人工智能第4章(推理技术)
矿大人工智能(确定性推理)
4.1 推理的基本概念
• • • • • • 4.1.1 4.1.2 4.1.3 4.1.4 4.1.5 4.1.6 什么是推理 推理方法及其分类 推理的控制策略及其分类 正向推理 逆向推理 混合推理
2
4.1.1 什么是推理
• 推理的概念 • 是指按照某种策略从已知事实出发去推出结论的过程。 • 推理所用的事实: • 初始证据:推理前用户提供的 • 中间结论:推理过程中所得到的 • 推理过程:由推理机来完成,所谓推理机就是智能系统中 用来实现推理的那些程序。 • 例如,医疗专家系统,专家知识保存在知识库中。推理开 始时,先把病人的症状和检查结果放到综合数据库中,然后 再从综合数据库的初始证据出发,按照某种策略在知识库中 寻找,并使用知识,直到推出最终结论为止。 • 推理的两个基本问题 • 推理的方法:解决前提和结论的逻辑关系,不确定性传递 • 推理的控制策略:解决推理方向,冲突消解策略 3
4.1.2 推理方法及其分类
1. 按推理的逻辑基础分类(2/4) • • • • • • 归纳推理 是一种由个别到一般的推理方法。归纳推理的类型 按照所选事例的广泛性可分为完全归纳推理和不完全归纳推理 按照推理所使用的方法可分为枚举、类比、统计和差异归纳推理等 完全归纳推理 是指在进行归纳时需要考察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,推出该类事物是否具有此属性。如,计算机质量检验。 不完全归纳推理 是指在进行归纳时只考察了相应事物的部分对象,就得出了关于该事物 的结论。例如,计算机,随机抽查。 枚举归纳推理 是指在进行归纳时,如果已知某类事物的有限可数个具体事物都具有某 种属性,则可推出该类事物都具有此种属性。 例如,设有如下事例: 王强是计算机系学生,他会编程序; 高华是计算机系学生,她会编程序; …… …… 当这些具体事例足够多时,就可归纳出一个一般性的知识: 5 凡是计算机系的学生,就一定会编程序。
第四章 AI确定性推理技术oommtt
第四章确定性推理
北京师范大学信息科学与技术学院
樊亚春
确定性推理
推理概述
命题逻辑
谓词逻辑
自然演绎推理
归结推理方法
归结过程中的控制策略
推理概述
推理的基本概念
推理:是指从已知事实出发,运用已经掌握的知识,推导出其中蕴含的事实性结论或者归纳出某些新的结论的过程。
推理中的知识:
与求解问题相关的初始证据
在推理过程中得到的中间结论
推理系统:推理机,综合数据库和知识库
综合数据库:存放用于推理的事实和证据
知识库:存放用于进行推理所必需的知识
推理的方法及其分类:
1. 按照推理的逻辑基础分类
可分为演绎推理、归纳推理和默认推理。
(1)演绎推理
演绎推理是从已知的一般性知识出发,推理出适合于某种个别情况的结论的过程。它是一种由一般到个别的推理方法。
推理概述
(2)归纳推理
归纳推理是从大量特殊事例出发,归纳出一般性结论的推理过程,是一种由个别到一般的推理方法。
基本思想是:首先从已知事实中猜测出一个结论,然后对这个结论的正确性加以证明确认,数学归纳法就是归纳推理的一种典型例子。
推理概述
(3)默认推理
默认推理又称缺省推理,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。也就是说,在进行推理时,如果对某些证据不能证明其不成立的情况下,先假设它是成立的,并将它作为推理的依据进行推理,但在推理过程中,当由于新知识的加入或由于所推出的中间结论与已有知识发生矛盾时,就说明前面的有关证据的假设是不正确,这时就要撤消原来的假设以及由此假设所推出的所有结论,重新按新情况进行推理
推理概述
2. 按所用知识的确定性分类
按推理时所用知识的确定性来划分,推理可分为确定性推理、不确定性推理。
第四章 不确定性推理的方法
P(E H1 ) 0.5, P(E H2 ) 0.3, P(E H3 ) 0.4,
求: P(H1∣E), P(H2∣E), P(H3∣E) ?
解:P( H1 E)
P( H1 ) P( E H1 )
P( H1 ) P( E H1 ) P( H 2 ) P( E H 2 ) P( H 3 ) P( E H 3) 0.3 ×0.5 = 0.3 ×0.5 +0.4 ×0.3 +0.5 ×0.4
8
4.1 不确定性推理中的基本问题
4. 不确定性的传递算法
(1)在每一步推理中,如何把证据及知识的不确定性
传递给结论。 (2)在多步推理中,如何把初始证据的不确定性传递 给最终结论。
5. 结论不确定性的合成
9
第4章 不确定性推理方法
4.1 不确定性推理的基本概念
4.2
概率方法
4.3 主观Bayes方法 4.4 可信度方法 4.5 证据理论 4.6 模糊推理方法
PE , LS , LN P( H ) P( H / E )或( P H / E)
?
先验概率
后验概率
26
4.3.4 不确定性的传递算法
1. 证据肯定存在的情况
证据肯定存在时, P( E) P( E S ) 1 结论H成立的概率:P(H / E) P(E / H) P(H) / P(E) 结论H不成立的概率:P(H / E) P(E / H) P(H) / P(E)
第4章 不确定性推理方法(导论)
(3)不确定性的量度 ▪数值用—户—在知求识解的问静题态时强提度供的初始
证据。 ① 能充分表达相应知识及▪为证当在据前推不推理确理定中的性用证的前据程面。度推。出的结论作 ② 度量范围的指定便于领域专家及用户对不确定性的估计。 ③ 便于对不确定性的传递进行计算,而且对结论算出的不确 定性量度不能超出量度规定的范围。 ④ 度量的确定应当是直观的,同时应有相应的理论依据。
下面首先讨论不确定性推理中的基本问题,然后着 重介绍基于概率论的有关理论发展起来的不确定性 推理方法,主要介绍可信度方法、证据理论,最后 介绍目前在专家系统、信息处理、自动控制等领域 广泛应用的依据模糊理论发展起来的模糊推理方法。
2
第4章 不确定性推理方法
4.1 不确定性推理的基本概念 4.2 可信度方法 4.3 证据理论 4.4 模糊推理方法
0.28 0.48 0.280.48 0.63
CF1,2,3
(H
)
1
CF1,2 (H ) min{| CF1,2 (
CF3 (H ) H ) |,| CF3 (H
)
|}
0.63 0.27 1 min{0.63,0.27}
0.36 0.73
0.49
综合可信度:CF(H) 0.49
求:CF(H )
人工智能基础 第4章 知识表示与推理
4.1 确定性知识表示
第4章 知识表示与推理 8
命题逻辑推理的缺陷: (1) 使用命题讨论问题时,原子命题是最小单元,即原子命题是一个不可分的整体。 (2) 命题无法表示不同事物的共性。 一个陈述句用一个符号表示,无法细分,即知识的颗粒太大,有些问题在命题逻辑的表示下推理困难 ,如:
P:小李是老李的儿子。 Q:张三是学生。 R:李四是学生。
一阶谓词
谓词:设D是个体域,P:Dn →{T,F}是一个映射,其中: Dn ={(x1,x2,…xn)|x1,x2,…xn ∈ D} 则称P是一
个n元谓词,记为P(x1,x2,…xn)。
函数:设D是个体域,f:Dn 函数,记为f(x1,x2,…xn )。
→ D是一个映射,其中: Dn
={(x1,x2,…xn)|x1,x2,…xn ∈ D}
则称f是一个n元
例1:6>3; 谓词表示GREATER(3,6)
例2:王红的父亲是教师; 谓词表示TEACHER(father(WANG))
一阶谓词:以上定义的谓词一般称为一阶谓词。当谓词中的某个变元xi也是谓词时我们称之为二阶谓词
。
4.1 确定性知识表示
第4章 知识表示与推理 9
项:满足如下规则:1、单独的一个个体是项;2、t1,t2,…tn 是项,f是n元函数,则f(t1,t2,…tn )是项。即项 是个体常量、个体变量和函数的统称。
人工智能导论 第4章 不确定性推理方法(导论) 1-41
▪ 组合证据:多个单一证据的析取 E=E1 OR E2 OR … OR En
则 CF (E)=max{CF (E1),CF (E2 ), , CF (En )}
17
4.2 可信度方法
4. 不确定性的传递算法
▪ C-F模型中的不确定性推理: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 论的可信度值。结论 H 的可信度由下式计算: CF (H ) =CF (H , E)× max{0,CF (E)}
14
4.2 可信度方法
2.证据不确定性的表示
CF(E)=0.6: E的可信度为0.6
▪ 证据E的可信度取值范围:[-1,1] 。 ▪ 对于初始证据,若所有观察S能肯定它为真,则CF(E)= 1。 ▪ 若肯定它为假,则 CF(E) = –1。 ▪ 若以某种程度为真,则 0 < CF(E) < 1。 ▪ 若以某种程度为假,则 -1 < CF(E) < 0 。 ▪ 若未获得任何相关的观察,则 CF(E) = 0。
7
4.1 不确定性推理中的基本问题
2. 不确定性匹配算法及阈值的选择
▪ 不确定性匹配算法:用来计算匹配双方相似程度的算 法。
▪ 阈值:用来指出相似的“限度”。
3. 组合证据不确定性的算法:
人工智能推理技术
人工智能推理技术
人工智能(Artificial Intelligence,简称AI)作为一门涉及计算机科学、数学、逻辑学等多个领域的研究领域,近年来取得了显著进展。
其中,人工智能推理技术作为人工智能的核心技术之一,对于实现机
器智能化具有重要意义。本文将从基本概念、应用领域和发展趋势三
个方面来阐述人工智能推理技术的关键内容。
一、基本概念
1.1 人工智能推理的定义
人工智能推理(Artificial Intelligence Reasoning)是指机器通过分析、推断和推理过程,模拟人类的思维方式,从而得出一定的结论或解决
问题的过程。
1.2 推理的基本原理
推理的基本原理包括逻辑推理、概率推理和模糊推理。逻辑推理依
据事实和规则进行推理;概率推理依据概率统计进行推理;模糊推理
依据模糊逻辑进行推理。
二、应用领域
2.1 专家系统
专家系统是人工智能推理技术的重要应用之一。通过将专家的知识
和经验用规则的形式储存起来,并结合推理引擎实现对问题的分析和
解决,专家系统在医疗、金融、工程等领域得到广泛应用。
2.2 自动驾驶
人工智能推理技术在自动驾驶领域的应用越来越广泛。通过分析和推论来判断周围环境的情况,自动驾驶汽车能够实现避免障碍物、规划最佳路径等功能。
2.3 智能机器人
智能机器人是人工智能推理技术的典型应用。机器人通过对环境的感知、语音识别和推理能力,可以与人类进行交互,并执行相应的任务。
三、发展趋势
3.1 深度学习与推理技术的结合
深度学习作为人工智能的一个重要分支,与推理技术相结合,将会进一步提升人工智能的推理能力。
人工智能原理及应用第4章 不确定性推理方法
4.2 概率推理
4.2.1 概率的基本性质和计算公式
4.2.1.1 样本空间和随机事件: 所谓随机实验是一个可观察结果的人工或自然的过程,其产生
的结果可能不止一个,且不能事先确定会产生什么结果。试验中每 一个可能出现的结果称为一个样本点。 定义4.3 样本空间:样本空间是一个随机实验的全部可能出现的结果 的集合,通常记作Ω,Ω中的点(即一个可能出现的实验结果)称为 样本点,通常记作ω。 定义4.4 随机事件:随机事件简称为事件,是一个随机实验的一些可 能结果的集合,是样本空间的一个子集。常用大写英文字母A,B, C表示。
4.1 不确定推理概述
4.1.3 不 确定性推理与产生式表示
产生式一般使用三个元组来表示确定性事实: (对象,属性,值)或(关系,对象1,对象2)
其中对象就是语言变量。这种表示的机器内部实现就是一个表。
例 4-1 用产生式表示下列确定性事实: (1)老李年龄是35岁 (2)老李、老张是朋友 解:(1) (Lee,Age ,35) (2) (Friend,Lee,Zhang )
4.1 不确定推理概述
4.1.3 不 确定性推理与产生式表示
在产生式表示的if P then Q结构中,其语义含义为如果前题条件 P满足则可得到后件Q的结论或者执行后件Q的相应动作。这种产生 式表示常用来建立规则。
例4-3 “如果下雨天外出,需要带伞或雨衣”的产生式表示: 解:IF 天下雨∧外出 THEN 带伞∨带雨衣 例 4-4 “如果(病人)同时出现发烧、呕吐并出现黄疸,则病因为肝
人工智能导论 第4章 不确定性推理方法(导论)42-76
解:
A B 0.02 / x1 0.63 / x3 0.15 / x5 A B 0.28/ x1 0.4/ x2 0.97/ x3 1.0/ x4 0.65/ x5 A B 0.3/ x1 0.4/ x2 1.0/ x3 1.0/ x4 0.8/ x5 A B 0.6 / x3
46
4.4.1 模糊逻辑的提出与发展
1983年日本Fuji Electric公司实现了饮水处理装置的 模糊控制。
1987年日本Hitachi公司研制出地铁的模糊控制系统。 1987年-1990年在日本申报的模糊产品专利就
达 319种。 目前,各种模糊产品充满日本、西欧和美国市场,
如模糊洗衣机、模糊吸尘器、模糊电冰箱和模糊摄 像机等。
, A (xn ) xn }i1
(2)论域是连续的,或者元素数目无限:
A A(x) x
xU
51
4.4.2 模糊集合
2.模糊集合的表示方法 2 序偶表示法
A {( A (x1 ), x1 ), ( A (x2 ), x2 ) ,
xn)}
, ( A (xn ),
3 向量表示法
A { A (x1 ), A (x2 ) , , A (xn )}
66
4.4.5 模糊推理
2. 对 IF A THEN B 类型的模糊规则的推理
人工智能第四章(1)
模糊推理
含有模糊概念、模糊数据的语句称为模糊命题。它 的一般表示形式为: x is A 或者 x is A (CF) 其中,A是模糊概念或者模糊数,用相应的模糊集 及隶属函数刻画; x是论域上的变量,用以代表所 论述对象的属性; CF是该模糊命题的可信度,它既 可以是一个确定的数,也可以是一个模糊数或者模 糊语言值。
∑ (µ
i =1 n i =1
n
A
(ui ) − µ A ) × ( µ B (ui ) − µ B )
n
A
[∑ ( µ A (ui ) − µ A )2 ] × [∑ ( µ B (ui ) − µ B )2 ]
i =1
(2) 算术平均法
r ( A, B ) =
∑ min{µ
i =1 n
A
1 n 1 n µ A = ∑ µ A (ui ), µ B = ∑ µ B (ui ) n i=1 n i =1
A =(1-0.3) / u1+(1-0.8) / u2+(1-0.6) / u3
=0.7 / u1+0.2 / u2+0.4 / u3
25
26
2
λ
截集是把模糊集向普通集合转化的一个重 要概念。
1.5 模糊集的截集
µA(u)
µA(u) µA(u)>0} µA(u)=1}
04-2第四章 推理技术-谓词逻辑
公司招聘工作人员,有M,N,Q三人应聘,经面试后,公司表示如 下想法:(1)三人中至少录取一人;(2)如果录取M,则一定录取 N;(3)如果录取N,则一定录取Q。结果如何?
第4章 推理技术
1.4 谓词逻辑(一阶逻辑)
谓词逻辑是一种形式语言,具有严密的理论体系,也是一种常用的
知识表示方法。 语言: ¬,,,,(,);常元,变元,函词,谓词;公式 – City(北京) – City(上海)
第4章 推理技术
4.2 归结演绎推理
归结演绎推理是基于一种称为归结原理(亦称消解原理 归结原理是由鲁滨逊 (J.A.Robinson) 于 1965 年首先提 归结原理的出现,被认为是自动推理,特别是定理机
principle of resolution)的推理规则的推理方法。
出。它是谓词逻辑的一个相当有效的机械化推理方法。
• 非逻辑符号集合:不同的逻辑理论中出现的不同的符号;
• 语句规则:定义什么样的符号串是有意义的; • 证明:什么样的符号串是一个合理的证明;
• 语义规则:定义符号串的语义。
第4章 推理技术
逻辑与程序语言的对比
逻辑
逻辑符号
程序语言
保留字或者符号
非逻辑符号
用户自定义的符号(变量名,函数名等)
语句规则 语义规则 推理规则、公理和证明
第4章 推理技术
人工智能教程习题及答案第4章习题参考解答
第四章不确定性推理习题参考解答
4.1 练习题
4.1什么是不确定性推理?有哪几类不确定性推理方法?不确定性推理中需要解决的基本问题有哪些?
4.2什么是可信度?由可信度因子CF(H,E)的定义说明它的含义。
4.3什么是信任增长度?什么是不信任增长度?根据定义说明它们的含义。
4.4当有多条证据支持一个结论时,什么情况下使用合成法求取结论的可信度?什么情况下使用更新法求取结论可信度?试说明这两种方法实际是一致的。
4.5设有如下一组推理规则:
r1:IF E1THEN E2(0.6)
r2:IF E2AND E3THEN E4 (0.8)
r3:IF E4THEN H (0.7)
r4:IF E5THEN H (0.9)
且已知CF(E1)=0.5,CF(E3)=0.6,CF(E5)=0.4,结论H的初始可信度一无所知。
求CF(H)=?
4.6已知:规则可信度为
r1:IF E1THEN H1(0.7)
r2:IF E2THEN H1(0.6)
r3:IF E3THEN H1(0.4)
r4:IF (H1 AND E4) THEN H2(0.2)
证据可信度为
CF(E1)=CF(E2)=CF(E3)=CF(E4)=CF(E5)=0.5
H1的初始可信度一无所知,H2的初始可信度CF0(H2)=0.3
计算结论H2的可信度CF(H2)。
4.7设有三个独立的结论H1,H2,H3及两个独立的证据E1与E2,它们的先验概率和条件概率分别为
P(H1)=0.4,P(H2)=0.3,P(H3)=0.3
P(E1/H1)=0.5,P(E1/H2)=0.6,P(E1/H3)=0.3
人工智能导论 第4章 出题[3页]
一、单选题
1.下列哪种推理方法是不确定性推理方法(B)。
A.自然演绎推理
B.归结反演
C.主观Bayes方法
D.拒取式推理
2.以下哪项不是现实世界的事物所具有的导致人们对其认识不精确的性质(A)
A.具象性
B.随机性
C.模糊性
D.不充分性
3.以下哪个选项不是非确定性推理的基本问题( C )
A.推理方向
B.推理方法
C.非确定性的表示
D.控制策略
4.以下哪个可信度最接近“假”( A )
A. -0.1
B. 0.0001
C. 0
D. 1
5.以下说法错误的是( D )
A.度量要能充分表达相应知识及证据非确定性的程度。
B.度量范围的指定应便于领域专家及用户对非确定性的估计。
C.度量要便于对非确定性的传递进行计算,而且对结论算出的非确定性度量不能超出度量规定的范围。
D.度量的确定应当是直观的,且不需要相应的理论依据。
6.以下不是用来计算复合证据非确定性的方法是( B )
A.最大/最小法
B.最小二乘法
C.概率方法
D.有界方法
7.以下哪种方法不是为了解决纯概率方法应用限制而发展的方法( C )
A.可信度方法
B.证据理论
C.蒙特卡罗方法
D.贝叶斯方法
8.以下关于概率分配函数的说法错误的是( A )
A.概率分配函数用于描述知识的估计信任度。
B.概率分配函数的作用是把D上的任意一个子集都映射到[0,1]上的一个数M(A).
C.概率分配函数与概率不同。
D.在实际问题中,对同一个集合,可能得到不同的概率分配函数。
9.以下对于证据E的可信度CF(E)的值的含义描述正确的是( A )
A. CF(E)=1,证据E为真
B. CF(E)=0,证据E为假
人工智能推理技术
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。
-- 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
• (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。
《人工智能导论-》- 04 推理-0...
(x)( P(x)∨ Q) <=> (x) P(x)∨ Q (x)( P(x)Λ Q) <=> (x) P(x)Λ Q (x)( P(x)→ Q) <=> (x) P(x)→ Q (x)( Q →P(x)) <=> Q→(x) P(x)
谓词归结子句形( Skolem 标准形)
前束范式定义: 如果A中的一切量词都位于该公式的最左边(不含否 定词),且这些量词的辖域都延伸到公式的末端,则说 公式A是一个前束范式。
(x)(y)(u)(v)P(a,x,y)∨(Q(v,b)∨R(u))
第五步,消去“”(存在量词),略去“”全称量词 消去(y),因为它左边只有(x),所以使用x的函 数f(x)代替之,这样得到: (x)(u)(v)(P(a,x,f(x))∨Q(v, b)∨R(u)) 消去(u),同理使用g(x)代替之,这样得到: (x)(v)(P(a,x,f(x))∨Q(v,b)∨R(g(x))) 略去全称变量,原式的Skolem标准形为: P(a,x,f(x))∨Q(v,b)∨R(g(x))
(x)(y)P(a,x,y)∨(x)((y)Q(y,b)∨R(x)) 第三步,变元易名,得 (x)(y)P(a,x,y) ∨(u)(v)(Q(v,b) ∨R(u))
第四步,存在量词左移,直至所有的量词移到前面,得: (x)(y)(u)(v)P(a,x,y) ∨(Q(v,b)∨R(u)) 由此得到前束范式
4-推理技术
13
人工智能原理 2 消解推理规则
L1 ,L2 :原子公式 L1和L2具有相同的谓词符号,具有不同的变量
两子句L1∨α和~L2∨β
如果L1和L2具有最一般合一者σ,那么通过消解可从父辈子 句推导出一个新子句(α∨β)σ
该新子句叫做消解式
即取两个子句的析取,然后消去互补对而得到。
14
32
人工智能原理
把问题化为一个包含某个存在量词的目标公式,使此存在 量词量化变量表示对该问题的一个解答。 如果问题可以从给出的事实得到答案,那么按这种方法建 立的目标函数在逻辑上遵循S。 得到一个证明之后,求取存在量词量化变量的一个例,作 为一个回答。 能容易地证明(x)AT(FIDO,X) 遵循S。 用一种比较简单的方法来求取合适的答案。
SKOLEM标准形:只有 , , 谓词(原子),前有“非” 符号()的谓词(负原子),以及看不见的全称量词 ( )组成的合适公式称为“与或句”——SKOLEM标 准形。
任何合适公式都可化成与或句的形式 步骤:
第一步:化成前束范式,即所有量词都在合适公式的最前面,每个 量词的辖域(适用范围)都是整个公式。 将合适公式化成等值的合取范式。 第二步:消去存在量词,只剩下全称量词。
即为G的SKOLEM标准形。其中,f(x), g(x)称作SKOLEM函数。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
C(a),
O(a), ~O(z)∨~R(z) }
证明过程:
① ② ~C(x)∨W(x) ~C(y)∨R(y)
③
④ ⑤
C(a)
O(a) ~O(z)∨~R(z)
② ~C(y)∨R(y) ③ C(a)
⑥
R(a)
②③,mgu={a/y}
④ O(a) ⑤ ~O(z)∨~R(z)
⑦
~R(a)
④⑤ mgu={a/z}
人
工
智
能
Artificial Intelligence (AI)
第4章 推理技术
4.1 消解原理
推理是如何进行的?
推理过程多种多样 例 1:
如果今天不下雨,我就去你家 今天没有下雨
例 2:
小王说他下午或者去图书馆或者在家休息 小王没去图书馆
计算机如何选择?
消解原理(归结原理)
美国数学家鲁滨逊 提出消解原理(1965年)
L: ($x)(O(x)∧R(x)) 试证:L是F1,F2的逻辑结果,即F1∧F2L
证明:
利用消解原理来构造F1∧F2∧~L的一个反演
首先分别求出F1,F2和 ~L 的子句集
F1的前束合取范式与子句集: (x)(C(x)(W(x)∧R(x)) = (x)(~C(x)∨(W(x)∧R(x)) = (x)((~C(x)∨W(x) )∧(~C(x)∨R(x))) 子句集={ ~C(x)∨W(x) , ~C(x)∨R(x) }(未改名)
从父子句求消解式的若干例子
1、假言推理
2、合并
3、重言式
5、链式(三段论)
4、空子句(矛盾)
例:设子句集为S=
{P∨Q, ~P∨Q, P∨~Q, ~P∨~Q}
求S的一个反演
S的一个反演为:
①P∨Q (S)
②~P∨Q
③P∨~Q
(S)
(S) S的另一个反演为:
④~P∨~Q
⑤Q ⑥~Q ⑦φ
(S)
什么叫消解
例 1:
小王说他下午或者去图书馆或者在家休息 小王没去图书馆 R—小王下午去图书馆 S—小王下午在家休息
RS 例 2: ﹁R
S
﹁ P→Q P Q ﹁P
如果今天不下雨,我就去你家 今天没有下雨
含变量的消解
例:苏格拉底论断
凡人都会死. x (Man (x) Mortal (x)) 苏格拉底是人. Man (Socrates) 如何得到结论:苏格拉底会死. Morwenku.baidu.comal(Socrates)
F2的前束合取范式和子句集: ($x)(C(x)∧O(x)) = (C(a)∧O(a)) 子句集={ C(a), O(a) }
~L 的前束范式和子句集: ~($x)(O(x)∧R(x))
= (x)(~O(x)∨~R(x))
子句集={~O(x)∨~R(x)}
构成子句集(注意改名) { ~C(x)∨W(x), ~C(y)∨R(y),
斯科伦函数 w = g ( x )
⑤ 化成前束范式
⑥ 化成前束合取范式 分配律: P∨(Q∧R) = (P∨Q)∧(P∨R)
注:使用分配律两次
⑦ 消去全称量词或者前束
⑧ 消去合取符号,得到子句
⑨ 变量改名,使得变量不相同,得到子句集
消解式的定义
命题逻辑的消解式
设C1与C2是子句集中的任意两个子句,如果C1中的文字L1与 C2中的文字L2互补,那么从C1和C2中分别消去L1和L2,并将 两个子句中余下的部分析取,构成一个新子句C12,则称这一 过程为消解,称C12为C1和C2的消解式,C1,C2为C12的亲 本子句 例:子句 C1=P∨C1' C2=~P∨C2' 消解式 C12=C1'∨C2'
(x) (y)( ($z)(A(x,z)∧A(y,z)) ($u)B(x,y,u))
=(x) (y)( ~(($z)(A(x,z)∧A(y,z)))∨($u)B(x,y,u))
=(x) (y)( (z)(~A(x,z)∨~A(y,z) )∨($u)B(x,y,u)) =(x) (y)( (z)(~A(x,z)∨~A(y,z) )∨B(x,y,f(x,y))
~ (P Q) = ~ P ~ Q ~ (P Q) = ~ P ~ Q ~ ( x)P = ( $x) ~ P ~ ($ x)P = ( x) ~ P
3)对变量标准化 改变变量名,使不同的变量不同名
( x)P(x) ( x)P(x) 4)消去存在量词(具体化
1. 2.
①② ③④ ⑤⑥ ⑤P ①③
⑥~P
⑦φ
②④
⑤⑥
含有变量的消解式(谓词情况)
先求最一般的合一者mgu,再求消解式 例
B( x)
B( y ) C ( y )
置换 = {x / y}
C ( x)
例
例
消解反演示例
设有公式集: F1: (x)(C(x)(W(x)∧R(x))
F2: ($x)(C(x)∧O(x))
要完成消解还面临几个问题
“”和“ ”必须消去
Man (x) Mortal (x) Man (x) Mortal “”怎么办?
化为子句集 置换与合一
如果能消去“”,Man (x) 和Man (Socrates)也不能构成互补对,形式不一样, 怎么办?
化子句集
相关概念
文字:原子公式及其否定统称为文字 子句集
消解反演示例—“激动人心的生活”问题
问题谓词表示:
“所有不贫穷并且聪明的人都是快乐的”
(∀x)((~Poor(x)∧Smart(x))→Happy(x))
“那些看书的人是聪明的”
(∀y) (Read(y) → Smart(y))
“李明能看书且不贫穷”
Read(Liming)∧~Poor(Liming)
5) 化为前束形式 把全称量词提到最外层 前束形:= (前缀) {母式} ↑ ↑
全称量词串 无量词公式
6) 把母式化为合取范式 7) 消去全称量词 8) 消去连词符号∧,写成子句集 9) 变量分离标准化 改变变量名称,使一个变量符号不出现在一个 以上的子句中
例1: (x)A(x) ($x)B(x)
( $ x)Q(x) ( $ y)Q(y) Skolemnizing),两种情况:
存在量词不在全称量词的辖域内 —— 用新的个 体常量替换受存在量词约束的变元 存在量词在全称量词的辖域内 Skolem函数,即具体化函数
( x ) P ( x ) ( $ y ) Q ( y ) ( x ) P( x ) Q ( a ) ( x 1 )( x 2 )...( x n )( $ y ) P ( x 1, x 2 ,..., x n , y ) ( x 1)( x 2 )...( x n ) P ( x 1, x 2 ,..., x n , f ( x 1, x 2 ,..., x n ))
⑧
φ
⑥⑦
消解反演示例—“激动人心的生活”问题
假设:所有不贫穷并且聪明的人都是快乐的,那 些看书的人是聪明的。李明能看书且不贫穷,快 乐的人过着激动人心的生活。 求证:李明过着激动人心的生活。 解:先定义谓词: Poor(x) x是贫穷的 Smart(x) x是聪明的 Happy(x) x是快乐的 Read(x) x能看书 Exciting(x) x过着激动人心的生活
基本的出发点:要证明一个命题 为真都可以通过证明其否命题为 假来得到 将多样的推理规则简化为一个— 消解
鲁滨逊
什么叫消解
析取联接词,类似“或”
PQ
﹁P R 亲本子句
QR
消解式
消解式是亲本子 句的逻辑结论
消解只能在仅含否定和析取联接词的公式(子句) 间进行 必须先把公式化成规范的形式(范式,子句集)
= (y) (z)( (~P(a) ∨ R(z))∧(~Q(y) ∨ R(z)) )
(化成前束合取范式) 子句集={ ~P(a) ∨ R(z) , ~Q(y) ∨ R(x) }
例4:将谓词公式化成子句集
① 消去“蕴含”符号
② “非”直接作用到谓词符号
③ 约束变量改名
后面的 y 改成 w
④ 引入斯科伦函数消去存在量词
“快乐的人过着激动人心的生活”
(∀z) (Happy(z)→Exciting(z))
目标“李明过着激动人心的生活”的否定
~Exciting(Liming)
消解反演示例—“激动人心的生活”问题
将上述谓词公式转化为子句集如下: (1) Poor(x)∨~Smart(x)∨Happy(x) (2) ~Read(y)∨Smart(y) (3) Read(Liming) (4) ~Poor(Liming) (5) ~Happy(z)∨Exciting(z) (6) ~Exciting(Liming) (结论的否定)
一阶谓词逻辑的消解式
设C1与C2是两个没有相同变元的子句,L1和L2分别是C1和C2 中的文字,若σ是L1和~L2的最一般合一者,则称 C12=(C1σ - {L1σ})∪(C2σ - {L2σ}) 为C1和C2的二元消解式,L1和L2为消解式上的文字
例:
设c1 = P(x) ∨ Q(x), c2 = ~P(a) ∨ R(y)
消解反演示例—“激动人心的生活”问题
~Exciting(Liming)
{Liming/z} ~Happy(Liming) {Liming/x} Poor(Liming)∨~Smart(Liming) {Liming/y} Poor(Liming)∨~Read(Liming) ~Read(Liming) NIL ~Poor(Liming) Read(Liming) ~Read(y)∨Smart(y ) Poor(x))∨~Smart(x)∨Happy(x)
~Happy(z)∨Exciting(z)
消解原理的局限性
消解原理推进了用逻辑方法进行机器证明的研究,使得 自动定理证明领域发生了质的变化。 但是
要求把逻辑公式转化为某种范式,丧失了其固有的逻辑 蕴含语义 。例如:
{P(x), P(a)}的最一般的合一者为 {a/x} c’1= Q(x) c’2= R(y)
则c1, c2的消解式为 c=Q(a)∨R(y)
怎么利用消解原理进行证明?
消解反演 通俗的说就是“反证法”
要证命题A恒为真,等价于证﹁A恒为假
证明过程
否定结论R,得﹁R ; 把﹁R添加到已知前提集合F中去; 把新产生的集合{ ﹁R ,F}化成范式; 应用消解原理,不断求消解式,直到得到一个表示矛 盾的空子句
例:求Skolem函数(斯柯伦范式)
$x y z $u v $w A(x,y,z,u,v,w)
(用a替代x,删除$x)
= y z $u v $w A(a,y,z,u,v,w) (用f(y,z)代替u,删除$u) = y z v $w A(a,y,z, f(y,z),v,w) (用h(y,z,v)代替w,删除$w) = y z v A(a,y,z, f(y,z),v,h(y,z,v))
仔细分析量词的辖域
= ~(x)A(x)∨($x)B(x) (消去“蕴含”)
= ($x) (~A(x))∨($x)B(x) (“非”直接作用谓词符号)
= ($ x) (~A(x) ) ∨ ($z) B(z) (改名)
= ~A(a)∨B(b) (消去存在量词)
子句集= { ~A(a)∨B(b) }
例 2:
= (x) (y) (z)(~A(x,z)∨~A(y,z) ∨B(x,y,f(x,y)))
子句
例3:
((x)P(x)∨($y)Q(y)) (x)R(x)
=~((x)P(x)∨($y)Q(y)) ∨ (x)R(x)
=(~(x)P(x)∧~($y)Q(y)) ∨ (x)R(x) =( ($x)(~P(x))∧(y)(~Q(y))) ∨ (x)R(x)
(1)子句定义 任何文字的析取式称为子句 不包含任何文字的子句称为空子句(空子句是永假的) 由子句构成的集合称为子句集 例:{P(x)∨Q(x) , ~P(x,f(x))∨Q(x,g(x)) }
(2)谓词演算公式化为子句式 任何一个谓词演算公式可以化为一个子句集合 步骤: 1) 消去蕴涵符号 用~A∨B代换A→B 2) 把非号~移入内层
=( ($x)(~P(x))∧(y)(~Q(y))) ∨ (z)R(z) (改名)
=( ($x)(~P(x))∧(y)(~Q(y))) ∨ (z)R(z) = ( (~P(a))∧(y)(~Q(y))) ∨ (z)R(z) (消去存在量词) = (y) (z)(( ~P(a)∧ ~Q(y)) ∨ R(z) ) (化成前束范式)