人工智能课件

人工智能

ArtificialIntelligenceReferences:《智能技术》，曹承志、王楠编著，清华大学出版社；《计算智能》，张军、詹志辉编著，清华大学出版社；ComputationalIntelligence,ConceptstoImplementations;《高级人工智能》,史忠植,科学出版社,1998;Part1:Overview—AI&CIWhatisAI?人工智能(ArtificialIntelligence,AI),它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器或智能系统。WhatisAI?除了计算机科学以外,人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。WhatisAI?研究范畴：自然语言处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计，软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法、人工免疫系统、人类思维方式。WhatisCI?计算智能(ComputationalIntelligence,CI)

是受到大自然智慧和人类智慧的启发而设计出的一类算法的统称。这些算法或模仿生物界的进化过程，或模仿生物的生理构造和身体机能，或模仿动物的群体行为，或模仿人类的思维、语言和记忆过程的特性，或模仿自然界的物理现象，希望通过模拟大自然和人类的智慧实现对问题的优化求解，在可接受的时间内求解出可以接受的解。这些算法共同组成了计算智能优化算法。WhatisCI?计算智能(ComputationalIntelligence)主要包括：神经网络模糊逻辑与模糊推理遗传算法蚁群优化算法粒子群优化算法人工免疫算法分布估计算法Memetic算法模拟退火与禁忌搜索DifferencesbetweenAI&CI?(1)计算智能（ComputationalIntelligence，CI）是借助自然界（生物界）规律的启示，根据其规律，设计出求解问题的算法。物理学、化学、数学、生物学、心理学、生理学、神经科学和计算机科学等学科的现象与规律都可能成为计算智能算法的基础和思想来源。从关系上说，计算智能属于人工智能（ArtificialIntelligence，AI）的一个分支。DifferencesbetweenAI&CI?(2)计算智能算法主要包括神经计算、模糊计算和进化计算三大部分。典型的计算智能算法包括神经计算中的人工神经网络算法，模糊计算中的模糊逻辑，进化计算中的遗传算法、蚁群优化算法、粒子群优化算法、免疫算法、分布估计算法、Memetic算法和单点搜索技术例如模拟退火算法、禁忌搜索算法，等等。DifferencesbetweenAI&CI?(3)计算智能算法都有一个共同的特征就是通过模仿人类智能的某一个（某一些）方面而达到模拟人类智能，实现将生物智慧、自然界的规律计算机程序化，设计最优化算法的目的。然而计算智能的这些不同研究领域各有其特点，虽然它们具有模仿人类和其他生物智能的共同点，但是在具体方法上存在一些不同点。例如：人工神经网络模仿人脑的生理构造和信息处理的过程，模拟人类的智慧；模糊逻辑（模糊系统）模仿人类语言和思维中的模糊性概念，模拟人类的智慧；进化计算模仿生物进化过程和群体智能过程，模拟大自然的智慧。DifferencesbetweenAI&CI?(4)计算智能的发展也面临严峻的挑战，其中一个重要原因就是计算智能目前还缺乏坚实的数学基础，还不能像物理、化学、天文等学科那样自如地运用数学工具解决各自的计算问题。虽然神经网络具有比较完善的理论基础，但是像进化计算等重要的计算智能技术还没有完善的数学基础。计算智能算法的稳定性和收敛性的分析与证明还处于研究阶段。通过数值实验方法和具体应用手段检验计算智能算法的有效性和高效性是研究计算智能算法的重要方法。Part2:IntroductiontoAIWhatisintelligence?智能可表达为知识的获取能力、知识处理能力和知识的应用能力。人类智能的特征：感知能力——知识的获取；记忆和思维能力——知识的存储与处理（分析、计算、比较、判断、推理、联想和决策等）；学习和自适应能力——积累知识，适应环境变化；行为能力——知识的运用。HistoryofArtificialintelligence人工智能作为一个新兴学科，其已经成为人类科学技术中一门充满生机和希望的前言学科。关于AI领域的国际顶级期刊多达120余种。Link>>HistoryofArtificialintelligence1.孕育阶段(before1956)：古希腊哲学家Aristotle提出的形式逻辑的三段论、归纳推理、警句“知识就是力量”；德国数学家Leibniz提出万能符号和推理计算的思想，为数理逻辑的产生的奠定了基础，而且是现代计算机思维设计思想的萌芽；英国逻辑学家Boole创立了布尔代数，用符号语言描述了思维活动的基本推理法则；HistoryofArtificialintelligence1.孕育阶段(before1956)：1936年Turing提出了一种理想计算机的数学模型，1950年发表了论文“ComputersandIntelligence”,提出了著名的”Turing测试“，形象地指出什么是人工智能以及机器具有智能的标准。1943年美国神经生理学家McCulloch和Pitts提出了第一个神经网络模型，为后来的ANN的研究奠定了基础；1946年世界上第一台计算机ENIAC诞生，为AI的研究提供了物质基础；HistoryofArtificialintelligence2.形成阶段(before1956)：1956年夏季，MIT的McCarthy和Minsky、IBM的Lochester、Bell实验室的Shannon、CarnegieMellon大学的Newell和Simon在美国Dartmouth大学召开了二个月的机器智能研讨会，正式使用了”artificialintelligence“术语。标志着AI作为一门新学科的诞生；HistoryofArtificialintelligence2.形成阶段(before1956)：在MachineLearning方面，1959年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对弈中改善自己的棋艺。4年后，这个程序战胜了设计者本人。又过了3年，这个程序战胜了美国一个保持8年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。HistoryofArtificialintelligence2.形成阶段(before1956)：在定理证明方面，美籍华人数理学家王浩在1958年在计算机上仅用了3-5分钟就证明了《数学原理》中有关命题演算中的全部220个定理；1965年Robinson提出了归结原理（resolution），为定理的机器证明和谓词逻辑的推理作出了突破性的贡献；在expertsystem方面，1965-1968年standford大学的Feigenbaum开发了化学专家系统Dentral;1969年成立了国际人工智能联合会议InternationalJointConferenceonArtificialintelligence,IJCAI;HistoryofArtificialintelligence3.发展阶段(Since1970)：AI的发展遇到了一些问题。下棋程序与世界冠军对弈时就从来没赢过；自然语言机器翻译也出现了不少笑话；机器学习和神经网络的研究也遇到了困难。进行knowledgeengineering的研究，以知识的表示、获取和使用为中心，产生了大量的expertsystem。在不确定性知识的表示和推理方面取得了突破，建立了Bayes理论、证据理论、可靠性理论。HistoryofArtificialintelligence3.发展阶段(Since1970)：20世纪80年代，AI的研究遇到了两个根本性的问题：interaction和scalingup。即传统AI不能与环境的交互；传统AI只适合建立领域狭窄的专家系统，不能把这种方法推广到更大规模、领域更广的复杂系统中。20世纪80-90MIT的行为主义学派代表Brooks教授认为智能取决于感知和行动而不是知识，其研究的机器虫能应付复杂环境，成为解决”交互“问题的重要希望。具有反馈机制ANN的再崛起，也为解决”交互“问题提供了重要方法。20世纪90年代提出了agent为解决扩展问题开辟了新的道路GoalsandapplicationsonAI近期目标：部分或某种程度地实现机器智能，从而使计算机更灵活、更好用和更有用，成为人类智能化信息处理工具；远期目标：制造智能机器，使得计算机具有看、听、说、写等感知和交互能力，具有联想、推理、理解、学习等高级思维能力，还有分析问题、解决问题和发明创造的能力。ApplicationsformonAIIntelligentsoftware:expertsystem,knowledgebasesystemIntelligentdevice:智能仪器、仪表Intelligentnetworks:网络的构建、管理、控制、信息传输、发布、检索、人机接口都是智能的智能计算机：打破了VonNeumann体系结构的计算机，实现类似于人脑结构的计算机体系结构，以期获得自学习、自组织、自适应和分布式并行计算功能。如神经网络计算机、网格计算机等Agent:一种具有智能的实体，具有自主性、反应性、适应性和社会性的基本特征，其可以是软件形式，也可以是软硬件结合形式Part3:RepresentationofKnowledgeContext人类之间交往都是用自然语言来描述和表达，要让计算机理解和推理，就必须将自然语言知识化；研究知识的表示方法是智能技术的中心内容之一；知识、信息和数据Data:用一组符号及其组合表示的信息称为数据，其是记录信息的符号，是信息的载体和表示；Information:信息是对数据的解释，是数据在特定场合下的具体含义。只有将数据和信息结合，才能对现实世界中的某一具体事务进行描述；Knowledge:一般把有关信息组合在一起所形成的信息结构称为知识；总之，有格式的数据经过处理、解释过程就形成信息，而把有关信息进行关联到一起，经过处理过程之后就形成了知识。知识的特性、知识的分类特性：相对正确性不确定性可表示性和可利用性分类：1。按知识的作用及表示来划分：事实性知识过程性知识：领域内的规则、定律、定理及经验控制性知识：是如何运用已有知识进行问题求解的知识，因此又称为知识的知识2。按知识的确定性划分确定性知识不确定性知识3。按人类的思维及认识方法来划分逻辑性的知识：反映人类逻辑思维过程的知识形象性知识：通过事物的形象建立起来的知识称为形象知识（一）逻辑表示法命题逻辑：某一语句在特定情况都具有”真“或”假“的值，在逻辑上称为命题。命题逻辑是研究命题之间关系的符号逻辑系统。通常用大写字母表示命题。原子命题：表示单一意思的命题复合命题：通过连接词将原子命题进行连接（一）逻辑表示法连接词：┓：否定(negation)∧：合取(conjunction)∨：析取(disjunction)→：蕴含(condition)，P→Q表示若P则Q↔：双蕴含(bicondition)PQ┓PP∧QP∨QP↔QP→QFFTFFTTFTTFTFTTFFFTFFTTFTTTT（一）逻辑表示法复合命题的合式公式表示。合式公式的概念：若P为原子命题，则P为合式公式，称为原子公式；若P为合式公式，则¬P也为合式公式；若P和Q都是合式公式，则P∧Q,P∨Q,P→Q,P↔Q也为合式公式经过有限次使用（1），（2），（3）得到的由原子公式、连接词和圆括号所组成的符号串也是合式公式；逻辑连接词在合式公式中的运算优先顺序：¬

∧∨→↔有了合式公式的概念，就可以讨论如何用命题表示简单的逻辑推理了，即能否更具一些合式公式（前提）推出新的结论假如一个合式公式在组成它的原子公式的所有真值下都为真，则它是永真的。例如：P→P,T,¬(P∧¬P),Q∨T,[(P→Q)→P]→P,P→(Q→P)（一）逻辑表示法逻辑等价式：～～A<=>A双重否定A∧A<=>A等幂律A∨A<=>AA∧B<=>B∧A交换律A∨B<=>B∨A(A∧B)∧C<=>A∧(B∧C)结合律(A∨B)∨C<=>A∨(B∨C)A∧(B∨C)<=>(A∧B)∨(A∧C)分配律A∨(B∧C)<=>(A∨B)∧(A∨C)A∧(A∨B)<=>A吸收律A∨(A∧B)<=>A～(A∧B)<=>～A∨～B摩根定律～(A∨B)<=>～A∧～B（一）逻辑表示法逻辑等价式：A→B<=>～A∨B连接词化归律A<->B<=>(A→B)∧(B→A)A<->B<=>（A∧B）∨（～A∧～B）A∧T<=>A

A∧F<=>F

A∨T<=>T

A∨F<=>A

A∧～A<=>F补余律A∨～A<=>TA→(B→C)<=>A∧B→C输出律(A→B)∧(A→～B)<=>～A归谬律A→B<=>～B→～A逆反律（一）逻辑表示法对于合式公式P和Q，若P→Q永真，则称P永真蕴涵Q，且称Q为P的逻辑结论，P为Q的前提，记作P=>Q。P∧Q=>P化简律P∧Q=>QP=>P∨Q附加式Q=>P∨Q～P,P∨Q=>Q析取三段论P,P->Q=>Q假言推理～Q，P->Q=>～P拒取式P→Q，Q→R=>P→R假言三段论P∨Q，P→Q，Q→R=>R二难推理（一）一阶谓词逻辑表示法1.1谓词逻辑1.1.1.谓词、函数、量词谓词：表示个体对象之间的关系、属性或状态。其表示形式如下：P(x1,x2,x3,...xn)其中：P是谓词符号，表示x1,x2,x3,...xn个体对象之间的属性、状态或关系。x1,x2,x3,...xn是谓词的参量（或称项），一般表示个体，它可以是个体常量、个体变量或是个体函数。个体变元的变化范围称为个体域（或论域）（一）一阶谓词逻辑表示法例：P(x):表示x是素数FRIEND(a,b)：表示a和b是朋友个体函数：表示项之间的关系。有了个体函数之后，谓词的表达能力更强。假如个体函数father(b)表示“个体b的父亲”，则谓词FRIEND(a,father(b))表示“a和b的父亲是朋友”，显然表达能力更强了。再例：E(x,y):表示x和y相等关系个体函数square(x)：表示个体x的平方则谓词E(square(a),b)表示什么？（一）一阶谓词逻辑表示法约定：（1）谓词符号有大写字母表示，如P，Q，R，S等；（2）用小写字母x,y,z等作为个体变元符号；（3）用小写字母a,b,c等作为个体常元符号；（4）用小写字母f,g,h表示个体函数符号。量词：全称量词：“所有”,“一切”,“任一”,“全体”,“凡是”等词称为全称量词，记为存在量词：“存在”、“有些”、“至少有一个”、“有的”等词统称为存在量词，记为（一）一阶谓词逻辑表示法引入量词和连接符（→蕴涵，∧合取，∨析取，否定词～）之后，谓词的表达能力大大扩充了。例1：谓词M(x):表示x是人，谓词N(x):表示x有名字，则表示“凡是人都有名字”。例2：谓词G(x):表示x是整数，E(x)：表示x是偶数，则表示存在不是偶数的整数。例3：知识“不存在最大的整数”的表示设：谓词G(x):表示x是整数，D(x,y)表示x大于y。则表示如下：（一）一阶谓词逻辑表示法谓词公式：用谓词、量词（存在量词，全称量词）、联接词（→蕴涵，∧合取，∨析取）连接而成的复杂的符号表达式称为谓词公式。例：机器人搬积木问题表示设在一个房间里，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，且两手是空的，桌子A上放着积木块BOX，桌子B上是空的。用谓词公式表示：ROBOT将把积木块BOX从桌子A转移到桌子B上。（一）一阶谓词逻辑表示法首先定义谓词：TABLE(x)：x是桌子EMPTYHANDED(x)：x双手是空的BESIDE(x,y):x在y旁边HOLD(x,y)：x拿着yON(u,v)：u在v上面EMPTYTABLE(x)：桌子x上是空的（一）一阶谓词逻辑表示法问题的初始状态为：BESIDE(ROBOT,ALCOVE)∧EMPTYHANDED(ROBOT)∧TABLE（A）∧TABLE（B）∧ON（BOX,A）∧EMPTYTABLE(B)（一）一阶谓词逻辑表示法问题的目标状态：BESIDE(ROBOT,ALCOVE)∧EMPTYHANDED(ROBOT)∧TABLE（A）∧TABLE（B）∧ON（BOX,B）∧EMPTYTABLE(A)（一）一阶谓词逻辑表示法为了解决这个问题还要定义表示动作的谓词：GOTO(x,y)：从x处走到y处，动作谓词公式为：BESIDE(ROBOT，x)∧GOTO(x,y)→BESIDE(ROBOT，y)PICK-UP（x）：在x处拿起盒子，动作谓词公式为：ON(BOX,x)∧TABLE(x)∧BESIDE(ROBOT，x)∧EMPTYHANDED(ROBOT)→HOLDS（ROBOT，BOX）SET-DOWN（x）：在x处放下盒子，动作谓词公式为：TABLE(x)∧BESIDE(ROBOT，x)∧HOLDS（ROBOT，BOX）→ON(BOX,x)∧EMPTYHANDED(ROBOT)（一）一阶谓词逻辑表示法作业：房间内有一只猴子、一个箱子，天花板上挂了一串香蕉，其位置关系如图所示，猴子为了能拿到香蕉，它必须把箱子推到香蕉下面，然后再爬到箱子上。请定义必要的谓词，写出初始状态（图中的状态）、目标状态（猴子拿到香蕉，站在箱子上，箱子位于位置b）.香蕉猴子箱子b（一）一阶谓词逻辑表示法谓词逻辑表示法的特点：严密性：保证推理结果的正确性，精确地表示知识自然性：接近于自然语言的形式语言通用性：拥有通用的逻辑演算方法和推理规则易于实现：便于用prolog等AI语言在计算机上实现缺点：效率低灵活性差组合爆炸（二）语义网络表示法语义网络的概念及结构逻辑表示法和产生式表示法常用于表示有关论域中各个不同状态间的关系，然而用于表示一个事物同其各个部分间的分类知识，各事物、概念之间含义上的联系或者语义上的联系就不方便了。语义网络是对知识的有向图表示方法。一个语义网络是由一些以有向图表示的三元组（结点1，弧，结点2）连接而成。这个三元组称为基本网元。结点表示概念、事物、事件、情况等。（二）语义网络表示法弧是有方向的有标注的。方向体现主次，结点1为主，结点2为辅。弧上的标注表示结点1的属性或结点1和结点2之间的关系。如下图中A、B代表结点，R代表A与B之间的某种联系。当把多个基本网元用相应的语义联系关联在一起时，就可得到一个语义网络。（二）语义网络表示法弧上标注类型：（1）isa/ako:表示“是一种”或“是一个”（2）part-of:表示“部分与整体”或包含关系（3）composed-of:表示“构成”关系（4）located:表示“位置”关系…（三）产生式表示法产生式（production）表示法又称为产生式规则表示法，目前已成为AI中应用最多的一种知识表示模式，许多expertsystem都用它来进行知识的表示3.1production的基本形式基本形式：P→Q或IFPTHENQ例如：在某锅炉专家系统中，有规则If炉温>1800℃then减少输入电压If炉温>1600℃then提高输入电压（三）产生式表示法谓词逻辑中的蕴涵式与产生式的基本形式尽管有相同的形式，但蕴涵式只是产生式的一种特例，原因如下：（1）蕴涵式标识精确知识，其值为TrueorFalse,而产生式不仅可以表示精确知识也可以表示非精确知识。例如：If流鼻涕then感冒（0.7）（2）用产生式表示知识的系统中，决定一条知识是否可用的方法是检查当前是否有已知事实与规则的条件匹配，而且匹配可以是精确的也可以是不精确的，只要按照某种算法求出的相似度落在某个预先设定的范围内就认为是可匹配的；但对谓词逻辑中的蕴涵式来说，其匹配总要求是精确的。（三）产生式表示法3.2Productionsystem把一组产生式放在一起，让他们相互配合，协同作用，一个产生式生成的结论可供另一个产生式作为已知事实使用，以求得问题的解，这样的系统称为产生式系统。产生式系统，由规则库、综合数据库、推理机三部分组成（规则库和综合数据库合在一起又称为知识库）。其关系如图所示：推理机规则库综合数据库（三）产生式表示法规则库：描述某领域知识的产生式集合，包含着将问题从初始状态转换解状态的那些变换规则，规则库是专家系统的核心，也是productsystem赖以进行问题求解的基础。其中知识的完整性、一致性、知识表达的准确性和灵活性、以及知识组织的合理性，都将对产生式系统的性能和运行效率产生直接的影响。综合数据库：又称为事实库，当中存放着初始事实、外部数据库输入的事实、中间结果事实和最后结果事实。当规则集中的规则前件与事实库中的事实匹配时，该产生式被激活，并将推出的结论再放入事实库中，作为后面推理的已知事实。综合数据库的内容是变化的，动态的。（三）产生式表示法推理机：又称为控制系统，由一组程序组成，用来控制和协调规则库与综合数据库的运行，包含了推理方式和控制策略。控制策略的作用就是确定选用什么规则或如何运用规则。通常从选择规则和执行操纵分3步完成：匹配、冲突解决和操作。匹配。就是将当前数据库中的条件与规则中的前件进行比较，若相匹配，则该规则称为匹配规则。但可能有几条规则的前件与事实相匹配，究竟选哪一条去执行，这就是冲突解决。（三）产生式表示法推理机：又称为控制系统，由一组程序组成，用来控制和协调规则库与综合数据库的运行，包含了推理方式和控制策略。控制策略的作用就是确定选用什么规则或如何运用规则。通常从选择规则和执行操纵分3步完成：匹配、冲突解决和操作。冲突解决。方法有：专一性排序:若一个规则比另一个规则条件部分规定的情况更有针对性，则该规则有较高的优先级。规则排序：规则库中的规则的编排顺序就表示其优先级规模排序:按规则条件部分的规模排列优先级，优先使用较多条件被满足的规则就近排序：那些最近经常被使用的规则的优先级较高。（三）产生式表示法推理机：又称为控制系统，由一组程序组成，用来控制和协调规则库与综合数据库的运行，包含了推理方式和控制策略。控制策略的作用就是确定选用什么规则或如何运用规则。通常从选择规则和执行操纵分3步完成：匹配、冲突解决和操作。操作。就是规则的执行部分，经过操作之后，当前综合数据库将被修改，其它的规则有可能成为启用规则。（三）产生式表示法3.3产生式系统示例：Productionsystem就是利用知识库中的事实和规则，通过逻辑推理寻找最佳策略，不断匹配、解决冲突和执行操作的过程。例:动物识别系统：设机器人具有机器感知能力，通过机器视觉可以辨认动物的有关特征和外貌，如颜色、花纹、体态、动作等，以获取关于动物世界的知识。现在要求机器人用知识进行推理。对虎、豹、斑马、长颈鹿、企鹅、鸵鸟、信天翁等7种动物进行识别。以下是用产生式规则表达的有关知识：（三）产生式表示法R1:if动物有毛发then动物为哺乳类；R2:if动物有奶then动物为哺乳类；R3:if动物有羽毛then动物为鸟类；R4:if动物会飞and产蛋then动物为鸟类；R5:if动物是哺乳类and食肉then动物为食肉动物；R6:if动物是哺乳类and动物有犬齿and动物有爪then动物是食肉动物；R7:if动物是哺乳类and动物是蹄类动物then动物是蹄类；R8:if动物是哺乳类and动物反刍then动物是蹄类动物；R9:if动物是食肉动物and动物为黄褐色and动物有斑点then该动物是金钱豹；R10:if动物是食肉类动物and具有黄褐色外部特征and有黑色条纹then该动物是虎；R11:if动物是有蹄类and有长长的颈and腿长and黄褐色and有黑色斑点then该动物是长颈鹿；R12:if动物是有蹄类and白色and有黑色条纹then该动物是斑马；R13:if动物是鸟类and不会飞and腿长and颈长and具有黑白二色then该动物是鸵鸟；R14:if动物是鸟类and不会飞and会游泳and具有黑白二色then该动物是企鹅；R15:if动物是鸟类and它很会飞then该动物是信天翁；（三）产生式表示法机器人识别长颈鹿的过程：开始机器人观察该动物具有黄褐色和黑色斑点，即有事实库（动物有黄褐色和黑色斑点），这两个事实都出现在R9和R11中但不是全部，机器人需要观察到更多的有关动物的特征，通过机器视觉机器人看到该动物给它的幼兽喂奶，并能进行反刍。于是事实库增加为（动物为黄褐色，黑斑，有奶，反刍）。现在用规则集和事实库匹配，R2首先可用，并更新事实库为（哺乳类动物，黄褐色，黑斑，有奶，反刍）。继而R8能用，事实库更新为（蹄类动物，哺乳类动物，黄褐色，黑斑，有奶，反刍）。至此机器人还不能识别出这是什么动物，而事实库也不能和其它规则前件相匹配，因而还需要机器人观察该动物腿很长和颈很长，事实库更新为（颈长，腿长，蹄类动物，哺乳类动物，黄褐色，黑斑，有奶，反刍）。可以利用R11进行推理，推出该动物为长颈鹿。问题求解结束。（三）产生式表示法由此可知，产生式系统的问题求解步骤如下：事实库初始化；若存在未用规则前提能与事实库相匹配则转3，否则转5；使用规则，更新事实库，将所用规则做上标记；事实库是否包含解，若是则终止求解过程，否则转2；要求更多的关于问题的信息，若不能提供所要信息，则求解失败，否则更新事实库并转2。（三）产生式表示法产生式表示法的特点：清晰性：具有统一的if…then结构，便于对规则进行检测和推理，易于设计调试，可以高效存储；模块化:规则之间没直接作用，这种模块化使得规则库中规则可以自由增删和修改自然性：接近于人的思维和会话的自然形式，可方便地表示专家的知识和经验，并能解释专家如何做他们的工作可信度因子：产生式规则可附上可信度因子，可实现不精确推理组合爆炸问题：执行产生式最费时的模式匹配，当产生式规则数目很大时，匹配时间可能超过人们的忍耐限度控制的饱和问题：实际上很难设计一个能适合各种情况下竞争消除的策略；因此对大型知识库，如要求较高的推理效率，不宜采用单纯的产生式系统知识模式。（四）状态空间表示法背景：许多问题的求解方法是试探搜索方法，是通过在某个可能的解空间内寻找一个解来求解问题，这种基于解空间的问题表示和求解方法就是状态空间法，它是以状态和算符为基础来表示问题和求解问题。（四）状态空间表示法4.1状态空间表示法的描述所谓状态是为搜索某类不同事物之间的差异而引入的一组最少变量q0,q1,…,qn的有序集合，把它表示成矢量形式即为:其中的每个分量qi(i=0,1,…,n)称为状态变量，在某一个时刻k的具体状态可表示为：（四）状态空间表示法可以使用操作符（operator）使问题从一个状态向另一状态转化，操作符可以是走步、过程、规划、数学算子、运算符号或逻辑符号。问题的状态空间是表示该问题的全部可能的状态及其关系图，它包括3部分：初始状态S,目标状态G,操作符集合F,则状态空间可记为三元组：（四）状态空间表示法4.2状态空间表示法示例例：钱币翻转问题：设有三个钱币，其初始状态为反、正、反，允许每次翻转一个钱币（只翻一个，也必翻一个），连翻3次，问是否可达到目标状态（正，正，正）或（反，反，反）?反反正正正正反反反初始状态目标状态（四）状态空间表示法为了用状态空间表示上述问题，引入三维向量表示状态：3个钱币可能出现的状态有8种组合：Q0=(0,0,0)Q1=(0,0,1)Q2=(0,1,0)Q3=(0,1,1)Q4=(1,0,0)Q5=(1,0,1)Q6=(1,1,0)Q7=(1,1,1)（四）状态空间表示法操作符号定义为：其中f0表示将q0翻一面，f1表示将q1翻一面，f2表示将q2翻一面。那么有初始状态集合S={Q5}目标状态结合G={Q0,Q7}状态空间三元组表示如下：(S,F,G)=({Q5},{f0,f1,f2},{Q0,Q7})（四）状态空间表示法相应的状态空间如图所示Q0=(0,0,0)Q4=(1,0,0)Q1=(0,0,1)Q5=(1,0,1)Q6=(1,1,0)Q4=(0,1,0)Q7=(1,1,1)Q3=(0,1,1)f0f2f0f1f0f2f0f1f1f2f2f1由此可知Q5不可能经过3次翻转到达Q0，Q5经3次翻转可达到Q7，并有7种方式：(f0,f1,f0)(f0,f0,f1)(f1,f0,f0)(f1,f1,f1)(f1,f2,f2)(f2,f1,f2)(f2,f2,f1)此外知识的表示方法还有：框架表示法问题归纳法面向对象表示法作业1：设有下列8数码难题：在一个3*3的方框内有8个编号的小方块，紧邻空位的小方块可以移入到空位中，通过平移可以将某一布局变换为另一布局（如图），试用产生式规则表示移动小方块的操作。2831675412384765初始状态S0目标状态Sg作业2：旅行商问题（TSP问题）：设有5个相互可直达的城市A,B,C,D,E，推销员从城市A出发，去其它4个城市各旅行一次，最后再回到城市A，请找出一条最短路线。用状态空间法对此问题进行规划（提示：选择一个状态表示，表示出所求的的状态空间的节点及弧线，标出适当的代价）。ACDEB61051391412698Part4:知识推理技术4.1推理方式及其分类

在人工智能技术中，推理就是按照某种策略由已知判断推出另一种判断的思维过程。

推理通常是由一组程序来实现的，人们把这一组用来控制计算机实现推理的程序称为推理机。例如:在医疗专家系统中，规则库存储专家经验及医学常识，数据库存放病人的症状、化验结果等初始事实，利用该专家系统为病人诊治疾病实际上就是一次推理过程。像这样从初始事实出发，不断运用知识库中的已知知识，逐步推出结论的过程就是推理。1。演绎推理从全称判断推出特定判断或单称判断的过程，即从一般到个别的推理，通常的形式是三段论：（1）大前提，描述的是一般知识（2）小前提，个体的判断；（3）结论，推理出新判断其一般形式是：2。归纳推理从足够多的实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。常用的归纳推理由简单枚举和类比法。（1）枚举归纳推理是指在进行归纳时，如果某事物的有限个实例都具有某属性，则可推出该类事物都具有此种属性。A={a1,a2,...,an,....},若a1,a2,...,an（n足够大）都具有属性B，则可得出“A具有属性B”。2。归纳推理（2）类比推理是指在两个或两类事物有许多属性都相同或相似的基础上，推出它们在其它属性上也相同或相似的一种归纳推理。A={a1,a2,...}，B={b1,b2,...}ai与bi成对出现，当ai有属性P，bi有属性Q与之对应，即：P（ai）→Q(bi)，i=1,2,...,n则当A与B中有一对新元素对（a',b'），若有P(a')，则b'有属性Q，即P（a'）→Q(b')4.2确定性推理和不确定性推理

确定性推理所使用的证据、知识以及推出的结论都是可以精确表示的，其真值要么为真，要么为假。不确定性推理指推理时所用的证据、知识不都是确定的，推出的结论也不完全是确定的，其真值会位于真和假之间。现实世界中的大多数事物具有一定程度的不确定性，并且这些事物很难用精确的数学模型来进行表示和处理，因此不确定推理就成了AI的一个重要的研究课题。在专家系统中主要使用的是不确定性推理。4.3单调推理和非单调推理

单调推理是指在推理的过程中，由于新知识的加入和使用，使推理所得到的结论会越来越接近于最终目标，而不会出现反复情况，即不会由于新知识的加入否定了前面推出的结论，从而使推理过程又回到了前面的某一步。而非单调推理则是推理过程中，当某些新知识加入后，不但没有加强已经推出的结论，反而会否定原来已经推出的结论，重新推理。非单调推理是在知识不完全的情况下发生的。4.4推理的控制策略

推理的控制策略主要解决推理过程中知识的选择与应用的顺序问题。常用的推理控制策略有：正向推理，又称数据驱动推理反向推理，又称为目标驱动推理正向、反向混合推理4.5推理方法基于谓词逻辑的归结演绎推理（归结原理），属于确定性推理前束范式Skolem标准型谓词公式的置换与合一归结原理及其推理基于产生式规则的不确定推理方法：可信度方法主观Bayes方法证据理论基于模糊逻辑的模糊推理Part5:ArtificialNeuralNetwork（ANN）WhatNeuralNetworksareandWhyTheyareUseful?NeuralNetworksareinformationProcessingsystem.Ingeneral,theycanbethoughtofas“blackbox”devicesthatacceptinputsandproduceoutputs.Inthesimplestterms,neuralnetworksmapinputvectorsontooutputvectors.Someoftheoperationsthatneuralnetworksperformincludethefollowing:WhatNeuralNetworksareandWhyTheyareUseful?Classification:Aninputpatternispassedtothenetwork,andthenetworkproducesarepresentativeclassasoutput.Patternmatching:Aninputpatternispassedtothenetwork,andthenetworkproducesthecorrespondingoutputpatternthatbestmatchestheinputpattern.WhatNeuralNetworksareandWhyTheyareUseful?Patterncompletion:Anincompletepatternispassedtothenetwork,andthenetworkproducesanoutputpatternthathasthemissingpatternpatternsfilledin.Noiseremoval:Anoise-corruptedinputpatternispresentedtothenetwork,andthenetworkremovessome(orall)ofthenoiseandproduceacleanerversionoftheinputpatternasoutput.WhatNeuralNetworksareandWhyTheyareUseful?Optimization:Aninputpatternrepresentingtheinitialvaluesforaspecificoptimizationproblemispresentedtothenetwork,andthenetworkproducesasetofvariablesthatrepresentanacceptablyoptimizedsolutiontotheproblem.Control: