人工智能课件What is intelligence

1Whatisintelligence?Intelligence:人们知觉、学习、理解和认知的能力.

2什么是artificial

intelligence?ArtificialIntelligence:所谓人工智能，就是人工的方法在机器（计算机）上实现的智能，或者说是人们使用机器模拟人类的智能。由于人工智能是在机器上实现的，所以又称为机器智能。从另一个角度来看，人工智能是研究怎样使计算机来模仿人脑从事的推理、证明、识别、理解、设计、学习、思考、规划及问题求解等思维活动，来解决人类专家才能处理的复杂问题。3不同声音Feigenbaum（EdwardAlbert爱德华费根鲍姆）告诉机器做什么而不告诉它怎么做,如果机器能够完成任务,我们就说这个机器是有智能的。美国Stanford大学知识工程学派4??SeveralbelievesSearle’sbelief（塞尔）Thinkingcanoccuronlyinveryspecialmachines——livingonesmadeofproteins向强人工智能挑战：塞尔标准的意义在于：它说明机器智能是有限度的，机器智能永远不可能超过人类智能。因此，它为人工智能提供了一个动态的、恒久适用的标准。5??SeveralbelievesNewell&Simon:physicalsymbolsystemhypothesis

（物理符号系统假说）纽厄尔，西蒙，卡内基－梅隆大学 “aphysicalsystemisamachinethatiscapableofmanipulatingsymbolicdata.”6ApproachestoAITwomainapproaches: Symbolicvs. Subsymbolic

符号vs亚符号7Symbolicprocessing

approachesClassicalAINewellandSimon——physicalsymbolicsystemhypothesis

#物理符号系统假说

#●Knowledge-basedapproach——enoughknowledgerequired

基于知识的方法8(2)Subsymbolicprocessing

approachesBottom-upstyle在最底阶段我们认为把符号叫做信号更为确切。

Symbol->SignalWell-knownexamplesNeuralnetworks（神经网络）Evolutionsystems（进化系统）………9符号智能与计算智能

符号智能就是符号人工智能，它是模拟脑智能的人工智能，也就是所说的传统人工智能或经典人工智能。符号智能以符号形式的知识和信息为基础，主要通过逻辑推理，运用知识进行问题求解。符号智能的主要内容包括知识获取（knowledgeacquisition）、知识表示（knowledgerepresentation）、知识组织与管理和知识运用等技术（这些构成了所谓的知识工程（KnowledgeEngineering,KE））以及基于知识的智能系统等。

10符号智能与计算智能

计算智能就是计算人工智能，它是模拟群智能的人工智能。计算智能以数值数据为基础，主要通过数值计算，运用算法进行问题求解。计算智能的主要内容包括：神经计算（NeuralComputation，NC）、进化计算（亦称演化计算，(EvolutionaryComputation，EC),包括遗传算法（GeneticAlgorithm，GA）、进化规划（EvolutionaryPlanning，EP）、进化策略（EvolutionaryStrategies，ES）等）、免疫计算（immunecomputation）、粒群计算（ParticleSwarmAlgorithm，PSA）、蚁群算法（AntColonyAlgorithm，ACA）、自然计算（NaturalComputation，NC）以及人工生命（ArtificialLife，AL）等。11以移动机器人路径规划为例，探讨可使用的人工智能方法：ANN与路径规划

该方法研究了障碍物形状是矩形并且利用能量函数来描述其边界和位置已知情况下的机器人路径规划算法。通过计算地图中的某个点是否落在障碍物矩形范围中来确定这个点是否为障碍物点，其能量函数的定义利用了ANN结构，根据路径点位于障碍物内外的不同位置选取不同的动态运动方程，规划出的路径达到了折线形的最短无碰路径，计算简单，收敛速度快。Exercise：pathplanning12以移动机器人路径规划为例，探讨可使用的人工智能方法：模糊逻辑（FL）与路径规划

该方法把障碍物信息分成3个方向，分别为正前方、左前方和右前方。行为和推理规则的输入变量设为4个，分别为智能机器人预定的目的地方向，智能机器人前进的左、中、右3面的障碍物状态，而从这些条件推出模糊推理的两个输出分别为智能机器人的速度和方向控制。Exercise：pathplanning13以移动机器人路径规划为例，探讨可使用的人工智能方法：遗传算法（GA）与路径规划

该方法采用栅格法对智能机器人工作空间进行划分，用序号标示栅格，并且以此序号作为智能机器人路径规划的参数编码。这种方法的缺陷是：若栅格划分过粗，则划分精度较低；若划分栅格太细，则数据量又太大。Exercise：pathplanning14孕育（1956年以前）Aristotle(前384-322):

形式逻辑，演绎推理，三段论亚里士多德《工具论》15孕育（1956年以前）Bacon(1561-1626):

归纳法，知识就是力量英国哲学家培根16孕育（1956年以前）Leibniz(1646-1716):

万能符号，推理计算德国数学家和哲学家莱布尼茨17孕育（1956年以前）Boole（1815-1864）:

思维规律形式化，布尔代数英国逻辑学家《思维法则》18Godel（1906-1978）:哥德尔 证明了一阶谓词的完备性19孕育（1956年以前）Turing（1912-1954）:

图灵机（1936）－理想计算机的数学模型 图灵实验（1950）英国数学家图灵20孕育（1956年以前）McCulloch&Pitts:MP神经元模型（1943）美国神经心理学家麦克洛奇，匹兹21孕育（1956年以前）Mauchly&Echert:

第一台电子计算机ENIAC,（1946）美国数学家莫克利和埃柯特22诞生（1956年夏Dartmouth会议）DartmouthCollege美国达特莫斯，为期2个月23诞生McCarthy麦卡锡-1971Minsky明斯基-1969Shannon香农Lochester24TheHistoryofAISimon-1975More,Samuel,Selfridge,Solomonff莫尔（Princeton），塞缪尔（IBM），塞尔夫里奇，索罗莫夫（MIT）Newell-197525TheHistoryofAI最初10年的成就在机器学习方面，1957年Rosenblatt研制成功了感知机；在定理证明方面，1958年王浩在IBM-704机器上用3-5分钟证明了《数学原理》中有关命题演算的全部220条定理，并且还证明了谓词演算中150条定理的85%；1965年，Robinson提出了归结原理；在模式识别方面，1959年Selfridge（塞尔弗里奇）推出了一个模式识别程序；1965年Roberts编制出了可分辨积木构造的程序；26TheHistoryofAI最初10年的成就在问题求解方面：1960年Newell编制了通用问题求解程序（GPS），可以求解11种不同类型的问题；在专家系统方面：1968年Feigenbaum研制成果DENDRAL专家系统并投入使用；在人工智能语言方面：1960年McCarthy（麦卡锡）研制出了人工智能语言－LISP语言。27TheHistoryofAISimon的狂言（1957）Itisnotmyaimtosurpriseorshockyou–butthesimplestwayIcansummarizeistosaythattherearenowintheworldmachinesthatthink,thatlearnandthatcreate.Moreover,theirabilitytodothesethingsisgoingtoincreaserapidlyuntil–inavisiblefuture–therangeofproblemstheycanhandlewillbecoextensivewiththerangetowhichthehumanmindhasbeenapplied.28TheHistoryofAINewell和Simon的四个预测（1958）十年内，计算机将成为世界象棋冠军十年内，计算机将发现或证明有意义的数学定理十年内，计算机将能谱写优美的乐曲十年内，计算机将能实现大多数的心理学理论29TheHistoryofAI人工智能山重水复（60年代后期）二次翻译问题－机器翻译

thespiritiswillingbutthefleshisweak

thevodkaisgoodbutthemeatisrotten组合爆炸问题

Thefactthataprogramcanfindasolutioninprincipledoesnotmeansthattheprogramcontainsanyofthemechanismsneededtofinditinpractice.感知机局限性

Atwo-inputperceptroncannotbetrainedtorecognizewhenitstwoinputsaredifferent.30知识工程柳暗花明（1977）FeigenbaumpresentedKnowledgeEngineeringatthe5thIJCAI（InternationalJointConferenceOnArtificialIntelligence，国际人工智能联合会议）31神经网络东山再起（1986）Hopfield神经网络（Hopfield,霍普菲尔德，1982）反向传播（BP）算法

（Rumelhart&McClelland,1986）鲁梅尔哈特，麦克莱伦德

实现了Minsky多层N构想。32计算智能欣欣向荣（90年代至今）计算智能欣欣向荣（90年代至今）人工神经网络（ArtificialNeuralNetwork）遗传算法（GeneticAlgorithm）模糊推理（FuzzyReasoning）蚁群算法（AntColonyAlgorithm）粒子群优化（ParticleSwarmOptimization）人工免疫系统（ArtificialImmuneSystem）33TheHistoryofAIGestation（酝酿）1956BirthEnthusiasm（狂热）1966DifficultiesNeuralNetworksReborn1986ComputationalIntelligence1969IJCAIwasheld1970AIwaslaunchedKnowledgeEngineering1977Present国际人工智能联合会议34人工智能的伟大成就

——战胜象棋冠军Kasparov1991年8月，DeepThought2vs.Johansen，1:1平1996年2月，DeepBluevs.Kasparov，1胜3负2平1997年5月，DeepBluevs.Kasparov，2胜1负3平2003年1月，DeepJuniorvs.Kasparov，1胜1负4平这场比赛中有许多新的发现，其中之一就是计算机有时也可以走出人性化的棋步。在一定程度上，我不能不赞扬这台机器，因为它对盘势因素有着深刻的理解，我认为这是一项杰出的科学成就。35IBM的“深蓝”deepthought“深蓝”的技术指标：32个CPU每个CPU有16个协处理器每个CPU有256M内存每个CPU的处理速度为200万步/秒362知识表示37a.知识表示的概念

人类的智能活动主要是获得并运用知识。知识是智能的基础。为了使计算机具有智能，使它能模拟人类的智能行为，就必须使它具有知识。但知识需要用适当的模式表示出来才能存储到计算机中去。因此，知识的表示成为人工智能中一个十分重要的研究课题。38b.知识的特性I.相对正确性－牛顿力学在一定条件下成立；1+1=2只有在十进制的前提下才正确；

II.不确定性－随机性、模糊性、经验性、不完全性；

III.可表示性与可利用性；39c.知识的分类

I.作用范围－常识性和领域性知识；

II.作用及表示－事实性知识（如谓词公式）、过程性知识（有关系统过程变化）、控制性知识（深层知识或元知识，是关于知识的知识）；如：从北京到上海是乘飞机还是火车的问题事实性：北京、上海、飞机、火车、时间、费用；过程性：乘飞机、坐火车；控制性：乘飞机较快、较贵；座火车较慢、较便宜40c.知识的分类

III.结构及表现形式－逻辑性知识、形象性知识；

IV.确定性－确定性知识（真值是“真“或”假”）、不确定性知识（具有不精确、不完全及模糊性）；41d.知识表示的方法

知识表示（KnowledgeRepresentation）就是将人类知识形式化或者模型化。实际上就是对知识的一种描述，或者说是一组约定，一种计算机可以接受的用于描述知识的数据结构。42d.知识表示的方法

一阶谓词逻辑表示法；产生式表示法；框架表示法；语义网络表示法；43一、一阶谓词逻辑表示法

人工智能中用到的逻辑可划分为两大类。一类是经典命题逻辑和一阶谓词逻辑，其特点是任何一个命题的真值或者为“真“或者为”假“；因为它只有两个真值，又称为二值逻辑。另一类泛指经典逻辑外的那些逻辑，主要包括三值逻辑、多值逻辑、模糊逻辑等，泛指为非经典逻辑。命题逻辑和谓词逻辑最先应用于人工智能。441、命题

命题（Proposition）是一个非真即假的陈述句。若命题的真值为”真“，记为T（True）；真值为假，记为F（False）；命题逻辑表示法有较大的局限性。它无法把它所描述的事物的结构及逻辑特性反映出来，也不能把不同事物间的共同特性表述出来。“老李是小李的父亲”用英文字母P表示；“李白是诗人”、“杜甫是诗人”，无法把两者的共同特征表现出来。于是，有了谓词逻辑。452、谓词

谓词（Predicate）是基于命题中谓词分析的一种逻辑。一个谓词分为谓词名和个体两个部分。前者用于刻划个体的性质、状态和个体间的关系。谓词的一般形式是：

P（x1，x2，…,xn）

P是谓词名，x1，x2，…,xn是个体，个体数目称为谓词的元数。P（x,y）为二元谓词，P（x1，x2，…,xn）为n元“老张是一个教师”可表示为Teacher（Zhang）；“5>3”可表示为Greater（5，3）；“Smith作为一个工程师为IBM工作”，可表示为Works（Smith，IBM，Engineering）462、谓词“老张是一个教师”也可表示为Isa(Zhang,Teacher)－一个命题的谓词表示不是唯一的。个体是函数，表示一个个体到另一个个体的映射。“小李的父亲是教师”表示为Teacher（father（LI）；“小李的母亲与他的父亲结婚”可表示为Married（father（Li）,mother（Li））

函数与谓词表面上很相似，其实是两个完全不同的概念。谓词的真值是“真”、“假”，而函数的值是个体域中的某个个体，无真值可言，只是个体域从一个个体到另一个个体的映射。

473、谓词公式

（a）连接词可用连接词将一些简单的命题连接起来构成复合命题。

I.”¬“，称为“否定”或者“非“如”机器人不在二号房间“表示为：

¬INROOM（Robot，R2）

II.”

∨”，称为”析取（Disjunction）“表示”或“的概念。如”李明打篮球或踢足球“表示为：

Plays（LiMing，Basketball）∨

Plays（LiMing，

Football）483、谓词公式

（a）连接词

III.”^”，称为”合取（Conjunction）“，表示”与“的概念。如”我喜欢音乐和绘画“表示为：

Like（I，Music）^

Like（I，Painting）某些较简单的句子可以用^构成复合形式，如”李住在一幢黄色的房子里”表示为

LIVES（LI,HOUSE-1）^COLOR（HOUSE-1,YELLOW）493、谓词公式

（a）连接词

IV.”→”，称为”蕴涵（Implication）“或者“条件（Condition）”，P→Q表示”P蕴涵Q”。即，”如果P，则Q“。P称为条件的前件，Q称为条件的后件。如”如果刘华跑得快，那么他取得冠军”表示为

RUNS（LIUHUA,FASTER）→

WINS（LIUHUA，CHAMPION）503、谓词公式

例”如果该书是李明的，那么它是蓝色封面的”表示为

OWNS（LIMING,BOOK-1）→

COLOR（BOOK-1，BLUE）如果Jones制造了一个传感器，且这个传感器不能用，那么他或者在晚上进行修理，或者第二天把它交给工程师表示为”Producers（Jones，Sensor）^

¬Works（Sensor）→

Fix（

Jones，Sensor，Evening

）∨

Give（Sensor，Engineering，Next-day）513、谓词公式

注意：蕴含与汉语中的“如果…,则…”有区别，汉语中前后要有关系，而命题中毫无关系。例：如果“太阳从西边出来”，则“雪是白的”，是一个真值为T的命题。

V.称为“等价（Equivalence）或双条件（Bicondition）”表示“P当且仅当”。如果后项取T（不管前项取值如何），或者前向取F（不管后项取值如何），则蕴含取值为T，否则为F。注意：只有前项为真，后项为假时，蕴含才为假，其余为真523、谓词公式

表1.谓词逻辑真值表如果后项取T（不管前项取值如何），或者前向取F（不管后项取值如何），则蕴含取值为T，否则为F。注意：只有前项为真，后项为假时，蕴含才为假，其余为真。533、谓词公式

（b）量词（quantifier）

I.”

“，称为“全称量词（Universalquantifier）表示“对个体域中的所有（任意一个）个体x”

如“所有的机器人都是灰色的”表示为

如”所有的车工都操作车床“表示为

543、谓词公式

（b）量词（quantifier）

II.”

“，称为“存在量词（Existentialquantifier）表示“对个体域中的存在个体x”

如“1号房间有个物体”表示为

如”某个工程师操作车床“表示为

553、谓词公式

全称量词和存在量词可以出现在同一个命题中。设谓词P（x）表示x是正数，F（x，y）表示x与y是朋友。表示个体域中的所有个体x都是正数。表示对于个体域中任何个体x，都存在个体y，x与y是朋友。表示个体域中存在个体x，与个体域中的任何个体y都是朋友。表示个体域中存在个体x与个体y，x与y是朋友。表示个体域中任何两个个体x和y，x和y都是朋友。563、谓词公式

当全称量词和存在量词出现在同一个命题中，两者出现的次序将影响命题的意思。

表示”每个雇员都有一个经理。“

表示’“有一个人是所有雇员的经理。”

573、谓词公式

（c）谓词公式概念：谓词演算（PredicateCalculus）由谓词符号、常量符号、变量符号、函数符号以及括号、逗号等一串按一定语法规则组成的字符串的表达式。在谓词公式中，优先级别为：

¬，^

，∨

，→，合取

584、谓词公式的性质

等价性：设P和Q是两个谓词公式，D是它们共同的个体域，若对D上的任何一个解释，P和Q都有相同的真值，则称公式P和Q在D上是等价的。如果D是任意个体域，则称P和Q是等价的。记为。下面是一些主要等价式：

(1)交换率

(2)结合率

594、谓词公式的性质(3)分配率

(4)德.摩根律（De.Morgen）

(5)双重否定率

(6)吸收率

604、谓词公式的性质(7)补余率

(8)连接词化规律

(9)逆否率

614、谓词公式的性质(10)量词转换率

(11)量词分配

625、谓词表示法举例

用谓词表示知识的一般步骤为：（1）定义谓词及个体，确定每个谓词及个体的确切定义；（2）根据要表达的事物或概念，为谓词中的变元赋以特定的值；（3）根据语义用适当的连接符号将各个谓词连接起来，形成谓词公式。

635、谓词表示法举例-1用一阶谓词逻辑表示下列关系数据库;

住户房间电话号码房间

Zhang201491201Li201492201Wang202451202Zhao203451203

表中有两个关系：

OCCUPANT（给定用户和房间的居住关系）

TELEPHONE（给定电话号码和房间的电话关系）用一阶谓词表示为：OCCUPANT（Zhang，201），OCCUPANT（Wang，202），…TELEPHONE（491，201），TELEPHONE（492，201），…645、谓词表示法举例-2机器人搬弄积木块问题表示

设在一个房间里面，有一个机器人ROBOT，一个壁橱ALCOVE，一个积木块BOX，两个桌子A和B。开始时，机器人ROBOT在壁橱ALCOVE的旁边，且双手是空的，桌子A上放着积木块BOX，桌子B上是空的。机器人ROBOT将把积木块从桌子A转移到桌子B上。如何用一阶谓词逻辑来表示这一问题？

（1）本课题涉及到的常量定义为：机器人：ROBOT；积木块：BOX；壁橱：ALCOVE；桌子：A；桌子：B；655、谓词表示法举例-2机器人搬弄积木块问题表示

（2）定义谓词如下：

TABLE（x）：x是桌子；

EMPTYHANDED（x）：x双手是空的；

AT（x，y）：x在Y旁边；

HOLDS（y，w）：y拿着w；

ON（w，x）：w在x的上面；

EMPTYTABLE（x）：桌子x上是空的；（3）根据问题的描述将问题的初始状态和目标状态分别用谓词公式表示出来；665、谓词表示法举例-2机器人搬弄积木块问题表示问题的初始状态：AT(ROBOT,ALCOVE)^EMPTYHANDED(ROBOT)^ON(BOX,A)^TABLE(A)^TABLE(B)^

EMPTYTABLE(B);

问题的目标状态：AT(ROBOT,ALCOVE)^EMPTYHANDED(ROBOT)^ON(BOX,B)^TABLE(A)^TABLE(B)^

EMPTYTABLE(A);675、谓词表示法举例-2机器人搬弄积木块问题表示将问题表示出来之后，如何求解问题：本例中，机器人ROBOT将积木块BOX从桌子A移到桌子B所要执行的操作有3个：GOTO（x，y）：从x处走到y处。PICK-UP（x）：从x处拿起盒子。SET-DOWN（x）：在x处放下盒子。685、谓词表示法举例-2机器人搬弄积木块问题表示

这3个操作可分别用条件和动作表示如下：GOTO（x，y）：条件：AT（ROBOT，x）动作：删除AT（ROBOT，x）增加AT（ROBOT，y）695、谓词表示法举例-2机器人搬弄积木块问题表示

PICK-UP（x）：条件：ON(BOX,x)^TABLE(x)^AT（ROBOT，x）^EMPTYHANDED(ROBOT)动作：删除ON(BOX,x)^EMPTYHANDED(ROBOT)

增加HOLDS（ROBOT，Box）

SET-DOWN（x）：条件：TABLE(x)^AT（ROBOT，x）^HOLDS（ROBOT，Box）动作：删除HOLDS（ROBOT，Box）增加ON(BOX,x)^EMPTYHANDED(ROBOT)706、谓词逻辑表示法的特点

一阶谓词逻辑是一种形式语言系统，即条件和结论之间的蕴涵关系。特点：

I.自然性。接近自然语言的形式，表示问题易于被人理解和接受。

II.适宜于精确性知识的表示，而不适宜于不确定性知识的表示。其逻辑值只有“真”和”假“两种结果。

III.易实现。所表示的知识可以比较容易地转换为计算机的内部形式，易于模块化，便于知识的删除、添加和修改。IV.与谓词逻辑表示法相对应的推理称为归结推理方法。

71二、产生式表示法

产生式表示法又称为产生式规则（Productionrule）表示法。

“产生式”这一术语是美国数学家E.L.Post（波斯特）首先提出的。它是人工智能中用的最多的一种知识表示方法。许多成功专家系统都采用它来表示知识。如费根鲍姆等人研制的化学分子结构专家系统DENDRAL，Stanford大学肖里特菲（Shortliffe）等人研制的诊断感染性疾病的专家系统MYCIN（目前，学术界公认，将人工智能应用于医学方面，Stanford大学是处于世界领先的地位，这和费根鲍姆是分不开的）。72二、产生式表示法

（1）基本形式

产生式通常用于表示具有因果关系的知识，基本形式为：P→Q或者IFPTHENQ注意：这一形式和谓词逻辑中的蕴含式具有相同的形式。两者的区别呢？其实蕴含式只是产生式的特殊情况。蕴含式的真值要么为真，要么为假，而产生式不仅可以表示精确性知识，还可以表示不精确的知识。蕴含式要求前提条件与已知知识精确比配，而产生式不要求精确匹配，只要相似度达到某一个制定的范围。73二、产生式表示法

（2）表示方法

I.确定性规则知识的产生式表示为：

P→Q或者IFPTHENQ如：IF动物会飞AND会下蛋THEN该动物是鸟

II.不确定性规则知识的产生式表示为：

P→Q（置信度）或者IFPTHENQ（置信度）如：IF本微生物的染色斑是革兰氏阴性，本微生物的形状呈杆状，病人是中间宿主

THEN该微生物是绿脓杆菌，置信度为0.6表示该微生物是绿脓杆菌，可以相信的程度是0.6.74二、产生式表示法

III.确定性事实性知识的产生式表示为：

（对象属性值）或者（关系 对象1对象2）如：老李40岁表示为：（Li，Age，40）如：老李、老张是朋友表示为：（Friends，Li，Zhang）

IV.不确定性事实性知识的产生式表示为（对象属性值置信度）或（关系对象1对象2置信度）如：老李年龄很可能是40岁表示为：（Li，Age，40，0.8）老李、老张是朋友的可能性不大表示为：（Friends，Li，Zhang，0.1）75二、产生式表示法

（3）系统组成

I.规则库描述某领域知识的产生式集合，是某领域知识的存贮器。

II.综合数据库又称事实库，用于存放输入的事实，外部数据库输入的事实及中间结果。

III.推理机是一个或一组程序，包括了推理方式和控制策略。产生式系统的基本结构76二、产生式表示法

（4）推理方式

I.正向推理

正向推理从已知事实出发，通过规则库求得结论。

II.反向推理

反向推理是从目标（作为假设）出发，反向使用规则，求得已知事实。

III.双向推理推理从两个方向同时进行，直至某个中间界面上双方向结果相符便成功结束。这种方式推理网络小，从而效率高。77二、产生式表示法

（5）特点

I.清晰性

有固定的格式，形式简单，知识库的建立较容易。

II.模块性

知识库（包括规则库和综合数据库）和推理机分离，这种结构给知识库的修改带来方便。

III.自然性如果…则…的形式符合人类的思维习惯，直观自然，便于推理。78三、框架表示法1975年，美国著名的人工智能学者明斯基提出了框架理论，论文《Aframeworkforrepresentingknowledge》。该理论认为人们对现实世界中各种事物的认识都是以一种类似于框架的结构存储在记忆中的。当面临一个新事物时，就从记忆中找出一个合适的框架，并根据实际情况对其细节加以修改、补充，从而形成对事物的认识。

79三、框架表示法

（1）一般结构

框架（Frame）是一种描述所论对象（一个事物、事件或概念）属性的数据结构。一个框架由框架名、槽（Slot）、侧面（Faced）和值4部分组成。一个框架由若干个“槽”组成，每个“槽”又可划分为若干个“侧面”。槽和侧面所具有的属性值分别称为槽值和侧面值。槽值可以是逻辑型或数字型的，具体的数值可以是程序、条件、默认值或是一个子框架。80三、框架表示法

（2）知识表示举例例如：要描述“计算机主机”这一概念，首先要分析所具有的属性，一台计算机可能具有的属性有：品牌、生产厂商、CPU（品牌、型号）、主板（品牌、型号）、内存（品牌、型号、容量）、硬盘（品牌、型号、容量）。

这些称为“计算机主机”的槽。而CPU有两个侧面，主板有两个侧面，内存和硬盘都有三个侧面。如果给各个槽和侧面赋以具体的值，就得到“计算机主机”这个概念的一个实例框架。81三、框架表示法

框架名：<计算机主机>

主机品牌：联想1+1

生产厂商：北京联想集团公司

CPU：品牌：Intel

型号：奔腾III/933

主板：品牌：QDI

型号：ATXVA5

内存：品牌：现代型号：SDRAM

容量：128MB

硬盘：品牌：Seagate

型号：ST320423A

容量：20Gbytes82三、框架表示法

（3）特点：

I.结构性－突出的特点就是便于表达结构性知识。是一种结构化的知识表达方法。这是产生式不具备的。后者不能将知识间的结构关系表示出来，而只能表达因果关系。

II.继承性－框架表示法可以使槽值设置为另一个框架的名字，实现框架间的联系，建立起表示复杂知识的框架网络。

III.自然性－当遇到新事物时，通过从记忆中调用类似事物的框架，并将其中某些细节进行修改、补充，就形成对新事物的认识，这与人们的认识活动是一致的。不足之处在于不善于表达过程性知识。83四、语义网络表示法

1968年，J.R.Quaillian（奎联）在研究人类联想记忆时提出的心理学模型。1972年，西蒙正式提出语义网络的概念。语义网络是一种采用网络形式表示人类知识的方法；（1）概念、结构客观世界中的事物时错综复杂的，相互之间除了有因果关系、类属关系等表面的一些关系外，各事物、概念等之间还存在含义上的联系或语义上的联系。84四、语义网络表示法

一个简单的语义网络可由如下的一个三元组表示：（节点1，弧，节点2）把多个基本网元用相应的语义联系关联在一起时，就得到一个语义网络。

基本网元语义网络结构85四、语义网络表示法

一个三元组（节点1，弧，节点2）可写成P（个体1，个体2），其中个体1、个体2对应节点1，节点2，而弧及其上标注的节点1和节点2的关系由谓词P来体现：例如，对“张三与李四是同学”可以表示为三元组（张三，同学，李四）。对应的语义网络如下：

如果用一阶谓词表示法，可写作P（张三，李四），P表示张三和李四为同学关系。Student（张三，李四）86四、语义网络表示法

产生式表示法是以一条产生式规则作为知识的单位。各条产生式规则之间没有直接的联系。而语义网络则不同，各个网元之间是相互关联的。每一条产生式规则可以用语义网络的形式表示：例如，“如果A，那么B”是一条表示A和B之间因果关系的产生式规则，相应的语义网络表示如下这里，RAB表示A和B之间的语义关系，即“如果……,那么……”87MAS的研究和应用领域多机器人协调足球机器人过程智能控制柔性制造系统（FMS）计算机集成制造系统（CIMS）网络通信与管理电话网络网络负荷平衡交通控制88智能机器人简介智能机器人的概念一般将机器人的发展分为3个阶段。第一阶段的机器人只有“手”，以固定程序工作，不具有外界信息的反馈能力；第二阶段的机器人具有对外界信息的反馈能力，即有了感觉，如力觉、触觉、视觉等；第三阶段，即所谓“智能机器人”阶段，这一阶段的机器人已经具有了自主性，有自行学习、推理、决策、规划等能力。这也正符合Agent的条件，所以，现在把智能机器人也作为一种Agent。89智能机器人介机器人感知机器人的感知包括对外界和对自身的感知。感知机能是靠传感器来实现的。因而，机器人传感器可分为内部传感器和外部传感器两大类。内部传感器用来感知机器人的内部状态信息（多为检测位置和角度的传感器），包括关节位置、速度、加速度、姿态和方位等。用来检测机器人所处环境（如是什么物体，离物体的距离有多远等）及状况（如抓取的物体是否滑落）的传感器。具体有物体识别传感器、物体探伤传感器、接近觉传感器、距离传感器、力觉传感器，听觉传感器等。

90智能机器人简介机器人规划机器人规划也称机器人问题求解。感知能力使机器人能够感知对象和环境，但要解决问题，即产生适应对象和环境的动作，还要依靠规划功能。规划就是拟定行动步骤。实际上它就是一种问题求解技术，即从某个特定问题的初始状态出发，寻找或构造一系列操作（也称算子）步骤，达到解决问题的目标状态。比如，机器人路径规划…91智能机器人简介机器人控制机器人控制即运动控制，包括位置控制和力控制。位置控制就是对于路径规划给出的运动轨迹（即路径），控制机器人的肢体（如机械手）产生相应的动作。力控制则是对机器人的肢体所发出的作用力（如机械手的握力和推力）大小的控制。运动控制涉及机器人的运动学和动力学特性，所以，运动控制研究需要许多运动学和动力学知识。92智能机器人简介机器人语言“教”机器人完成有关作业称为程序设计。这种程序设计一般有三种方式：直接示教方式、离线数据程序设计方式和使用机器人语言方式。直接示教方式，也称示教再现方式。即使用示教盒根据作业的需要把机器人的手爪送到作业所需要的位置上去，并处于所需要的姿态，然后把这一位置、姿态存储起来。对作业空间的各轨迹点重复上述操作，机器人就把整个作业程序记忆了下来。工作时，再现上述操作就能使机器人完成预定的作业，同时可以反复同样的作业过程。93智能机器人简介机器人语言离线数据程序设计方式是利用计算机图形学成果，借助图形处理工具建立几何模型，通过一些规划算法来获取作业规划轨迹。与示教编程不同，离线编程不与机器人发生关系，在编程过程中机器人可以照常工作。工业上离线工具只作为一种辅助手段，未得到广泛的应用。94智能机器人简介机器人语言VAL语言是美国Unimation公司于1979年推出的一种机器人编程语言，在BASIC语言的基础上发展起来的。AL语言是20世纪70年代中期美国斯坦福大学人工智能研究所开发研制的一种机器人语言。

MOVE语句：用来描述机器人手爪的运动，如手爪从一个位置运动到另一个位置。MOVE语句的格式为：MOVE<HAND>TO<目的地>954不确定推理方法960、引言

前面讨论了知识的表示方法，这样就可以把知识用某种模式表示出来存储到计算机中去。但是，为了使计算机具有智能，仅仅使用计算机拥有知识是不够的，还必须使它具有思维能力，即能运用知识求解问题。推理是求解问题的一种重要方法。人们在对各种事物进行分析、综合并最后作出决策时，通常从已知的事实出发，通过运用已掌握的知识，找出其中蕴含的事实，或归纳出新的事实，这一过程通常称为推理。970、引言-推理的定义

在AI中，推理是由程序来实现的，称为推理机。构成推理的两个基本要素为：已知事实和知识。已知事实又称为证据，用以指出推理的出发点及推理时应该使用的知识；而知识是使推理得以向前推进，并逐步达到最终目标的依据。

例如，在医疗诊断专家系统中，专家的经验及医学常识以某种表示形式存储于知识库中。为病人诊治疾病时，推理机就是从存储在综合数据库中的病人症状及化验结果从初始证据出发，按某种搜索策略在知识库中搜寻可与之匹配的知识，推出某些中间结论，然后再以这些中间结论为证据，在知识库中搜索与之匹配的知识，推出进一步的中间结论，如此反复进行，直到最终推出结论，即病人的病因与治疗方案为止。980、引言-推理的方式及分类

人类的智能活动有多种思维方式。AI作为对人类智能的模拟，相应地有多种推理方式;

I.演绎推理、归纳推理、默认推理从推出结论的途径来划分演绎推理（deductivereasoning）是从全称判断推导出单称判断的过程，即由一般性知识推出适合于某一具体情况的结论。这是一种从一般到个别的推理。经常用的是三段论形式：（1）大前提：已知的一般知识或假设；（2）小前提：关于所研究的具体情况或个别事实的判断；（3）结论：由大前提推出的适合小前提所示情况的新判断；990、引言-推理的方式及分类I.演绎推理、归纳推理、默认推理从推出结论的途径来划分归纳推理（inductivereasoning）是从足够多的事例中归纳出一般性结论的推理过程，这是一种从个别到一般的推理。从其所选事例的广泛性来划分，又可分为完全归纳推理和不完全归纳推理：所谓完全归纳推理就是指在进行归纳时，考察了相应事物的全部对象，并根据这些对象是否都具有某种属性，从而推出这个事物是否具有这个属性。如：某厂进行产品质量检查，如果对每一件产品都进行了严格的检查，并且都是合格的，则推导出结论“该厂生产的产品合格”。1000、引言-推理的方式及分类I.演绎推理、归纳推理、默认推理从推出结论的途径来划分所谓不完全归纳推理就是指在考察了相应事物的部分对象，就得出结论。如：检查产品质量时，只是随机抽查了部分产品，只要它们都合格，就得出了“该厂生产的产品合格”由于考察事物的所有对象通常都是比较困难，因而大多数归纳推理都是不完全归纳推理。默认推理（defaultreasoning）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。1010、引言-推理的方式及分类II.确定性推理、不确定性推理从推理所用知识的确定性来划分所谓确定性推理，就是指推理时所用知识与证据都是确定的，推出的结论也是确定的，其值或者为真或者为假，没有第三种情况出现。

--根据经典逻辑（命题逻辑及一阶谓词逻辑）的逻辑规则进行的一种推理。所谓不确定性推理，是指推理时使用的知识与证据不都是确定的，推出的结论也是不确定的。

--现实世界中的事物和现象大都是不确定的，或者模糊的，很难用精确的数学模型来描述，要使计算机能模拟人类的思维活动，就必须使它具有不确定推理的能力。102一、基本概念

前面讨论了建立在经典逻辑基础上的确定性推理，已知事实以及推理时所依据的知识都是确定的。推出的结论或证明的假设都是精确的，其真值或者为真，或者为假。但是，现实世界中的事物事物之间的关系及其负责复杂，由于客观上存在的随机性、模糊性以及某些事物或现象暴露的不充分性，导致人们对它们的认识是不精确的、不全面的，具有一定程度的不确定性。103一、基本概念I.不确定性是建立在非经典逻辑基础上的一种推理。它是从不确定性的初始证据出发，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但却是合理或者近乎合理的结论的思维过程。

II.分类：不确定推理方法分为两类：一是模型方法，另一是控制方法。104一、基本概念

模型方法－特点是把不确定的证据和不确定的知识分别与某种度量标准对应起来，并给出更新结论不确定性的合适的算法。从而建立相应的不确定性推理模型。

控制方法－特点是通过识别领域中引起不确定性的某些特征及相应的控制策略来限制或减少不确定系统产生的影响，这类方法没有设置不确定的统一模型。105一、基本概念

模型方法又分为

a，数值方法；b，非数值方法；数值方法根据其所依据的理论不同分为基于概率的方法和模糊推理方法；基于概率的方法所依据的理论是概率论，而模糊推理依据的理论是模糊理论。非数值方法是除a之外的不确定性的方法。逻辑法就是一种非数值方法。106一、基本概念

由于概率论有着完善的理论，同时还为不确定性的合成与传递提供了现成的公式，成为度量不确定性的重要手段。这种纯粹依靠概率模型来表示和处理不确定性的方法称为纯概率方法或概率方法。它虽然有严密的理论依据，但却要求给出事件的先验概率和条件概率，而这些数据又不易获得，使其应用受到限制为此，人们在概率论的基础上，发展了一些新的处理不确定性的方法。包括：可信度方法、主观Bayes方法和证据理论方法。107重点探讨的不确定推理方法可信度方法主观Bayes方法证据理论方法模糊推理方法108二、可信度方法

可信度方法是美国斯坦福大学E.H.Shortliffe等人在确定性理论（TheoryofConfirmation）的基础上，结合概率论提出的一种不确定性推理方法。在MYCIN中成功应用。

I.概念所谓可信度，就是人们在实际生活中根据自己的经验或观察对某一事件或现象为真的相信程度（certainty）。可信度也可以称为”确定性因子“，具有较大的主观性和经验性，其准确性很难把握。但是，对于某一具体领域而言，由于领域专家具有丰富的专业知识和实践经验，要给出该领域的知识的可信度还是完全有可能的。109二、可信度方法II.表示

C-F模型中，知识是用产生式规则表示的，一般形式为：

IFETHENH(CF(H，E))

其中，E是知识的前提条件，或称为证据。可以是简单条件，还可以是AND或OR所构成的复合条件。

E＝E1ANDE2AND（E3ORE4）

H是结论，可以是简单结论，也可以是多个结论；

CF（H，E）是该知识的可信度，称为可信度因子（CertaintyFactor）或规则强度。反映了前提条件与结论的联系程度。如：IF头痛AND流涕

THEN感冒（0.7）表示有七成把握认为他是患感冒了。110二、可信度方法CF（H，E）是在[-1,1]上取值。CF（H，E）值要求领域专家直接给出。原则是：若由于相应证据的出现增加结论H为真的可信度，则取CF（H,E）>0,证据的出现越是增加支持H为真，就使CF（H,E）的值越大。反之，取CF（H,E）<0,证据的出现越是支持H为假，就使CF（H,E）的值越小。若证据的出现与否与H无关，则取CF（H,E）＝0。111二、可信度方法III.证据不确定性的表示证据的不确定性也可以用可信度因子表示。

CF（E）是在[-1,1]上取值。对于初始证据，若对它的所有观察S能肯定它为真，则取CF（E）=1;若肯定它为假，则取CF（E）=－1；若它以某种程度为真，则取CF（E）为(0，1)中的一个值，即0<CF（E）<1。若它以某种程度为假，则取CF（E）为(－1，0)中的一个值，即－1<CF（E）<0。知识的静态强度与证据的动态强度都是用可信度因子CF表示的，但意义不相同。静态强度CF（H，E）表示的是知识的强度，即当E所对应的证据为真时，对H的影响程度；而动态强度CF（E）表示的是证据E当前的不确定性程度。112二、可信度方法IV.组合证据不确定性的方法当组合证据是多个单一证据的合取时，

E＝E1ANDE2AND…ANDEn

若已知CF（E1），CF（E2），…,CF（En），则CF（E）＝min{CF（E1），CF（E2），…,CF（En）}

当组合证据是多个单一证据的析取时，

E＝E1ORE2OR…OREn

若已知CF（E1），CF（E2），…,CF（En），则CF（E）＝max{CF（E1），CF（E2），…,CF（En）}113二、可信度方法V.不确定性的传递算法

C-F模型中的不确定推理从不确定的初始证据出发，通过运用相关的不确定性知识，最终推出结论并求出结论的可信度。结论H的可信度由下式计算：

CF（H）＝CF（H，E）×max{0,CF（E）};

若当相应证据以某种程度为假，即CF（E）<0,则

CF（H）＝0

说明，该模型没有考虑证据为假时对结论H所产生的影响。

若证据为真，即CF（E）＝1，可得CF（H）＝CF（H，E）

说明知识中的规则强度CF（H，E）实际就是前提条件对应的证据为真时结论H的可信度。或者说，当知识的前提条件对应的证据存在且为真时，结论H有CF（H，E）大小的可信度。114二、可信度方法VI.结论不确定性的合成算法由多条不同知识推出了相同的结论，但可信度不同，则可用合成算法求出综合可信度。设有如下知识：

IFE1THENH(CF（H，E1

）)IFE2THENH(CF（H，E2

）)则结论H的综合可信度可分为两步算出：（1）分别对每一条知识求出CF（H）：

CF1（H）＝CF（H，E1

）×max{0,CF（E1

）};

CF2（H）＝CF（H，E2

）×max{0,CF（E2

）};

115二、可信度方法

VI.结论不确定性的合成算法（2）用下述公式求E1与E2对H的综合影响所形成的可信度CF1，2（H）。

116二、可信度方法

例题：设有一组知识：

r1：IFE1THENH（0.8）

r2：IFE2THENH（0.6）

r3：IFE3THENH（-0.5）

r4：IFE4AND（E5ORE6）THENE1

（0.7）

r5：IFE7ANDE8THENE3

（0.9）已知：CF（E2

）＝0.8,CF（E4

）＝0.5,CF（E5

）＝0.6,CF（E6

）＝0.7,CF（E7

）＝0.6,CF（E8

）＝0.9求：CF（H）HE4E1E2E3E7E8E5E6推理网络117二、可信度方法

第一步：对每一条规则求出CF（H）r4：IFE4AND（E5ORE6）THENE1

（0.7）118二、可信度方法

第一步：对每一条规则求出CF（H）r5：IFE7ANDE8THENE3

（0.9）119二、可信度方法

第一步：对每一条规则求出CF（H）r1：IFE1THENH（0.8）120二、可信度方法

第一步：对每一条规则求出CF（H）r2：IFE2THENH（0.6）121二、可信度方法

第一步：对每一条规则求出CF（H）r3：IFE3THENH（-0.5）122二、可信度方法

第二步：根据结论不确定性的合成算法得到所以，综合可信度为0.49。123四、证据理论

证据理论又称D-S理论，是由德普斯特（Dempster）首先提出，并由沙佛（Shafer）进一步发展起来的一种处理不确定性的理论。1981年，由巴纳特（Baenett）将该理论引入到专家系统，同年，卡威（Garvey）等人用它实现了不确定性推理。该理论能够区分“不确定”和“不知道”的差异，并能处理由“不知道”引起的不确定性，具有较大的灵活性，因此受到人们的重视。124四、证据理论

在可信度方法和主观Bayes方法中，知识是用产生式的形式表示的。在可信度方法中，证据、结论及知识的不确定性用“可信度”进行度量的。IFETHENH(CF(H，E))

而在主观Bayes方法中，证据及结论的不确定性是以概率的形式进行度量，而知识的不确定性是以数值对（LS，LN）来进行度量的。IFETHEN（LS，LN）H（P（H））在用产生式表示知识时，证据可以是单个命题，也可以是用AND和OR连接起来的复合命题。125四、证据理论

在D-S理论中，知识也是用产生式的形式表示的，但证据和结论又要以集合进行表示。例如：假设D是所有可能疾病的集合，医生为进行诊断而进行的各种检查就是获得所需证据的过程，检查获得的结果就是获得的证据，这些证据就构成了证据集合E。根据证据集合中的这些证据，就可以判断病人的疾病。通常，有的证据所支持的不止是一种疾病，而是多种疾病，这些疾病当然都是集合D中的元素，可以构成D的一个子集H,H就是结论集合。设D是变量x所有可能取值的集合，且D中的元素是互斥的，在任何时刻x都取且只能取D中的某一个元素为值，则称D为x的样本空间。126四、证据理论

在D-S理论中，D的任何一个子集A都对应一个关于x的命题，称该命题为“x的值是在A中。”例如：用x代表打靶时击中的环数，D={1,2,…,10}，则A={5}表示“x的值是5”或者“击中的环数是5”；A={5，6，7，8}表示“击中的环数是5、6、7、8中的某一个”。又如：用x代表所看到的颜色，

D={红,黄，蓝}，则A={红}表示“x是红色”；若A={红，蓝}，则它表示“x或者是红色，或者是蓝色”。在D-S理论中，知识的不确定性通过一个集合形式的“可信度因子”来表示，而证据和结论的不确定性度量则采用信任函数和似然函数来表示。127四、证据理论

I.概率分配函数设D为样本空间，其中有n个元素，则D中的子集个数为2n个，并以2D表示这2n个集合。概率分配函数的作用是把D上的任意一个子集A（）都映射称为[0,1]上的一个数M（A）。设D为样本空间，领域内的命题都是用D的子集表示，如果定义函数M（x）为集合2D到区间[0,1]上的一个映射函数，其满足下列条件：

则称M（x）为2D上的基本概率分配函数（BasicProbabilityAssignmentFunction），M（A）称为命题A的基本概率数；128四、证据理论

I.概率分配函数

M（A）表示对相应命题A的精确信任度。例如：设D＝{红，黄，蓝};则它的子集数个数刚好是23＝8个，具体为：A1＝{red};A2＝{yellow};A3＝{blue};A4＝{red,blue};A5＝{yellow,blue};A6＝{red,yellow};A7＝{red,yellow,blue};A8＝{};

若A={red}，M（A）=0.3

表示对命题“x是红色”的正确性的信任度是0.3。若B={red，yellow}，M（B）=0.2

表示对命题“x或者是红色，或者是黄色”的正确性的信任度是0.2。可以理解为：概率分配函数实际上是对D的各个子集进行信任度分配，M（A）表示分给A的那一部分。129四、证据理论

I.概率分配函数当A是由多个元素组成时，M（A）不包括对A的子集的信任度，而且也不知道该对它如何进行分配。例如：在M（{red,yellow}）=0.2中不包含对A={red}的信任度0.3，而且也不知道把这个0.2分给了red，还是分给了yellow.

当A=D时，M（A）是对D的各个子集进行信任分配后剩下的部分，它表示不知道对这部分如何进行分配。若M（D）=M（{red，yellow，blue}=0