第6章基于产生式规则机器推理
基于产生式规则的推理
基于产生式规则 的机器推理
产生式规则的界定及内容
例如： （1）天下雨，地上湿。（“原因—结果”结构） （2）如果把冰加热到零摄氏度以上，冰就会融化为水。 （“条件—结论”结构） （3）“夜来风雨声，花落知多少。”（事实及其进展 结构） （4）若能找到一根合适的杠杆，就能撬起那座大山。 （前提—操作） （5）“才饮长江水，又食武昌鱼，”（事实及其进展 结构） （6）刚才开机了，意味着发出了捕获目标图像的信号。 （情况—行为）
产生式规则的界定及内容
产生式规则其实就是产生式系统的主体，是产生 式系统知识表示的核心。故人们常把产生式表示直接 称为产生式规则，或简称规则。这里所说的“规则” ， 是指人们思维判断中的一种固定逻辑结构关系。一般 产生式的结构可表示为自然语言形式，事实上，在自 然语言表达中，人们广泛使用的各种“原因—-结果”， “条件—结论”，“前提—操作”，“事实—进展”， “情况—行为”等结构，都可归结为产生式的知识表 达形式。
正向推理算法：
步1 将初始事实/数据置入动态数据库。 步2 用动态数据库中的事实/数据, 匹配/测试目标 条件, 若目标条件满足, 则推理成功, 结束。 步3 用规则库中各规则的前提匹配动态数据库中的 事实/数据, 将匹配成功的规则组成待用规则集。 步4 若待用规则集为空, 则运行失败, 退出。 步5 将待用规则集中各规则的结论加入动态数据库, 或者执行其动作, 转步2。
数字孪生技术与工程实践 第6章 数字孪生的智能化应用
引言
数字孪生技术与工程实践
在SIGGRAPH 2021 上，英伟达（Nvidia）公司通过一部纪录片自曝：在2021年4月举办的 “英伟达 GTC（图形技术大会）发布会”内藏玄机，他们构建了一个英伟达首席执行官兼创始 人黄仁勋（老黄）的“数字孪生体”，出现在视频发布会的部分环节中。
知识推理
数字孪生技术与工程实践
推理一般是指这样一个过程，通过对事物进行分解、分析，再进行综合，然后做出决策，这个 过程往往是从事实开始，运用已经掌握的知识，找出其中隐含的事实或总结出新的知识。
在智能系统中，推理通常是由一组程序来实现的，一般把这一组用来控制计算机实现推理的程 序称为推理机。
推理方法是解决在推理的过程中推理前提和推理结论的逻辑关系问题，包括确定性的以及不确 定性的传递问题。
数字孪生技术与工程实践
6.2 模型和数据双驱动的优化
模型驱动和数据驱动的方法
数字孪生技术与工程实践
模型（或者说知识）驱动方法与数据驱动方法是指导工程人员研究工程系统的两大方法论。数据驱动方 法与模型驱动方法本质上都源于对人类知识的总结和扩展，都具有一定的数学理论基础。
数据驱动方法（Data-driven Method）能够将数据样本转化为经验模型（Experience-based Model），
基于数字孪生的智能化应用，可以从模型和数据相结合的优化入手来考虑。传统的基于模型的 或者说基于知识的优化，在面向复杂大系统或者巨系统的情况，可能会遇到效率不高、难以实 现等问题；而单纯基于数据的优化，在工业、建筑业等已经拥有大量机理模型和物理、化学等 演变规律知识的学科与行业中，往往事倍功半，容易在数据中迷失方向。数字孪生的优势，在 于基于模型和知识，结合实际系统中采集的数据，融合后进行优化，充分发挥模型和数据各自 的优势。
AI导论教学大纲-人工智能导论-廉师友-清华大学出版社
人工智能导论课程教学大纲廉师友编写清华大学出版社（2020）说明为了方便各位任课老师的教学，本书作者结合自己多年来给计算机专业讲授人工智能课程的教学大纲和这部《人工智能导论》新教材的内容以及该课程的基本要求，制定了这一新的教学大纲，供各位老师参考。
从内容来看，这个大纲与这部新教材是一致的，其课时应该说已达到这门课程的上限。
各位老师可根据各自院校的实际情况对该大纲的教学内容进行取舍，并确定相应的课时，以制定适合各自教学任务的教学大纲。
希望这份资料对各位任课老师的教学能有所裨益和帮助！当然，若发现其中有不妥或错误之处也请指正！作者2020年3月《人工智能导论》课程教学大纲课程编号：英文课名：Introduction to Artificial Intelligence适用专业：人工智能、计算机、自动化和电子信息类专业（考试）学时：90 学分：课程类别：专业课课程性质：必修课/必选课一、课程性质和目的《人工智能导论》为人工智能、计算机、自动化和电子信息类专业的一门必修或必选课程，其目的是使学生理解人工智能的基本原理，初步学习和掌握人工智能的基本技术，为进一步学习人工智能后续专业课程或从事人工智能的研发奠定基础，指引方向。
二、课程内容第1章人工智能概述基本内容和要求：1．理解人工智能的概念、目标和研究策略；2．理解人工智能的研究内容与方法；3．了解人工智能的分支领域；4．了解人工智能的应用与发展概况。
第2章人工智能程序设计语言基本内容和要求：1．了解人工智能程序设计语言的特点、分类和发展概况；2．理解PROLOG语言的语句特点、程序结构和运行机理，能读懂和编写简单的PROLOG 程序；3．了解Python语言的特点和使用方法，能读懂和编写简单的Python程序。
教学重点：1．PROLOG语言；2．Python语言。
教学难点：1．PROLOG语言的匹配合一和回溯控制；2．Python语言的程序结构和资源库的使用。
《人工智能概论》课程笔记
《人工智能概论》课程笔记第一章人工智能概述1.1 人工智能的概念人工智能（Artificial Intelligence，简称AI）是指使计算机具有智能行为的技术。
智能行为包括视觉、听觉、语言、学习、推理等多种能力。
人工智能的研究目标是让计算机能够模拟人类智能的某些方面，从而实现自主感知、自主决策和自主行动。
人工智能的研究领域非常广泛，包括机器学习、计算机视觉、自然语言处理、知识表示与推理等。
1.2 人工智能的产生与发展人工智能的概念最早可以追溯到上世纪50 年代。
1950 年，Alan Turing 发表了著名的论文《计算机器与智能》，提出了“图灵测试”来衡量计算机是否具有智能。
1956 年，在达特茅斯会议上，John McCarthy 等人首次提出了“人工智能”这个术语，并确立了人工智能作为一个独立的研究领域。
人工智能的发展可以分为几个阶段：（1）推理期（1956-1969）：主要研究基于逻辑的符号操作和自动推理。
代表性成果包括逻辑推理、专家系统等。
（2）知识期（1970-1980）：研究重点转向知识表示和知识工程，出现了专家系统。
代表性成果包括产生式系统、框架等。
（3）机器学习期（1980-1990）：机器学习成为人工智能的重要分支，研究如何让计算机从数据中学习。
代表性成果包括决策树、神经网络等。
（4）深度学习期（2006-至今）：深度学习技术的出现，推动了计算机视觉、自然语言处理等领域的发展。
代表性成果包括卷积神经网络、循环神经网络等。
1.3 人工智能的三大学派人工智能的研究可以分为三大学派：（1）符号主义学派：认为智能行为的基础是符号操作和逻辑推理。
符号主义学派的研究方法包括逻辑推理、知识表示、专家系统等。
（2）连接主义学派：认为智能行为的基础是神经网络和机器学习。
连接主义学派的研究方法包括人工神经网络、深度学习、强化学习等。
（3）行为主义学派：认为智能行为的基础是感知和行动。
行为主义学派的研究方法包括遗传算法、蚁群算法、粒子群算法等。
第六章基于产生式规则的机器推理
第六章基于产生式规则的机器推理教学目的：使学生掌握产生式系统的定义、组成和推理技术。
教学重点和难点：产生式系统与规则演绎系统的差别和产生式系统的组成。
难点为产生式系统的控制策略等。
主要教学内容及要求：了解：产生式系统的程序实现理解：产生式系统与图搜索的区别掌握：产生式系统的组成结构，通过实践掌握产生式系统的设计和工作过程。
熟练掌握：产生式规则与产生式系统产生式这一术语，是1943年在美国数学家波斯特（E.Post）提出的一种称为波斯特机的计算模型里被首次使用的。
波斯特机的目的在于证明它和“图灵机”具有相同的计算能力。
在该模型中，波斯特主要是用类似于文法的规则对符号串做替换运算，并把其中的每一条符号变换规则称为一个产生式。
此后，产生式不断发展，1972年纽厄尔和西蒙在研究人类的认知模型中开发了基于规则的产生式系统。
目前，产生式表示法已成为人工智能中应用最多的一种知识表示模式，尤其是在专家系统方面，许多成功专家系统都是采用产生式知识表示方式。
产生式表示法也称为产生式规则表示法。
本节主要讨论产生式方法的基本方法、基本结构、基本过程和基本类型。
2.1.1产生式表示的基本方法及特性产生式表示法可以很容易地描述事实、规则以及它们的不确定性度量。
对非确定性知识的产生式表示方法，将主要在第4章讨论。
1.事实的表示事实可看作是断言一个语言变量的值或断言多个语言变量之间关系的陈述句。
其中，语言变量的值或语言变量之间的关系可以是数字，也可以是一个词等。
例如，陈述句“雪是白的”，其中“雪”是语言变量，“白的”是语言变量的值。
再如，陈述句“王峰热爱祖国”，其中，“王峰”和“祖国”是两个语言变量，“热爱”是语言变量之间的关系。
在产生式表示法中，事实通常是用三元组或四元组来表示的。
对确定性知识，一个事实可用一个三元组（对象，属性，值）或（关系，对象1，对象2）来表示。
其中，对象就是语言变量。
这种表示方式，在机器内部可用一个表来实现。
人工智能导论课件第6章第4-5节
6.5.2 振动故障诊断的专家系统
• VIBEX专家系统结合了决策表分析（DTA）和DT，决策表分析是通过已知案 例来构建的，而DT是为了做出分类，使用归纳式知识获取过程来构建。 VIBEX DT与机器学习技术相结合，比起ⅤIBEX（VIBration Expert）TBL方 法在处理振动原因和发生概率较高的案例时，其诊断更有效率。人类专家合作 构建DTA，这最终得到了由系统知识库组成的规则集。然后，人们使用贝叶斯 算法计算出规则的确定性因子。
6.5.2 振动故障诊断的专家系统
• 专家系统的重要作用之一是用于故障诊断。在昂贵、高速、关键机械运转的情 况下，故障的早期准确检测非常重要。在机械运转的情况下，异常情况的常见 指标是旋转机械的振动。检测到故障后，维护工程师能够识别症状信息，解释 各种错误信息和指示，并提出正确的诊断。换句话说，识别可能导致故障的组 件以及组件失败的原因。
人工智能导论
Introduction to artificial intelligence
• （1）规划——在这个阶段，根据所有可能的原子构型的集合中和质谱推导出 的约束一致的原子构型集合，还原出答案。应用约束，选择必须出现在最终结 构中的分子片段，剔除不能出现的分子片段。
• （2）生成——使用名为CONGEN的程序来生成可能的结构。“它的基础是组 合算法（具有数学证明的完整性以及非冗余生成性）。组合算法可以产生所有 在拓扑上合法的候选结构。通过使用‘规划’过程提供的约束进行裁剪，引导 生成合理的集合（即满足约束条件的集合），而不是巨大的合法集合。”
人工智能课后习题第6章 参考答案
第6章不确定性推理参考答案6.8 设有如下一组推理规则:r1: IF E1THEN E2 (0.6)r2: IF E2AND E3THEN E4 (0.7)r3: IF E4THEN H (0.8)r4: IF E5THEN H (0.9)且已知CF(E1)=0.5, CF(E3)=0.6, CF(E5)=0.7。
求CF(H)=?解：(1) 先由r1求CF(E2)CF(E2)=0.6 × max{0,CF(E1)}=0.6 × max{0,0.5}=0.3(2) 再由r2求CF(E4)CF(E4)=0.7 × max{0, min{CF(E2 ), CF(E3 )}}=0.7 × max{0, min{0.3, 0.6}}=0.21(3) 再由r3求CF1(H)CF1(H)= 0.8 × max{0,CF(E4)}=0.8 × max{0, 0.21)}=0.168(4) 再由r4求CF2(H)CF2(H)= 0.9 ×max{0,CF(E5)}=0.9 ×max{0, 0.7)}=0.63(5) 最后对CF1(H )和CF2(H)进行合成，求出CF(H)CF(H)= CF1(H)+CF2(H)+ CF1(H) × CF2(H)=0.6926.10 设有如下推理规则r1: IF E1THEN (2, 0.00001) H1r2: IF E2THEN (100, 0.0001) H1r3: IF E3THEN (200, 0.001) H2r4: IF H1THEN (50, 0.1) H2且已知P(E1)= P(E2)= P(H3)=0.6, P(H1)=0.091, P(H2)=0.01, 又由用户告知：P(E1| S1)=0.84, P(E2|S2)=0.68, P(E3|S3)=0.36请用主观Bayes方法求P(H2|S1, S2, S3)=?解：(1) 由r1计算O(H1| S1)先把H1的先验概率更新为在E1下的后验概率P(H1| E1)P(H1| E1)=(LS1× P(H1)) / ((LS1-1) × P(H1)+1)=(2 × 0.091) / ((2 -1) × 0.091 +1)=0.16682由于P(E1|S1)=0.84 > P(E1)，使用P(H | S)公式的后半部分，得到在当前观察S1下的后验概率P(H1| S1)和后验几率O(H1| S1)P(H1| S1) = P(H1) + ((P(H1| E1) – P(H1)) / (1 - P(E1))) × (P(E1| S1) – P(E1))= 0.091 + (0.16682 –0.091) / (1 – 0.6)) × (0.84 – 0.6)=0.091 + 0.18955 × 0.24 = 0.136492O(H1| S1) = P(H1| S1) / (1 - P(H1| S1))= 0.15807(2) 由r2计算O(H1| S2)先把H1的先验概率更新为在E2下的后验概率P(H1| E2)P(H1| E2)=(LS2×P(H1)) / ((LS2-1) × P(H1)+1)=(100 × 0.091) / ((100 -1) × 0.091 +1)=0.90918由于P(E2|S2)=0.68 > P(E2)，使用P(H | S)公式的后半部分，得到在当前观察S2下的后验概率P(H1| S2)和后验几率O(H1| S2)P(H1| S2) = P(H1) + ((P(H1| E2) – P(H1)) / (1 - P(E2))) × (P(E2| S2) – P(E2))= 0.091 + (0.90918 –0.091) / (1 – 0.6)) × (0.68 – 0.6)=0.25464O(H1| S2) = P(H1| S2) / (1 - P(H1| S2))=0.34163(3) 计算O(H1| S1,S2)和P(H1| S1,S2)先将H1的先验概率转换为先验几率O(H1) = P(H1) / (1 - P(H1)) = 0.091/(1-0.091)=0.10011再根据合成公式计算H1的后验几率O(H1| S1,S2)= (O(H1| S1) / O(H1)) × (O(H1| S2) / O(H1)) × O(H1)= (0.15807 / 0.10011) × (0.34163) / 0.10011) × 0.10011= 0.53942再将该后验几率转换为后验概率P(H1| S1,S2) = O(H1| S1,S2) / (1+ O(H1| S1,S2))= 0.35040(4) 由r3计算O(H2| S3)先把H2的先验概率更新为在E3下的后验概率P(H2| E3)P(H2| E3)=(LS3× P(H2)) / ((LS3-1) × P(H2)+1)=(200 × 0.01) / ((200 -1) × 0.01 +1)=0.09569由于P(E3|S3)=0.36 < P(E3)，使用P(H | S)公式的前半部分，得到在当前观察S3下的后验概率P(H2| S3)和后验几率O(H2| S3)P(H2| S3) = P(H2 | ¬ E3) + (P(H2) – P(H2| ¬E3)) / P(E3)) × P(E3| S3)由当E3肯定不存在时有P(H2 | ¬ E3) = LN3× P(H2) / ((LN3-1) × P(H2) +1)= 0.001 × 0.01 / ((0.001 - 1) × 0.01 + 1)= 0.00001因此有P(H2| S3) = P(H2 | ¬ E3) + (P(H2) – P(H2| ¬E3)) / P(E3)) × P(E3| S3)=0.00001+((0.01-0.00001) / 0.6) × 0.36=0.00600O(H2| S3) = P(H2| S3) / (1 - P(H2| S3))=0.00604(5) 由r4计算O(H2| H1)先把H2的先验概率更新为在H1下的后验概率P(H2| H1)P(H2| H1)=(LS4× P(H2)) / ((LS4-1) × P(H2)+1)=(50 × 0.01) / ((50 -1) × 0.01 +1)=0.33557由于P(H1| S1,S2)=0.35040 > P(H1)，使用P(H | S)公式的后半部分，得到在当前观察S1,S2下H2的后验概率P(H2| S1,S2)和后验几率O(H2| S1,S2)P(H2| S1,S2) = P(H2) + ((P(H2| H1) – P(H2)) / (1 - P(H1))) × (P(H1| S1,S2) – P(H1))= 0.01 + (0.33557 –0.01) / (1 – 0.091)) × (0.35040 – 0.091)=0.10291O(H2| S1,S2) = P(H2| S1, S2) / (1 - P(H2| S1, S2))=0.10291/ (1 - 0.10291) = 0.11472(6) 计算O(H2| S1,S2,S3)和P(H2| S1,S2,S3)先将H2的先验概率转换为先验几率O(H2) = P(H2) / (1 - P(H2) )= 0.01 / (1-0.01)=0.01010再根据合成公式计算H1的后验几率O(H2| S1,S2,S3)= (O(H2| S1,S2) / O(H2)) × (O(H2| S3) / O(H2)) ×O(H2)= (0.11472 / 0.01010) × (0.00604) / 0.01010) × 0.01010=0.06832再将该后验几率转换为后验概率P(H2| S1,S2,S3) = O(H1| S1,S2,S3) / (1+ O(H1| S1,S2,S3))= 0.06832 / (1+ 0.06832) = 0.06395可见，H2原来的概率是0.01，经过上述推理后得到的后验概率是0.06395，它相当于先验概率的6倍多。
第5章 基于一阶谓词的机器推理
5.1.3 永真式与推理规则
定义 5-10 设P为谓词公式，D为其个体域，对于D中 的任一解释I：
(1) 若P恒为真，则称P在D上永真（或有效）或是D上的 永真式。
(2) 若P恒为假，则称P在D上永假（或不可满足）或是D 上的永假式。
所以，谓词公式G在I下为真。
定义 5-8 设G, H是两个谓词公式，D是它们的公共个体
域，若对于D中的任一解释，G, H有相同的真值，则称公式
G, H在个体域D上逻辑等价。若G, H在所有个体域上等价，
则称G, H逻辑等价，记为G H。
定义 5-9 设G, H是两个谓词公式，D是它们的公共个 体域，若对于D中的任一解释，当G真时H也真，则称在个 体域D上公式G逻辑蕴涵公式H。若在所有个体域上G都逻 辑蕴涵H，则称G逻辑蕴涵H，或称H是G的逻辑结果，记 为G H。
下面约定用大写英文字母作为谓词符号，用小写字母f, g, h等表示函数符号，用小写字母x, y, z等作为个体变元符 号，用小写字母a, b, c等作为个体常元符号。
❖ 谓词逻辑中，符号 、∧、∨、→、←→依次表示（命题） 连接词“非”、“并且”、“或者”、“如果…则”、 “当且仅当”，称为否定词、合取词、析取词、蕴涵词、 等价词。它们也就是5个逻辑运算符。
试问：小王学过计算机吗？
解 令S(x)表示：x是大学生；M(x)表示：x学过计算机； a表示：小王。则上面的两个命题可用谓词公式表示为
(1) x(S(x)→M(x))
(2) S(a)
下面遵循有关推理规则进行符号变换和推理：
(1) x(S(x)→M(x)) [前提]
(2) S(a)→M(a) [(1), US]
生成式模型 推理式模型-概述说明以及解释
生成式模型推理式模型-概述说明以及解释1.引言1.1 概述在机器学习领域中，生成式模型和推理式模型是两种常见的方法。
它们都是用于描述和处理概率和不确定性的模型。
生成式模型主要关注如何生成样本数据，而推理式模型则着眼于对给定数据进行推理和预测。
生成式模型是一种通过建模随机变量的联合概率分布，从而生成新的样本数据的方法。
它通过观察已知数据的特征，学习生成这些数据的分布规律。
生成式模型的核心思想是通过学习到的分布，来生成具有与训练样本相似的新样本。
生成式模型的一大优势是可以生成新的、不存在的数据样本，从而扩展数据集。
生成式模型常用的方法包括隐马尔可夫模型（HMM）、混合高斯模型（GMM）、变分自编码器（VAE）等。
与之相对，推理式模型则主要关注给定数据后如何进行推理，即通过已知的条件获得目标值的后验分布。
推理式模型用于对已知数据进行分类、回归、聚类等任务，并且可以用于预测未来的结果。
推理式模型更加注重对特征和目标之间的依赖关系建模，以便进行准确的预测。
推理式模型常用的方法包括逻辑回归、支持向量机（SVM）、深度神经网络（DNN）等。
生成式模型和推理式模型在应用领域上也有所差异。
生成式模型常用于自然语言处理、图像生成、语音合成等任务，因为它可以生成符合特定领域规则的新样本。
而推理式模型则广泛应用于文本分类、图像识别、推荐系统等任务，因为它能够对已知数据进行准确的预测和推理。
本文将详细介绍生成式模型和推理式模型的定义、原理和在不同领域的应用。
通过对两种模型的深入理解，有助于我们选择合适的模型用于解决具体问题，并推动机器学习技术的进一步发展。
1.2文章结构文章结构部分的内容如下：文章结构的目的是为读者概述本文的组织方式和内容安排，并给出每个部分的简要介绍。
通过清晰明了的结构，读者可以更好地理解和把握文章全貌，以便在阅读过程中更容易找到所需的信息。
本文主要包含以下几个部分：1. 引言：本部分将对生成式模型和推理式模型进行概述，并介绍文章的结构安排和目的。
第6章 基于产生式规则的机器推理
同其匹配，若匹配成功，转步(2)。 (4) 用规则集中的各规则的结论同该目标匹配，将第一个匹
配成功且未用过的规则的前提作为新的目标，并取代原来的父 目标而加入目标链，转步(3)。
(5) 若该目标是初始目标，则推理失败，退出。 (6) 将该目标的父目标移回目标链，取代该目标及其兄弟目 标，转步(3)。
推理机的一次推理过程可如图 6-3所示。
图 6-3 推理机的一次推理过程
6.2.3 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。简单来讲, 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, 然后产生结论或执行动作),朝目标方向前进； 反向推理就是从目标出发, 反向使用规则进行推理(即 用规则结论与目标匹配, 又产生新的目标, 然后对新目 标再作同样的处理),朝初始事实或数据方向前进。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：
还需说明的是, 对于规则库实际上还需配一个管理程 序, 即知识库管理系统, 专门负责规则及规则库的各项管 理工作。 知识库管理系统的设计也与规则的表示形式密切 相关。
3. 动态数据库的程序实现
动态数据库由推理时所需的初始事实数据、推理的中 间结果、最后结果以及其他控制或辅助信息组成。这些事 实数据的具体表示方法与上面所述的规则条件与结论的语 言表示方法基本一样, 区别就是动态数据库中的事实数据 中不能含有变量。动态数据库在内存可由(若干)链表实现 并组成。在PROLOG程序中实现动态数据库,则可不必编写 链表程序, 而利用PROLOG提供的动态数据库直接实现。
第6章 基于产生式规则的机器推理.
2019/8/24
人工智能
13
6.1.2基于产生式规则的推理模式
A B A B 把有前提的操作和逻辑推理统称为推理， 产生式系统中的推理是更广义的推理。
2019/8/24
人工智能
14
6.2产生式系统
6.2.1系统结构 6.2.2运行过程 6.2.3控制策略常用算法 6.2.4程序实现* 6.2.5产生式系统与问题求解
r3： IF 该动物有羽毛 THEN 该动物是鸟
r4： IF 该动物会飞 AND 会下蛋 THEN 该动物是鸟
r5： IF 该动物吃肉
THEN 该动物是食肉动物
r6： IF 该动物有犬齿 AND 有爪
AND 眼盯前方
THEN 该动物是食肉动物动物
2019/8/24
人工智能
4
6.1.1产生式规则（2）
产生式的一般形式为： 前件后件（情况行为） 前件是前提，规则的执行条件。 后件是结论或动作，规则体。 产生式规则的语义：如果前提满足，则可得结论或 者执行相应的动作，即后件由前件触发。
一个产生式规则就是一条知识，用产生式不仅可以进 行推理，也可以实现操作。
第6章 基于产生式规则的机器推理
第6章基于产生式规则的机器推理
6.1 产生式规则 6.2 产生式系统
2019/8/24
人工智能
2
6.1 产生式规则
6.1.1 产生式规则 6.1.2 基于产生式规则的推理模式
2019/8/24
人工智能
3
6.1.1产生式规则（1）
产生式
产生式（Production）一词从波斯特机中借用来的。 波斯特机是一种自动机，它是根据串替换规则提出 的一种计算模型。其中的每一条规则就叫一个产生 式。也称产生式规则，简称规则。 这里产生式就是前面讨论过的操作（二阶梵塔问题， 猴子摘香蕉问题等）、逻辑蕴含式、推理规则以及 各种关系（包含经验性联想）的一种逻辑抽象。
第6章 基于产生式规则的机器推理
2016/12/23
人工智能
16
6.2.1系统结构（1）
产生式系统结构
产生式规则库
推理机
全局数据库
2016/12/23
人工智能
17
6.2.1系统结构（2）
组成
产生式规则库——作用在全局数据库上的一些规则 的集合。每条规则都有一定的条件，若全局数据库 中内容满足这些条件可调用这条规则。一般可形成 一个称为推理网络的结构图。对应过程性知识。 推理机——负责产生式规则的前提条件测试或匹配， 规则的调度和选取，规则体的解释和执行。即推理 机实施推理，并对推理进行控制，它也是规则的解 释程序。对应控制性知识。 全局数据库——人工智能系统的数据结构中心。是 一个动态数据结构，用来存放初始事实数据、中间 结果和最后结果。对应叙述性知识。
产生式系统在形式上很简单，但在一定意义上模仿 了人类思考的过程。
2016/12/23
人工智能
3
人工智能使用产生式的理由
为什么要采用产生式系统作为人工智能系统的 主要结构呢？两点理由：
用产生式系统结构求解问题的过程和人类求解问题 时的思维过程相似，因而可以用来模拟人类求解问 题时的思维过程。 可把产生式系统作为人工智能系统的基本结构单元 或基本模式看待，就像积木中的积木块一样，因而 研究产生式系统的基本问题就具有一般意义。
2016/12/23
人工智能
13
6.1.1产生式规则（例）
上述结果可以推广到更一般的情况：设有m个大 臣，国王说至少有l个人的点是白色的，则有下 述产生式：
(1) (n>=l) <=>X0 ＝ {x|x中的白点数>=l}； (2) (n>=l) (Si=2) =>(Wi=1),(i=1,2,…,m,下同)； (3)( i ) (Wi=1) (n>=l) => (n=l) ； (4) (n=l) => ( i ) (Wi=l) ； (5)( i ) (Wi=0) (n>=l) (l<m-1)=> (n>=l＋1) ; (6)( i ) (Wi=0) (n>=l) (l＝m-1)=> (n＝m)。
《人工智能基础》课后习题及答案
1．什么是智能？智能有什么特征？答：智能可以理解为知识与智力的总和。
其中，知识是一切智能行为的基础，而智力是获取知识并运用知识求解问题的能力，即在任意给定的环境和目标的条件下，正确制订决策和实现目标的能力，它来自于人脑的思维活动。
智能具有下述特征：（1）具有感知能力（系统输入）。
（2）具有记忆与思维的能力。
（3）具有学习及自适应能力。
（4）具有行为能力（系统输出）。
2．人工智能有哪些学派？他们各自核心的观点有哪些？答：根据研究的理论、方法及侧重点的不同，目前人工智能主要有符号主义、联结主义和行为主义三个学派。
符号主义认为知识可用逻辑符号表达，认知过程是符号运算过程。
人和计算机都是物理符号系统，且可以用计算机的符号来模拟人的认知过程。
他们认为人工智能的核心问题是知识表示和知识推理，都可用符号来实现，所有认知活动都基于一个统一的体系结构。
联结主义原理主要是神经网络及神经网络间的连接机制与学习算法。
他们认为人的思维基元是神经元，而不是符号运算。
认为人脑不同于电脑，不能用符号运算来模拟大脑的工作模式。
行为主义原理为控制论及“感知—动作”型控制系统。
该学派认为智能取决于感知和行动，提出智能行为的“感知—动作”模式，他们认为知识不需要表示，不需要推理。
智能研究采用一种可增长的方式，它依赖于通过感知和行动来与外部世界联系和作用。
3．人工智能研究的近期目标和远期目标是什么？它们之间有什么样的关系？答：人工智能的近期目标是实现机器智能，即主要研究如何使现有的计算机更聪明，使它能够运用知识去处理问题，能够模拟人类的智能行为。
人工智能的远期目标是要制造智能机器。
即揭示人类智能的根本机理，用智能机器去模拟、延伸和扩展人类的智能。
人工智能的近期目标与远期目标之间并无严格的界限，二者相辅相成。
远期目标为近期目标指明了方向，近期目标则为远期目标奠定了理论和技术基础。
4．人工智能的研究途径有哪些？答：人工智能的研究途径主要有：（１）心理模拟，符号推演；（２）生理模拟，神经计算；（３）行为模拟，控制进化论。
- 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)。
2021/3/17
第6章基于产生式规则机器推理
6
6.1.1产生式规则（2）
产生式的一般形式为： A B（或 IF A Then B） A是产生式的前提（前件），用于指出该产生式是 否可用的条件 B是一组结论或操作（后件），用于指出当前提A指 示的条件满足时，应得出的结论或应执行的操作。
一个产生式规则就是一条知识，用产生式不仅可以进 行推理，也可以实现操作。
2021/3/17
第6章基于产生式规则机器推理
4
产生式规则的界定及内容
产生式规则是产生式系统的主体，是产生式系统知识 表示的核心。故直接将产生式称为产生式规则。 一般产生式的结构可表示为自然语言形式，“原因-结 果”，“条件-结论”，“前提-操作”，“事实-进展 ”，“情况-行为”等结构都可归结为产生式的知识表 达形式。
2021/3/17
第6章基于产生式规则机器推理
7
6.1.1产生式规则（例）
例三个聪明人问题。古代有个国王想知道他的三 个大臣中谁最聪明，就在他们每个人前额上都 画了一个点，他们都能看到别人点的颜色，但 看不到自己点的颜色。国王说，你们中间至少 有一个人的点是白色的。于是重复地问他们： “谁知道自己点的颜色？”三位大臣们头两次 都回答说不知道。 题目要求证明下一次他们全都会说“知道”， 并且所有的点都是白色。
6.1.1产生式规则（例）
(1) (n>=1) <=>X0 ＝ { (0,0,1),(0,1,0),(0,1,1),(1,0,0),(1,0,1),(1,1,0),(1,1,1)}；
(2) (n>=1) (Si=2) =>(Wi=1),(i=1,2,3,下同)； (3)( i ) (Wi=1) (n>=1) => (n=1) ； (4) (n=1) => ( i ) (Wi=1) ； (5) ( i ) (Wi=0) (n>=1) => (n>=2) ; (6) (n>=2) <=>X0 ＝ { (0,1,1),(1,0,1),(1,1,0),(1,1,1)}； (7) (n>=2) (Si=1) =>(Wi=1); (8) ( i ) (Wi=1) (n>=2) => (n=2) ; (9) (n=2) => ( i ) (Wi=1); (10) ( i ) (Wi=0) (n>=2) => (n=3); (11) (n=3) <=> X0 ＝ { (1,1,1)}； (12) (n=3) => ( i ) (Wi=1).
2021/3/17
第6章基于产生式规则机器推理
5
可归结为产生式的表达形式
例： （1）天下雨，地上湿。（“原因-结果”） （2）如果把冰加热到零摄氏度以上，冰会融化为水。（“条件-结论”） （3）夜来风雨声，花落知多少。（“事实-进展”） （4）若能找到一根合适的杠杆，就能撬超那座山。（“前提-操作”） （5）刚才开机了，意味着发出了捕获目标图像的信号。（“情况-行为”）
2021/3/17
第6章基于产生式规则机器推理
13
6.1.1产生式规则（例）
上述结果可以推广到更一般的情况：设有m个大 臣，国王说至少有l个人的点是白色的，则有下 述产生式：
产生式系统在形式上很简单，但在一定意义上模仿 了人类思考的过程。
2021/3/17
第6章基于产生式规则机器推理
3
人工智能使用产生式的理由
为什么要采用产生式系统作为人工智能系统的 主要结构呢？两点理由：
用产生式系统结构求解问题的过程和人类求解问题 时的思维过程相似，因而可以用来模拟人类求解问 题时的思维过程。 可把产生式系统作为人工智能系统的基本结构单元 或基本模式看待，就像积木中的积木块一样，因而 研究产生式系统的基本问题就具有一般意义。
2021/3/17
第6章基于产生式规则机器推理
11
6.1.1产生式规则（例）
引入中介状态并定义下述符号：
Si—— i大臣看到的非白点数； Wi—— i大臣猜出自己点的颜色否。如果他宣布已 知道自己点的颜色，为1，否则为0； n——X0中白点的个数。
2021/3/17
第6章基于产生式规则机器推理
12
2021/3/17
第6章基于产生式规则机器推理
10
6.1.1产生式规则（例）
排除过程：
第一次，大臣只知道至少有一个人是白点，排除 X0={(0,0,0)}状态。这时如果有人看到两个非白点，根 据排除的状态可推知自己是白点。 第二次大臣根据没有一个人知道自己点颜色的事实 推知至少两人为白点。排除{(0,0,1)(0,1,0)(1,0,0)}状态。 这时如果有人看到一个非白点，根据排除后得到的 状态可推知自己的点是白的。 第三次，大臣们根据仍无人知道自己点颜色的新事 实推知没有一个非白点出现，即X0={(1,1,1)}。于是三 人都知道自己点的颜色是白的。
2021/3/17
第6章基于产生式规则机器推理
8
6.1.1产生式规则（例）
分析： 这类问题的特点是有有限个受试者，每个
人对问题都只有部分了解，无法直接求解。但 在推理过程中每个人又可以从别人那里获得新 的知识，重新进行推理。可以用产生式来表达 推理过程中所用到的各种知识。
2021/3/17
第6章基于产生式规则机器推理
9
6.1.1产生式规则（例）
状态集合表示： 用x1,x2,x3表示三个人点的颜色，1表示白色，
0表示非白色。 X＝(x1,x2,x3)表示颜色分布状态。 全部可能的状态集合(可能界PW0)：
{(0,0,0),(0,0,1),(0,1,0),(0,1,1),(1,0,0),(1,0,1),(1,1,0),(1,1,1)} 实际给定的状态为现实界X0 ＝(x10,x20,x30) 用排除法找到X0 。
第6章 基于产生式规则的机器推理
第6章基于产生式规则机器推理
第6章基于产生式规则的机器推理
6.1 产生式规则ቤተ መጻሕፍቲ ባይዱ6.2 产生式系统
2021/3/17
第6章基于产生式规则机器推理
2
6.1.1产生式规则（1）
产生式（Production）-1943年美国数学家Post在计算 形式体系中提出的术语
产生式一词从波斯特机中借用来的。波斯特机是一 种自动机，它是根据串替换规则提出的一种计算模 型。 产生式就是逻辑蕴含式、推理规则以及各种关系 （包含经验性联想）的一种逻辑抽象。