【正文】 ? 首先 ,要將目標(biāo)表達(dá)式轉(zhuǎn)化為無蘊(yùn)涵符 “ ?” 的與或形式，并用與或圖表示。如果規(guī)則不符合這一要求，則要變換成這種形式。 當(dāng)一個(gè)事實(shí)文字和與或圖中的一個(gè)文字可以合一時(shí)，可將該事實(shí)文字通過匹配弧連接到與或圖中相應(yīng)的文字上 ，匹配弧應(yīng)標(biāo)明兩個(gè)文字的最簡單的合一者。 ? 對規(guī)則的處理同下 。推理的終止處位于兩個(gè)與或圖分別擴(kuò)展后的某個(gè)交接處， 當(dāng)正反兩個(gè)方向的與或圖對應(yīng)的葉節(jié)點(diǎn)都可合一時(shí) ，推理就結(jié)束。 ? 不確定性推理就是從不確定性初始事實(shí)（證據(jù)）出發(fā)，通過運(yùn)用不確定性的知識(shí)，最終推出具有一定程度的不確定性是合理或者近乎合理的結(jié)論的思維過程。對概率推理起著支撐作用的是 Bayes公式。 E2贏中國 。 ? 例：設(shè) H1表示足球水平低 。 ? 如果把全概率公式代入 Bayes公式中，就得到 niBP ABPAPBAP iii ,.)( )|()()|( ???這是 Bayes公式的另外一種表示形式。這些置換是一致的， 其合一復(fù)合為 {f（ A）/x， A/y}。 為充分發(fā)揮正向演繹和反向演繹的優(yōu)點(diǎn)，克服各自的局限性，可將兩種演繹推理相結(jié)合，這就是雙向演繹推理。 這些置換的合一復(fù)合為 { MYRTLE/x 5， MYRTLE/x ， FIDO/y ， MYRTLE/ y2， FIDO/ x2，F(xiàn)IDO/ x1 }，將合一復(fù)合作用于目標(biāo)表達(dá)式就得到解答語句： CAT（ MYRTLE） ? DOG（ FIDO） ? ~AFRAID（ MYRTLE， FIDO） ? 它表示有一只名叫 MYRTLE的貓和一條名叫 FIDO的狗，這只貓不怕那條狗。對任意事實(shí)表達(dá)式，應(yīng)當(dāng)用 Skolem函數(shù)代替事實(shí)表達(dá)式中存在量詞量化的變量， 并略去全稱量詞量化的變量，將表達(dá)式轉(zhuǎn)化為標(biāo)準(zhǔn)的文字的合取式。上例的目標(biāo)表達(dá)式的與或圖如下圖所示。 Artificial Intelligence ? 可以驗(yàn)證對一個(gè)置換集合求合一復(fù)合的運(yùn)算是可結(jié)合和可交換的（求置換的合成是不可交換的），因此一個(gè)解圖對應(yīng)的合一復(fù)合不依賴于構(gòu)造這個(gè)解圖時(shí)所產(chǎn)生的匹配弧的次序。 Artificial Intelligence ? 下面舉例說明應(yīng)用一 條規(guī)則 L?W對與或圖進(jìn)行變換的過程。 Artificial Intelligence 1)、命題邏輯的情況 ? 應(yīng)用規(guī)則的匹配過程比較簡單。例如公式 （ ?x） {[（ ?y）（ ?z） P（ x， y， z） ] ?（ ?u） Q（ x， u） } 消去蘊(yùn)含符號(hào) “ ?” 變?yōu)椋? （ ?x） {?[（ ?y）（ ?z） P（ x， y， z） ] ?（ ?u） Q（ x， u） } （ 2）把否定號(hào) “ ?” 移到每個(gè)謂詞的前面 ,可變?yōu)? （ ?x） {（ ?y）（ ?z） [?P（ x， y， z） ] ?（ ?u） Q（ x， u） } （ 3）引入 skolem函數(shù)消去存在量詞。上例的3個(gè)子句是： Q（ z， A）； ?S（ A， y） ??R（ y）； ?S（ A， y） ??P（ y） ? 這三個(gè)子句正是原表達(dá)式化成的子句集。 （ 5）將公式化為前束形。 ? 可分為正向、反向和正反向演繹推理。 ) Artificial Intelligence 推理的控制策略 ? 主要是指 推理方向的選擇 、 推理時(shí)所用的搜索策略 及 沖突解決策略 等。 ) ? （ 2）非單調(diào)推理。在 人類知識(shí) 中，有相當(dāng) 一部分 屬于人們的主觀判斷， 是不精確的和含糊的 。最常用的形式是三段論法。Artificial Intelligence 第 7章、基本的推理技術(shù) ? 推理技術(shù)概述 ? 基于規(guī)則的演繹推理 – 正向演繹推理 – 逆向演繹推理 – 雙向演繹推理 ? 不確定性推理 – 概率推理 Artificial Intelligence 人工智能是用計(jì)算機(jī)來模擬人的智能 ，就是 用能在計(jì)算機(jī)上實(shí)現(xiàn)的技術(shù)和方法來模擬人的思維規(guī)律和過程 。 例如： 1）所有的推理系統(tǒng)都是智能系統(tǒng)； 2）專家系統(tǒng)是推理系統(tǒng)； 3）所以，專家系統(tǒng)是智能系統(tǒng)。由這些知識(shí)歸納出來的 推理規(guī)則往往是不確定的 。是指在推理過程中隨著推理的向前推進(jìn)及新知識(shí)的加入，不僅 沒有加強(qiáng)已推出的結(jié)論 ， 反而要否定它 ，使得推理退回到前面的某一步，重新開始。一般推理的控制策略與知識(shí)表達(dá)方法有關(guān) (產(chǎn)生式系統(tǒng) ) . ? 推理方向：用于 確定推理的驅(qū)動(dòng)方式 。在 正向推理 中，作為 F規(guī)則用 的蘊(yùn)含式對事實(shí)的總數(shù)據(jù)庫進(jìn)行操作運(yùn)算，直至得到該目標(biāo)公式的一個(gè)終止條件為止；在 反向推理 中，作為 B規(guī)則 用的蘊(yùn)含式對目標(biāo)的總數(shù)據(jù)庫進(jìn)行操作運(yùn)算，直至得到包含這些事實(shí)的一個(gè)終止條件為止；在 雙向推理 中，分別從 兩個(gè)方向應(yīng)用不同的規(guī)則 （ F和 B）進(jìn)行操作運(yùn)算。 （ 6）略去全稱量詞（默認(rèn)變量是全稱量詞量化的）。因此，與或樹可以看成是一組子句的一個(gè)簡潔的表達(dá)式。消去存在量詞后，為 （ ?x） {（ ?y） [?P（ x， y， f（ x， y）） ] ?（ ?u） Q（ x， u） } （ 4）將公式化為前束式，并略去全稱量詞 ,可變?yōu)? ?P（ x， y， f（ x， y）） ? Q（ x， u） （ 5）恢復(fù)為蘊(yùn)含式。設(shè)已知事實(shí)的與或形表達(dá)式為：（（ P?Q） ?R） ?（ S ?（ T?U）） ? 規(guī)則為 S?（ X?Y） ?Z ? 把 已知事實(shí)用與或圖表示 ，圖中有一個(gè)葉節(jié)點(diǎn)是文字 S，它正好 與規(guī)則的前項(xiàng) 的文字 S完全 匹配 ，由此可直接用這條規(guī)則對與或圖進(jìn)行變換， 即把規(guī)則后項(xiàng)的與或形公式用與或圖表示后添加到已知事實(shí)的與或圖上 ， 并用一個(gè)匹配弧連接起來 ，規(guī)則匹配后演繹的結(jié)果如下圖所示。設(shè)與或圖中有 一個(gè)端節(jié)點(diǎn)的文字 L’和 L可合一 ， mgu是 u，則這條規(guī)則可應(yīng)用，這時(shí)用匹配弧連接的后裔節(jié)點(diǎn)是 L，它是 規(guī)則后項(xiàng) Wu對應(yīng)的與或圖表示的根節(jié)點(diǎn)，在匹配弧上標(biāo)記有 u，表示用 u置換后可與規(guī)則匹配。 u 1 u 2 U 1 a n d U 2 合 一 復(fù) 合 u{ A / x }{ B / x } U 1 = ( x , x )U 2 = ( A , B )不 一 致{ x / y }{ y / z }U 1 = ( x , x )U 2 = ( f ( z ) , f ( A ) )U 1 = ( y , z )U 2 = ( x , y ){ x / y , x / z }{ f ( z ) / x } { f ( A ) / x } { f ( A ) / x , A / z }{ x / y , x / z }{ A / z }U 1 = ( y , z , z )U 2 = ( x , x , A ){ A / x , A / y , A / z }Artificial Intelligence ? 例：設(shè)事實(shí)和規(guī)則描述如下： Fido barks and bites, or Fido is not a dog. F: ~DOG(FIDO) ? (BARKS(FIDO) ?BITES(FIDO)) All terriers are dogs. R1: （ ?x） ~DOG(x)?~TERRIER(x)(原規(guī)則的逆否 ) Anyone who barks is noisy.