人工智能的决策支持和

《人工智能的决策支持和》由会员分享，可在线阅读，更多相关《人工智能的决策支持和（55页珍藏版）》请在金锄头文库上搜索。

1、 第 4 章人工智能的决策支持和 智能决策支持系统（1）第4章 目录4.1 人工智能基本原理 4.2 专家系统的决策支持4.3 神经网络的决策支持 4.4 遗传算法的决策支持4.5 机器学习的决策支持 4.6 智能决策支持系统（1）部分内容4.1 人工智能基本原理4.1 人工智能基本原理4.1.1 逻辑推理4.1.2 知识推理4.1.3 搜索技术1.形式逻辑形式逻辑是研究人的思维形式及其规律的科学。 它是属“符号处理”范畴。形式逻辑主要研究：形成概念、作出判断、进行推理。1）概念：概念是反映事物的特有属性和它的取值 。2）判断：判断是对概念的肯定或否定。3）推理：推理是从一个或几个判断推出一个

2、新判 断的思维过程。4.2.1逻辑推理2.推理的种类1）演绎推理：从一般现象到个别（特殊）现象 的推理。2）归纳推理：从个别（特殊）现象到一般现象 的推理。3）类比推理：从个别（特殊）现象到个别（特 殊）现象的推理。1）演绎推理专家系统的研究基本上属于演绎推理范畴。演 绎推理的核心是假言推理。假言推理：以假言判断为前提，对该假言判断 的前件或后件的推理。以下是等价的推理式：1）假言推理： pq，p q 2）三段论推理 ： pq，qr pr3）假言易位推理（拒取式）：pq，q p 2）归纳推理（1）数学归纳法这种推导是严格的，结论是确实可靠的。（2）枚举归纳推理S1是P ，S2是P ， Sn是P

3、S1Sn是S类事物中的部分分子，没有相反事例。所以，S类事物都是P。枚举归纳推理的结论是或然的。3）类比推理它是由两个（或两类）事物在某些属性上相同， 进而推断它们在另一个属性上也可能相同的推理。A事物有abcd属性B事物有abc属性（或a,b,c相似属性） 所以， B事物也可能有d属性（或d相似属性）类比推理的结论带有或然性。3. 总结1）演绎推理的结论没有超出已知的知识范围。而 归纳推理和类比推理的结论超出已知的知识范围。演绎推理只能解释一般规律中的个别现象。而归 纳推理和类比推理创造了新的知识，使科学得到新发 展，是一种创造思维方式。2）演绎推理中由于前提和结论有必然联系，只要 前提为真

4、，结论一定为真。归纳推理和类比推理中前提和结论，不能保证有 必然联系，具有或然性。这样推理的结论未必是可靠 的。需要经过严格的验证和证明，使之形成新的理论 。4.1.2知识推理 4.1.2.1数理逻辑的知识推理4.1.2.2产生式规则的推理1.命题逻辑的公式有：1、析取交换律：pq qp2、合取交换律：pq qp3、析取结合律:（pq）r p（qr）4、合取结合律:（pq）r p（qr）5、对的分配律： p (qr） (pq)(pr) 6、 对的分配律：p（qr） (pq)(pr) 7、双重否定：p p8、德摩根律1： ( pq) pq 9、德摩根律2： ( pq) pq 10、蕴含转换1:

5、(p q) pq 11、蕴含转换2: (p q) ( q p) 12、等价转换1: (p q) (p q) (q p) 13、等价转换2: (p q) ( p q) 14、转： (pq) ( p q) 定义：公式的标准形式称为范式。有两种基本范式：合取范式、析取范式。1)、合取范式:它是一些简单析取式的合取式，即 该合取式中，其子命题都是简单析取式。如：（A） (pq)(pq)（B） (pqr)(pqr)(pqz)2)、析取范式：它是一些简单合取式的析取式。即 该析取式中，其子命题都是简单合取式。一般形式：a1 a2 ax 其中每个 ai 是 简单合取。如：（A）: (pq) (pr)（B）:

6、 （ppq）（pqrr）2. 命题逻辑归结原理1：把公式转换成子句型归结原理使用反证法来证明语句。即归结是从结 论的非，导出已知语句的矛盾。利用命题逻辑公式和谓词逻辑公式，把逻辑表达式 化成合取范式、前束范式，再化成子句。一子句定义为由文字的析取组成的公式。转换过程如下：1）消去蕴含符号“”用AB替换AB2）用德摩根律缩小的辖域， 让进入括 号内用 AB 代替 (AB)用 AB 代替 (AB)用 代替 用 代替3）把公式化成合取范式我们可以反复应用分配律，把任一公式化 成合取范式。例如：4）消去联结词符号在合取范式中，每一个合取元，取出成 为一个独立句子。用子句集来代替原来子句 的合取（ ）。

7、每个子句实际上是文字的析取。例如：4. 命题逻辑归结原理2：归结过程归结过程：对两个称为母子句的子句进行 归结。以产生一个新子句。归结时，对一个子 句中以“正文字”形式出现，一个以“负文字”形 式出现，归结后就删除这两个“正负文字”，合 并剩下的文字。若最后产生空子句，则存在矛盾。没有产 生空子句就一直进行下去。例1、例2 、 假言推理4、命题逻辑中的归结对公理集F、命题S的归结： 1）把F的所有命题转换成子句型。 2）把否定S的结果转换成子句型。 3）重复下述归结过程，直到找出一个矛盾或不能再结 ：（A）挑选两个子句，称之为母子句。其中一个母子 句含 L，另一个母子句含L。（B）对这两个母子

8、句作归结，结果子句称为归结式 。 从归结式中删除L和L，得到所有文字的析取式（C）若归结式为空子句，则矛盾已找到，否则原归 结式加入到该过程中的现有子句集。举例：从公理集： 证明结果 。1）把公理集转换成子句型这个合取式分为两个子句： 这样子句集为：2）证明命题的非为3）归结过程最后得到空语句，是矛盾的，故可得出结论 ：从公理集中可以推出 。1. 正向推理逐条搜索规则库，对每一条规则的前提条件，检查 事实库中是否存在。前提条件中各子项，若在事实库中不是全部存在， 放弃该条规则。若在事实库中全部存在，则执行该条规 则，把结论放入事实库中。反复循环执行上面过程，直至推出目标，并存入事 实库中为止。

9、4.1.2.2 产生式规则的推理产生式规则库和事实库的初始状态为：产生式规则库 事实库1. ABG2. CDA3. EDB,C,E事实库的最后状态为：B，C，E，D，A，G逆向推理是从目标开始，寻找以此目标为结论的 规则，并对该规则的前提进行判断，若该规则的前提 中某个子项是另一规则的结论时，再找以此结论的规 则。重复以上过程，直到对某个规则的前提能够进行 判断。按此规则前提判断（“是”或“否”）得出结 论的判断，由此回溯到上一个 规则的推理，一直回溯 到目标的判断。2. 逆(反)向推理逆向推理中，目标改变过程：GADEBC4.1.3 搜索技术搜索技术是人工智能的一个重要研究内容。智能 技术体

10、现在减少搜索树中的盲目搜索。1.执行时间与，等成正比的算法，称 为按多项式时间执行。2.执行时间与，！和等成正比的算法， 称为按指数时间执行。按多项式时间执行的算法，计算机是可以实现的 。按指数时间执行的算法，计算机是不可能实现的。 搜索方法分类1、基本搜索法对搜索树的基本搜索法有两种思想，一是按广度 优先展开搜索树的搜索方法，叫广度优先搜索法；一 是按深度优先展开搜索树的搜索方法，叫深度优先搜 索法。（1）广度优先搜索法。（2）深度优先搜索法。2、生成测试法。 3、爬山法。 4、启发式搜索。 5、博弈算法。（1）极小极大搜索法。（2）剪枝算法。4.1.3.1 广度优先搜索（宽度优先搜索）1、

11、广度优先搜索思想 从初始状态S开始，利用规则，生成所有可能的 状态。构成树的下一层节点，检查是否出现目标状态 G，若未出现，就对该层所有状态节点，分别顺序利 用规则。生成再下一层的所有状态节点，对这一层的所有 状态节点检查是否出现G，若未出现，继续按上面思 想生成再下一层的所有状态节点.这样一层一层往下展开。直到出现目标状态为止 。 搜索过程图4.4 广度优先搜索示意图 2、广度优先搜索算法： （1）把起始节点S线放到OPEN表中。 （2）如果OPEN是空表，则失败推出，否则继续。 （3）在OPEN表中取最前面的节点node移到CLOSED表中 。 （4）扩展node节点。若没有后继（即叶节点

12、），则转 向（2）循环。（5）把node的所有后继节点放在OPEN表的后面。 各后继结点指针指向node节点。（6）若后继节点中某一个是目标节点，则找到一 个解，成功退出。否则转向（2）循环。广度优先法适合于搜索树的宽度较小的问题。 4.1.3.2 深度优先搜索法1、深度优先搜索法思想 从初始状态S开始，利用规则生成搜索树下一层 任一个结点，检查是否出现目标状态G，若未出现，以 此状态利用规则生成再下一层任一个结点，再检查是否 为目标节点G。若未出现，继续以上操作过程，一直进行到叶节点 （即不能再生成新状态节点）。当它仍不是目标状态G时，回溯到上一层 结果，取另一可能扩展搜索的分支。生成新 状

13、态节点。一直进行下去，直到找到目标状态G为止 。搜索过程图4.5 深度优先搜索示意图 2、深度优先算法 （1）把起始节点S线放到OPEN表中。 （2）如果OPEN是空表，则失败推出，否则继续 。 （3）从OPEN表中取最前面的节点node移到 CLOSED 表中。 （4）若node节点是叶结点（若没有后继节点） ，则转向（2）。（5）扩展node的后继节点，产生全部后继节点，并把 他们放在OPEN表的前面。各后继结点指针指向node节 点。 （6）若后继节点中某一个是目标节点，则找到一个解 ，成功退出。否则转向（2）循环。深度优先法适合于搜索树的深度较小的问题。人工智能问题求解中，用深度优先搜

14、索法比较多 。Prolog语言提供的搜索机制是以深度优先法设计的 。它比广度优先搜索法要好些。 4.1.3.3 生成测试法生成测试法算法是：1、生成一个可能状态节点。 2、测试该状态是否为目标状态。3、若是目标状态则结束。否则回到第1步其中：生成可能的状态，可以是有规律的 ，也可以是无规律的（1）如果搜索过程中，总是利用刚生成出的状态来 生成新状态，这种生成测试法就是深度优先搜索法。（2）如果搜索过程中，总是利用旧状态生成所有可 能出新状态，而且状态节点以从旧到新的顺序逐个生成 的原则。这种生成测试法就是广度优先搜索法。 如果搜索过程中，有时利用旧状态生成新状态，有 时利用新状态生成新状态，这

15、就是无规律的生成测试法 。 4.1.3.4 爬山法 爬山算法： 1.开始状态作为一个可能状态。 2.从一个可能状态，应用规则生成所有新的可能状态集 。 3.对该状态集中每一状态，进行： 对该状态测试，检查是否为目标，是则停止。 计算该状态的好坏，或者比较各状态的好坏。 4.取状态集中最好状态，作为下一个可能状态。 5.循环到第2步。在爬山法中可能出现以下几种情况 局部极大点：它比周围邻居状态都好，但不是目标 。 图4.6局部极大点示意图 平顶：它与全部邻居状态都有同一个值，构成一个 平面。图4.7 平顶示意图 山脊：它与线状邻居状态有相同值，比其它邻居状 态要好。图4.8山脊示意图 爬山法进入以上状态就得不到目标解了。 为了解决以上问题，需要采用如下策略： （1）退回到某一更早状态结点，沿着另一方向（对该 结点就不一定是当时最好值的方向）进行爬山。 （2）朝一个方向前进一大步（按某方向深度优先搜索 多次），走出平顶区，按别方向进行爬山。（3）同时朝两个或多个方向前进，即按两个或多个方 向爬山。 4.1.3.5 启发式搜索 启