人工智能原理PrinciplesofArtificialIntelligence.ppt

知识与推理 （三） Outline 3.1 经典逻辑 3.2 定理机器证明和逻辑程序设计语言 3.3 非单调逻辑 3.4 非单调逻辑 引言 主要的非单调逻辑 封闭世界假设(CWA) 限制理论 缺省逻辑 真值维护系统 Introduction(1) 传统的推理就是依据一定的原则从已有事实推出结论的过程，它一般是以经典的谓词逻辑为基础的，其推理过程称为演绎。在演绎推理过程中有一个默认的假设：即知识都是精确的，不包含有不确定的信息。 虽然经典逻辑为推动人工智能的发展起到了很大的作用，但它的表达和推理能力毕竟有限，在现实世界中仍然有很多的局限性，这主要包括下面几个方面： 信念只有非真即假这两种情况，无法表示不确定性的信息 基本信念集合必须是一致的，新的信念的加入不应引起矛盾，不能对有新知识加入时进行知识库修正 不能进行看似不合理，但是有可能的演绎推理 Introduction(2) 在日常生活中，人们通常并不是在掌握了所有证据的完全信息之后才开始解决问题的，而是可以在有些信息未知的情况下，做出一些合理的假设。 常识推理（commonsense reasoning）就是一种基于合理假设的推理。 常识知识在人工智能中一般也称为纯朴（native）知识它可以看作是“一个普通人无须专门学习就能具备的知识” Introduction(3) 常识的特点： 具有不确定性，有很多的例外 常识可以看作是尚无理论依据或缺乏充分验证的经验，并且在没有相反证据出现的情况下做出一些有益的猜想 与环境有很强的依存性 对常识知识的研究一直是人工智能研究的核心难题，有无常识是人和计算机的最根本的区别，常识问题能否解决是和人工智能最终能否实现紧密相关的 Introduction(4) 常识问题的一个非常重要的研究方向就是常识表示和常识处理的形式化模型的建立 常识研究的困难： 一个可能的原因是它的纯粹大量性 没有定义很好的界限使得我们能够掌握它与其他无关部分内容的划分。 某些方面的知识很难用说明性语句来描述。例如用语句比较难描述形状和其他复杂物理对象。 Introduction(5) 多数的基于逻辑的智能系统使用FOL或者其扩充形式 但是经典逻辑在研究现实问题，特别是常识问题方面具有很大的局限性，它的推理与人的实际推理相去甚远， 为此，人们从实际出发建立的不同的逻辑系统主要有： 刻划各种认知概念的模态逻辑 刻划时间因素的时态逻辑 描述不精确和不确定概念的模糊逻辑 … … … … 为了对常识性知识进行研究，人们提出了非单调逻辑系统，建立了非单调系统研究方法。这些方法以认识论为指导，以模拟高级思维过程和常识为目标，突破了传统的演绎逻辑框架，试图从不同角度拓宽知识体系和提高解决问题的能力。 非单调推理(1) 科学的发现过程是一个证伪的过程，人类知识的增长是一个非单调的过程 传统的逻辑系统实际上作的是单调推理，加进系统的新知识（信念）必须与已有的知识（信念）相一致，不会引起矛盾。所以，随着运行时间的推移，系统内含的知识有增无减，这就是所谓的单调性。 设FS为一个逻辑系统，如果对于FS的任意两个公式集合T和S，T是S的子集，则Th(T)也是Th(S) 的子集 (Th(T) 表示从T中推出的定理的集合={A|T?A}) 这说明向一个公理理论中增加新的定理不会影响该理论已经有的定理，初始理论原来已经有的定理仍然是扩大了以后理论的定理。 非单调推理(2) 单调性的优点在于： （1）加入新命题时不需审查与系统原有知识的相容性，因为这些新命题只能是已有知识的逻辑推理结果，不可能引起矛盾。换言之，加入的新命题必定是永真的。 （2）不需要记忆推导过程。因为推导的结论永远不会失败，不存在事后审查推导过程的需求问题。 非单调推理(3) 非单调性推理 推理系统的定理集合并不随推理过程的进行而增大，新推出的定理很可能会否定、改变原来的一些定理。 推理时所依据的知识具有不完全性 逻辑系统是非单调的，如果存在公式集合T和S，如果T?S，但Th(T)?Th(S) 非单调推理(4) 需要非单调推理的理由主要为： 知识的不完全 一个有限的信念集合仅仅是现实世界的近似描述，会有很多的例外----资格问题 客观世界变化太快，一个不断变化的世界必须用变化的知识库加以描述 –框架问题 非单调推理比单调推理难处理得多。因为当一个假设被发现错误而撤消时，一系列基于它的推理结果都要撤消。所以，设计非单调推理系统的一个关键问题在于防止系统花费过多的时间在这种处理上。 非单调推理(5) 非单调推理的研究有两条途径： 对逻辑的扩展：这涉及非单调推理的形式化方面，称为非单调逻