Representación de producción de representación de producción
Del 65438 al 0972, Newell y Simon desarrollaron un sistema de producción basado en reglas en el estudio de los modelos cognitivos humanos. En la actualidad, la representación de la producción se ha convertido en el método de representación del conocimiento más utilizado en inteligencia artificial, especialmente en sistemas expertos. Muchos sistemas expertos exitosos adoptan un enfoque de producción para la representación del conocimiento. La forma básica de producción P→Q o SI P ENTONCES QP es la premisa de producción, también llamada antecedente, que da la premisa de si se puede utilizar la producción, y consta de una combinación lógica de hechos q es un conjunto de conclusiones o; operaciones, también se le llama pregunta de continuación de una producción, señalando la conclusión o acción que se debe derivar cuando se satisface el problema actual P. Si se satisface la premisa p, se puede derivar la conclusión q o se puede realizar la operación especificada por q.
Forma básica de reglas de producción
P→Q o si P entonces Q
Ejemplos de reglas de producción
R6: Si el animal tiene caninos y garras, y sus ojos miran al frente.
Entonces este animal es un carnívoro
donde r6 es el número de la fórmula de producción "Los animales tienen dientes caninos y garras, y los ojos están fijos al frente" es la premisa para realizar; la fórmula P; "Animal "Es un carnívoro" es la conclusión que produce Q.
La principal diferencia con la implicación:
(1) El conocimiento expresado por implicación sólo puede ser preciso, mientras que el conocimiento expresado por producción puede ser incierto.
La razón es que una implicación es una expresión lógica con sólo valores lógicos verdaderos y falsos.
(2) La coincidencia de implicaciones debe ser exacta, mientras que la coincidencia resultante puede ser indeterminada.
La razón es que las condiciones previas y las conclusiones generadas pueden ser inciertas, por lo que su coincidencia también puede ser incierta.
Las principales diferencias entre declaraciones condicionales:
(1) La estructura de la parte anterior es diferente.
Los requisitos previos de producción pueden ser estructuras complejas.
La mitad izquierda de un lenguaje de programación tradicional es solo una expresión booleana.
(2) Diferentes procesos de control
Después de que se activa una regla que cumple con los requisitos previos en el sistema de producción, es posible que no se ejecute inmediatamente, pero si se puede ejecutar depende del estrategia de resolución de conflictos.
En los lenguajes de programación tradicionales, se pasa estrictamente de una declaración condicional a la siguiente.
Representación de producción
Editar
La producción es una forma de expresar conocimiento y tiene la misma capacidad de expresión que una máquina de Turing.
Representación de hechos y reglas
Los hechos pueden considerarse como oraciones declarativas que afirman el valor de una variable lingüística o la relación entre múltiples variables lingüísticas. entre variables lingüísticas. La relación entre puede ser una palabra. No necesariamente un número. Por ejemplo, la nieve es blanca, donde la nieve es una variable lingüística cuyo valor es blanco. A Juan le gusta María, aquí Juan y María son dos variables lingüísticas, y la relación entre ellos es similar.
Generalmente se utilizan tripletas (objeto, atributo, valor) o (relación, objeto 1, objeto 2) para representar hechos, en los que el objeto es una variable lingüística. Si se considera la incertidumbre, se convierte en cuatro. Metarrepresentación (credibilidad creciente). La implementación interna de esta representación es una tabla.
Si el hecho es "El viejo Li tiene 35 años", se puede escribir como (Li, 35 años)
El hecho de que Lao Li y Lao Zhang sean amigos puede escribirse como (amigo, Li, Zhang)
Para las reglas, se refiere a la relación causal entre cosas, que se expresa de la siguiente forma:
Condición ->; /p>
Condición es el antecedente o modo, y acción se llama acción o consecuencia o conclusión. La parte antecedente suele ser la conjunción de algunos hechos Ai, y la conclusión suele ser un hecho b. Si se considera la incertidumbre, se debe adjuntar una medida de confiabilidad.
Composición y razonamiento de los sistemas de producción
La mayoría de los sistemas expertos simples expresan el conocimiento a través de producciones, y los sistemas correspondientes se denominan sistemas de producción.
El sistema de producción consta de una base de conocimiento y un motor de inferencia. La base de conocimientos consta de una base de reglas y una base de datos. La base de reglas es una colección de reglas de producción y la base de datos es una colección de hechos.
Las reglas se expresan a través de la producción.
El conjunto de reglas contiene las reglas de transformación que transforman el problema del estado inicial al estado de solución. La base de reglas es el núcleo del sistema experto. Las reglas se pueden expresar en forma de árboles and or o. El proceso de evaluación de este árbol AND o or basado en los hechos en la base de datos es el razonamiento.
La base de datos contiene hechos iniciales, hechos importados de bases de datos externas, hechos de resultados intermedios y hechos de resultados finales.
El motor de inferencia es un programa que controla y coordina el funcionamiento de la base de reglas y la base de datos, incluidos los métodos de razonamiento y las estrategias de control.
Los métodos de razonamiento de los sistemas de producción incluyen el razonamiento directo, el razonamiento inverso y el razonamiento bidireccional.
Razonamiento directo: partir de hechos conocidos y sacar conclusiones a través de una base de reglas o un modelo basado en datos. El proceso de razonamiento es:
Hacer coincidir los antecedentes de las reglas en el conjunto de reglas con los hechos en la base de datos para obtener un conjunto de reglas coincidente.
Seleccione una regla del conjunto de reglas coincidentes como regla de uso.
Ejecutar el seguimiento de las normas de uso. Enviar una copia de las reglas de uso a la base de datos.
Repite este proceso hasta lograr tu objetivo.
Específicamente, si la base de datos contiene el hecho A y la base de reglas contiene la regla A->B, entonces esta regla es una regla coincidente y luego la parte B posterior se envía a la base de datos. De esta manera, la base de datos se puede expandir continuamente hasta que contenga el objetivo. Si hay varias reglas coincidentes, debe seleccionar una de ellas como regla de uso. Los diferentes métodos de selección afectan directamente la eficiencia de la solución. El problema de seleccionar reglas se llama estrategia de control. El razonamiento directo conducirá a algunos hechos que no están directamente relacionados con el objetivo, lo cual es un desperdicio.
Razonamiento inverso: partiendo del objetivo (como una hipótesis), utilizando reglas para obtener hechos conocidos de forma inversa o un enfoque basado en objetivos. El proceso de razonamiento es:
Comparar la regla. secuencia en el conjunto de reglas con Coincidir con los hechos objetivo para obtener un conjunto de reglas coincidentes;
Seleccione una regla del conjunto de reglas coincidentes como regla de uso;
Considere el antecedente del uso regla como submeta;
Repita este proceso hasta que todas las submetas sean hechos conocidos.
Si el objetivo está claro, es más eficiente utilizar el razonamiento inverso.
Razonamiento bidireccional: Utiliza razonamiento hacia adelante y hacia atrás al mismo tiempo.
Características de la representación de producción
El formato de representación de producción es fijo y de forma única. Las reglas (unidades de conocimiento) son relativamente independientes y no tienen una relación directa. Es deseable tener una base de conocimientos y manejar problemas más simples. Además, el método de razonamiento es sencillo y no requiere cálculos complicados. En particular, la separación de la base de conocimientos y el motor de inferencia aporta comodidad a la modificación del conocimiento, y la ruta de inferencia del sistema se puede explicar fácilmente sin modificar el programa. Por lo tanto, la representación de producción del conocimiento se utiliza a menudo como la primera opción para construir sistemas expertos.