产生式系统专家系统
专家系统
特征识别与信息处理(FR＆IP)部分的作用是实现 对信息的提取与加工，为控制决策和学习适应提供依 据。它主要包括抽取动态过程的特征信息，识别系统 的特征状态，并对特征信息作必要的加工。
设U为专家控制器的输出集， E为专家控制器的输入集， I为推理机构的输出集，K为经验知识集：
E = (R, e, Y, U)，e = R – Y
式中，Ｒ为参考控制输入，ｅ为误差信号，Ｙ为受控输出， Ｕ为控制器的输出集。专家控制器的模型表示为
U = f (E,K,I)
智能算子f为几个算子的复合运算：f=g·h·p，其中： g:E→S；h:S×K→I；p:I→U
专家系统所要解决的问题一般没有算法解，并 且经常要在不完全、不精确或不确定的信息基础 上做出结论。
第一代专家系统只能利用人类专家的启发式知 识，即只能利用浅层表达方式和推理方法。
但遇到新问题时，还必须利用掌握的深入表示 事物的结构、行为和功能等方面的基本模型等深 层知识，得出新的启发式浅层知识。
智能程序：旨在模拟人类专家的智能程序应当 兼备浅层和深层两类知识。即不但采用基于规则 的方法，还必须采用基于模型的原理构成新一代 专家系统。
知识工程是指由知识工程师从人类专家那里抽 取他们求解问题的过程、策略和经验规则，然后 把这些知识建造在专家系统之中。
目前，专家系统在各个领域中已经得到广 泛应用，如医疗诊断、语音识别、图像处理、 金融决策、地质勘探、是有化工、军事、计 算机设计等。
专家系统具有启发性，能够运用人类专 家的经验和知识进行启发式搜索、试探性 推理、不精确推理或不完全推理
产生式系统专家系统
人工智能生式规则简称产生式。
它是指形如α─→β或IFαTHENβ或其等价形式的一条规则,其中α称为产生式的左部或前件;β称为产生式的右部或后件。
①如果α、β分别代表需要注视的一组条件及其成立时需要采取的行动，那么称为条件-行动型产生式;②如果α、β分别代表前提及其相应的结论,那么称为前提-结论型产生式。
人工智能中的推理很多是建立在直观经验基础上的不精确推理，而产生式在表示和运用不精确知识方面具有灵活性，因此许多专家系统采用产生式系统为体系结构。
组成一个产生式系统由下列3部分组成：一个总数据库(global database)，它含有与具体任务有关的信息。
υυ一套规则，它对数据库进行操作运算。
每条规则由左右两部分组成，左部鉴别规则的适用性或先决条件，右部描述规则应用时所完成的动作。
应用规则来改变数据库。
一个控制策略，它确定应该采用哪一条适用规则，而且当数据库的终止条件满足时，就停止计算。
υ自由帕斯卡中free pascal 中的产生式系统的组成产生式系统由一个综合数据库、一组产生式规则和一个控制系统三个基本要素组成。
其中：综合数据库是产生式系统所用的主要数据结构，它主要用来表示问题的状态，即初始状态、中间状态和目标状态等，以及状态之间的关系。
它不是固定不变的，在求解的过程中，它的内容将越来越多，状态之间的关系也越来越复杂。
经常用来表示数据库的数据结构有串、集合、数组、树、表、记录、队列等。
产生式规则是对数据库进行操作的一系列规则。
规则的一般形式是：IF 条件 THEN 操作即满足应用的先决条件后，就对数据库实行后面的操作。
控制策略规定了操作的顺序，即在任何条件下用什么规则进行操作，什么条件下停止运行，它规定了问题的求解的搜索策略和路线。
控制策略一般可分为不可撤回方式和试探法两大类，试探法又包括回溯法和图搜索法两种。
工作方式产生式是系统的单元程序，它与常规程序不同之处在于，产生式是否执行并不在事前硬性规定，各产生式之间也不能相互直接调用，而完全决定于该产生式的作用条件能否满足，即能否与全局数据库的数据条款匹配。
产生式系统——精选推荐
产生式系统产生式系统（production system）由波斯特（Post）于1943年提出的产生式规则（production rule）而得名。
人们用这种规则对符号进行置换运算。
1965年美国的纽厄尔和西蒙利用这个原理建立了一个人类的认知模型。
同年，斯坦福大学利用产生式系统结构设计出第一个专家系统DENDRAL。
产生式系统用来描述若干个不同的以一个基本概念为基础的系统。
这个基本概念就是产生式规则或产生式条件和操作对的概念。
在产生式系统中，论域的知识分为两部分：用事实表示静态知识，如事物、事件和它们之间的关系；用产生式规则表示推理过程和行为。
由于这类系统的知识库主要用于存储规则，因此有吧这类系统称为基于规则的系统（rule-based system）。
1、产生式系统的基本要素1.1产生式系统的组成产生式系统由三部分组成，即总数据库（Global Database），产生式规则库（Set of Product Rules）和控制策略（Control Strategies），各部分之间的关系如图1所示。
图1.产生式系统的主要组成1.1.1总数据库（Global Database）总数据库又称综合数据库、上下文、黑板等，用于存放求解过程中各种当前信息的数据结构，如问题的初始状态、事实或证据、中间推理结论和最后结果等，其中的数据是产生式规矩的处理对象。
数据库中的数据根据应用的问题不同，可以使常量、变量、谓词、表结构、图像等等。
例如，关于动物世界的产生式系统有如下数据库：…(Mammal Dog)(Eat Dog Meat)…从另一个角度，数据库可视为推理过程中间结果的存储池。
随着中间结果的不断加入，是数据库描述的问题状态逐步转变为目标状态。
1.1.2 规则库（Set of Product Rules）产生式规则库是某领域知识用规则形式表示的集合，其中包含将问题从初始状态转换到目标状态的所有变换规则。
当产生式规则中某条规则的前提与数据总库中的事实相匹配时，该规则库就被激活，并把其结论作为新的事实存入总数据库。
CAPP的分类
CAPP（Computer Aided Process Planning，计算机辅助工艺设计）系统的功能是指利用计算机软硬件作为辅助工具，依据产品设计所给出的信息，对产品的加工、装配等制造过程进行设计。
一般认为，CAPP包括毛坯设计、加工方法选择、工序设计、工艺路线制定和工时定额的计算等。
其中，工序设计又可包含工装夹具的选择或设计、加工余量分配、切削用量选择以及机床、刀具的选择、必要的工序图生成等。
派生式CAPP系统1、系统的基本工作原理派生式CAPP系统用GT码描述与输入零件信息。
系统要预先对现有零件进行分组，得到所谓的零件组。
每个零件组对应一个样件（可以是实际零件，也可以是虚构零件），每一个样件对应一个通用的制造过程，即样件的标准工艺规程。
派生式系统需要有零件组矩阵文件（用于对标准工艺规程的搜索和筛选）、样件的标准工艺规程文件及各种加工工程数据文件（如切削用量、设备、刀具、夹具、量具、辅具、工时定额等资料）供生成新零件时检索调用。
在工艺设计时，系统以被设计零件的GT码为依据，首先搜索到该零件所属的零件组矩阵，再通过系统预先制定的筛选逻辑，从标准工艺规程中筛选派生出当前零件的工艺规程，然后调用有关工艺数据，对工艺规程文件进行必要的补充，最后得到当前零件的工艺过程。
其系统结构如图6.7所示。
派生式CAPP系统的结构2、系统的设计过程第一步，选择或制定合适的零件分类编码系统（即GT码）。
其目的是用GT码对零件信息进行描述与输入和对零件进行分组，以得到零件组矩阵和制定相应的标准工艺规程。
第二步，进行零件分组。
为了合理制定样件，必须对零件分组。
一个零件组一般包含了若干个相似零件，可以把每个相似零件组用一个样件来代表（也可以用一个零件族矩阵来代表）。
这个样件的制造方法就是组内零件的公共制造方法，即标准工艺规程。
它除了包括样件的加工内容外，还包括了加工设备、刀具和夹具等信息。
它是集中了专家和工艺人员的集体智慧与经验，并通过对生产实践的总结制定出来的。
智能控制技术(第2章-专家系统与专家控制系统)
（3）成熟期（1972-1977年）： 在此期间斯坦福大学研究开发了最著名 的专家系统-血液感染病诊断专家系统 MYCIN，标志专家系统从理论走向应用。 另一个著名的专家系统-语音识别专家系统 HEARSAY的出现，标志着专家系统的理 论走向成熟。
（4）发展期（1978-现在） 在此期间，专家系统走向应用领域， 专家系统的数量增加，仅1987年研制成 功的专家系统就有1000种。 专家系统可以解决的问题一般包括解 释、预测、设计、规划、监视、修理、 指导和控制等。目前，专家系统已经广 泛地应用于医疗诊断、语音识别、图象 处理、金融决策、地质勘探、石油化工、 教学、军事、计算机设计等领域。
等价问题（更易）
4、“与或图”表示法
与或图构成规则 •与或图中的每个节点代表一个要解决的 单一问题或问题集合，图中的起始节点对 应总问题。 •对应于本原问题的节点为叶节点，它没 有后裔。 •对于把算符（与操作／或操作）应用于 问题 A的每种可能情况，都把问题变换为 一个子问题集合；有向弧线自A指向后继 节点，表示所求得的子问题集合。
（2）推理机的设计
① 选择推理方式；
② 选择推理算法：选择各种搜索算法，如 深度优先搜索、广度优先搜索、启发式优 先搜索等。
（3）人─机接口的设计
① 设计“用户─专家系统接口”：用于咨 询理解和结论解释； ② 设计“专家─专家系统接口”：用于知 识库扩充及系统维护。
2.3 专家控制系统的设计方法
2. 2、专家系统的基本结构与实现
专家系统主要由知识库和推理机构 成，专家系统的结构如图2-4所示。
用户
领域专家
知识工程师
人机接口
解释机构
知识获取机构 专 家 系 统 核 心
数据库
产生式系统
（4）清晰性：
– 规则格式固定，由前件与后件构成。
22
– 局限性：
（1）效率不高：
– 求解过程是 “匹配-冲突消解-执行” 的过程，若规 则库较大，易引起组合爆炸。
（2）不能表示具有结构性的知识：
– 产生式适合于表示具有因果关系的过程性知识，不 能表示具有结构关系的事物间的区别与联系。
23
第四节 框架表示法
其中x, y, z, w为变量
21
产生式表示法的特点
– 优点：
（1）自然性：
– “如果… ，则 …” 形式表示知识，直观、自然，便 于推理。
（2）模块性：
– 规则与推理机构相对独立；对规则库的维护方便。
（3）有效性：
– 既可表示确定性知识，又可表示不确定性知识；既 有利于表示启发式知识，又可方便地表示过程性知 识。
35
13
M-C问题（续1）
L m 3 c 3 B 1
R 0 0 0
L m 0 c 0 B 0
R 3 3 1
L —左岸
R —右岸
B — 1（有船）、0（无船）
14
M-C问题（续2） 1，综合数据库 （m, c, b)， 其中：0≤m, c≤3, b ∈{0, 1} 2，初始状态 （3，3，1）
– ( 简化，只描述左岸的情况即可 )
8
一个简单的例子
问题：设字符转换规则 A∧B→C A∧C→D B∧C→G B∧E→F D→E 已知：A，B 求：F
9
一个简单的例子（续1）
一、综合数据库 {x}，其中x为字符 二、规则集 1，IF A∧B 2，IF A∧C 3，IF B∧C 4，IF B∧E 5，IF D
THEN THEN THEN THEN THEN
第四章产生式系统
不确定性推理- 信息的不精确、不完整、模糊性
概念的模糊性
- 模糊推理
IF 西红柿红了 THEN 西红柿熟了， 西红柿非常红
----------------------------------------------西红柿（？）熟
隶属度
矮 1
0 1.6
中等 1.75 1.78
高
修饰量化：
非常高
身高
产生式系统推理机的实现技术
规则的匹配（规则的触发，变量的绑定 – Bounding ）； 规则的选择（规则的选择，冲突解决策略） ； 规则的应用（规则的执行：演绎 – 加入新断言，反应 – 执行规定操作） 规则推理的不确定性（不确定性推理） 规则推理的方向（正向推理 – 数据驱动，逆向推理 – 目标驱动）； 规则应用的解释（解释问题类型：How, Why ）； 记录问题求解过程中规则的应用顺序（输出：解径、解图）； 控制系统运行的终止（正常终止，非正常终止）。
第四章 产生式知识表示及相关专家系统
教材： 第 2、 6-1、 10 章
产生式知识表示及相关专家系统
引 言：
是 AI 的一个重要知识表示形式; 常用于构建基于规则专家系统。
要求：
掌握产生式模式及专家系统体系结构、运行机制及基本
实现技术 - 模式匹配、触发规则、冲突解决策略、正向推 理、逆向推理、不确定推理基本概念等。
1 c
规则可信度： c
r r 1
计算流程：
1、由各规则的可信度 C 与不可信度 1-C 计算规则的可信比例 r； 2、将各规则的可信比例相乘，获多条规则推得的结论的可信比例； 3、再将可信比例转换成最终结论的可信度。
不确定性推理
三、多条规则结论合成的可信度计算： 基于概率论方法 （1）
专家系统是如何工作的
正向推理
从事实出发，来推出一定结论的方法称 为正向推理，又称为数据驱动推理方法 或自下而上的推理方法。 实践：
– 阅读网页教程的内容，学习水果识别专家 阅读网页教程的内容，学习水果识别专家 系统的第一周期推理过程。请仿照第一周 期推理过程写出第二周期的推理流程图。
反向推理
反向推理就是用户或系统提出一些假设， 然后系统来验证这些假设的真假。它的 推理过程可以理解为从目标出发，反向 使用规则进行推理。 实践：
产生式规则是专家系统领域的启发式知识或经 验知识。 产生式规则表示通常用于描述事物之间的一 种因果关系。其基本形式为：
– IF <P> THEN <Q>
实践： 阅读网页中的科普资料与图片，尝试完成一 个产生式规则的表示。（相关链接） 个产生式规则的表示。（相关链接）
推理与推理机推理与推理机产生式规则是专家系统中最广泛使用的一种产生式规则是专家系统中最广泛使用的一种知识表示法它能模拟人类求解问题的思维知识表示法它能模拟人类求解问题的思维方式便于表达专家领域的启发式知识或经方式便于表达专家领域的启发式知识或经验知识
专家系统初步（二） 专家系统初步（
推理与推理机
产生式系统
– 请从网上了解知识表示方法“与或图”， 请从网上了解知识表示方法“与或图” 尝试用与或图表示出在Prolog“家庭关系” 尝试用与或图表示出在Prolog“家庭关系” 的练习中对“祖父” 的练习中对“祖父”的推理的表示。（这 实际就是一种反向推理过程）
思考与练习
根据你对正向推理和反向推理的理解， 你认为哪一种推理方式更接近于人类思 考问题？ 熟悉InterModeller，完成对“水果识别” 熟悉InterModeller，完成对“水果识别” 专家系统的调试。尝试把已知规则通过 “规则编辑器”输入到InterModeller中， 规则编辑器”输入到InterModeller中， 验证推理过程。
产生式系统的组成
产生式系统的组成产生式系统是人工智能领域中一种重要的知识表示和推理方法。
它由一组产生式规则组成，每条规则由前件和后件构成，表示了一种条件-动作对。
产生式系统通过匹配规则的前件，选择合适的规则并执行相应的动作，从而实现推理和问题求解的过程。
一、产生式系统的基本组成1.1 前件：前件是规则中的条件部分，用于描述问题的特征和条件。
在问题求解过程中，产生式系统会根据输入的问题描述和已知条件，匹配规则的前件，以确定适用的规则。
1.2 后件：后件是规则中的动作部分，用于描述问题求解的结果和推理的结论。
当规则的前件与当前问题描述匹配成功时，产生式系统会执行规则的后件，得到相应的结果或结论。
1.3 规则库：规则库是产生式系统中存储规则的地方，它由一组产生式规则组成。
规则库中的规则根据具体问题的特点和需求，经过人工设计和编写，用于描述问题的解决思路和推理过程。
1.4 控制策略：控制策略是产生式系统中的重要组成部分，它决定了规则的执行顺序和方式。
控制策略可以根据不同的问题和应用需求进行调整和优化，以提高系统的推理效率和准确性。
二、产生式系统的工作原理产生式系统的工作原理可以简单描述为以下几个步骤：2.1 初始化：产生式系统在开始工作之前，需要初始化系统的状态和规则库。
初始化包括设置系统的初始状态和加载规则库。
2.2 匹配规则：产生式系统根据当前问题描述和已知条件，匹配规则库中的规则的前件。
匹配可以基于规则的特征和条件进行，也可以基于问题描述和已知条件的匹配度进行。
2.3 选择规则：当有多条规则的前件与当前问题描述匹配成功时，产生式系统需要根据一定的策略选择合适的规则。
选择规则可以基于规则的优先级、匹配度等进行。
2.4 执行规则：选择合适的规则后，产生式系统执行规则的后件，得到相应的结果或推理结论。
执行规则可以包括修改系统状态、生成新的问题描述、输出结果等。
2.5 更新状态：在执行规则后，产生式系统会更新系统的状态和问题描述。
产生式系统
产生式认知模型
例: 用Markov算法作用于任意给定的字符串。
规则：（1）αxy → yαx （2）α→ ^ （3） ^ →α 。
输入字符串 ： “ ^ABC ”
✓希腊字母α、β等代表专用符号串； ✓小写字母 x、y 、z 等表示单个字符 的变量；
✓专用字符 ^ 为空字符串。
执行算法过程：规则自左向右地作用输入字符串。
北京航空航天大学软件开发环境国家重点实验室
Slide 4
产生式认知模型
纽厄尔和西蒙 Newell & Simon（1972）将产生式模型用于 表示人类问题求解的认知模型 ：
✓ 长期记忆 - 大脑中积累的各种知识和经验（成块的、大容量知识） ✓ 短时记忆 –临时输入的求解某具体问题所需的信息（小容量的、动
LHS: 本规则触发应满足的条件； RHS：本规则触发后可产生的结果（或应执行的操作）
例: R1: IF (x,0,y,0) THEN (v,0,y,0)；
R2: IF likes(x,y) & likes(y,x) THEN friend(x,y) R2: IF 天气太热 THEN 打开空调；
北京航空航天大学软件开发环境国家重点实验室 Slide 13
规则的匹配
从规则库的第一条规则开始，按排列顺序逐条用规则的前提条件与事 实库中事实进行匹配；
北京航空航天大学软件开发环境国家重点实验室 Slide 6
基于产生式认知模型的产生式系统体系结构
长期记忆 --- 规则库（长期知识库、 …. ）
短时记忆 ---
工作存储器（事实库、工作库、综合 数据库、…. )
认知处理器 --- 推理机（控制系统、控制策略、解 释程序、….)
北京航空航天大学软件开发环境国家重点实验室 Slide 7
专家系统的结构
专家系统的结构
专家系统由三个主要部分组成：
1. 推理引擎（Inference Engine）
推理引擎是专家系统的核心部分,它负责对知识库中的事实和规则进行推理和推断,并根据用户输入的问题提供相应的答案或建议。
推理引擎由推理机制（包括前向推理和后向推理）和决策机制组成。
2. 知识表示和管理系统（Knowledge Representation and Management System）
知识表示和管理系统负责存储和管理专家系统所需要的知识和规则。
它将知识存储在知识库中,并提供对知识库的查询和修改等操作。
知识表示方法包括规则表示、框架表示、语义网络表示、产生式表示等。
3. 用户界面（User Interface）
用户界面是专家系统与用户交互的接口,它向用户提供问题输入和答案输出的功能。
用户界面包括文本界面、图形界面等不同形式,以方便用户进行交互和操作。
除此之外,专家系统还可能包括解释器、调试器、学习模块、解释器等辅助工具,以提高专家系统的效率、准确性和可靠性。
第4章 专家系统
第五章专家系统
5.1 产生式系统
控制策略的步骤之一
一、匹配 把数据库与规则的条件部分相匹配，如 果完全匹配（复杂问题时，可能要用近似 匹配）称为触发（激活）规则；若执行该 激活规则，则称为启用规则。 激活规则不总是启用规则。因为若有多 于一条的规则被激活，就称引起了一个冲 突，就需要进行所谓的 冲突解决，就是基 于某种控制策略去选定需要执行的规则
14
第五章专家系统
5.2 专家系统
专家系统的主要组成部分之二
综合数据库：用于存放系统运行过程中所需要
的原始数据和产生的所有信息，包括用户提供
的信息，推理的中间结果，推理过程的记录等。
2013-6-28
15
第五章专家系统
5.2 专家系统
专家系统的主要组成部分之三
推理机：根据数据库的当前状态，利用知识库
2013-6-28
7
第五章专家系统
5.1 产生式系统
控制策略的步骤之三
三、操作 操作就是执行规则的操作部分，操作后， 将修改数据库，并导致：
其他规则被使用，或者 得到问题的解答（综合数据库内容转变为描述 了目标状态），或者 失败结束
2013-6-28
8
第五章专家系统
5.1 产生式系统
2013-6-28 11
第五章专家系统
5.2 专家系统
专家系统的一般特点
启发性：专家系统能运用专家的知识与经验 进行推理、判断和决策。 透明性：专家系统能够解释本身的推理过程， 以便让用户能了解推理过程，提高对专家系 统的信赖感 灵活性：专家系统能不断的增加知识，修改 原有的知识，不断更新
2013-6-28
细菌2 (curorgs) 细菌3 (curorgs) 细菌4 (curorgs) 药物4 (opdrg)
知识表示(产生式)
综合数据库
www。themegallery。com 。 。
1.4.2.1 规则库 用于描述相应领域的知识的产生式集合称为 规则库。 规则库。 规则库是产生式系统求解问题的基础 是产生式系统求解问题的基础， 规则库是产生式系统求解问题的基础，其知 识的完整性，一致性， 识的完整性，一致性，表达的准确性及组织的合 理性对系统的性能有很大影响， 理性对系统的性能有很大影响，因此在建立规则 库时须遵循一定规则。 库时须遵循一定规则。 1. 有效地表达领域内的过程性知识。 有效地表达领域内的过程性知识。 2. 能够对知识进行合理的组织和管理。 能够对知识进行合理的组织和管理。
www。themegallery。com 。 。
1.4.3 产生式系统的特点 1.4.3.1 优点 1. 自然性 2. 模块性 3. 有效性 4. 清晰性 1.4.3.2 缺点 1.效率不高 效率不高 2.不能表达具有结构性的知识 不能表达具有结构性的知识
www。themegallery。com 。 。
1.3.2 匹配标准不同 产生式系统中决定一条知识是否可用的方法 产生式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可与前提中的条件匹 配，但是这种匹配可以是精确的也可以是不精确 的，只要按某种算法求出的相似度在某个预先指 定范围之内即可。 定范围之内即可。但对逻辑谓词的蕴含式来说要 求匹配是精确的。 求匹配是精确的。
www。themegallery。com 。 。
1.4.2 基本组成部分及相互间关系 规则库(rule base)、综合数据库 规则库 、综合数据库(global data base )和控制结构 和控制结构(rule interpreter) 和控制结构 他们之间的关系如图: 他们之间的关系如图
描述产生式系统的基本结构
描述产生式系统的基本结构产生式系统（Production System）是一种用于描述问题解决过程的形式系统，由一组产生式规则和一个控制策略组成。
它是人工智能领域中一种重要的知识表示和推理工具，被广泛应用于专家系统、自然语言处理、机器学习等领域。
一、产生式规则产生式规则（Production Rule）是产生式系统的基本组成部分，用于表示问题解决的知识和推理过程。
它由两部分组成：前件（Antecedent）和后件（Consequent）。
前件是一个条件，用于描述问题的初始状态或当前状态，后件是一个动作或结果，用于描述问题的解决方法或推理结果。
产生式规则的一般形式为：“IF 条件 THEN 动作”，其中条件部分可以是一个或多个条件语句的逻辑组合，动作部分可以是一个或多个执行语句的序列。
产生式规则可以表示问题的因果关系、逻辑关系、约束条件等，通过匹配和执行产生式规则，可以实现问题的求解和推理过程。
二、工作原理产生式系统的工作过程可以简单描述为：根据当前状态和可用的产生式规则，选择一个适用的产生式规则进行匹配，并执行相应的动作。
重复这个过程直到达到终止条件。
具体的工作流程如下：1. 初始化系统状态：设置问题的初始状态，包括问题的初始数据、知识库等。
2. 选择产生式规则：根据当前状态和可用的产生式规则，选择一个适用的产生式规则进行匹配。
3. 匹配产生式规则：将当前状态与产生式规则的前件进行匹配，判断当前状态是否满足产生式规则的条件。
4. 执行动作：如果产生式规则的前件匹配成功，则执行产生式规则的后件，即执行相应的动作或产生新的状态。
5. 更新状态：根据执行的动作或产生的新状态，更新系统的当前状态。
6. 判断终止条件：根据终止条件判断是否结束产生式系统的工作，如果不满足终止条件，则返回第2步继续执行。
三、控制策略控制策略是产生式系统的另一个重要组成部分，用于控制产生式规则的选择和执行顺序。
常见的控制策略包括前向推理、后向推理和双向推理。
决策支持系统名词解释大全
高度结构化决策：如果决策的目标简单，可选行动方案少，界定并且明确决策带来的影响，则此类决策为高度结构化决策。
简答决策支持系统的设计思想：是努力实现一个具有巨大发展活力的、适应性强的开发系统，其设计方法则强调充分发挥人的经验、判断力、创造力，强调其未来的发展，努力使决策更加正确。
数据仓库：将大量用于事物处理的传统数据库数据进行清理、抽取和转换，并按决策主题的需要进行重新组织。
确定型决策：是指只存在一种完全确定的自然状态的决策。
风险型决策：也称随机决策，是决策者根据几种不同的自然状态可能发生的概率所进行的决策。
不确定型决策：对这类事件的决策只能在不肯定情况作出，即在知道可能出现的各种自然状态，但又无法确定各种自然状态发生概率的情况下作出，这类决策问题就是不确定型决策。
目标准则体系：在多目标决策问题中，其目标或者经过逐层分解，或者依据决策主体要求和实际情况需要，形成多层次结构的子目标系统，使得在最低一层子目标可以用单一准则进行评价，称之为目标准则体系。
多阶段决策过程：把一个问题看作是一个前后关联的具有链状结构的多阶段过程就称为多阶段决策过程。
定性方法：是指决策者在占有一定的事实资料、实践经验、理论知识的基础上，利用其直观判断能力和逻辑推理能力对决策问题进行定性分析的方法。
定量方法：是指决策者在占有历史数据和统计资料的基础上，运用数学和其他分析技术建立起可以表现数理关系的数学模型，并利用它进行决策的方法。
信息管理科学：是以信息为主要研究对象，以信息处理的规律和应用方法为主要研究内容，以计算机等技术为主要研究工具，以模拟和扩展人类的信息处理和知识处理功能为主要目标的综合性学科。
简答信息处理技术：是指信息本质与信息收集，信息组织与数据仓库，信息分析与数据挖掘。
联机分析处理：是决策者和高层管理人员对数据仓库的多维信息分析处理。
数据挖掘：是从大量数据中提取或挖掘深层信息或知识的过程。
解决问题的灵活性：是指提供给最终用户的灵活性，称为解决问题的灵活性。
搜索推理技术2
Machine Intelligence
产生式系统 r12：若某动物是有蹄动物且白色且有黑色条 纹，则它是斑马。 r13：若某动物是鸟且不会飞且长腿且长脖子 且黑白色，则它是驼鸟。 r14：若某动物是鸟且不会飞且会游泳且黑白 色，则它是企鹅。 r15：若某动物是鸟且善飞且不怕风浪，则它 是海燕。
Machine Intelligence
Machine Intelligence
产生式系统
产生式系统的推理
正逆向推理的比较
项 目 正向推理 逆向推理
驱动方式 推理方法
启动方法 推理方向 典型系统
数据驱动 从一组数据出发向前推 导结论 从一个事件启动
由底向上推理 CLIPS，OPS
目标驱动 从可能的解答出发，向后推 理验证明解答 由询问关于目标状态的一个 问题而启动 由顶向下推理 PROLOG
比例r和可信度c之间的关系可表示为
c r r ,c 1 c r 1
-将各证据的可信度比例简单地相乘就可以求得这些证据 所支持的事实的可信性比例。 -利用公式将可信性比例转换为可信度。
Machine Intelligence
非单调性推理
单调推理：新的命题的加入不会推翻 原来的命题，随着时间的推移，系统 内含的知识有增无减，如建立在谓词 逻辑基础上的系统。 非单调推理：新的命题的加入有可能 会推翻原有命题，随着时间的推移， 系统内含的知识不一定是增加。
Machine Intelligence
产生式系统 一个简单的例子 问题：设字符转换规则 A∧B→C A∧C→D B∧C→G B∧E→F D→E 已知：A，B 求：F
Machine Intelligence
产生式系统 一个简单的例子（续1） 综合数据库 {x}，其中x为字符
产生式系统推理
产生式系统推理产生式系统推理是一种基于逻辑推理的计算机算法，它通过一系列的规则和事实来推导出新的结论。
这种推理方法常用于人工智能领域的知识表示和推理系统中。
一、产生式系统的基本概念1.1 产生式规则产生式规则是产生式系统推理的基本单元。
它由一个条件部分和一个结论部分组成，形式可以表示为“如果条件则结论”。
条件部分是由一系列事实和规则组成的逻辑表达式，用来描述问题的已知信息。
结论部分是由新的事实或规则组成，它是根据条件部分的逻辑关系推导出来的。
1.2 事实事实是产生式系统推理过程中的基本元素，它是描述问题现实情况的逻辑表达式。
事实可以是已知的，也可以是通过推理推导出来的。
在产生式系统中，事实可以用来匹配产生式规则的条件部分，从而触发规则的推导过程。
1.3 推理过程产生式系统的推理过程是基于规则的匹配和推导的。
当一个或多个事实与规则的条件部分匹配时，就会触发规则的推导过程，推导出新的事实或规则。
这个推导过程会不断迭代，直到没有新的事实或规则可以推导出为止。
二、产生式系统推理的应用2.1 专家系统专家系统是一种基于产生式系统推理的人工智能应用。
它利用专家的知识和经验，通过产生式规则来模拟专家的思维过程，从而解决特定领域的问题。
专家系统可以应用于医疗诊断、工程设计、金融分析等领域，帮助人们做出决策和解决问题。
2.2 自然语言处理自然语言处理是指计算机对自然语言的理解和处理。
产生式系统推理在自然语言处理中起到了重要的作用。
通过产生式规则，可以将自然语言的句子转换为逻辑表达式，并进行推理和推导。
这样可以实现机器对自然语言的理解和回答问题的能力。
2.3 智能游戏智能游戏是一种利用人工智能技术实现智能对战的游戏。
产生式系统推理在智能游戏中被广泛应用。
通过产生式规则，智能游戏可以模拟玩家的思维过程，根据当前状态和规则进行推理和决策，从而实现自动对战和智能对手的功能。
三、产生式系统推理的优势和局限3.1 优势产生式系统推理具有以下优势：（1）灵活性：产生式系统推理可以根据具体问题和需求灵活定义规则和事实，适应不同领域和情境的推理需求。
产生式系统实验报告
3、建立事实库（总数据库）：建立过程同步骤2。重复操作，可输入多条事实。
4、然后按“确定”按钮即可。
此外，利用实例演示，可以运行系统默认的产生式系统，并且可以进行正反向推理。
((CButton*)GetDlgItem(IDC_CHECK9))->SetCheck(BST_UNCHECKED);
((CButton*)GetDlgItem(IDC_CHECK10))->SetCheck(BST_UNCHECKED);
((CButton*)GetDlgItem(IDC_CHECK11))->SetCheck(BST_UNCHECKED);
((CButton*)GetDlgItem(IDC_CHECK19))->SetCheck(BST_UNCHECKED);
((CButton*)GetDlgItem(IDC_CHECK20))->SetCheck(BST_UNCHECKED);
((CButton*)GetDlgItem(IDC_CHECK21))->SetCheck(BST_UNCHECKED);
((CButton*)GetDlgItem(IDC_CHECK15))->SetCheck(BST_UNCHECKED);
((CButton*)GetDlgItem(IDC_CHECK16))->SetCheck(BST_UNCHECKED);
((CButton*)GetDlgItem(IDC_CHECK17))->SetCheck(BST_UNCHECKED);
((CButton*)GetDlgItem(IDC_CHECK3))->SetCheck(BST_UNCHECKED);
- 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)。
人工智能生式规则简称产生式。
它是指形如α─→β或IFαTHENβ或其等价形式的一条规则,其中α称为产生式的左部或前件;β称为产生式的右部或后件。
①如果α、β分别代表需要注视的一组条件及其成立时需要采取的行动，那么称为条件-行动型产生式;②如果α、β分别代表前提及其相应的结论,那么称为前提-结论型产生式。
人工智能中的推理很多是建立在直观经验基础上的不精确推理，而产生式在表示和运用不精确知识方面具有灵活性，因此许多专家系统采用产生式系统为体系结构。
组成一个产生式系统由下列3部分组成：一个总数据库(global database)，它含有与具体任务有关的信息。
υυ一套规则，它对数据库进行操作运算。
每条规则由左右两部分组成，左部鉴别规则的适用性或先决条件，右部描述规则应用时所完成的动作。
应用规则来改变数据库。
一个控制策略，它确定应该采用哪一条适用规则，而且当数据库的终止条件满足时，就停止计算。
υ自由帕斯卡中free pascal 中的产生式系统的组成产生式系统由一个综合数据库、一组产生式规则和一个控制系统三个基本要素组成。
其中：综合数据库是产生式系统所用的主要数据结构，它主要用来表示问题的状态，即初始状态、中间状态和目标状态等，以及状态之间的关系。
它不是固定不变的，在求解的过程中，它的内容将越来越多，状态之间的关系也越来越复杂。
经常用来表示数据库的数据结构有串、集合、数组、树、表、记录、队列等。
产生式规则是对数据库进行操作的一系列规则。
规则的一般形式是：IF 条件 THEN 操作即满足应用的先决条件后，就对数据库实行后面的操作。
控制策略规定了操作的顺序，即在任何条件下用什么规则进行操作，什么条件下停止运行，它规定了问题的求解的搜索策略和路线。
控制策略一般可分为不可撤回方式和试探法两大类，试探法又包括回溯法和图搜索法两种。
工作方式产生式是系统的单元程序，它与常规程序不同之处在于，产生式是否执行并不在事前硬性规定，各产生式之间也不能相互直接调用，而完全决定于该产生式的作用条件能否满足，即能否与全局数据库的数据条款匹配。
因此在人工智能中常将产生式称为一种守护神(demon),即“伺机而动”之意。
另一方面，产生式在执行之后工作环境即发生变化，因而必须对全局数据库的条款作相应修改，以反映新的环境条件。
全部工作是在控制程序作用下进行的。
现代产生式系统的一个工作循环通常包含匹配、选优、行动三个阶段。
匹配通过的产生式组成一个竞争集，必须根据选优策略在其中选用一条,当选的产生式除了执行规定动作外,还要修改全局数据库的有关条款。
因此现代产生式系统的控制程序常按功能划分为若干程序。
推理方向产生式系统的推理分为正向推理和逆向推理。
正向推理指的是从现有条件出发，自底向上地进行推理（条件的综合），直到预期目标实现。
逆向推理则从预期目标出发，自顶向下地进行推理（目标的分析），直到符合当前的条件。
运用逆向推理时，后件而不是前件引导产生式的搜索工作，因此按推理方向可将产生式系统分为前件驱动和后件驱动两种类型。
条件－行动型产生式系统采用前件驱动的工作方式。
优缺点产生式系统的优点是：①模块性,每一产生式可以相对独立地增加、删除和修改;②均匀性，每一产生式表示整体知识的一个片段，易于为用户或系统的其他部分理解；③自然性，能自然地表示直观知识。
它的缺点是执行效率低，此外每一条产生式都是一个独立的程序单元，一般相互之间不能直接调用也不彼此包含，控制不便，因而不宜用来求解理论性强的问题。
第三章产生式系统产生式系统概述产生式系统工作原理产生式系统控制策略产生式系统与图搜索产生式系统评价 3.1 产生式系统概述产生式系统(Production System): 美国数学家Post 1943年提出. 产生式(Production): 前件-->后件产生式产生式系统的组成: 产生式规则库(知识库) 动态数据库(工作存储器,综合数据库) 推理机(控制器,规则解释器) AI 系统中最普遍被采用的系统结构形式. 产生式系统的基本结构控制系统规则库动态数据库医疗产生式系统控制系统规则库IF 发烧then 感冒IF 发烧and 头痛then 感冒IF 头痛and 嗓子痛then 感冒IF 发烧and 胸闷then 肺炎…… 动态数据库?发烧发烧?头痛?胸闷产生式规则推理逻辑产生式规则的逻辑推理模式是假言推理和三段论推理产生式规则A→B (大前提大前提) 大前提A （小前提）小前提）B（结论）（结论）证据事实 3.2 产生式系统的工作原理工作周期: 匹配, 选择, 执行三个阶段组成模式匹配规则库动态数据库冲突集冲突消解规则触发规则执行推理控制冲突消解策略按匹配成功次序选择: 优先选择最先匹配成功的规则. 按优先权选择: 优先选择优先权最高的规则.按详细程度选择: 优先选择前提部分描述最详细的规则. 按执行次序选择: 优先选择最近执行的规则. 按新事实选择: 优先选择与数据库中最新事实有关的规则. 按是否使用过选择: 优先选择没有使用过的规则. 3.3 产生式系统控制策略搜索策略: 不可撤回策略, 回朔策略冲突消解策略：推理方式: 推理方式正向推理, 反向推理, 正反向混合正向推理规则的一般形式: 规则的一般形式P1 --> P2 ; 正向推理: 正向使用规则的推理过程. 从初始状态(初始事实/数据)到目标状态(目标条件) 的状态图搜索过程. 又称数据驱动, 自底向上, 前向, 正向连推理. P2 --> P3 正向推理算法: 无信息, 启发式正向推理举例: 动物分类正向推理正向推理算法一(无信息搜索) Step1 : 将初始事实置入动态数据库; Step2 : 用动态数据库中的事实匹配/测试目标条件, 若满足, 则推理成功, 结束. Step3 : 用规则库中各规则的前提匹配动态数据库中事实,将匹配成功的规则组成冲突规则集; Step4 : 若冲突规则为空,则运行失败, 退出. Step5 : 将冲突规则集中各规则的结论加入动态数据库,或者执行其动作, To Step2; 正向推理算法一(启发式搜索) Step1 : 将初始事实置入动态数据库; Step2 : 用动态数据库中的事实匹配/测试目标条件, 若满足, 则推理成功, 结束. Step3 : 用规则库中各规则的前提匹配动态数据库中事实,将匹配成功的规则组成冲突规则集; Step4 : 若冲突规则为空,则运行失败, 退出. Step5 : 用某种冲突消解策略, 选出一条规则; Step6 : 将所选规则的结论加入动态数据库,或者执行其动作, To Step2; 反向推理规则的一般形式: 规则的一般形式P1 --> P2 ; P3 反向推理: 反向使用规则的推理过程. 从目标状态(目标条件)到初始状态(初始事实/数据)的与或图解搜索过程. 又称目标驱动, 自顶向下,后向, 反向连推理. P2 --> 反向推理算法: 无信息, 启发式反向推理举例: 动物分类反向推理反向推理算法Step1 : 将初始事实置入动态数据库, 目标条件置入目标链; Step2: 若目标链为空, 则推理成功, 结束. Step3: 取出目标链中第一个目标, 用动态数据库中的事实与其匹配, 若匹配成功, To Step2; Step4 : 用规则集中的各规则的结论同目标匹配, 成功则将第一个匹配成功且未用过的规则的前提作为新目标, 取代父目标加入到目标链, To Step3; Step5 : 若目标是初始目标, 则推理失败, 退出. Step6 : 将该目标的父目标移回目标链, 取代该目标及其兄弟目标, To Step3; 4 产生式系统举例——动物分类问题R1: 有奶-->哺乳动物; R2: 毛发-->哺乳动物; R3: 羽毛-->鸟; R4: 会飞,生蛋-->鸟; R5: 哺乳动物,有爪, 有犬齿,目盯前方-->食肉动物; R6: 哺乳动物,食肉-->食肉动物; R7:哺乳动物,有蹄-->有蹄动物; R8: 有蹄动物,反刍食物-->偶蹄动物; R9:食肉动物,黄色褐,黑色条纹-->老虎; R10:食肉动物,黄褐色,黑色斑点-->金钱豹; R11: 有蹄动物,长腿,长脖子,黄色褐,有暗斑点-->长颈鹿; R12: 有蹄动物,长腿,白色,黑色条纹-->斑马; R13: 鸟,不会飞,长腿,长脖子,黑白色-->鸵鸟; R14: 鸟,不会飞,会游泳,黑白色-->企鹅; R15:鸟,善飞,不怕风浪-->海鸥; 动物分类产生式系统初始事实: f1: 有毛f2: 食肉f3: 黄褐色f4: 有黑色条纹目标条件: 目标条件该动物是什么? 该动物是什么动物分类正向推理树老虎R9 食肉动物R6 哺乳动物R2 有毛发食肉黄褐色有黑色条纹动物分类反向推理树老虎R9 食肉动物R6 哺乳动物R5 R2 有爪有犬齿目盯前方有奶有毛发食肉黄褐色有黑色条纹产生式系统推导过程举例规则库 1.IF 衣服是湿的AND 天气晴朗THEN 在户外晾晒衣服 2.IF 衣服是湿的AND 外面在下雨THEN 用干衣机烘干衣服 3.IF 衣服是脏的AND 有15件以上的脏衣服件以上的脏衣服THEN 洗衣服4.IF 洗衣服THEN 衣服是湿的1.正向推理，分步进行，并给正向推理，分步进行，正向推理出动态数据库的当前状态2.反向推理（图示法）反向推理（图示法）反向推理目标条件在户外晾晒衣服动态数据库衣服是脏的有20件脏衣服件脏衣服天气晴朗规则库 1.IF 衣服是湿的AND 天气晴朗THEN 在户外晾晒衣服 2.IF 衣服是湿的AND 外面在下雨THEN 用干衣机烘干衣服3.IF 衣服是脏的AND 有15件以上的脏衣服件以上的脏衣服THEN 洗衣服4.IF 洗衣服THEN 衣服是湿的步骤1:和规则进行匹配步骤和规则3进行匹配和规则动态数据库衣服是脏的有20件脏衣服件脏衣服天气晴朗洗衣服规则库1.IF 衣服是湿的AND 天气晴朗THEN 在户外晾晒衣服 2.IF 衣服是湿的AND 外面在下雨THEN 用干衣机烘干衣服3.IF 衣服是脏的AND 有15件以上的脏衣服件以上的脏衣服THEN 洗衣服4.IF 洗衣服THEN 衣服是湿的衣服是脏的有20件脏衣服件脏衣服天气晴朗洗衣服衣服是湿的步骤2:和规则进行匹配步骤和规则4进行匹配和规则动态数据库规则库1.IF 衣服是湿的AND 天气晴朗THEN 在户外晾晒衣服 2.IF 衣服是湿的AND 外面在下雨THEN 用干衣机烘干衣服3.IF 衣服是脏的AND 有15件以上的脏衣服件以上的脏衣服THEN 洗衣服4.IF 洗衣服THEN 衣服是湿的衣服是脏的有20件脏衣服件脏衣服天气晴朗洗衣服衣服是湿的在户外晾晒衣服步骤3:和规则进行匹配步骤和规则1进行匹配和规则动态数据库在户外晾晒衣服衣服是湿的天气晴朗洗衣服衣服是脏的有15件以上的件以上的脏衣服反向推理树为什么要采用产生式系统（1）用产生式系统结构求解问题的过程和人类求解问题时的思维过程很相象，因而可以用它来模拟人类求解问题时的思维过程。