第八章 产生式规则专家系统总结
产生式系统
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。
知识表示产生式
www。themegallery。com
IF(肥力等级=高) ∧(施氮>35)THEN土杂肥=0 施氮=施氮-土杂肥*0.001-饼肥*0.07 施磷=施磷-土杂肥*0.0001-饼肥*0.013 施磷=施钾-土杂肥*0.0002-饼肥*0.021
1.4.4.4 “规则架+规则体” 优点: 1. 表示形式层次清晰。 2.表达能力强。 3.由于同类知识集中于同一个规则组中，加快了
示精确知识还可以表示不精确知识。 不确定的产生式形式如下:
P->Q(置信度) 或者
IF P THEN Q (置信度)
www。themegallery。com
例如 专家系统MYCIN中有这样一条产生式: IF 微生物的染色斑是革兰氏阴性 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
用语义网络表示多元关系时，可把它转化为一 个或多个二员关系的组合，然后再利用合取关系 的表示方法，把这种多元关系表示出来。
www。themegallery。com
2.3语义网络的推理方法
2.3.1 匹配 包括结构上的匹配，节点和弧的匹配。 抽象的讲，推理包括两步:第一步是判断，即
考察手头的数据是否满足某个知识单元的条件； 第二步是求值，即根据满足条件的知识单元来求 得所需的值。
第四步:将各对象作为语义网络的一个节点，而各 对象间的关系作为网络中各节点间的弧，连接形成语 义网络。
www。themegallery。com
2.4.2 语义网络表示下列知识
猎狗是一种狗，而狗是一种动物。狗除了动物 的有生命、能吃食、有繁殖能力、能运动外，还 有以下特点:身上有毛、有尾巴、四条腿；猎狗的 特点是吃肉、个头大、奔跑速度快、能狩猎；而 狮子狗也是一种狗，它的特点是吃饲料，个头小， 奔跑速度慢，不要人，供观赏。
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。
专家系统中产生式规则研究与分析
循环 规则 ： 当一 组规 则推 理 时前提 和结论 形 成循环 时 ， 出现循 环 的规则 链 ． ｘ Ｙ， — ｚ ｚ ｘ就是 如 — Ｙ ，—
一
条循环规则链 ， 从任意一条规则进入推理 ， 都会使推理程序陷入死循环． 循 环 规则 的检 查方法 是 建立一 张规 则二 维 表 ， 表示 前 提 ， 表 示 结论 ， 记 出相应 的规 则． 列 行 标 检测 时 ，
关键词 ： 专家 系统 ； 产生式 ； 知识 ； 研究 ； 分析 中图分类号 ：Ｐ ８ Ｔ １２ 文献标志码 ： Ａ 文章编号 ：０ ９ ５２ （ ０ １ ｏ —０ ６ —０ １０ － １８ ２ １ ） ６ ０ ３ ３
收 稿 日期 ：０ ｌ一 ５ ４ ２ １ ＿０ —０
基 金项 目： 渭南师 范学 院科 研计划项 目（０ Ｋ ０ １ １Ｙ Ｚ ６ ） 作 者简介 ： 索红军 （ ９ １ ） 男 ， １７ 一 ， 陕西 白水人 ， 渭南师范学 院数学 与信息 科学学 院副教 授 ， 学硕 士． 工 研究 方 向 ： 人工 智 能及计算 机应用．
图 １ 产 生 式 树 形 表 示
索红军 ： 家系统 中产 生式规则研 究与分析 专
第２ ６卷
图 １表示 了产 生式规 则 ：
Ｂ Ａ， Ａ ， Ｂ， 八Ｅ Ｂ， ＿ Ｃ Ｆ Ｄ — Ｇ Ｃ， Ｃ， Ｈ Ｊ＾Ｋ— Ｇ， — Ｇ，Ｉ Ｅ． Ｌ —
１ ３ 产 生 式规 则表 示 的优 缺 点 ．
专家系统在部署后 ， 随着系统的运行 ， 知识库管理系统不停的加入新 的规则知识 ， 产生式规则的数量
逐步 扩大 ， 这会 带来 各种 各样 的 问题 ， 响 系统 的正确 判 断 ， 至会推 出与 正确结 果 完全相 反 的结论 ， 影 甚 这都 是 由于知 识库 的不 一致性 和 不完整 性带 来 的问题 Ｊ ．
简述产生式规则的基本组成
简述产生式规则的基本组成产生式规则是人工智能和计算机科学中的一个重要概念，用于描述和表示问题的解决方案。
它是一种形式化的规则，用于表示问题的初始状态、目标状态和问题的解决过程中的步骤。
产生式规则由两部分组成：前件和后件。
前件描述了问题的当前状态，后件描述了解决问题的操作或动作。
产生式规则的基本组成是一个三元组(条件, 操作, 结果)，其中条件是前件，操作是后件，结果是解决问题后的状态。
产生式规则的主要作用是通过匹配问题的当前状态和前件来触发操作，从而改变问题的当前状态。
前件是产生式规则中的条件部分，用于描述问题的当前状态和约束条件。
它可以是一个或多个条件的逻辑组合，条件可以是事实、属性或其他谓词逻辑表达式。
例如，条件可以是“当前状态为A并且属性B的值大于10”或“问题的某个属性的值等于某个特定值”。
操作是产生式规则中的行为部分，用于描述解决问题的步骤和动作。
操作可以是执行某个具体的计算、修改问题的状态或触发其他产生式规则。
操作可以是计算一个新的状态，更新问题的属性或执行一系列的计算和变换操作。
结果是产生式规则中的目标状态，它描述了解决问题后的最终状态。
结果可以是一个或多个状态的逻辑组合。
例如，结果可以是“问题的当前状态为C并且属性D的值小于5”或“问题的某个属性设置为某个指定的值”。
产生式规则的使用方式可以分为两种：前向推理和后向推理。
前向推理是从问题的初始状态出发，根据匹配规则的条件和操作逐步推导出解决问题的结果。
它是一种从数据（即前提）到结论的推理方式。
后向推理是从问题的目标状态出发，根据匹配规则的条件和操作逐步推导出问题的初始状态。
它是一种从结论到数据的推理方式。
产生式规则的优点在于它们的表达能力和灵活性。
它们可以描述各种复杂的问题和解决方案，并且可以根据实际需求进行扩展和修改。
产生式规则还可以与其他技术和方法结合使用，如逻辑推理、规则引擎和机器学习等。
总之，产生式规则是一种强大的问题描述和解决方法，其基本组成为前件、操作和结果。
产生式规则正向推理八数码
产生式规则正向推理八数码引言随着人工智能技术的发展，推理系统被广泛应用于各个领域。
八数码问题是一个经典的智力游戏，也是推理系统在解决复杂问题中的一个具体应用。
本文将详细介绍如何使用产生式规则进行正向推理解决八数码问题，包括问题描述、推理系统设计和具体的推理过程。
问题描述八数码问题是一个基于数字排序的游戏，游戏中有一个3x3的方格，其中包含1至8这些数字，空位用0表示。
初始状态下，数字是随机排列的，目标是通过交换数字的位置，使得方格中的数字按照从小到大的顺序排列，空位在最后。
例如，初始状态为：2 3 14 5 06 7 8目标状态为：1 2 34 5 67 8 0游戏规则允许将0与其上、下、左、右的数字进行交换，但不能交换对角线上的数字。
解决八数码问题的核心是找到一系列合法的操作步骤，将初始状态转化为目标状态。
本文将采用产生式规则正向推理的方法来解决这个问题。
推理系统设计为了使用产生式规则进行正向推理解决八数码问题，我们需要设计一个合适的推理系统。
推理系统由三个主要组成部分构成：知识库、工作内存和控制策略。
知识库知识库是推理系统存储知识的地方，它包含了一系列的产生式规则。
对于八数码问题，知识库中的规则描述了在不同状态下可以执行的操作步骤，并且规定了转化到下一状态的条件。
知识库的设计是解决问题的关键，需要考虑各个状态之间的转化关系，确保能够找到一条从初始状态到目标状态的路径。
工作内存工作内存用于存储推理过程中的中间结果和当前状态。
对于八数码问题，工作内存中需要包含当前状态的表示方式，以及记录已经执行的操作步骤和可行的下一步操作。
推理过程中，工作内存会不断更新和变化，直到找到解决问题的路径。
控制策略控制策略决定了推理系统如何进行推理。
针对八数码问题，控制策略需要确定推理的启动条件和终止条件，以及推理过程中的操作顺序。
合理的控制策略可以提高推理系统的效率和解决问题的成功率。
推理过程在了解了推理系统的设计之后，我们可以开始进行推理过程来解决八数码问题。
产生式系统
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。
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。
第8讲 专家系统
第8章 专家系统8.1 专家系统的概念8.1.1 什么是专家系统专家系统（Expert system)是一个智能计算 机软件系统。
人类专家的特点具有丰富的专业知识和实践经验。
具有独特的分析问题和解决问题的方法和策略。
专家系统应具备的要素应用于某专门领域 拥有专家级知识； 能模拟专家的思维； 能达到专家级水平。
8.1 专家系统的概念专家系统的特点专家系统善于解决不确定性的、非结构化的、没有算法解 或虽有算法解但实现困难的问题。
如：医疗诊断、地质勘 探、天气预报、管理决策等。
专家系统是基于知识的智能问题求解系统。
不同于常规程 序基于固定算法。
专家系统=知识+推理，常规程序=数据 结构+算法。
从系统结构看，专家系统的知识与推理是分离的，因而系 统具有很好的灵活性和可扩充性。
专家系统具有“自学习”能力，能不断地对自己的知识进行 总结、扩充和完善。
具有解释功能。
在运行过程中能回答用户的提问，并具有 透明性，能以用户所能理解的方式解释得到结论的推理过 程。
专家系统不像人类专家那样容易疲劳、遗忘和受环境影 响。
它的工作状态始终是稳定如一的。
而且能够突破人类 专家的时间和空间限制，永久保存，任意复制，在不同地 区和部门使用。
8.1 专家系统的概念专家系统的实用范围用专家系统来提高工作效率 人类专家的知识很快就要失传，必须通过专家系统 来收集、保存和应用 人类专家太少，必须建造专家系统来使专家们的知 识同时应用于不同的地点。
一些危险的工作环境需要专家系统来代替人类专 家。
8.1 专家系统的概念8.1.2 专家系统的类型1。
按用途分类解释型。
根据所得到的有关数据、经过分析、推理，从而 给出解释的一类专家系统。
诊断型。
根据输入信息推出相应对象存在的故障、找出产 生故障的原因并给出排除故障方案的一类专家系统。
如医 疗诊断、机器故障诊断、产品质量鉴定等专家系统。
预测型。
根据相关对象的过去及当前状况来推测未来情况 的一类专家系统。
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。
人工智能 产生式规则
人工智能产生式规则
产生式规则是人工智能中一种表示知识和推理的形式，通常用于专家系统和规则引擎。
产生式规则由条件部分和动作部分组成，其中条件部分描述了一些前提条件，而动作部分描述了在条件满足时执行的操作。
以下是产生式规则的一般形式：
```
IF <条件部分>
THEN <动作部分>
```
在人工智能领域，产生式规则的使用可以丰富知识库，支持推理和决策。
条件部分通常包含一系列逻辑表达式，这些表达式检查某些事实或状态是否为真。
动作部分包含了在条件满足时要执行的操作，可以是更新知识库、产生新的推断、执行某些计算，或触发其他操作。
以下是一个简单的产生式规则的示例，假设我们正在构建一个专家系统来判断一个水果是否为橙子：
```
IF 颜色是橙色AND 形状是圆形
THEN 这是一个橙子
```
在这个例子中，条件部分包含两个逻辑表达式，它们检查水果的颜色和形状。
如果这两个条件都为真，即水果的颜色是橙色且形状是圆形，那么动作部分就会执行，产生结论“这是一个橙子”。
产生式规则的优势在于它们易于理解和维护，可以方便地将领域专业知识转化为规则，同时也支持灵活的知识表示和推理。
在专家系统、决策支持系统等人工智能应用中，产生式规则常常被广泛使用。
基于产生式规则的专家系统的研究实现
面将用 户的个人 信息 、 财务状 况和风 险要 素等 相关指 标存 人 数据 库 中 ； 过 约 简 ， 整 数据 库 信 息 ； 数据 库 中 的信 息与 通 完 将 知 识库 中 的产生式相 匹配 ； 释程序 将 匹配结 果通 过用户 界面告 知用户 。 解
关键 词 ： 个人 理财 ； 家系统 ； 专 产生式 规 则 ； 品树 产 中 图分类号 ： １ ２ 邛 ８ 文献 标识 码 ： Ａ 文章 编号 ：６ ３ ２ Ｘ（０ ７ ０ —０ ６ —０ １ ７ —６ ９ ２ ０ ） ５ ０ ６ ３
Ａｂ ｔａ ｔＴｏｍｅ ｔｔ ｅｎ ｅ ｆｐ ｒｏ ａ ｉａ ｃａ ｌ ｎｎ ｄｖ ｌｐ ｄｔ ｅａ ｐｉ ｔｏ ｆｐｒｏ ａ ｆ ａ ｃａ ｌｎ ｎ ｘ ｒ ｙ ｔｍ ａｅ ｎ ｓｒ ｃ ： ｅ ｈ ｅｄｏ ｅｓｎ ｌ ｎ ｎ ｉｌｐａ ｉｇ， ｅｅｏ ｅ ｈ ｐ ｌａ ｉｎｏ ｅｓ ｎ ｌ ｉｎ ｉｌ ａｎｉ ｅ ｐ ｔｓ ｓｅ ｂ ｓｄｏ ｆ ｎ ｃ ｎ ｐ ｇ ｅ ｇ ｎ ｒｔｖ ｏｍｕａ Ｔｈｅｍｏ ｔｉ ｏ ｔ ｔｆａｕｒ ｈ ｔｕｅｔｅ ｐｏ ｕ ｔｔｅ ｏｆｒ ｕａｔｅｆ ａ ｃａ ｒｌｔ ｎｏｍ ａｉｎ， ｄｔ ｅ ｒｄ ｃ ｅ ｅａｉｅ ｆｒ ｌ． ｓ ｍｐ ｒａ ｅ ｔ ｅｉ ｔａ ｓ ｈ ｒｄ ｃ ｒｅｔ ｏ ｎ ｓ ｍ ｌ ｈ ｉｎ ｉｌ ｅａｅ ｉｆｒ ｔ ｎ ｄ ｏ ａ ｈ ｎ ｐｏ ｕ ｅ ｎ
０ 引 言
根据人 民银行 公 布 的数 据 显 示 ， 止 ２ ０ 截 ０ ５年 ７ 月， 国内人 民币存 款 已达 １６ ２ ．５亿 元 ， ２ ０ ７６６５ 较 ０ ０年 同期 的 ７３ ９ ６ 亿元 ， ６８ ．９ 翻了何 止一番 ， 不仅 如此 ， 目 到
回答这些 问题往往需 要不 同的专 家、 大量 的时 间和不 扉的咨询费用 。 笔者将 自己近年来金融从业经验与专家系统技术
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。
产生式系统
产生式系统2．2．1 产生式系统1．序1943年，Post首先提出了产生式系统。
到目前为止，人工智能（AI）领域中的产生式系统，无论在理论上还是在应用上都经历了很大发展，所以现今AI中的产生式系统已与1943年Post提出的产生式系统有很大不同。
●因果关系自然界各个知识元（事实，断言，证据，命题， ）之间存在着大量的因果关系，或者说前提和结论关系，用产生式（或称规则）表示这些关系是非常方便的：“模式——动作”对偶“条件——结论”对偶●产生式系统把一组领域相关的产生式（或称规则）放在一起，让它们互相配合、协同动作，一个产生式生成的结论一般可供另一个（或一些）产生式作为前提或前提的一部分来使用，以这种方式求得问题之解决，这样的一组产生式被称为产生式系统。
●产生式系统的历史a. 1943年，Post第一个提出产生式系统并把它用作计算手段。
其目的是构造一种形式化的计算工具，并证明了它与图灵机具有同样的计算能力。
b. 1950年，Markov提出了一种匹配算法，利用一组确定的规则不断置换字符串中的子串从而把它改造成一个新的字符串，其思想与Post类似。
c. （大约在）1950年，Chomsky为研究自然语言结构提出了文法分层概念，每层文法有一种特定的“重写规则”，也就是语言生成规则。
这种“重写规则”，就是特殊的产生式。
上面b和c所给出的系统其计算能力都与图灵机等价。
d. 1960年，Backus （译名为：巴克斯或巴科斯）提出了著名的BNF，即巴科斯范式，用以描写计算机语言的文法，首先用来描写ALGOL 60语言。
不久即发现，BNF范式基本上是Chomsky的分层系统中的上下文无关文法。
由于和计算机语言挂上了钩，产生式系统的应用范围大大拓广了。
2．产生式系统产生式系统的构成△一组规则每条规则分为左部（或称前提、前件）和右部（或称结论、动作、后件）。
通常左部表示条件，核查左部条件是否得到满足一般采用匹配方法，即查看数据基DB（Data Base）中是否存在左部所指明的情况，若存在则认为匹配成功，否则认为匹配失败。
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
第四页，共42页
5.1.2 基于产生式的推理模式 由产生式的涵义可知，利用产生式规则可以实现有
前提条件的指令性操作，也可以实现逻辑推理。实现操 作的方法是当测试到一条规则的前提条件满足时，就执 行其后部的动作。这称为规则被触发或点燃。利用产生 式规则实现逻辑推理的方法是当有事实能与某规则的前 提匹配（即规则的前提成立）时，就得到该规则后部的 结论（即结论也成立）。
5页
第五页，共42页
实际上，这种基于产生式规则的逻辑推理模式，就 是逻辑上所说的假言推理（对常量规则而言）和三段论 推理（对变量规则而言），即：A→Bຫໍສະໝຸດ A→BAB→C
B
A→C
这里的大前提就是一个产生式规则，小前提就是证
据事实。
有前提条件的操作和逻辑推理统称为推理，上式是 基于产生式规则的一般推理模式，产生式系统中的推理 是更广义的推理。
111页
第十一页，共42页
5.2.3 控制策略与常用算法 产生式系统的推理可分为正向推理和反向推理两种
基本方式。 正向推理就是从初始事实数据出发，正向使用规则
进行推理（即用规则前提与动态数据库中的事实匹配， 或用动态数据库中的数据测试规则的前提条件，然后产 生结论或动作），朝目标方向前进。
下面我们给出产生式系统正向推理和反向推理的常用 算法：
1155页
第十五页，共42页
r6：若某动物是哺乳动物且吃肉，则它是食肉动物。 r7：若某动物是哺乳动物且有蹄，则它是有蹄动物。 r8：若某动物是有蹄动物且反刍食物，则它是偶蹄动 物。 r9：若某动物是食肉动物且黄褐色且有黑色条纹，则 它是老虎。 r10：若某动物是食肉动物且黄褐色且有黑色斑点，则 它是金钱豹。 r11：若某动物是有蹄动物且长腿且长脖子且黄褐色且 有暗斑点，则它是长颈鹿。
专家系统
知识表示是对知识的一种描述，或者说是一组约定，是一种计算机可以接受的用于描述知识的数据结构。
知识外部表示模式：是与软件开发与运行的软件工具与平台无关的知识表示的形式化描述。
知识内部表示模式：是与开发软件工具与平台有关的知识表示的存储结构。
命题是具有真假意义的语句。
命题代表人们进行思维时的一种判断，或者是肯定，或者是否定。
谓词公式的永真性、可满足性、不可满足性、等价性蕴含式与产生式的差别：①蕴含式只能表示精确知识；产生式可以表示精确知识，也可以表示不精确知识。
②蕴含式要求匹配是精确的；产生式匹配可以是精确的，也可以是不精确的。
产生式系统有三个基本组成部分：规则库、综合数据库和控制机构专家系统的基本特征：知识库和推理机的分离产生式系统的推理方式：正向推理（数据驱动、自底向上）反向推理（目标驱动、自顶向下）双向推理由问题的全部状态及一切可用算符所构成的集合称为问题的状态空间，一般用一个三元组表示：（S，F，G）其中S是问题的所有初始状态构成的集合；F是算符的集合；G是目标状态的集合。
状态空间的图示形式称为状态空间图。
其中，节点表示状态；有向边（弧）表示算符。
本原问题：直接可解的子问题称为本原问题。
端节点与终叶节点：没有子节点的节点称为端节点；本原问题所对应的端节点称为终叶节点。
宽度优先搜索：在搜索树的生成过程中，只有对搜索树中同一层的所有节点都考查完之后，才会对下一层的节点进行考查。
深度优先搜索：在搜索树的生成过程中，对open表中同一层的节点只选择表中一个节点进行考查和扩展，只有当这个节点是不可扩展的。
才选择同层的兄弟节点进行考查和扩展。
博弈树的特点：①博弈的初始格局是初始节点。
②在博弈树中，“或”节点和“与”节点是逐层交替出现的。
自己一方扩展的节点之间是“或”关系，对方扩展的节点之间是“与”关系。
双方轮流地扩展节点。
③所有能使自己一方获胜的终局都是本原问题，相应的节点是可解节点，所有使对方获胜的终局都是不可解节点。
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);
知识表示之二——产生式规则表示法
知识表⽰之⼆——产⽣式规则表⽰法 产⽣式知识表⽰法是常⽤的知识表⽰⽅式之⼀。
它是依据⼈类⼤脑记忆模式中的各种知识之间的⼤量存在的因果关系，并以“IF-THEN”的形式，即产⽣式规则表⽰出来的。
这种形式的规则捕获了⼈类求解问题的⾏为特征，并通过认识--⾏动的循环过程求解问题。
⼀个产⽣是系统由规则库、综合数据库和控制机构三个基本部分组成。
产⽣式规则表⽰法具有⾮常明显的优点：⾃然性好，产⽣式表⽰⽤“IF-THEN ”的形式表⽰知识，这种表⽰与⼈类的判断性知识基本⼀致，直观，⾃然，便于推理；除了对系统的总体结构、各部分互相作⽤的⽅式及规则的表⽰形式有明确规定以外，对系统的其他实现细节都没有具体规定，这是设计者们在开发实⽤系统时具有较⼤灵活性，可以根据需求采⽤适当的实现技术，特别是可以把对求解问题有意义的各种启发式知识引⼊到系统中；表⽰的格式固定，形式单⼀，规则间相互独⽴，整个过程只是前件匹配，后件动作。
匹配提供的信息只有成功与失败，匹配⼀般⽆递归，没有复杂的计算，所以系统容易建⽴；由于规则库中的知识具有相同的格式，并且全局数据库可以被所有的规则访问，因此规则可以被统⼀处理；模块性好，产⽣式规则是规则中最基本的知识单元，各规则之间只能通过全局数据量发⽣联系，不能互相调⽤，增加了规则的模块性，有利于对知识的增加、删除和修改；产⽣式表⽰法既可以表⽰确定的知识单元，⼜可以表⽰不确定性知识；既有利于表⽰启发式知识，⼜可以⽅便地表⽰过程性知识；既可以表⽰领域知识，⼜可以表⽰元知识。
但是，产⽣式规则表⽰法也存在着下列缺点：推理效率低下：由于规则库中的知识都有统⼀格式，并且规则之间的联系必须以全局数据库为媒介，推理过程是⼀种反复进⾏的“匹配--冲突消除--执⾏”的过程。
⽽且在每个推理周期，都要不断地对全部规则的条件部分进⾏搜索和模式匹配，从原理上讲，这种做法必然会降低推理效率，⽽且随着规模数量的增加，效率低的缺点会越来越突出，甚⾄会出现组合爆炸问题。
- 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)。
规则的不确定性
专家掌握的规则大多是经验性、不精确的 也可用可信度CF值表示
“如果 听诊=干鸣音 则 诊断=肺炎 CF=0.5” 表示根据病人的听诊是干鸣音而诊断该病人患肺 炎的可信度是0.5(50%)
2018/10/17
北京交通大学经济管理学院信息管理系
5
产生式规则的不确定性推理（3）
若栈顶目标在规则库中找不到以其为结论的规则， 则向用户提问 用户的回答（yes或no）以一个事实表示，记入 事实库
2018/10/17
北京交通大学经济管理学院信息管理系
16
产生式规则ES的解释机制（3）
从规则栈中退出一条规则时，说明规则是 “成功”还是“失败”的
产生式规则ES流行的原因
产生式规则容易被理解 产生式规则基于演绎推理，保证了推理 的正确性 大量产生式规则连成的推理树可以是多 棵树。从广度看，反映了实际问题的范 围；从深度看，反映了问题的难度
2018/10/17
北京交通大学经济管理学院信息管理系
3
产生式规则的不确定性推理（1）
在推理过程中，由于知识的不确定性所 引起的结论不确定性的传播过程 事实的不确定性
2018/10/17
北京交通大学经济管理学院信息管理系
8
产生式规则的不确定性推理（6）
三项前提时，即IF E1∨E2 ∨E3 THEN H CF(R)， 结论H的可信度：CF(H)=CF12(H)+CF3(H)CF12(H)×CF3(H)。其中， CF12(H)=CF1(H)+CF2(H)-CF1(H)×CF2(H)； CF3(H)=CF(E3)×CF(R3)
2018/10/17
北京交通大学经济管理学院信息管理系
7
产生式规则的不确定性推理（5）
前提为∨连接时
规则形式：IF E1∨E2 THEN H CF(R)IF E1 THEN H CF(R1)，IF E2 THEN H CF(R2)， CF(R)=CF(R1)=CF(R2) 结论H的可信度：CF(H)=CF1(H)+CF2(H)CF1(H)×CF2(H)。其中， CF1(H)=CF(E1)×CF(R1) CF2(H)=CF(E2)×CF(R2)
不确定性逆向推理：设R1：A→G CF(0.8)；R2： B∧C→G CF(0.9) 引用规则R1，提问A？当回答为yes时，还需要 给定事实的可信度，设为CF(0.7)，按公式求得G 的可信度为CF1(G)=0.8×0.7=0.56 由于G的可信度不为1，再引用规则R2，提问B和 C，设回答B为yes，CF(0.7)，回答C为yes， CF(0.8)，计算G的可信度为 CF2(G)=0.9×min{0.7,0.8}=0.63
2018/10/17
北京交通大学经济管理学院信息管理系
12
产生式规则的不确定性推理（10）
合并G的可信度为CF(G)=CF1(G)+CF2(G)CF1(G)×CF2(G)=0.56+0.63-0.56×0.63=0.84 如果对某个事实用户回答为no，则它的可信度 CF=0
产生式规则ES的事实库
不确定性推理事实库的关系型结构
事实 A1 A2 A3 y/n值 n y y 规则号 0 0 4 可信度 0 0.7 0.63
事实属性放事实，y/n值表示是(yes)还是 否(no)，规则号表示事实取y/n的理由，规 则号为“0”表示向用户提问得到，具体规 则号表示由该规则推出，可信度表示该事 实的可信度 北京交通大学经济管理学院信息管理系 2018/10/17
结论的不确定性
由于事实和规则的不确定性，导致了结论的 不确定性 反映了不确定性的传播过程 仍用可信度CF值表示
2018/10/17
北京交通大学经济管理学院信息管理系
6
产生式规则的不确定性推理（4）
结论的可信度计算公式
前提为∧连接时
规则形式：IF E1∧E2∧…∧En THEN H CF(R)； 结论H的可信度 CF(H)=CF(R)×MIN{CF(E1),CF(E2)…CF(En)}。 其中，Ek(k=1,2…n)代表前提中的每个事实； CF(Ek)代表每个事实的可信度；CF(R)代表规则 的可信度；CF(H)代表结论的可信度
14
产生式规则ES的解释机制（1）
推理过程的全部解释 推理过程成功路径ቤተ መጻሕፍቲ ባይዱ解释
仅对推理过程中的成功路径进行说明
2018/10/17
北京交通大学经济管理学院信息管理系
15
产生式规则ES的解释机制（2）
推理过程的全部解释
提取一条规则压入规则栈时，显示“引用” 该规则和“求”规则前提中的某项事实。将 事实为结论，压入栈顶，继续搜索规则
北京交通大学经济管理学院信息管理系 10
2018/10/17
产生式规则的不确定性推理（8）
确定性逆向推理：先引用规则R1，提问A？当 回答为yes时，推出结论G成立，即yes，不再 搜索R2对结论G进行推理
G
R1 R2
A
2018/10/17
B
C
11
北京交通大学经济管理学院信息管理系
产生式规则的不确定性推理（9）
由不确定性因素（包括模糊性/不完全性/不 准确与不精确性/随机性）造成 一般用可信度CF (Certainty Factor)值表示， 0≤CF≤1或0≤CF≤100%
“肺炎 CF=0.8”表示某病人患肺炎的可信度为 0.8(80%)
北京交通大学经济管理学院信息管理系 4
2018/10/17
产生式规则的不确定性推理（2）
产生式规则的不确定性推理（7）
与确定性逆向推理的区别
当某个结论的可信度不为1时（即CF≠1）， 对于相同结论的其它规则仍要进行推理，求 结论的可信度，并和已计算出该结论的可信 度进行合并 举例
有两条相同结论的规则：R1：A→G；R2： B∧C→G。分别使用确定性逆向推理和不确定性 逆向推理计算G的可信度
第八章 产生式规则专家系统
杜晖
2018/10/17
北京交通大学经济管理学院信息管理系
1
内容
产生式规则ES流行的原因 产生式规则的不确定性推理 产生式规则ES的事实库 产生式规则ES的解释机制 产生式规则ES不确定性推理举例 习题
北京交通大学经济管理学院信息管理系 2
2018/10/17