人工智能基本的推理技术

第7章、基本的推理技术推理技术概述

基于规则的演绎推理正向演绎推理逆向演绎推理双向演绎推理

不确定性推理概率推理

人工智能是用计算机来模拟人的智能，就是用能在计算机上实现的技术和方法来模拟人的思维规律和过程。1)在确定知识表达方法后，就可以把知识表示出来并存储到计算机中。2)然后,利用知识进行推理以求得问题的解.利用知识进行推理是知识利用的基础。各种人工智能应用领域如专家系统、智能机器人、模式识别、自然语言理解等都是利用知识进行广义问题求解的智能系统.7.1推理技术概述

--1.推理的概念与类型

推理是人类求解问题的主要思维方法.所谓推理就是按照某种策略从已有事实和知识推出结论的过程。推理是由程序实现的，称为推理机。 人类的智能活动有多种思维方式，人工智能作为对人类智能的模拟，相应地也有多种推理方式。1.演绎推理、归纳推理、默认推理(1).演绎推理：演绎推理是从全称判断推出特称判断或单称判断的过程，即从一般到个别的推理。最常用的形式是三段论法。例如：1）所有的推理系统都是智能系统；2）专家系统是推理系统；3）所以，专家系统是智能系统。(2).归纳推理:是从足够多的事例中归纳出一般性结论的推理过程，是一种从个别到一般的推理过程。(3).默认推理：默认推理又称缺省推理，它是在知识不完全的情况下假设某些条件已经具备所进行的推理。2、确定性推理、不确定性推理

如果按推理时所用的知识的确定性来分，推理可分为确定性推理与不确定性推理。（1）确定性推理（精确推理）。如果在推理中所用的知识都是精确的，即可以把知识表示成必然的因果关系，然后进行逻辑推理，推理的结论或者为真，或者为假，这种推理就称为确定性推理。（如归结反演、基于规则的演绎系统等）（2）不确定性推理(不精确推理)。在人类知识中，有相当一部分属于人们的主观判断，是不精确的和含糊的。由这些知识归纳出来的推理规则往往是不确定的。基于这种不确定的推理规则进行推理，形成的结论也是不确定的，这种推理称为不确定推理。

(在专家系统中主要使用的方法)。3、单调推理、非单调推理如果按推理过程中推出的结论是否单调增加，或者说推出的结论是否越来越接近最终目标来划分，推理又可分为单调推理与非单调推理。（1）单调推理。是指在推理过程中随着推理的向前推进及新知识的加入，推出的结论呈单调增加的趋势，并且越来越接近最终目标。(演绎推理是单调推理。)（2）非单调推理。是指在推理过程中随着推理的向前推进及新知识的加入，不仅没有加强已推出的结论，反而要否定它，使得推理退回到前面的某一步，重新开始。(一般是在知识不完全的情况下进行的)4、启发式推理、非启发式推理

如果按推理中是否运用与问题有关的启发性知识，推理可分为启发式推理和非启发式推理。（1）启发式推理：如果在推理过程中，运用与问题有关的启发性知识，如解决问题的策略、技巧及经验等，以加快推理过程，提高搜索效率，这种推理过程称为启发式推理。如A、A*等算法。（2）非启发式推理。如果在推理过程中，不运用启发性知识，只按照一般的控制逻辑进行推理，这种推理过程称为非启发式推理。(推理效率较低，容易出现“组合爆炸”问题。)--推理的控制策略

主要是指推理方向的选择、推理时所用的搜索策略及冲突解决策略等。一般推理的控制策略与知识表达方法有关(产生式系统).1、推理方向：用于确定推理的驱动方式。分为正向推理(由已知事实出发)、反向推理(以某个假设目标作为出发点)和正反向混合推理(正向推理和反向推理相结合).系统组成:知识库（KB）+初始事实和中间结果的数据库（DB）+推理机2、搜索策略:推理时要反复用到知识库中的规则，而知识库中的规则又很多，这样就存在着如何在知识库中寻找可用规则的问题(代价小,解好).可以采用各种搜索策略有效地控制规则的选取.3、冲突解决策略

在推理过程中，系统要不断地用数据库中的事实与知识库中的规则进行匹配，当有一个以上规则的条件部分和当前数据库相匹配时，就需要有一种策略来决定首先使用哪一条规则，这就是冲突解决策略。冲突解决策略实际上就是确定规则的启用顺序。（1）专一性排序(条件部分更具体的规则)（2）规则排序(规则编排顺序)（3）数据排序(所有条件按优先级次序编排起来)（4）就近排序(最近使用的规则优先)（5）上下文限制(在某种上下文条件下)（6）按匹配度排序(计算这两个模式的相似程度)（7）按条件个数排序(条件少的优先)7．2基于规则的演绎推理许多AI系统中所用到的知识一般是由蕴含式直接表示的，但在归结反演中，必须首先将它们转化为子句的形式，所以这种推理是比较低效的。基于规则的演绎推理则是直接的推理方法。它把有关问题的知识和信息划分为规则与事实两种类型。规则由包含蕴含形式的表达式表示，事实由无蕴含形式的表达式表示，并画出相应的与或图，然后通过规则进行演绎推理。可分为正向、反向和正反向演绎推理。在正向推理中，作为F规则用的蕴含式对事实的总数据库进行操作运算，直至得到该目标公式的一个终止条件为止；在反向推理中，作为B规则用的蕴含式对目标的总数据库进行操作运算，直至得到包含这些事实的一个终止条件为止；在双向推理中，分别从两个方向应用不同的规则（F和B）进行操作运算。7．2．1正向演绎推理正向演绎推理属于正向推理，它是从已知事实出发，反复尝试所有可利用的规则（F规则）进行演绎推理，直到得到某个目标公式的一个终止条件为止。1、事实表达式及其与或图表示

正向演绎要求事实用不包含蕴含符号“”的与或形表示。把一个表达式转化为标准的与或形的步骤如下：（1）利用等价式PQ与PQ消去蕴含符“”。（2）把否定符号“”移到每个谓词符号的前面。（3）变量标准化，即重新命名变量，使不同量词约束的变量有不同的名字。（4）引入Skolem函数消去存在量词。（5）将公式化为前束形。（6）略去全称量词（默认变量是全称量词量化的）。（7）重新命名变量，使同一变量不出现在不同的主要合取式中。例如：有如下的表达式

（x）（y）{Q（y，x）[（R（y）P（y））S（x，y）]}可将其转化为下面标准的与或形：Q（z，A）{[R（y）P（y）]S（A，y）}于是,它的标准与或形可用一棵与或树表示出来。

①③②在与或图中，节点表示事实表达式及其子表达式。根节点表示整个表达式，叶节点表示其中的单文字.规定:对于一个表示析取表达式（E1E2En）的节点，用一个n连接符（含半圆的弧）与连接它的n个子表达式节点相连。对于一个表示合取表达式（E1E2En）的节点，用n个1连接符与连接它的n个子表达式节点相连。重要性质:就是由变换表达式得到的一组子句，可以从与或图中读出，每个子句相当于与或图的一个解图，每个子句是由叶节点组合成的公式。上例的3个子句是：Q（z，A）；S（A，y）R（y）；S（A，y）P（y）这三个子句正是原表达式化成的子句集。因此，与或树可以看成是一组子句的一个简洁的表达式。2、F规则的表示形式基于规则的正向推理中，要求F规则具有以下形式：LW。具体要求如下：L是单文字，W是任意的与或形表达式。L和W中的所有变量都是全称量词量化的，默认的全称量词作用于整个蕴含式。各条规则的变量各不相同，而且规则中的变量与事实表达式中的变量也不相同。将F规则的左部限制为单文字，是因为与或图的叶节点都是单文字，这样就可用F规则的左部与叶节点进行匹配，大大简化了规则的应用过程。如果所给知识的表示形式不是所要求的形式，则可用如下步骤将其变换成标准形式：（1）暂时消去蕴含符号“”。例如公式

（x）{[（y）（z）P（x，y，z）]（u）Q（x，u）}消去蕴含符号“”变为：（x）{[（y）（z）P（x，y，z）]（u）Q（x，u）}（2）把否定号“”移到每个谓词的前面,可变为

（x）{（y）（z）[P（x，y，z）]（u）Q（x，u）}（3）引入skolem函数消去存在量词。消去存在量词后，为（x）{（y）[P（x，y，f（x，y））]（u）Q（x，u）}（4）将公式化为前束式，并略去全称量词,可变为

P（x，y，f（x，y））Q（x，u）（5）恢复为蕴含式。利用等价关系PQ与PQ将上式变为P（x，y，f（x，y））Q（x，u）3、目标公式的表示形式要求目标公式用文字的析取式(子句)表示，否则就要化为子句形式。4、推理过程应用F规则作用于表示事实的与或图，改变与或图的结构，从而产生新事实，直至推出了目标公式。过程为：首先用与或图把已知事实表示出来。用F规则的左部和与或图的叶节点进行匹配，并将匹配成功的F规则结论加入到与或图中，即利用F规则转换与或图。重复第（2）步，直到产生一个含有以目标节点作为终止节点的解图为止，当一个目标文字和与或图中的一个文字匹配时，可以将表示该目标文字的节点(目标节点)通过匹配连接到与或图中相应的文字节点上。当演绎产生的与或图包括一个目标节点上结束的解图时，推理便成功结束。

1)、命题逻辑的情况应用规则的匹配过程比较简单。设已知事实的与或形表达式为：（（PQ）R）（S（TU））规则为S（XY）Z

把已知事实用与或图表示，图中有一个叶节点是文字S，它正好与规则的前项的文字S完全匹配，由此可直接用这条规则对与或图进行变换，即把规则后项的与或形公式用与或图表示后添加到已知事实的与或图上，并用一个匹配弧连接起来，规则匹配后演绎的结果如下图所示。图中匹配弧后面是规则部分。

例：事实表达式：AB；规则集合：ACD，BEG；目标公式：CG应用完这两条规则后，得到的与或图如图所示，其中有一个解图满足目标公式（CG）所建立的结束条件。2)、谓词逻辑的情况需要讨论对含有变量的目标公式的处理(匹配问题)。对具有量词量化变量的目标公式来说，化简时要使用Skolem化过程的对偶形式。即目标中属于存在量词辖域内的全称量化变量要用存在量化变量的Skolem函数来替代，经过Skolem化的公式只剩下存在量词，然后对析取元作变量改名，最后再把存在量词省略掉。例如，设目标公式为（y）（x）（P（x，y）Q（x，y））用函数消去全称量词后有（y）（P（f（y），y）Q（f（y），y））；然后进行变量改名，使每个析取元具有不同的变量符号，于是有（y）（P（f（y），y）（y1）Q（f（y1），y1））最后省去存在量词（P（f（y），y）Q（f（y1），y1））以后目标公式中的变量都假定受存在量词的约束。下面举例说明应用一条规则LW对与或图进行变换的过程。设与或图中有一个端节点的文字L’和L可合一，mgu是u，则这条规则可应用，这时用匹配弧连接的后裔节点是L，它是规则后项Wu对应的与或图表示的根节点，在匹配弧上标记有u，表示用u置换后可与规则匹配。例、事实与或形表示P（x，y）（Q（x，A）R（B，y））规则蕴涵式P（A，B）(S(A)X(B))下图是应用规则变换后得到的与或图，它有两个解图，对应的两个子句是S(A)X(B)Q（A，A）；S(A)X(B)R（B，B）它们正是事实和规则公式组成的子句集对文字P进行归结时得到的归结式。图7-7、应用一条含有变量的规则后得到的与或图②①当一个与或图含有多个的匹配弧(应用了多条规则时)，任一解图可能含多个匹配弧（对应的置换是u1,u2,…un），故在列写解图的子句集合时，只考虑具有一致的匹配弧置换的那些解图（一致解图）。一个一致解图表示的子句是对得到的文字析取式应用一个合一复合的置换之后所得到的子句。设有一个置换集U={u1,u2,…,un},其中ui={ti1/vi1,ti2/vi2,…,tim(i)/vim(i)}是置换对集合，t是项，v是变量。根据这个置换集，定义变量集和项集：U1=(v11,…,v1m(1),v21,…,v2m(2),…,vn1,…,vnm(n),)(由每个置换ui中的变量vi构成)U2=(t11,…,t1m(1),t21,…,t2m(2),…,tn1,…,tnm(n),)(由每个置换ui中的项ti构成)则置换U一致的充要条件是U1和U2是可合一的。而U的合一复合u=mgu(U1,U2)。可以验证对一个置换集合求合一复合的运算是可结合和可交换的（求置换的合成是不可交换的），因此一个解图对应的合一复合不依赖于构造这个解图时所产生的匹配弧的次序。例：设事实和规则描述如下：Fidobarksandbites,orFidoisnotadog.F:~DOG(FIDO)(BARKS(FIDO)BITES(FIDO))Allterriersaredogs.R1:（x）~DOG(x)~TERRIER(x)(原规则的逆否)Anyonewhobarksisnoisy.R2:（y）BARKS(y)NOISY(y)要证明的目标是Thereexistssomeonewhoisnotaterriersorwhoisnoisy.目标公式：（z）

~TERRIER(z)NOISY(z)

上图给出了演绎得到的与或图，图中结束在目标节点的一个一致解图，有置换集合{{FIDO/x},{FIDO/y},{FIDO/z}}，它的合一复合是u={FIDO/x,FIDO/y,FIDO/z}。根据这个一致解图，目标公式是事实和规则的逻辑推论，因而得到了证明。如果用这个合一复合u应用于这个目标公式，可得

~TERRIER(FIDO)NOISY(FIDO)，它是已证目标公式的例，可作为一个回答语句。7．2．2反向演绎推理它从目标表达式出发，通过反向运用规则进行演绎推理，直到得到包含已知事实的终止条件为止.1、目标表达式及其与或图表示首先,要将目标表达式转化为无蕴涵符“”的与或形式，并用与或图表示。要采用正向演绎中对事实表达式的变换的对偶形式:即skolem化全称量词量化的变量，略去存在量词（与正向演绎中对目标表达式的处理一致）。例如、有如下的目标表达式：(y)(x){P(x)[Q(x,y)~(R(x)S(y))]}

可转化为如下与或形式：

~P(f(y))

{Q(f(y),y)[~R(f(y))

~S(y)]}为使析取式具有不同的变量名，重命名变量，得

~P(f(z)){Q(f(y),y)[~R(f(y))~S(y)]}

与或形式的目标表达式可以用与或图表示，但其表示方式与正向演绎中事实表达式的与或图不同。它的n连接符用来把具有合取关系的子表达式连接起来，而在正向演绎中是把事实表达式具有析取关系的子表达式连接起来。上例的目标表达式的与或图如下图所示。图中根节点为目标表达式，称为目标节点，叶节点表示单个文字。若把叶节点用它们之间的合取及析取关系连接起来，就可得到原目标表达式的三个子目标：~P(f(z))；Q(f(y),y)~R(f(y))；Q(f(y),y)~S(y)可以看出，子目标是文字的合取式，其中的变量是存在量词量化的。

①②③2、B规则的表示形式反向演绎推理中的规则称为B规则，其表示形式为WL，其中W为任一与或形式表达式，L为单一文字(为了方便匹配)。如果规则不符合这一要求，则要变换成这种形式。如规则WL1L2，可以转换为两个B规则，即WL1，WL2。规则中应Skolem化存在量词量化的变量，并略去全称量词。3、已知事实的表示形式在反向演绎推理中，要求已知事实表达式是文字的合取式，可表示为文字的集合。对任意事实表达式，应当用Skolem函数代替事实表达式中存在量词量化的变量，并略去全称量词量化的变量，将表达式转化为标准的文字的合取式。4、推理过程具体过程如下：用与或图将目标表达式表示出来。在目标与或图中，如果有一个文字L’能够与L合一，则可应用B规则WL，并将L’节点通过一个标有L和L’的最简单合一者的匹配弧与L相连，再将匹配成功的B规则加入与或图中。一条规则可用多次，每次应使用不同的变量。当一个事实文字和与或图中的一个文字可以合一时，可将该事实文字通过匹配弧连接到与或图中相应的文字上，匹配弧应标明两个文字的最简单的合一者。重复进行第2步，直到与或图中包括一个结束在事实节点上的一致解图，该解图的合一复合作用于目标表达式就是解答语句。

例、设有事实：F1：DOG（FIDO）FIDO是一只狗F2：~BARKS（FIDO）FIDO不叫F3：WAGS-TAIL（FIDO）FIDO摆尾巴F4：MEOWS（MYRTLE）MYRTLE喵喵叫规则如下：R1：[WAGS-TAIL（x1）

DOG（x1）]FRIENDLY（x1）摆尾巴的狗是友好的R2：[FRIENDLY（x2）~BARKS（x2）]~AFRAID（y2，x2）友好且不叫的是不令对方害怕的R3：DOG（x3）ANIMAL（x3）狗是动物R4：CAT（x4）ANIMAL（x4）猫是动物R5：MEOWS（x5）CAT（x5）喵喵叫的是猫问题是：是否存在一只猫和一条狗，这只猫不怕这条狗？该问题的目标公式是：（x）（y）[CAT（x）

DOG（y）

~AFRAID（x，y）]，求解该问题的过程如下图.

从上图可看出，最后得到的是一个一致解图。图中共有8条匹配弧，每条匹配弧上都标有置换，分别为{{x/x5}、{MYRTLE/x}、{FIDO/y}、{x/y2,y/x2}、{FIDO/y}、{y/x1}、{FIDO/y}和{FIDO/y}}。这些置换的合一复合为{MYRTLE/x5，MYRTLE/x，FIDO/y，MYRTLE/y2，FIDO/x2，FIDO/x1}，将合一复合作用于目标表达式就得到解答语句：CAT（MYRTLE）

DOG（FIDO）

~AFRAID（MYRTLE，FIDO）它表示有一只名叫MYRTLE的猫和一条名叫FIDO的狗，这只猫不怕那条狗。使用条件

正向系统事实表达式是任意形式规则形式为LW或L1L2W（(L为单文字，W为任意形式）目标公式为文字析取形逆向系统事实表达式是文字合取形规则形式为WL或WL1L2（(L为单文字，W为任意形式）目标公式为任意形式化简过程

正向系统用skolem函数消去事实表达式中的存在量词，化简的公式受全称量词的约束;对规则的处理同上;用skolem函数（对偶形）消去目标公式中的全称量词，化简的公式受存在量词约束.逆向系统skolem函数（对偶形）消去目标公式中的全称量词，化简的公式受存在量词约束。对规则的处理同下;用skolem函数消去事实表达式中的存在量词，化简的公式受全称量词的约束.正向系统逆向系统初始数据库事实表达式的与或树（对应为与关系，对应为或关系）.目标公式的与或树（对应为或关系，对应为与关系）.推理过程从事实出发，正向应用规则（变量改名，前项与事实文字匹配，后项代替前项），直至得到目标节点为结束条件的一致解为止.从目标出发，逆向应用规则（变量改名，后项与子目标文字匹配，前项代替后项），直至得到事实节点为结束条件的一致解图为止.子句形式的子集形式文字的析取式;子句的合取式（合取范式）.文字的合取式;子句的析取式（析取范式）.7．2．3双向演绎推理

正向演绎推理要求目标表达式是文字的析取式，而反向演绎推理要求事实公式为文字的合取式。为充分发挥正向演绎和反向演绎的优点，克服各自的局限性，可将两种演绎推理相结合，这就是双向演绎推理。在双向演绎推理中，已知事实用与或图表示，目标表达式用另一个与或图表示。这两个与或图分别由正向演绎的F规则和反向演绎的B规则进行操作，并且仍限制F规则的左部为单文字，而B规则的右部为单文字。双向演绎推理分别从正反两个方向进行推理，两个与或图分别扩展，最关键也是最复杂的是如何判断推理是否结束。推理的终止处位于两个与或图分别扩展后的某个交接处，当正反两个方向的与或图对应的叶节点都可合一时，推理就结束。

上图说明了双向演绎推理的过程。图中对应的已知事实表达式和目标表达式分别为：

Q(x,A)[~R(x)~S(A)];

~P(f(y)){Q(f(y),y)[~R(f(y))~S(y)]}图中，共有3个匹配弧，并标有各自的置换。这些置换是一致的，其合一复合为{f（A）/x，A/y}。在推理过程中，没有使用B规则和F规则，这里主要说明双向推理是如何在交接处终止的。

7.3不确定性推理

逻辑推理是一种运用确定性知识进行的精确推理。但是，现实世界中的事物以及事物之间的关系是极其复杂的，在人类知识中，有相当一部分是不精确的、模糊的，因此不精确的推理模型是人工智能和专家系统的一个核心研究问题.实际上，AI系统的智能主要反映在求解不精确性问题的能力上。不确定性推理就是从不确定性初始事实（证据）出发，通过运用不确定性的知识，最终推出具有一定程度的不确定性是合理或者近乎合理的结论的思维过程。一概率方法1)条件概率:设A和B是某随机试验中的两个事件，如果在事件B发生的条件下考虑事件A发生的概率，就称它为事件A的条件概论，记做P（A|B）。若P（B）>0，则2)全概率公式：设事件A1，A2，，An满足:两两互不相容，即当ij，AiAj=；P（Ai）0

D为必然事件；则对任何事件B有下式成立：

该公式称为全概率公式，它提供了一种计算P（B）的方法。3）Bayes公式：设事件A1，A2，，An满足上述全概率公式的条件，则对任何事件B有下式成立

该式称为Bayes公式。如果把全概率公式代入Bayes公式中，就得到这是Bayes公式的另外一种表示形式。二概率推理

概率推理就是由给定的变量信息来计算其它变量的概率信息的过程。假设给定证据集合E为变量集合Y的子集，其中变量取值用e表示，即E=e，此时若希望计算条件概率的值，即在给定证据变量取值后求变量的概率，这个过程被称为概率推理。在基于概率的不确定推理中，概率一般解释为专家对证据和规则的主观信任度。对概率推理起着支撑作用的是Bayes公式。Bayes公式用于不确定推理的一个原始条件是：已知前提E的概率P（E）和H的先验概率P（H），并已知H成立时E出现的条件概率P（E|H）。推理的目的是推出H的后验概率P（H|E）。

如果有多个证据E1，E2，，Em和多个结论H1，H2，，Hn，并且每个证据都以一定程度支持结论，则

此时，只要已知Hj的先验概率P（Hj）及Hi成立时证据E1，E2，，Em出现的条件概率P（E1|Hj），P（E2|Hj），，P（Em|Hj），就可利用上述计算出在E1，E2，，Em出现的情况下的条件概率P（Hi|E1，E2，，Em）。例：设H1表示足球水平低;

H2表示足球水平中;H3表示足球水平高;E1赢日本;E2赢中国;E3赢香港;并且已知P（H1）=0.4，P（H2）=0.3，P（H3）=0.3解:利用公式,可得同理可得:P（H2|E1E2）=0.333,P（H3|E1E2）=0.515.从上可见,由于证据E1E2的出现,H3和H2成立的可能性有不同程度的增加,H1成立的可能性下降了.P（E1|H1）=0.3，P（E1|H2）=0.5，P（E1|H3）=0.6P（E2|H1）=0.4，P（E2|H2）=0.7，P（E2|H3）=0.9P（E3|H1）=0.5，P（E3|H2）=0.8，P（E3|H3）=0.95求P（H1|E1E2）、P（H2|E1E2）及P（H3|E1E2）的值各是多少.演讲完毕，谢谢观看！附录资料：人工智能简介​AboutTeachingPlan基本要求：人工智能是计算机科学中涉及研究、设计和应用智能机器的一个分支，是目前迅速发展的一门新兴学科，新思想新方法层出不穷。其基本思想是利用机器来模仿和执行人脑的功能，如判断、推理、证明、识别、感知、理解、设计、思考、规划、学习和问题求解等思维活动。对于培养学生计算机技术的应用能力，开阔思路和视野，有重要意义。

​AboutTeachingPlan因此，要求学生掌握知识表示和问题求解的几种常用方法，尤其是不确定性推理；掌握机器学习基本概念，了解几种机器学习方法尤其是神经网络学习方法；掌握专家系统的概念，了解专家系统设计方法，掌握一些智能控制方法，了解国内外人工智能研究尤其是机器人的最新进展；具有一定的人工智能编程设计能力（利用Lisp或Prolog语言）。​AboutTeachingPlan课程内容以及学时分配人工智能引论(1) 人工智能概念及与计算机的关系，研究途径、内容和应用领域概况介绍，其他最新材料。符号主义、连接主义、行为主义三大流派人工智能数学基础(1)知识表示方法（2） 状态空间法、问题归约法，谓词逻辑法、产生式表示法（动物识别系统）；CLIPS语言；语义网络法、框架法（这是结构化表示）；剧本、过程、Petri网、面向对象的表示。​AboutTeachingPlan 搜索技术和策略（3-4）状态空间法，盲目搜索和启发式搜索，A*算法；海伯伦理论、消解原理和策略；与\或形推理和搜索策略；其他求解技术。 不确定推理技术（3-4）主观Bayes理论；可信度方法和证据理论；系统组织技术；非单调推理；Rete快速算法；模糊推理技术；基于语义网络和框架不确定推理； 专家系统（2）专家系统概念、结构和知识获取；黑板模型、知识组织、管理及系统建造和开发工具；专家系统举例及编程。

人工智能程序设计（1）人工智能语言基本机制：LISP和PROLOG。​AboutTeachingPlan 模式识别导论（3）模式识别专题：概率模式识别。模式识别专题：结构模式识别 机器学习（1）：机械,解释经验,事例,归纳,概念,类比学习等；统计,结构,模糊模式识别。 专题讲座（3次） 1)神经网络基本理论和应用 (史奎凡课程：安排于人工智能理论与应用课程内)； 2)智能体（Agent）； 3)自然语言处理； 4)智能控制和机器人科学 智能控制的结构理论和研究领域，智能控制系统及应用示例；机器人规划、机器视觉和自然语言理解等。​AboutTeachingPlan 实践：1) 搜索技术和策略2) 不确定推理技术3) 专家系统：动物识别系统4) 模式识别技术5) 调研： 搜索技术和策略、不确定推理技术、统计模式识别、机器学习等四个领域进展报告。​ChapterOne:BriefIntroductiontoArtificialIntelligence1.WhatisAI?人工智能（ArtificialIntelligence,AI）是当前科学技发展的一门前沿学科，同时也是一门新思想，新观念，新理论，新技术不断出现的新兴学科以及正在发展的学科。它是在计算机科学，控制论，信息论，神经心理学，哲学，语言学等多种学科研究的基础发展起来的，因此又可把它看作是一门综合性的边缘学科。它的出现及所取得的成就引起了人们的高度重视,并取得了很高的评价。有的人把它与空间技术，原子能技术一起并誉为20世纪的三大科学技术成就。​Intelligence智能是知识与智力的总合。 知识——智能行为的基础； 智力——获取知识并运用知识求解问题的能力。智能具有以下特征：(1)具有感知能力——指人们通过视觉、听觉、触觉、味觉、嗅觉等感觉器官感知外部世界的能力；(2)具有记忆与思维的能力——这是人脑最重要的功能，亦是人之所以有智能的根本原因；(3)具有学习能力及自适应能力；(4)具有行为能力。ArtificialIntelligence人工智能——计算机科学的一个分支，是智能计算机系统，即人类智慧在机器上的模拟，或者说是人们使机器具有类似于人的智慧（对语言能理解、能学习、能推理）。​2.BriefHistoryofAI (1) 孕育（1956年前）古希腊的Aristotle（亚里士多德）（前384-322），给出了形式逻辑的基本规律。英国的哲学家、自然科学家Bacon（培根）（1561-1626），系统地给出了归纳法。“知识就是力量”德国数学家、哲学家Leibnitz（布莱尼茨）（1646-1716）。提出了关于数理逻辑的思想，把形式逻辑符号化，从而能对人的思维进行运算和推理。做出了能做四则运算的手摇计算机英国数学家、逻辑学家Boole（布尔）（1815-1864）实现了布莱尼茨的思维符号化和数学化的思想，提出了一种崭新的代数系统——布尔代数。​美籍奥地利数理逻辑学家Godel（哥德尔）（1906-1978），证明了一阶谓词的完备性定；任何包含初等数论的形式系统，如果它是无矛盾的，那么一定是不完备的。意义在于，人的思维形式化和机械化的某种极限，在理论上证明了有些事是做不到的。英国数学家Turing(图灵)（1912-1954）,1936年提出了一种理想计算机的数学模型（图灵机），1950年提出了图灵试验，发表了“计算机与智能”的论文。图灵奖。美国数学家Mauchly，1946发明了电子数字计算机ENIAC美国神经生理学家McCulloch，建立了第一个神经网络数学模型。美国数学家Shannon（香农）,1948年发表了《通讯的数学理论》，代表了“信息论”的诞生。​ (2) 形成（1956-1969）1956年提出了“ArtificialIntelligence（人工智能）”1956年夏由麻省理工学院的J.McCarthy、M.L.Minsky,IBM公司信息研究中心的N.Rochester,贝尔实验室的C.E.Shannon共同发起，邀请了Moore,Samuel,Selfridge,Solomonff,Simon,Newell等人，10位数学家、信息学家、心理学家、神经生理学家、计算机科学家，在Dartmouth大学召开了一次关于机器智能的研讨会，会上McCarthy提议正式采用了ArtificialIntelligence（人工智能）这一术语。这次会议，标志着人工智能作为一门新兴学科正式诞生了。 McCarthy（麦卡锡）——人工智能之父。这次会议之后的10年间，人工智能的研究取得了许多引人瞩目的成就.机器学习方面：塞缪尔于1956年研制出了跳棋程序，该程序能从棋谱中学习，也能从下棋实践中提高棋艺；​在定理证明方面：王浩于1958年在IBM机上证明了《数学原理》中有关命题演算的全部定理（220条），还证明了谓词演算中150条定理85%；1965年，鲁宾逊（Robinson）提出了消解原理；在模式识别方面：1959年塞尔夫里奇推出了一个模式识别程序；1965年罗伯特（Robert）编制出可辨别积木构造的程序；在问题求解方面：1960年纽厄尔等人通过心理学试验总结出了人们求解问题的思维规律，编制了通用问题求解程序GPS,可以用来求解11种不同类型的问题；在专家系统方面：斯坦福大学的费根鲍姆（E.A.Feigenbaum）自1965年开始进行专家系统DENDRAL（化学分析专家系统），1968年完成并投入使用；在人工智能语言方面：1960年McCarthy等人建立了人工智能程序设计语言Lisp，该语言至今仍是建造智能系统的重要工具；1969年成立了国际人工智能联合会议（InternationalJointConferencesOnArtificialIntelligence）​ (3) 发展（1970年以后）70年代，开始从理论走向实践，解决一些实际问题。同时很快就发现问题：归结法费时、下棋赢不了全国冠军、机器翻译一团糟。以Feigenbaum为首的一批年轻科学家改变了战略思想，1977年提出知识工程的概念，以知识为基础的专家咨询系统开始广泛的应用。著名专家系统的有：DENDRAL化学分析专家系统（斯坦福大学1968）MACSYMA符号数学专家系统（麻省理工1971）MYCIN诊断和治疗细菌感染性血液病的专家咨询系统（斯坦福大学1973）CASNET(CausalASsciationalNetwork)诊断和治疗青光眼的专家咨询系统（拉特格尔斯（Rutgers）大学70年代中）CADUCEUS(原名INTERNIST)医疗咨询系统（匹兹堡大学）；HEARSAYI和II语音理解系统（卡内基-梅隆大学）PROSPECTOR地质勘探专家系统（斯坦福大学1976）XCON计算机配置专家系统（卡内基-梅隆大学1978）​•80年代，人工智能发展达到阶段性的顶峰。•87,89年世界大会有６－７千人参加。硬件公司有上千个。并进行Lisp硬件、Lisp机的研究。•在专家系统及其工具越来越商品化的过程中,国际软件市场上形成了一门旨在生产和加工知识的新产业——知识产业。应该说，知识工程和专家系统是近十余年来人工智能研究中最有成就的分支之一。•同年代，1986年Rumlhart领导的并行分布处理研究小组提出了神经元网络的反向传播学习算法，解决了神经网络的根本问题之一。从此，神经网络的研究进入新的高潮。•90年代，计算机发展趋势为小型化、并行化、网络化、智能化。•人工智能技术逐渐与数据库、多媒体等主流技术相结合，并融合在主流技术之中，旨在使计算机更聪明、更有效、与人更接近。•日本政府于1992年结束了为期十年的称为“知识信息处理体统”的第五代计算机系统研究开发计划。并开始了为期十年的实况计算（RealWordComputing）计划。​3.ResearchObjectsandMainContents

(1)人工智能的研究目标

人工智能的长期研究目标：构造智能计算机。

人工智能的近期研究目标：使现有的电子计算机更聪明，更有用，使它不仅能做一般的数值计算及非数值信息的数据处理，而且能运用知识处理问题，能模拟人类的部分智能行为。​(2)人工智能研究的基本内容

1.机器感知以机器视觉与机器听觉为主。机器感知是机器获取外部信息的基本途径，是使机器具有智能不可或缺的组成部分，对此人工智能中已形成两个专门的研究领域——

模式识别和自然语言理解。2.机器思维指通过感知的外部信息及机器内部的各种工作信息进行有目的的处理。主要开展以下几方面的研究：(1)知识表示(2)知识的组织，累计，管理技术(3)知识的推理(4)各种启发式搜索及控制策略(5)神经网络，人脑的结构及其工作原理​3.机器学习

使计算能自动获取知识，能直接向书本学习，能通过与人谈话学习，能通过对环境的观察学习，并能在实践中自我完善。4.机器行为机器行为主要指计算机的表达能力，即“说”、“写”、“画”等，对智能机器人，还应该有人的四肢功能，即能走路，能取物，能操作等。5.智能系统及智能计算机的构造技术​4.ResearchObjectsandMainContents人工智能面世以来，其研究途径存在两种不同的观点：以符号处理为核心的方法——主张通过运用计算机科学的方法进行研究，实现人工智能在计算机的模拟。以网络连接为主的连接机制方法——主张用生物学的方法进行研究，搞清楚人类智能的本质。(1)以符号处理为核心的方法该方法起源于纽厄尔等人的通用问题求解系统（GPS），用于模拟人类求解问题的心理过程，逐渐形成为物理符号系统，这种方法认为： 人类研究的目标是实现机器智能，而计算机自身具有符号处理能力，这种能力本身就蕴含着演绎推理的内涵，因而可通过运行相应的程序来体现某种基于逻辑思维的智能行为，达到模拟人类智能活动的效果。目前人工智能的大部分研究成果都是基于这种方法实现的。​

该方法的主要特征是：

•立足于逻辑运算和符号操作，适合于模拟人的逻辑思维过程，解决需要进行逻辑推理的复杂问题；

•知识可用显式的符号表示；

•便于模块化；•能与传统的符号数据库链接；•可对推理结论做出解释，便于对各种可能性进行选择。

但该方法不适合于形象思维；而且在用符号表示概念时其有效性在很大程度上取决于符号表示的正确性，且对带噪声的信息及不完整的信息难以处理。(2)以网络连接为主的连接机制方法该方法是在人脑神经元及其相互连接而成网络的启示下，试图通过多人工神经元间的并行协同作用来实现对人类智能的