的信息作为数据库中的事实下述的过程Respond是这种策略的基本思想 正向推理的主要缺点是激活规则表面看无目的，或者说系统为达到目标可能执行若干无用动作规则“可用”是指数据库中有满足该规则的条件部分的事实，过程select-Rule负责选择规则，与问题有关的控制信息在此体现，可使用评价函数，也可精心排序过程Respond是原理示意程序，实际系统要复杂的多，例如：如何查找规则？是顺序，还是索引如何判断规则可用？是简单匹配、比较，还是计算正向推理就是执行“识别动作”正向推理的主要优点是允许用户主动提供有用的事实信息，而不必等到用户需要时才提供它适合于“解空间”很大的一类问题，象设计、规划、预测、监控、管理等。

反向推理的优点：适合解空间教小的问题不必使用与总目标无关的规则有利于向用户提供明确的解释反向推理的缺点：目标选择盲目，不允许用户主动提供信息指导推理当规则的then是动作时，反向推理无法使用反向推理反向推理基本思想是：选定一个目标，然后在知识库中查找能导出该目标的规则集，若这些规则中的某条规则前提与数据库匹配，则成功否则，将该规则前提作为子目标，递归执行上述过程，直到总目标被求解或者没有能导出目标的规则过程Achieve（G）给出了反向推理的基本思想ProcedureAchieve（G）扫描数据库，如果找到G，返回T否则找到能导出G的规则集S；whileS非空dobegin调用过程ChooseRule（S），从S中选出规则RwhileR在S中且R的前提部分非空dobeginGHEAD(R的前提部分)；R的前提部分TAIL(R的前提部分)M=Achieve（G）ifM为F，then从S中去掉RendIfR在S中then返回Tend当S为空时，返回FendR1：如果叶子脱落则是落叶树R2：如果叶子保持则是常青树R3：如果松树球果则是裸子植物R4：如果针叶则是裸子植物R5：如果二针叶or三针叶or五针叶则是针叶R6：如果是裸子植物and常青树and五针叶则是白松树R7：如果是裸子植物and落叶树and簇针叶则是落叶松树例:已知有如下数据库和规则库数据库：叶子保持、五针叶规则库： 解：产生式系统的正向推理的一般策略为： 1）找出可用规则集2）若可用规则集空或已找到目标则结束，否则3）选择一条规则（本题可按自然顺序） 4）将结论放入数据库5）找出可用规则集，转2）。

开始，找出可用规则集：R2和R5 执行2）后，继续3）-5）条，结果如下：选择一条规则（按自然顺序）：R2 将结论放入数据库：叶子保持、五针叶、常青树 找出可用规则集：R5 再次执行2）后，继续3）-5）条，结果如下：使用上述的数据库和规则库说明产生式的正向推理过程反向推理略)选择一条规则（按自然顺序）：R5将结论放入数据库：叶子保持、五针叶、常青树、针叶找出可用规则集：R4 再次执行2）后，继续3）-5）条，结果如下：选择一条规则（按自然顺序）：R4将结论放入数据库：叶子保持、五针叶、常青树、针叶、裸子植物找出可用规则集：R6 再次执行2）后，继续3）-5）条，结果如下：选择一条规则（按自然顺序）：R6将结论放入数据库：叶子保持、五针叶、常青树、针叶、裸子植物、白松树找出可用规则集：nil 再次执行2）后，结束 数据与数据的匹配是指在规则中没有变量的情况，此时，规则的前提中，不论是要比较，还是计算，最后，总之是用数据和数据库中的数据进行匹配5.2.2匹配方式不论是正向推理，还是反向推理，在挑选可用的规则时，都是要利用数据库的数据或事实，判定规则的前提是否为真，即规则前提与数据库匹配。

考虑规则中是否带有变量，这种匹配可分为三种：数据与数据的匹配、数据与变量的匹配、变量与变量的匹配这里的变量概念是广义的，可是一般的变量，也可是指数据与一般的变量共同组成的模式 变量与变量的匹配是在有变量的情况下进行反向推理时出现给定一个断言，假定不含变量，在反向推理中，用它和规则的结论匹配，形成一个环境，规则前提的变量应从此环境取值，但是，前提中的变量在结论中可能不出现，这样，当前提作为新的未知断言，让它去和某规则的结论匹配时，就出现变量与变量的匹配这种匹配正是我们在归结推理中讲的合一算法数据与变量的匹配是在规则中有变量的情况下进行正向推理时出现 有变量的正向推理 数据与变量的匹配是在规则中有变量的情况下进行正向推理时出现我们假定有一个使用汉语的演绎系统做正向推理，其中用英语字母表示变量，用汉语表示常量，有如下规则： （规则203（如果（x是y的母亲） （y是男性） （z是x的姐妹） （z是w的母亲） （则（z是y的姨母） （y是w的表兄弟） 若又有以下事实： （王夫人是贾宝玉的母亲） （王夫人是贾元春的母亲） （薛王氏是王夫人的姐妹） （薛王氏是薛蟠的母亲） （薛王氏是薛宝钗的母亲） （贾宝玉是男性） （贾元春是女性） （薛蟠是男性） （薛宝钗是女性） 可推出新事实： （薛王氏是贾宝玉的姨母） （贾宝玉是薛蟠的表兄弟） （贾宝玉是薛宝钗的表兄弟） 在检查规则中某前提是否成立时，带变量的正向演绎与不带变量的正向演绎是有区别的。

不带变量：检查该前提是否与已知事实相同 带变量：检查该前提是否与已知事实相匹配，当把该前提中的变量换成匹配中所获得的约束值时，它才与那个事实相同我们说匹配成功，既建立了约束关系，并把建立的一组约束关系称为一个演绎环境 例如，第一个前提与事实库的四个事实匹配成功，建立了编号为1、2、3、4的四个环境 1（x王夫人）（y贾宝玉） 2（x王夫人）（y贾元春） 3（x薛王氏）（y薛蟠） 4（x薛王氏）（y薛宝钗） 为使用一条规则演绎，应使规则中的所有前提同时成立，即不同前提中的同名变量可以取到同一个约束值实际上是说，各前提与事实相匹配中所获得的环境应当是相容的，应有一个公共的环境，满足各前提的要求 我们采用“累积”的方法寻找这一环境当第一个前提获得四个环境，让第二个前提使用这些环境寻找与之相配的事实于是，符合前两个前提的环境为1、3： 1（x王夫人）（y贾宝玉） 3（x薛王氏）（y薛蟠） 第三个前提使用这两个环境寻找相匹配的事实，环境3不适合，使用环境1，增加了一个约束，扩充为环境5： 5 （x王夫人）（y贾宝玉）（z薛王氏） 最后，第四个前提使用环。