推理與控制策略課件

2022/11/8ExpertSystemandApplication1第5章推理與控制策略5.1推理的基本概念5.2推理控制策略5.3不精確推理的基本結構5.4確定理論方法5.5主觀Bayes方法5.6近似推理（可能性理論方法）5.7不精確推理方法的評價2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication2第5章推理與控制策略（1）推理：根據一定的原則（或規(guī)則）從已知的事實（或判斷）推出新的事實的思維過程。其中，推理所依據的事實稱為前提（或條件），由前提所推出的新事實稱為結論。（2）在專家系統(tǒng)中，推理是以知識庫中的已有知識為根據，是一種基于知識的推理?；谥R推理的計算機實現構成了推理機。（3）知識庫和推理機是專家系統(tǒng)的核心部分。一個高性能的專家系統(tǒng)不但要擁有大量的專門知識，而且要具有選擇和運用知識的能力。推理機的主要任務就是在問題求解過程中適時地決定知識的選擇和運用。（4）推理機的控制策略用來確定知識的選擇，推理方式確定具體知識的運用。已知實事（或判斷）公理或規(guī)劃新的事實

條件（前提）結論2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication3第5章推理與控制策略

歸納的過程是相對于演繹的。1）演繹：由一般到特殊例：所有的人都會死的

Susan是一個人所以，可以推出“Susan是會死的”。這是由一般規(guī)律推出特殊的演繹。2）歸納：嘗試將一般推廣到特殊例：我的光碟從未摔碎過（一般情況）

∴我的光碟永遠不會摔碎（這里的“∴”是對應與演繹的。）除了數學上的歸納，其他歸納論證從來不能證明是正確的。所以，歸納論證只能提供一些結論正確的可信度。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication4第5章推理與控制策略

專家系統(tǒng)可能包括演繹和歸納規(guī)則。其中，歸納規(guī)則是啟發(fā)性的，歸納法被用于規(guī)則的自動生成。除了不確定事實外，如果專家系統(tǒng)的規(guī)則是基于啟發(fā)式，則它們可能存在不確定性，因為這些規(guī)則的產生是基于經驗的。

3）人類專家的重要特征（1）能夠熟練地、在問題具有不確定性的情況下進行推理。即使在問題具有非常不確定性的情況下，專家通常也可以作出很好的判斷。（2）若在實踐中發(fā)現一些初始事實是錯誤的，專家很容易修改他們的觀點。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication5第5章推理與控制策略4）結論（1）歸納和演繹存在的誤差，是不確定推理誤差，它將導致規(guī)則的不確定。（2）專家在處理具有不確定性的信息時也難免出錯。如，當專家知識要在規(guī)則中定量表示時，不確定性就成為知識獲取的一個主要問題。不一致、不精確和其他所有可能的不確定誤差都會暴露出來，這就需要專家對知識進行修正。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication65.1推理的基本概念5.1.1演繹推理和歸納推理1）演繹推理——從一般性較大的前提推出一般性較小的結論的推理。演繹推理不能生殖新知識。（1）演繹推理的核心是由三個判斷組成的“三段論”，即由兩個前提（條件）和一個結論組成。例1.前提1

太陽系的行星都是以橢圓軌道公轉的。（一般）

前提2

天王星是太陽系的行星。

結論天王星是橢圓軌道公轉的。（個別）例2.前提1所有的電子元器件都是要壞的。（一般）前提2Intel8255A是一種電子元器件。結論Intel8255A是要壞的。（個別）2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication75.1推理的基本概念

（2）演繹推理是從具有一般性原理（原則）中推出關于個別事物的結論，其思維過程是由一般到個別。（3）演繹推理的結論在原則上不能超出前提的范圍。（4）演繹推理的結論與前提的聯系是必然的，只要前提真實，推理形式正確，則結論一定是可靠的。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication85.1推理的基本概念2）歸納推理——從一般性較小的前提推出一般性較大的結論的推理。歸納推理一般能生殖新知識。（1）歸納推理的思維過程是由個別到一般。（2）歸納推理的前提是個別的、特殊的知識，與經驗、試驗等直接相關。（3）歸納推理的結論一般都超出前提的范圍。（4）歸納推理的前提和結論的聯系在很多情況下不是必然的，其結論的性質有的確實可靠，有的卻帶有或然性。（5）只要前提真實，推理形式正確，則結論一定是可靠的。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication95.1推理的基本概念

歸納推理方法包括：（1）完全歸納推理：根據某類事物中每一個對象（或每一個子類）的情況而做出的關于該類事物的一般性結論。其推理形式為：

S1——PS2——P……Sn——PS1，S2，……Sn是S類的全部

————————————————∴S——P2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication105.1推理的基本概念

例：太陽系的大行星繞太陽公轉。太陽系的小行星繞太陽公轉。太陽系的行星只有大行星和小行星兩類。

——————————————————∴太陽系的所有行星都是繞太陽公轉。有的專家認為，完全歸納推理屬于演繹推理。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication115.1推理的基本概念

（2）簡單枚舉法推理：通過枚舉某類事物中一部分對象的情況，根據沒有遇到矛盾的事實，做出關于該類事物的一般性結論。其推理形式為：

S1——PS2——P……Sn——PS1，S2，……Sn是S類的部分對象未遇到與S——P相矛盾的情況

———————————————————∴S——P2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication125.1推理的基本概念

例：河南的煤炭是黑的。河北的煤炭是黑的。山西的煤炭是黑的。北京的煤炭是黑的。在考察過程中未遇到其他顏色的煤炭。

—————————————————∴所有的煤炭都是黑的。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication135.1推理的基本概念

（3）科學歸納法推理：通過枚舉某類事物中一部分對象的情況，并分析出制約此情況的原因，依此因果關系為依據，從而做出關于該類事物的一般性結論。其推理形式為：

S1——PS2——P……Sn——PS1，S2，……Sn是S類的一部分對象

S——P是由于某種原因

———————————————————∴S——P2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication145.1推理的基本概念

例：鐵受熱，則體積膨脹。銀受熱，則體積膨脹。銅受熱，則體積膨脹。鐵、銀、銅都是金屬，而金屬受熱后其分子運動速度加快，分子之間距離加大，從而導致體積膨脹。

———————————————————————∴所有的金屬受熱后體積膨脹。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication155.1推理的基本概念

例：碳膜電阻受熱，呈非線性特性。多圈電阻受熱，呈非線性特性。精密電阻受熱，呈非線性特性。碳膜電阻、多圈電阻、精密電阻都是電阻，受熱后分子運動速度加快，分子之間距離加大，從而呈非線性特性。

—————————————————————∴所有的電阻受熱后都是呈非線性特性。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication165.1推理的基本概念

（4）類比法推理：根據兩個或兩類對象有部分屬性相同的事實，從而推出它們的其他屬性也相同。其推理形式為：

A對象具有a、b、c、d屬性。

B對象具有a、b、c屬性。

—————————————————————∴B對象可能也具有d屬性。例.中亞有石油。中國某地與中亞的地質結構有許多相同點。

—————————————————————∴中國某地可能也有石油。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication175.1推理的基本概念

歸納推理與演繹推理是相互聯系、相互補充、密不可分的。演繹離不開歸納。在演繹推理中，作為推理基礎的大前提就是歸納的產物、歸納的結論。同樣，歸納也離不開演繹。要研究客觀對象之間的因果關系，分析存在于個別事物中的一般，總離不開一般原理、原則的指導。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication185.1推理的基本概念5.1.2精確推理和不精確推理1）精確推理——前提與結論之間有確定的因果關系，并且事實與結論都是確定的。演繹推理以數理邏輯為基礎，它所求解問題的事實與結論之間存在嚴格、精確的因果關系，并且事實總是確定或精確的。因此，演繹推理是精確推理。精確推理所使用的已知數據和知識是完整的、精確的，推理所得到的結論同樣是正確的、可靠的。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication195.1推理的基本概念

例.如果觀察到的動物是鳥，并且鳥不會飛，并且鳥是黑白色，并且鳥會游泳；則該動物是企鵝。此例給出了一個確定性的因果關系，而且可以對它進行演繹推理，判斷一個對象是不是企鵝。但是，在人類知識中有相當一部分屬于人們的主觀判斷，是不精確的和模糊的。另外，為了推理而收集的事實和信息也往往是不完全和不精確的。因此，歸納出來的推理知識也往往是不精確的。對于這類問題就需要進行不精確推理。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication205.1推理的基本概念2）不精確推理采用不精確推理的條件：前提與結論之間沒有確定的因果關系，并且事實與結論都是不精確或含糊的?；谶@種不精確知識的推理，形成結論，稱為不精確推理。在ES中，通常采用不精確推理，原因是ES解決的問題大多屬于不良結構問題。不精確推理包含兩個內容：（1）根據前提推出結論。這是基于知識運用的推理方式。（2）根據前提和規(guī)則的不確定性（可信度）計算結論的不精確性。這是基于知識選擇的推理策略。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication215.1推理的基本概念

例.MYCIN系統(tǒng)中的不精確推理規(guī)則：

IF細菌的染色斑是革蘭氏陰性且細菌未球狀且細菌生成結構呈鏈形

THEN存在證據表明該細菌是鏈球菌類（可信度0.7）這條規(guī)則表明：即使前提為真，結論成立的可信度也只有70%。而且，該條規(guī)則中的事實也不完全為真。即，該條規(guī)則給出了一個不確定性的因果關系。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication225.1推理的基本概念3）不精確推理的基本內容（1）根據前提推理得到結論，是基于知識運用的推理方式。（2）根據前提的不確定性（可信度）或規(guī)則的不確定性（可信度），通過計算得到結論的不精確性，是基于知識選擇的推理策略。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication235.1推理的基本概念5.1.3經典概率1）概率（Probability）是一個用于AI問題求解古老但至今仍然很重要問題的數學工具。概率是被用來處理一個不確定性問題的量化方法。2）經典概率（Classicalprobability）經典概率（先驗概率）是Pascal和Fermat于1645年提出的數學理論。（1）在ES中，經典概率被用來處理的理想系統(tǒng)。（2）先驗（超前）：不考慮真實世界。（3）理想系統(tǒng)：不能顯示真實世界會出現損耗的特性。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication245.1推理的基本概念

（4）經典概率（先驗概率）的基本公式及其應用

P=W/N

其中，W為獲勝的數目，N為等可能性事件。當重復試驗并得到同一結果時，系統(tǒng)為確定的；否則，系統(tǒng)為不確定的。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication255.1推理的基本概念5.1.4樣本空間（1）樣本點：一次試驗的結果，稱為一個樣本點（Samplepoint）。（2）樣本空間：所有可能的樣本點的集合，定義了一個樣本空間（Samplespace）。一個事件是樣本空間的一個子集。（3）簡單事件：只有一個元素的事件。（4）復合事件：多于一個元素的事件。歸納和演繹是有關種群推理的基礎。演繹可以作出有關未知樣本的推斷。相應地，給定一個已知樣本，歸納可以作出有關未知種群的推斷。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication265.1推理的基本概念5）條件概率（Conditionalprobability）事件A在另外一個事件B已經發(fā)生條件下的發(fā)生概率，稱為條件概率（后驗概率，Posteriorprobability）。

若只有兩個事件A，B，那么，如果事件B

的概率P(B)>0，那么Q(A)=P(A|B)在所有事件A

上所定義的函數Q

就是概率測度。如果P(B)=0，P(A|B)沒有定義。

表示兩個事件共同發(fā)生的概率為聯合概率。A與B的聯合概率表示為P(AB)，或者P(A,B)，或者P（A∩B）。

2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication275.1推理的基本概念6）全概率公式和貝葉斯公式

全概率公式：P(B)=∑P(B|Ai)P(Ai)

貝葉斯公式：P(Ai|B)=P(B|Ai)P(Ai)/∑P(B|Aj)P(Aj)=P(B|Ai)P(Ai)/P(B)

說明：i,j均為下標，求和均是從1到n。

可以看到，貝葉斯公式的推出要用到全概率公式，貝葉斯公式的分母即全概率公式的等式右邊。在基于概率的不確定推理模型中，證據E的不確定性用E發(fā)生的概率P(E)表示，產生式規(guī)則“IFETHENH”的不確定性表示為事件E（證據）已經發(fā)生的條件下，事件H（結論）發(fā)生的概率P(H|E)。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication285.1推理的基本概念5.1.5單調推理和非單調推理1）單調推理：增加了新的命題，新的定理又可以被證明出，而且這種加入和證明出的命題，絕對不會與以前已知為真的命題相矛盾，從而不會將已知為真的命題變?yōu)闊o效。2）非單調推理：當新的命題加入時，可能對原有知識要加以修改，甚至拋棄。特點是：當公理增加時，公理系統(tǒng)中定理得數目并不一定隨之增加。非單調推理的方法有兩種：（1）默認推理：當且僅當事實證明S不成立時，S總是成立的。（2）約束推理：當且僅當沒有事實證明S在更大范圍內成立時，S只能在指定范圍內成立。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication295.1推理的基本概念5.1.6推理與知識表示在專家系統(tǒng)中，一般采用基于專門知識的推理。這種推理方式以擁有知識的利用為前提，而知識在系統(tǒng)中有一定的表示模式，推理方式和控制策略在很多程度上依賴于知識的表示模式。知識的表示模式的不同，決定了知識的選擇和運用方式的不同，即推理策略和推理方式的不同。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication305.1推理的基本概念

根據專家系統(tǒng)中知識表示方法的不同特征，推理可分為如下幾種不同形式：推理方式基于規(guī)則的推理基于謂詞邏輯的推理基于語義網絡的推理基于框架的推理知識運用知識選擇2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication315.2推理控制策略

推理包括兩個基本內容：知識運用的推理方式和知識選擇的推理策略。推理策略主要解決整個問題求解過程中的知識選擇和應用順序，即解決先做什么，后做什么，并根據問題求解的當前狀態(tài)分別做不同的工作。一旦出現異常情況，還能知道如何處理異常。目前，專家系統(tǒng)中采用的推理策略有如下幾種。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication325.2推理控制策略5.2.1沖突消解策略5.2.2正向推理控制策略5.2.3反向推理控制策略5.2.4混合推理控制策略5.2.5雙向推理控制策略5.2.6元控制策略5.2.7推理效率與推理效果2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication335.2推理控制策略5.2.1沖突消解策略1）沖突消解策略在ES中的作用沖突消解策略解決如何在多條可用知識中，合理的選擇一條知識的問題，是一種基本的推理控制策略。在專家系統(tǒng)問題求解過程中，知識與當前數據庫中的內容進行匹配，如果匹配，則成為可用知識。當可用知識不止一條時，會發(fā)生“沖突”，在多條可用知識中，選擇一條知識啟用的過程，稱為“沖突消解”。 通常問題求解中，沖突消解策略有深度優(yōu)先和廣度優(yōu)先策略。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication345.2推理控制策略

在專家系統(tǒng)問題求解過程中，推理機的基本任務是決定下一步應該做什么，既選擇哪些知識，完成哪些操作，進一步通過操作來修改和增加全局數據庫的內容，直到問題求解完畢。在問題求解的每個狀態(tài)下，一條知識是否可用，取決于這條知識的條件部分與問題求解的當前數據庫中內容的匹配程度，即使匹配，知識的最終選擇和運用要由推理機來確定。 2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication355.2推理控制策略

一般情況下，在求解的每個中間狀態(tài)，可用的知識不只一條，即可能發(fā)生所謂的“沖突”。在多條可用知識中選擇一條知識的啟用過程稱為“沖突消解”。在通常的數學問題求解過程中，再回溯其他知識。在ES求解問題的環(huán)境中，沖突消解策略往往采用深度優(yōu)先策略或廣度優(yōu)先策略。其基本思想是：先試用一條知識，若這條知識在運用過程中出現失效，再回溯其他知識。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication365.2推理控制策略

在ES求解問題的環(huán)境中，這種策略往往是低效的。這是由于：（1）隨著問題復雜性增加，企圖試探每一種可能的求解路徑，知識的檢索和選擇會出現“組合爆炸”現象。使得在有限時間內可能給不出解。（2）有些實際問題（病人急診、生產過程的實時監(jiān)控）對求解響應的速度要求非常高，根本不允許試探各種可能求解路徑后再給出問題的解。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication375.2推理控制策略2）沖突消解的實現簡單沖突消解策略是將多條知識按優(yōu)先級排序。排序策略大致有如下幾種：（1）專一性排序若一條知識比另一條知識更具體，即一條知識的條件部分是另一條知識條件的弱化，則弱化知識比強化知識具有更高的優(yōu)先級。（2）知識庫組織次序排序以知識在知識庫組織中的順序決定優(yōu)先級的次序。在問題求解中，一旦一條知識為可用知識，就立刻選擇該知識，進入下一環(huán)節(jié)的推理。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication385.2推理控制策略

（3）數據排序把知識條件部分的所有條件項按優(yōu)先級的次序組織，可用知識的次序由這些知識所含條件的字典排序方法進行選擇。（4）就近排序就近排序策略有一個動態(tài)修改知識優(yōu)先級的算法，把最近使用的知識標記為最高優(yōu)先級。（5）分塊組織知識庫的組織按它們所對應的問題求解狀態(tài)進行分塊（或分組）。在問題求解過程中，只能從相應的知識庫中選擇可用知識。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication395.2推理控制策略

（6）數據冗余當一條知識的操作產生冗余事實時，則這條知識的優(yōu)先級降低。冗余事實越多，優(yōu)先級越低。如果產生的事實全部為冗余事實時，則這條知識為不可用知識。除上述6條排序策略外，還有其他策略。需要注意的是：沖突消解策略是一個基本控制策略，以后許多內容都會涉及沖突消解策略的基本方法。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication405.2推理控制策略例.移動球的問題（一）

將10個盒子排成一列，前面兩個是空的，后面盒子里相間放著4個紅球和4個白球，若每次可移動任意兩個相鄰的球進入空盒，移動時兩球不得更動原來次序。

目標是將4個紅球連在一起，而空盒位置不限。試編程，求出一種方案并輸出每一次移動后球的狀態(tài)。

下面是一種球放置的最初狀態(tài)，其中O表示空盒子，A表示紅球，B表示白球。

O

O

ABABABAB

2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication415.2推理控制策略解：1）定義狀態(tài)結點

用一個數組ball[10]存放球的放置狀態(tài)，變量last和spac分別存儲父結點編號和第一個空盒的位置。

2）擴展規(guī)則

因為只能同時移動兩個球并且不改變順序，因此球移動的目標是兩個相連的空盒，否則不能移動。移動球后狀態(tài)改變。

3）重復結點與目標結點的判斷

判斷是比較簡單的，只需順次檢查盒子狀態(tài)即可。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication425.2推理控制策略（2）深度優(yōu)先搜索策略（Depth-firstsearch）基本思想：首先擴展最新產生的（最深的）節(jié)點，深度相等的節(jié)點可以任意排列。擴展最深節(jié)點的結果使得搜索沿著狀態(tài)空間某條單一路徑從起始節(jié)點向下進行下去，只有當搜索到達一個沒有后裔的狀態(tài)時，才會考慮另一條替代路徑。替代路徑與前面已經試過的路徑不同之處僅在于改變最后n步搜索，而且保持n盡可能小。

對于許多問題，其狀態(tài)空間搜索樹的深度可能為無限深，或者可能至少要比某個可接受的解答序列的已知深度的上限還要深，為了避免考慮過長的路徑，往往給出一個節(jié)點擴展的最大深度（深度界限），如果任何節(jié)點達到了深度界限，則將它作為沒有后裔的節(jié)點處理。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication435.2推理控制策略值得注意的是：即使應用了深度界限n，得到的解答路徑并不一定是最短路徑。

在深度優(yōu)先搜索中，首先擴展最新產生的（即最深的）節(jié)點。深度相等的節(jié)點可以任意排列。深度定義如下：（1）起始節(jié)點（即根節(jié)點）的深度為0（2）任何其它節(jié)點的深度等于其父輩節(jié)點深度+1

首先，擴展最深的節(jié)點的結果，使得搜索沿著狀態(tài)空間某條單一的路徑，從起始節(jié)點向下進行下去；只有當搜索到達一個沒有后裔節(jié)點的狀態(tài)時，它才考慮另一條替代路徑。替代路徑與前面已經試過的路徑不同之處僅僅在于改變最后n步，而且保持n盡可能小。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication445.2推理控制策略

由于沖突消解策略的寬度優(yōu)先和深度優(yōu)先搜索一般只適用于求解比較簡單的問題，對于復雜問題的求解必須采用更為復雜的推理控制策略才能解決問題。

在基于規(guī)則的系統(tǒng)中，無論是規(guī)則演繹系統(tǒng)或是規(guī)則產生式系統(tǒng)，均有兩種推理方式，即正向推理（forwordchaining）方式和反向推理（backwordchaining）方式。

對于從If部分向Then部分推理的過程稱為正向推理。反之，對于從Then部分向If部分推理的過程稱為反向推理。反向推理是從目標、動作、控制、假設……等，向事實、狀態(tài)、初始條件……等進行操作的。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication455.2推理控制策略5.2.2正向推理控制策略

正向推理又稱為自底向上控制、數據驅動控制、前向鏈推理、模式制導推理或前向推理等。1）正向推理控制策略的基本思想從已有的信息（或事實）出發(fā)，通過檢索尋找可用知識，如果有多條可用知識，則通過沖突消解策略選擇可用知識，執(zhí)行啟用知識后，得到新的信息，改變了求解狀態(tài)。再反復循環(huán)以上步驟，最終得出問題求解的答案。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication465.2推理控制策略2）實現正向推理的條件（1）具備一個存放當前狀態(tài)的數據庫（DB）（2）具備一個存放知識的知識庫（KB）（3）具備一個推理機3）正向推理的工作程序

（1）用戶將與求解問題有關的信息（事實）存入數據庫（2）推理機根據這些信息（事實），從知識庫中選擇合適的知識，得出新的信息（事實）存放在數據庫（3）再根據當前狀態(tài)選用知識（4）如此反復執(zhí)行程序，直至給出問題的解2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication475.2推理控制策略4）正向推理的工作流程

用戶求解問題的相關信息存入數據庫推理機從數據庫中選擇合適的知識得出新信息結束得到解？YN2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication485.2推理控制策略正向推理控制策略的基本算法可描述為：ProcedureData-Driven(KB,DB)L1SScan1(KB,DB)While(NOT(S=Q))ANDSowing_flag=0DOR:=Conflict_Resolution(S)Excute(R)SScan1(KB,DB)EndwhileIF(S=Q)ANDSolving_flag=0THENAsk_user_Input(DB)GoTOL1END2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication495.2推理控制策略程序中：函數Scan1(KB,DB)的功能是掃描知識庫（KB），返回一個與數據庫（DB）匹配的可用知識庫；

Solwing_flag=0,標志著系統(tǒng)尚未給出解;Conflict_Resolution(S)是沖突消解策略，它返回一條啟用知識;Excute(R)是執(zhí)行知識R的操作部分，修改數據庫DB;Ask_User_Input(DB)是請求用戶給出新的問題信息。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication505.2推理控制策略AEGHCBAEGHCBDAEGHCBDFZ

F∧B→ZC∧D→FA→DKBDBF∧B→ZC∧D→FA→DKBF∧B→ZC∧D→FA→DKBAEGHCBDFDBDBDB匹配匹配匹配執(zhí)行執(zhí)行執(zhí)行

正向推理的圖解實例如下：用戶存入數據庫所謂原始信息是A、E、G、H、C、B；知識庫里的有F∧B→Z、C∧D→F、A→D三條知識；推理機根據6條信息，從知識庫中選擇A→D進行匹配；將得到的新信息A→D存入數據庫；如此反復執(zhí)行，最終得到解F∧B→Z。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication515.2推理控制策略5）正向推理的兩種結束條件（1）求出一個符合條件的解就結束；（2）將所有的解求出才結束。6）正向推理的優(yōu)點（1）用戶可以主動提供問題的相關信息（直接參與）;

（2）可以對用戶輸入事實，作出快速反應。7）正向推理的缺點（1）知識應用與執(zhí)行似乎漫無目標;

（2）求解中可能要執(zhí)行許多與求解無關的操作，導致推理過程低效。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication525.2推理控制策略5.2.3反向推理控制策略

反向推理又稱為自頂向下控制、目標驅動控制、后向鏈推理、目標制導推理或后向推理等。1）反向推理控制策略的基本思想先假設一個目標，然后在知識庫中找出那些結論部分導致這個目標的知識集；再檢查知識集中每條知識的條件部分，如果某條知識的條件中所含有的條件項均能通過用戶會話得到滿足，或能被當前數據庫的內容所匹配，則把這條知識的結論（即目標）添加到數據庫中，從而被目標所證明，得出結果。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication535.2推理控制策略

如果某條知識的條件中所含有的條件項均不能被當前數據庫的內容所匹配，則把這條知識的條件項作為新的子目標，繼續(xù)上述匹配過程，直到各“與”關系的子目標或者“或”關系的子目標有一個出現在數據庫中，目標即被求解?；蛘咧敝磷幽繕瞬荒苓M一步分解，而且數據庫不能實現上述匹配時，說明這個假設目標為假。結果不能求解出來，則系統(tǒng)要重新提出假設目標。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication545.2推理控制策略2）反向推理控制策略的基本算法ProcedureGoal_Driver(G,KB)SScan2(G,KB)IF(S=Ф)THENAsk_User(G)Elsewhile(GisUnknown)AND(NOT(S=Ф))DO R:=Conflict_Resolution(S) G’:=LRS(R) IF(G’isunknow)THENCallGoal_Driver(G’,KB) IF(G’isTrue)THENExcute(R)ANDS:=S-RendWhileEND2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication555.2推理控制策略程序中：函數Scan2(G,KB)的功能是掃描知識庫，找出其結論部分能尋出目標G的可用知識集。

Ask_User(G)是一個人機交互過程，用來驗證G是否為真，或詢問是否有能證實G的信息。

Conflict_Resolution(S)是沖突消解策略，它從可用知識集S中選擇一條啟用知識，返回到R。

LRS(R)的功能是把啟用知識R的條件部分的條件項作為子目標，

Excute(R)的功能是執(zhí)行知識R，把其結論部分加入到數據庫中。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication565.2推理控制策略3）反向推理工作過程的圖解實例假設目標是Z，目前已知數據庫內有信息A、E、G、H、C、B。知識庫里的有F∧B→Z、C∧D→F、A→D三條知識。由于假設目標Z不在數據庫中，但B在數據庫中，如果能夠啟用F∧B→Z，則能得到假設目標Z。所以：AEGHCBF∧B→ZC∧D→FA→DKBDB匹配知識F∧B→Z存在，B又存在DB中，新的目標就是F目標ZAEGHCBF∧B→ZC∧D→FA→DKBDB匹配知識C∧D→F存在，C又存在DB中，新的目標就是D目標F2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication575.2推理控制策略AEGHCBF∧B→ZC∧D→FA→DKBDB匹配知識C∧D→F存在，C又存在DB中，新的目標就是D目標FAEGHCBF∧B→ZC∧D→FA→DKBDB匹配知識A→D存在，A又存在DB中，因此最終目標可以得證目標D

下面，可以逐步執(zhí)行A→D，C∧D→F，F∧B→Z，逐步得到結論Z，即假設問題最終得證。注：如果數據庫中沒有可以推出目標的數據，需要通過會話，讓用戶增加數據。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication585.2推理控制策略4）反向推理控制策略的優(yōu)點（1）推理過程的方向性強，不用尋找和不必使用與假設目標無關的信息和知識。（2）反向推理控制策略對其推理過程提供明確解釋，告訴用戶它所要達到的目標，以及為此而使用的知識。（3）尤其適合應用在求解空間較少的問題上。5）反向推理策略的缺點（1）初始目標的選擇較為盲目，不能通過用戶自愿提供的有用信息來操作。（2）對于求解空間較大，用戶要求作出快速響應的問題領域，反向推理策略難以勝任。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication595.2推理控制策略5.2.4混合推理控制策略混合推理控制策略結合了正向推理和反向推理控制策略的優(yōu)缺點?；旌贤评砜刂频幕舅枷肴缦拢涸谕评磉^程中，先使用正向推理幫助選擇初始目標，即從已知事實中演繹出部分結果，并在這些結果中選擇一個目標；再通過反向推理，求解該目標。在求解這個目標時，又會得到用戶提供的更多信息。再次使用正向推理，求得更接近的目標。如此反復應用，直到問題求解為止?；旌贤评砜刂迫鐖D所示：正向推理反向推理2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication605.2推理控制策略

在不精確推理中，有時正向推理求出的結論可信度太低，采用混合推理控制策略，把可信度太低的結論作為目標，再反向推理，以提高其可信度。否則就放棄這個目標。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication615.2推理控制策略例.混合推理控制策略的基本算法：ProcedureAlternate(KB,DB)repeatGoals←Data_Driver(KB,DB)G:=Choose_Goal(Goals)P←Coal_Driver(G,KB)untilPistrueEND2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication625.2推理控制策略過程Data_Driver(KB,DB)：根據用戶提供的數據和信息（在DB中），得到部分結果。這部分結果可能含有目標驅動過程的各個子目標。Choose_Goal(Goals)：過程利用Goals中的部分結果決定或猜測總目標，所選擇的總目標至少與這些部分結果相容。Goals_Driver(G,KB)：反向推理過程，它將一方檢驗所選擇的目標，另一方面詢問用戶輸入更多的信息。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication635.2推理控制策略5.2.5雙向推理

正向、反向、混合推理控制策略，都固化在推理機中，對于任何領域問題都以相同的控制策略進行控制，顯然這對于其他知識領域來說，效率可能并不高，因此提出了元控制策略，根據具體特征和求解狀態(tài)，動態(tài)地選擇不同的控制策略。這樣，就產生了多級控制策略機構。1）多級控制機構多級控制機構把多級控制機構把控制分為元級控制和目標級控制。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication645.2推理控制策略①元級控制：選擇目標控制的方向，并決定對哪部分知識和問題，采用這種控制方向進行控制。②目標級控制：按元級控制提供的方向，對具體問題選用具體知識，進行操作控制。這里引入的新概念就是元級控制了。元級控制將元知識用一定的表示方法，顯式表達出來，形成元知識庫。元推理機利用元知識，指導目標推理機對問題求解。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication655.2推理控制策略

元推理機的任務：將任務分解成若干子任務；選擇當前要執(zhí)行的子任務；確定與當前得到子任務相關的知識集；確定當前任務應采取的控制策略。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication665.2推理控制策略2）多級控制系統(tǒng)的一般結構.元推理機當前任務任務目標推理機元知識庫領域知識庫

元推理機將要解決的子任務交給目標推理機。目標推理機在解決該子任務時又產生任務，則將此任務又交給元推理機處理。這樣循環(huán)執(zhí)行，直到所有子任務完成為止。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication675.2推理控制策略3）元控制策略的應用對于大型復雜問題，引進元控制策略，加強了推理方向的合理化，確實是一個強有力的控制手段。元控制策略是ES系統(tǒng)中研究的重要方向，在已建成的大型ES中，尚無真正的應用。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication685.2推理控制策略5.2.6推理效率與推理效果1）推理效率：推理機合理選擇和運用知識，并構造推理捷徑，對問題進行快捷、有效求解的能力。推理效率可以用推理費用、控制費用來衡量。當問題求解通過遍歷所有知識庫中的知識，來查找某一狀態(tài)的可用知識，這就屬于推理費用很高，控制費用很低；在存在大量控制信息的情況下，控制策略通過利用大量的問題求解知識來引導，使得每個求解狀態(tài)都能選擇適當的知識，這樣推理費用很低，控制費用很高。二者是一對矛盾一個高效推理機設計的關鍵，在于在推理費用和控制費用之間尋找一個折中，達到整體費用最低。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication695.2推理控制策略

在推理機設計中，除了推理效率問題，還要考慮推理效果問題。2）推理效果：如果一個實際問題時可解的，則推理機控制策略應保證系統(tǒng)最終能得到解。推理效果不但與知識庫中的知識應用的效果有關，而且與控制推理策略有關，即控制策略能否保證根據數據庫的信息，識別出所有可用的知識？能否當一條推理路徑失敗時，重新組織新的推理路徑，實現新的推理？能否恰當地終止推理過程？2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication705.2推理控制策略3）推理效果與推理效率是一對矛盾沒有控制信息的系統(tǒng)，遍歷查找可用知識，隨時觸發(fā)知識，可以實現問題求解的回溯，保證解得實現，其推理效果是好的。但由于沒有控制信息，推理費用劇增，使推理效率大大降低。相反，在含有大量控制信息的系統(tǒng)中，推理效率提高了，但控制信息包括沖突消解策略，大多是啟發(fā)式過程，可能會遺漏答案，不能保證問題的推理效果。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication715.3不精確推理的基本結構5.3.1不確定性5.3.2不精確推理的要素2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication725.3不精確推理的基本結構5.3.1不確定性推理結論的不確定性是由于證據（或斷言）的不確定性、知識的不確定性造成的。引起證據不確定性的原因很多，比如人們判斷不準確，外界干擾，或得不到足夠的證據等。由于知識來源于專家的知識，以經驗為基礎，難免出現誤差，知識也存在不確定性。在不精確推理中，一條啟發(fā)性判斷知識K，可用如下形式描述：

K：E→H[R(H|E)]其中：R(H|E)是一個數值，E為條件（前提、證據），H為證據E得出的結論，可以是一個中間結論，也可以是問題的最終結論。R(H|E)表示證據E對結論H的支持程度。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication735.3不精確推理的基本結構例：某人發(fā)高燒，且咳嗽→他患有感冒[0.85]即，若某人發(fā)高燒，且伴有咳嗽，則可以得出：他有85%的可能性得了感冒。得出的結論可能又是另一個判斷知識的證據。一個證據，可能不僅支持一個結論，由此構成推理過程的復雜推理網絡。知識工程的目標是盡可能地減少或消除ES中的不確定性。單條規(guī)則正確，并不意味ES將給出正確答案，因為規(guī)則間的不兼容性，使推理可能產生錯誤結論。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication745.3不精確推理的基本結構5.3.2不精確推理的要素1）針對ES問題領域的證據和知識的不確定性，在采用不精確推理時，必須包含以下要素：（1）證據（或斷言）E的不確定描述；（2）知識K的不確定性描述；（3）不確定性的傳播算法。2）不確定性傳播算法用于解決以下問題：⑴如何在一條知識K：E→H[R(H|E)]的作用下，由R(E|S)和R(H|E)評價結論H的可靠性R(H|S).R(E|S)表示一個證據或斷言E的可靠性，S表示與E有關的數據或觀察。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication755.3不精確推理的基本結構⑵如何在多條知識：K1：E→H[R(H|E1)]K2：E→H[R(H|E2)]Kn：E→H[R(H|En)]…共同作用下，評價結論H的可靠性R(H|S)。⑶.評價組合證據的可靠性。如，由R(E1|S)和R(E2|S),評價R(E1∧E2|S)或R(E1∨E2|S)等。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication765.4

確定理論方法確定性方法要解決的問題：確定性方法在規(guī)則不確定性表示中的應用確定性方法在證據不確定性表示中的應用確定性方法在不確定性問題推理方法中的應用2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication775.4

確定理論方法5.4.1不確定性描述（1）概率論，是處理可重復不確定性的理論。（2）不精確推理，是用于處理信任問題的理論。（3）在不精確推理中，規(guī)則的前件、結論，甚至規(guī)則本身在某種程度上都是不確定的。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication785.4

確定理論方法1）規(guī)則中不確定性的來源（1）規(guī)則的不確定性可能來源于：單個規(guī)則、沖突歸結、規(guī)則后件間的不兼容。（2）規(guī)則驗證：減少單個規(guī)則的不確定性。（3）單個規(guī)則是正確的，并不意味著系統(tǒng)將給出正確的答案。（4）規(guī)則的不確定性與充分似然性LS和必然似然性LN的值有關。由于LS和LN的值是基于人的估計的，因此存在不確定性。（5）規(guī)則的不確定性與證據組合有關。

2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication795.4

確定理論方法2）缺乏理論基礎（1）沒有完備的理論指導應用。（2）即使在不適宜的條件下，也沒有出錯警告和信息提示。3）規(guī)則間相互影響（1）不確定性的一個主要來源是由規(guī)則間的相互作用而引起的，沖突歸結是其中一部分。（2）規(guī)則間的潛在矛盾，會使規(guī)則產生矛盾的結果。（3）規(guī)則的包含是產生不確定性的另一個來源。當重復試驗并得到同一結果時，系統(tǒng)為確定的；否則，系統(tǒng)為不確定的。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication805.4

確定理論方法5.4.2不確定性傳播算法1）已知一條知識的前提和知識本身的可信度CF，計算其結論部分的可信度。

這樣的知識一般表示為：

IFETHENH[CF(H1,E)]

在已知證據E的可信度CF(E)或CF(E,E’)的情況下，其結論H的可信度CF(H)或CF(H,E’)的計算公式：CF(H)=CF(H,E’)=CF(H,E)*max{0,CF(E)} =CF(H,E)*max(0,CF(E,E’))2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication815.4

確定理論方法2）已知多條知識有相同的結論，計算在這些知識的綜合作用下，此結論的可信度。設有知識：IFE1THENH[CF(H,E1)] IFE2THENH[CF(H,E2)]由1中的式子求出: CF1(H)=CF(H,E1)*max{0,CF(E1)} CF2(H)=CF(H,E2)*max{0,CF(E2)}最終計算CF12(H)CF1(H)+CF2(H)–CF1(H)*CF2(H)CF1(H)≥0,CF2(H)≥0CF1(H)+CF2(H)+CF1(H)*CF2(H)CF1(H)＜0,CF2(H)＜0CF12(H)=CF1(H)+CF2(H)其他2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication825.4

確定理論方法3）已知若干條件的可信度CF，計算這些條件邏輯組合的可信度。設有知識IFETHENH{CF(H,E)}①E=E1∧E2∧E2……∧En合?。ㄅc）

CF(E)=CF(E1∧E2∧E2……∧En)=min{CF(E1),CF(E2),……,CF(En)}于是:CF(H)=CF(H,E)*min{0,CF(E)}②E=E1∨E2

∨E2……∨En合?。ㄅc）

CF(E)=CF(E1

∨E2

∨E2……∨En)=max{CF(E1),CF(E2),……,CF(En)}于是:CF(H)=CF(H,E)*max{0,CF(E)}2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication835.4

確定理論方法③E=﹃E1

取反

CF(E)=－CF(E1)

有了上述不確定性傳播算法，就可以根據原始證據的可信度值，以及知識的可信度值，逐步計算出頂層結論的可信度值。2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication845.4

確定理論方法E出現增加H為真的可信度，使CF(H,E)>0E越是支持H為真，就使CF(H,E)的值越大(>0)E出現,H必為真，使CF(H,E)=1E出現支持H為假的可信度，使CF(H,E)<0E越支持H為假，使CF(H,E)的值越小(<0)證據的出現使H必為假，使CF(H,E)=-1E的出現與H無關，使CF(H,E)＝02022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication855.4

確定理論方法5.4.3不確定性傳播算法用用實例例.設有一批知識：R1IFE1THENH1[0.8]R2IF(E2∧(E3∨E4))THENH1[0.7]R3IFH1THENH2[0.9]R4IFE5THENH2[-0.5]由這些知識構成的推理網絡如圖所示。系統(tǒng)運行過程中，由用戶告知系統(tǒng)：CF(E1)=0.7，CF(E2)=0.8，CF(E3)=0.6CF(E4)=0.2，CF(E5)=0.4。求CF(H2)，即求頂層結論H2的可信度值。注，CF(E1)屬于先驗概率，表示該條件發(fā)生的幾率。是由專家或用戶給出的數據。

H20.70.2H1E5E1E2E3E42022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication865.4

確定理論方法解：CF1(H1)=CF(H1,E1)×max{0,CF(E1)}=0.8×0.7=0.56CF2(H1)=CF(H1,E2∧(E3∨E4))×max{0,CF(E2∧(E3∨E4))} =0.7×max{0,min{CF(E2),max{CF(E3),CF(E4)}}} =0.7×max{0,min{0.8,max{0.6,0.2}}} =0.7×max{0,min{0.8,0.6}} =0.7×0.6=0.42CF(H1)=CF12(H1)=CF1(H1)+CF2(H1)–CF1(H1)×CF2(H1)=0.56+0.42–0.56×0.42≈0.74

2022/11/2ExpertSystemandApp2022/11/8ExpertSystemandApplication875.4

確定理論方法CF1(H2)=CF(H2,H1)×max{0,CF(H1