【正文】 或、析取 R(V)∧P(V) S(f(V),V) 葉節(jié)點 文字 R(V) P(V) 通常，把事實表達式的與或圖表示倒過來畫，即把根節(jié)點畫在最下面，而把其后繼節(jié)點往上畫。 (3) 對所得表達式進行 skelem化，消除存在性量詞。 ?? 在基于規(guī)則的正向演繹系統(tǒng)中，所要做的第一步是將其變換（或叫化成）非蘊含形式的與或形。 1. 事實表達式的與或形變換 通常用謂詞演算公式來表示事實（用作事實表達式）。反之，對于從 THEN部分向 IF部分推理的過程，叫做逆向推理。從 IF部分向 THEN部分推理的過程，叫做正向推理。 有時， THEN部分用于規(guī)定動作，這時稱這種基于規(guī)則的系統(tǒng)為反應式系統(tǒng)或產(chǎn)生式系統(tǒng)。 通常稱每個 IF部分為前項（條件、斷言）， THEN部分為后項（新斷言）。 規(guī)則演繹系統(tǒng) 我們通常習慣用 if then規(guī)則形式表示知識求解問題。這時，就需要應用一些更先進的推理求解技術。 5 第五章 高級求解技術 上一章我們介紹了幾個基本的（早期的）搜索技術，如寬度優(yōu)先、深度優(yōu)先（盲目搜索）、有序搜索（啟發(fā)式搜索、最好優(yōu)先）。第一個因數(shù)考慮希望節(jié)點距根節(jié)點（起始節(jié)點）越近越好，第二個因數(shù)考慮希望節(jié)點距目標節(jié)點看上去越近越好。 對于八數(shù)碼難題，我們采用了簡單的估價函數(shù) f(n)=d(n)+w(n) 其中： d(n)是搜索樹中節(jié)點 n的深度 w(n)用來計算對應于節(jié)點 n的數(shù)據(jù)庫中錯放的棋子個數(shù)。 給定一個問題后，根據(jù)問題的特性和解的特性，可以有多種方法定義估價函數(shù)，用不同的估價函數(shù)指導搜索，其效果可以相差很遠。有序搜索算法中，一個節(jié)點的希望程度越大，其 估價函數(shù) 值就越小。這種搜索總是選擇“最有希望”的節(jié)點作為下一個被擴展的節(jié)點。我們把這種信息叫做啟發(fā)信息，并把 利用啟發(fā)信息的搜索方法叫做啟發(fā)性搜索方法 。在這種情況下，一般都是：初始狀態(tài)、算符和目標狀態(tài)的定義都是完全確定的，然后決定一個搜索空間。 上述兩種情況第一種多出現(xiàn)在專家系統(tǒng)中，第二種情況多出現(xiàn)在博奕和定理證明中。常常根據(jù)經(jīng)驗和直覺來判斷。 然而，和發(fā)明創(chuàng)造的所有規(guī)則一樣，啟發(fā)式策略也是極易出錯的。這時需用啟發(fā)式策略通過指導搜索向最有希望的方向前進，以降低復雜性。在這種情況下，用盲目搜索的辦法就不行了（不象前面所舉的簡單例子）。 (2) 一個問題可能有確定解，但是求解過程中的計算機的代價令人難以接收。海面上船、鯨魚或潛水艇。各方面原因造成。 視覺問題又是一例。 人工智能求解者在兩種基本情況下運用啟發(fā)式策略： (1) 一個問題由于問題陳述和數(shù)據(jù)獲取方面固有的模糊性可能使它沒有一個確定的解。 “啟發(fā)”（ heuristic）是關于發(fā)現(xiàn)和發(fā)明規(guī)則及方法的研究。 啟發(fā)式搜索 盲目搜索的效率低，耗費過多的計算空間與時間。如知道最短 2步，深度界限定為 2，肯定有解且可找到最短路徑。 R4 S R4 R4 S R4: 如 X/10為整，則 X/5為整。 和寬度優(yōu)先法不同之處在于：擴展的節(jié)點，其后繼節(jié)點放入 OPEN表的前端 O 規(guī)則庫 搜索樹： R1 R2 A . B . R1: 如 X/12為整，則 X/6為整。為了避免考慮太長的路徑（防止搜索過程沿著無益的路徑擴展下去），往往給出一個節(jié)點擴展的最大深度 — 深度界限。 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的狀態(tài)時，它才考慮另一條替代的路徑。 節(jié)點深度定義如下： (1) 起始節(jié)點（即根節(jié)點）的深度為 0。 6 4 深度優(yōu)先搜索 另一種盲目（無信息）搜索叫做深度優(yōu)先搜索。 注： 在 OPEN表中已有的節(jié)點，新擴展有關節(jié)點不放 OPEN表中。 R4 S R4 R4 S R4: 如 X/10為整，則 X/5為整。 O 規(guī)則庫 搜索樹： R1 R2 A . B . R1: 如 X/