人工智能导论教材全套课件教学教程整本书电子教案全书教案课件汇编.pptx

单击此处编辑母版标题样式,单击此处编辑母版文本样式,二级,三级,四级,五级,2021/12/16,#,Introduction,第一章：,导论,目录,CONTENTS,人工智能定义,人工智能发展史,人工智能发展趋势,人工智能定义,01,人工智能概述,人工智能流派,1.,人工智能定义,4,人工智能（,Artificial Intelligence,），英文缩写为,AI,。它是一门由,计算机科学、控制论、信息论、语言学、神经生理学、心理学、数学、哲学,等多种学科相互渗透而发展起来的综合性的新学科。,人工智能的研究是高度技术性和专业的，各分支领域都是深入且各不相通的，因而涉及范围极广。人工智能技术将广泛渗入新型基础设施建设,(,包括特高压、新能源汽车充电桩、,5G,基站建设、大数据中心、人工智能、工业互联网和城际高速铁路和城市轨道交通等七大领域），且获得越来越多元的应用场景和更大规模的受众。,1.1.,智能化时代,5,人工智能助力简化物流,AI,无人驾驶,物流行业通过利用智能搜索、推理规划、计算机视觉以及智能机器人等技术在运输、仓储、配送装卸等流程上已经进行了自动化改造，能够基本实现无人操作。,无人驾驶则解决了人长时间开车会感觉到疲劳，容易出交通事故的问题。还能对交通信号灯、汽车导航地图和道路汽车数量进行整合分析，规划出最优交通线路，提高道路利用率，减少堵车情况，节约交通出行时间。,1.1.,智能化时代,6,智能家居,智能医疗,建立病理知识库、方法库、模型库和工具库，通过机器学习和知识创新，支持进行病理智能诊断，提升医学影像的快速发展，另外通过自动分析与远程专家诊断、远程查体、,VR/AR,、大数据等技术的有效结合，比较疑难杂症诊断的工作效率得到了急速提升，而且提升了医疗管理能力和工作效率，推进了智能医疗的不断进步。,智能家居主要是基于物联网技术，通过智能硬件、软件系统、云计算平台构成一套完整的家居生态圈。用户可以进行远程控制设备，设备间可以互联互通，并进行自我学习等，来整体优化家居环境的安全性、节能性、便捷性等。值得一提的是，近两年随着智能语音技术的发展，智能音箱成为一个爆发点。智能音箱不仅是音响产品，同时是涵盖了内容服务、互联网服务及语音交互功能的智能化产品，不仅具备,WiFi,连接功能，提供音乐、有声读物等内容服务及信息查询、网购等互联网服务，还能与智能家居连接，实现场景化智能家居控制。,1.2.,人工智能定义,人工智能的一种定义：,人工智能，一种现代的方法,书中提到人工智能是类人思考、类人行为，理性的思考、理性的行动。人工智能的基础是哲学、数学、经济学、神经科学、心理学、计算机工程、控制论、语言学。人工智能的发展，经过了孕育、诞生、早期的热情、现实的困难等数个阶段。,人工智能的另一种定义：人工智能是研究、开发用于模拟、延伸和扩展人的智能理论、方法、技术及应用系统的一门新的技术科学，它是计算机科学的一个分支。,时至今日，还没有一个被大家一致认同的精确的人工智能定义。,1.2.,人工智能定义,1956,年夏，麦卡锡、明斯基等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”，首次提出“人工智能（,Artificial Intelligence,，简称,AI,）”这一概念，标志着人工智能学科的诞生。,2006年达特茅斯会议当事人重聚，左起：摩尔、麦卡锡、明斯基、塞弗里奇、所罗门诺夫。,随着,物联网、大数据、云计算、互联网,等信息通信技术的发展，泛在感知数据、网络共享数据和高速数据处理单元得到飞快发展，数据获取能力、数据计算能力及数据存取能力得到全面地大幅提升，推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”。,1.3.,人工智能流派,人工智能三大流派,符号主义,symbolicism,连接主义,connectionism,行为主义,actionism,目前，人工智能主要分为三大流派：符号主义、连接主义和行为主义。三大流派对智能有不同的理解，延伸出了不同的发展轨迹。,1.3.,人工智能流派,1.,符号主义,符号主义是一种基于逻辑推理的智能模拟方法，又称为逻辑主义、心理学派或计算机学派，其原理主要为物理符号系统假设和有限合理性原理，长期以来一直在人工智能研究中处于主导地位。,符号主义学派认为人工智能源于数学逻辑，数理逻辑从,19,世纪末起得以迅速发展，到,20,世纪,30,年代开始用于描述智能行为。计算机出现后，又在计算机上实现了逻辑演绎系统。,代表性的成果为启发式程序,LT,逻辑理论家，它证明了,38,条数学定理，表明了可以应用计算机研究人的思维过程，模拟人类智能活动。正是这些符号主义者，早在,1956,年首先采用“人工智能”这个术语。,1.3.,人工智能流派,2.,连接主义,连接主义学派把人的智能归结为人脑的高层活动，强调智能的产生是由大量简单的单元通过复杂的相互连接和并行运行的结果。,代表性成果是,1943,年由生理学家麦卡洛克和数理逻辑学家皮茨创立的脑模型，即,MP,模型，开创了用电子装置模仿人脑结构和功能的新途径。它从神经元开始进而研究神经网络模型和脑模型，开辟了人工智能的又一发展道路。,20,世纪,6070,年代，连接主义，尤其是对以感知机为代表的脑模型的研究出现过热潮，由于受到当时的理论模型、生物原型和技术条件的限制，脑模型研究在,20,世纪,70,年代后期至,80,年代初期落入低潮。直到,20,世纪,80,年代提出用硬件模拟神经网络以后，连接主义才又重新抬头,1.3.,人工智能流派,3.,行为主义,行为主义，是一种基于“感知,行动”的行为智能模拟方法。,行为主义学派认为人工智能源于控制论。早期的研究工作重点是模拟人在控制过程中的智能行为和作用，并进行“控制论动物”的研制。到,20,世纪,6070,年代，播下智能控制和智能机器人的种子，并在,20,世纪,80,年代诞生了智能控制和智能机器人系统。行为主义是,20,世纪末才以人工智能新学派的面孔出现的，引起了许多人的兴趣。,这一学派的代表作首推布鲁克斯的六足行走机器人，它被看作是新一代的“控制论动物”，是一个基于感知,-,动作模式模拟昆虫行为的控制系统。,人工智能发展史,02,代表任务,发展阶段,2.,人工智能发展史,从,20,世纪,50,年代开始，许多科学家，程序员，逻辑学家和理论家帮助和巩固了当代人对人工智能思想的整体理解。,2.,人工智能发展史,1949,年，,Hebb,基于神经心理学的学习机制开启机器学习的第一步。此后被称为,Hebb,学习规则。,Hebb,学习规则是一个无监督学习规则，这种学习的结果是使网络能够提取训练集的统计特性，从而把输入信息按照它们的相似性程度划分为若干类。这一点与人类观察和认识世界的过程非常吻合，人类观察和认识世界在相当程度上就是在根据事物的统计特征进行分类。,1950,年，,Alan Turing,发表了“计算机器和智能”，提出了模仿游戏的想法，考虑机器是否可以思考的问题。,2.,人工智能发展史,1952,年，计算机科学家亚瑟,塞缪尔（,Arthur Samuel,）开发了一种跳棋计算机程序，成为第一个独立学习如何玩游戏的人。,该程序学会了纯粹通过自己与自己玩来学习跳棋游戏，是在后期使用,IBM 701,电子管在真空管上完成的。通过这个程序，塞缪尔驳倒了普罗维登斯提出的机器无法超越人类，像人类一样写代码和学习的模式。将机器学习描述为“,使计算机在没有明确编程的情况下进行学习,”。,2.,人工智能发展史,1957,年，罗森,布拉特基于神经感知科学背景提出了第二模型，非常的类似于今天的机器学习模型。这在当时是一个非常令人兴奋的发现，它比,Hebb,的想法更适用。基于这个模型罗森,布拉特设计出了第一个计算机神经网络,感知机（,the perceptron,），它模拟了人脑的运作方式。,罗森布拉特（右）和合作伙伴调试感知机,罗森布拉特提出的感知机模型,2.,人工智能发展史,1969,年马文,明斯基（,Marvin Minsky,）将感知器兴奋推到最高顶峰。他提出了著名的,XOR,问题和感知器数据的线性不可分的情形。,20,世纪,60,年代，明斯基就提出了“,telepresence”,（远程介入）这一概念，通过利用微型摄像机、运动传感器等设备，明斯基让人体验到了自己驾驶飞机、在战场上参加战斗、在水下游泳这些现实中未发生的事情，这也为他奠定了“虚拟现实”（,virtual reality,）倡导者的重大地位。明斯基的另一个大举措是创建了著名的“思维机公司”（,Thinking Machines,，,Inc,），开发具有智能的计算机。作为人工智能的先驱，明斯基一直坚信机器可以模拟人的思维过程，从而让机器变得更加智能。,明斯基建造的一台名为“,Snare,”的学习机,人工智能发展趋势,03,技术发展趋势,行业应用趋势,终端产品趋势,伦理规范趋势,3.,人工智能发展趋势,AI,处于什么阶段？,数字平台,在曲线上处于快速上升期，其中的量子计算和区块链将在今后,510,年带来变革性的,影响,人工智能相关技术,刚刚越过曲线高峰（处于狂热期），是推动透明化身临其境体验技术发展的主要动力,涉及透明化身临其境体验的人本技术,（如智能工作空间、互联家庭、增强现实、虚拟现实、脑机接口）是拉动另外两大趋势的前沿技术,3.,人工智能发展趋势,市场规模分析,中国人工智能产业目前在语音识别和计算机视觉这两个领域最成熟。自,2015,年开始，中国人工智能产业规模逐年上升。据中国信通院数据，,2015,年到,2018,年复合平均增长率为,54.6%,，高于全球平均水平（约,36%,）。,2018,年，中国人工智能产业市场规模已达到,415.5,亿元,3.,人工智能发展趋势,国家战略布局及趋势,进入国际第一方阵。,核心产业规模,1500,亿。,相关产业规模,1,万亿。,达到世界领先水平。,核心产业规模,4000,亿。,相关产业规模,5,万亿,我们能做,、要做,什么？,2030,年,2025,年,2020,年,占据全球制高点。,核心产业规模,10000,亿。,相关产业规模,10,万亿,人工智能,3.,人工智能发展趋势,人工智能知识树,3.,人工智能发展趋势,AI3.0,时代,人工智能基础理论和基础学科建立的阶段，,AI,的具体学科，比如语音识别、机器翻译，并形成了人工智能从业的方法论及学派,AI1.0,时代：,1945-2005,年,以,2006,年谷歌翻译上线为标志的,AI2.0,时代，产品从,ToB,到大规模的,ToC,的过程,人工智能技术被广泛用于各类智能产品之中,算法（深度学习）,+,数据（大数据）,+,基础设施（计算能力）,AI2.0,时代：,2006-2016,年,从软件到,AI,芯片，走向软硬结合，从信息到服务,崭新的、群雄逐鹿、百花齐放的时代,AI3.0,时代：,2017-20 xx,年,3.,人工智能发展趋势,AI3.0,时代的需求,社会新需求爆发：,智能城市、智能医疗、智能交通、智能游戏、无人驾驶、智能制造等等,AI,的基础和目标巨变：,大数据、多媒体、传感器网、增强实现（,AR,）、虚拟实现（,VR,）等等,计算机模拟人的智能 人机智能 群体智能,信息环境巨变：,互联网、移动计算、超级计算、穿戴设备、物联网、云计算、网上社区、万维网、搜索引擎等等,人工智能迈向新一代,14,3.,人工智能发展趋势,AI3.0,时代的特征,人工智能迈向新一代,14,从,PH,到,CPH,的人类空间演变并未结束，而正在深化。,AI,走向,3.0,正是这种深化演变为的一个结果,AI2.0,互联网,多媒体、传感器,人机交互,自主装备,大数据,新一代 人 工 智 能,自主智能系统,群体智能,智能大数据,跨媒体智能,人机混合增强智能,认知智能,能理解会思考,感知智能,能听会说、,能看会认,计算智能,能存会算,3.,人工智能发展趋势,AI3.0,认知,14,空间变化带来了认知的新门类、新通道、新计算,P,物理空间,C,信息空间,H,人类社,会,自然科学,工程技术,多媒体与传感信息大数据,自主装备,大数据、互联网社区,VR,AR,人机交互,学习、预测、创造,社会科学,17,新门类：认识复杂巨系统：城市运行系统、环境生态系统、健康医疗系统（科学,+,工程,+,社会,+,影响）,新通道：给自然科学、工程技术、社会科学提供了新途径、新方法,新计算：,AI2.0,：建立在新老空间的互动,CH,、,CP,之上的,AI,3.,人工智能发展趋势,14,17,语音识别,大数据智能,自然语言理解,图像识别,聊天界面,（小冰）,语音助手,（,Siri,）,翻译,（谷歌）,语音记录,（讯飞）,智能音箱,（亚马逊,Echo,）,PC,智能交互,智能手机交互,智能记录、搜索,智能翻译,智能家居（已售出,1000,万台）,（理论与基础技术）,（技术研究）,（应用研发）,（商业技术模式）,（产品开发）,智能音箱,（亚马逊、谷歌、苹果、京东,）,开放平台,APP,应用软件,嵌入硬件,语音打车,叫外卖,查询,扫地机器人,冰箱,手机,汽车,已有一万余种应用,32,新一代,AI,的新理论、新技术、新平台将和社会心需求相结合，形成广泛的新应用，显示出强大的,延展性,和,渗透性,：,智能语,箱,AI,应用,3.,人工智能发展趋势,AI+,行业,智能应用软件,：语音识别、机器翻译、图像识别、智能交互、知识处理等,智能基础软件,：各种智能芯片、智能插件、零部件、传感器、网络智能设备,智能自主产品,：汽车、轨道交通、车联网、无人机、船、机床、机械等,虚拟实现与增强现实,：,艺术、玩具和教育产品,可穿戴产品,：人工智能的手机、车载智能终端、智能手表、智能耳机、智能眼镜、健康检测与康复产品,家居产品,：建筑智能设备、家电、家具等产品的智能化,3.,人工智能发展趋势,AI+,行业 深度学习,+,自我博弈进化技术,与传统博弈人工知识不同，,AlphaGo,深度强化学习初步具备了“直觉感知（下一步在哪）”，“棋局推理（全局获胜机会如何）”，和“新颖落子（想人所不敢想）”等能力。,将记忆人类棋局和自我博弈积累棋局结合起来。,3.,人工智能发展趋势,AI+,行业 基于网络的群体智能,Science2016,年,1,月,1,日发表 “群智之力量（,The Power of Crowds,Vol.351,issues 6268,）”的论文认为：结合群体智慧与机器性能来解决快速增长难题。,其将群智计算按难易程度分为三种类型：实现任务分配的,众包模式,（,Crowdsourcing,）、,较复杂支持,工作流模式的群（,Complex workflows,）,以及最复杂的,协同求解问题的生态系统模式（,Problem solving ecosystem,）,.,3.,人工智能发展趋势,AI+,行业 人机一体化技术导向混合智能,各种穿戴设备、人,车共驾、脑控或肌控外骨骼机器人、人机协同手术等实现生物智能系统与机器智能系统的紧密耦合。,3.,人工智能发展趋势,AI+,行业 跨媒体,自然语言处理,视觉计算,听觉感知,精灵宝可梦,GO:AR:,图形,+,视频,谷歌：,VR,绘画应用,Tilt Brush,Facebook:,视频描述生成,架构跨媒体间桥梁,在语言、视觉、图形和听觉之间语义贯通，是实现联想、推理、概括等智能的重要关键,3.,人工智能发展趋势,AI+,行业 无人系统,精灵宝可梦,GO:AR:,图形,+,视频,谷歌：,VR,绘画应用,Tilt Brush,Facebook:,视频描述生成,机械手在工业装配线上发展迅速,在灵活运动的领域中，无人系统迅猛发展的速度远快于机器人,因为人类或类动物的机器人，往往不如对机械进行智能化和自主化升级来得高效,3.,人工智能发展趋势,智能医疗。随着人工智能技术的不断落地，已有不少应用人工智能提高医疗服务水平的成功案例。,智能家居。智能家居基于物联网技术，以住宅为平台，由硬件、软件、云平台构成家居生态圈。,智能医疗,智能家居,AI+,行业 医疗,+,家居,感谢观看,人工智能导论,Expression and,U,nderstanding,第二章：,表示与理解,目录,CONTENTS,知识表示与利用,推理,搜索,知识表示与利用,2.1,2.1.1,知识与知识表示的概念,2.1.2,产生式表示法,2.1.3,框架表示法,2.1.4,状态空间表示法,2.1.1,知识与知识表示的概念,40,1,知识的概念,在长期的社会生活实践和科学研究当中，我们人类积累了对客观世界认知的经验。将获取的经验信息关联在一起就形成了知识。,2,知识的特性,（,1,）相对正确性。,（,2,）不确定性。,（,3,）可表示性与可利用性。,3,知识表示的概念,知识表示是将人类所掌握的知识形式化或模型化。目的让计算机存储和运用知识。到现在为止，人类已提出很多知识表示方法。常用的知识表示方法有产生式、框架和状态空间等。,2.1.2,产生式表示法,1,产生式,产生式一般用于表示事实、规则以及它们的不确定性度量，适合表示事实性知识和规则性知识。,（,1,）确定性规则的产生式表示。确定性规则的产生式表示形式如下：,IF P THEN C,或,P C,在该式子中，产生式的前提是,P,，作用是指出式子是否具有可用的条件；,C,是一组结论或操作，作用是指出前提,P,指示的条件被满足时，所应当得出的结论或可执行的操作。产生式整体的含义是：如果前提,P,被满足，则结论,C,成立或者执行,C,所规定的操作。例如：,r1:IF,动物会飞,AND,会下蛋,THEN,该动物是鸟,是一个产生式。在该式子中,r1,是编号；“动物会飞,AND,会下蛋”是前提,P,；“该动物是鸟”是结论,C,。,2.1.2,产生式表示法,（,2,）不确定性规则的产生式表示。不确定性规则的产生式表示形式如下：,IF P THEN C,（置信度）或,P C,（置信度）,例如，在专家系统,MYCIN,中有这样一条产生式：,IF,本微生物的染色斑是革兰氏阴性，本微生物的形状呈杆状，病人是中间宿主,THEN,该微生物是绿脓杆菌（,0.6,）,它表示当前题中列出的各个条件都得到满足时，结论“该微生物是绿脓杆菌”可以相信的程度为,0.6,。这里，用,0.6,表示知识的强度,（,3,）确定性事实的产生式表示。在本书中，确定性事实用三元组表示：,（对象，属性，值）或,（,关系，对象,1,对象,2,）,例如，“小赵的身高是,170,公分”表示为（,Zhao,，,Height,，,170,），“小赵和小朱是朋友”,表示为（,Friend,，,Zhao,，,Zhu,）。,（,4,）不确定性事实的产生式表示。在本书中，不确定性事实用四元组表示：,（对象，属性，值，置信度）或（关系，对象,1,对象,2,置信度）,例如，“小赵的身高很可能是,170,公分”表示为（,Zhao,，,Height,，,170,，,0.8,），“小赵和,小朱不大可能是朋友”表示为（,Friend,，,Zhao,，,Zhu,，,0.1,）置信度为,0.1,表示小赵和小朱是朋友的可能性比较小。,产生式又被称为产生式规则；产生式中提到的“前提”有时候又被称为“条件”“前提条件”或“前件”或“左部”等；而“结论”部分有时候又被称为“后件”或“右部”等。今后在本书中将不再区分地使用这些术语，便不再作单独说明。,2.1.2,产生式表示法,2,产生式系统,一组产生式可以互相配合、协同作用。一个产生式生成的结论可以供另一个产生式作为已知条件使用，用以求解问题，该系统被称为产生式系统。,一般情况下，规则库、事实库、控制系统（推理机）三部分便可以组成一个产生式系统。该系统各部分之间的关系如图,2.1,所示。,2.1.2,产生式表示法,名称,内容,规则库,规则库是用于描述相关领域内知识的产生式集合。,事实库,事实库又被称为综合数据库、上下文以及黑板等，它用于存放当前要求解问题的初始状态、原始证据、在推理中得到的中间结论以及最终结论等有用信息。,推理机,推理机由一组程序组成，控制了整个产生式系统的运行,推理、冲突消解、执行规则。,产生式系统内容,2.1.2,产生式表示法,3,产生式系统的特点,产生式适合表达具有因果关系的过程性知识，它是,种非结构化的知识表示方法。,产生式表示法既可以表示确定性知识，又可以表示不确定性知识；既可以表示启发式知识，又可以表示过程性知识。,具有结构关系的知识用产生式表达很困难，因为它不能表示出具有结构关系事物之间的区别。以下介绍的框架表示法可以很好地解决这个问题。,2.1.3,框架表示法,1,框架的一般结构,框架是一种描述所论对象属性的数据结构，对象可以是一件事物或事件或概念。一个框架由若干个“槽”组成，根据实际情况，每个槽又可以被分为若干个“侧面”。一个槽用于描述当前对象某个方面的属性。一个侧面用于描述相关属性的某个方面。槽和侧面所拥有的属性值分别称为槽值和侧面值。一般情况下，一个用框架所表示的知识系统中会包含多个框架，一个框架一般都包含多个不同的槽、不同的侧面，它们都会有不同的框架名、槽名以及侧面名。框架、槽或侧面一般都会被附加一些说明性的信息，一般是一些约束条件，作用是指出能填入到槽和侧面中合适的值,。,单个框架结构,2.1.3,框架表示法,槽名,1,：侧面名,11,侧面值,111,，侧面名,112,，,，侧面名,11P1,侧面名,12,侧面值,121,，侧面名,122,，,，侧面名,12P2,侧面名,1m,侧面值,1m1,，侧面名,1m2,，,，侧面名,1mPm,槽名,2,：侧面名,21,侧面值,211,，侧面名,212,，,，侧面名,21P1,侧面名,22,侧面值,221,，侧面名,222,，,，侧面名,22P2,侧面名,2m,侧面值,2m1,，侧面名,2m2,，,，侧面名,2mPm,槽名,n,：侧面名,n1,侧面值,n11,，侧面名,n12,，,，侧面名,n1P1,侧面名,n2,侧面值,n21,，侧面名,n22,，,，侧面名,n2P2,侧面名,nm,侧面值,nm1,，侧面名,nm2,，,，侧面名,nmPm,约束：约束条件,1,约束条件,2,约束条件,n,框架的一般表示形式：,2.1.3,框架表示法,框架名：,姓名：单位（姓、名）,年龄：单位（岁）,性别：范围（男、女），缺省：男,年级：范围（小学、中学、大学）,专业：单位（系）,住址：,2,用框架表示知识的案例,例,2.1,学生框架,2.1.3,框架表示法,该框架共有七个槽，分别描述了“学生”的七个属性，每个槽都给出了一些说明信息，用于限制对槽的填值。“对于上述这个框架，当将具体化的信息填入槽或侧面后，就可以得到了相对应框架的一个事例框架。例如，把某个学生的一组信息填入“学生”框架的各个槽，就可得到：,框架名：,学生,-1,姓名：张明,年龄：,21,性别：男,年级：大学,专业：物联网工程,住址：,adr-l,2.1.3,框架表示法,例,2.2,关于自然灾害的新闻报道中所涉及的事实经常是可以预见的，这些可预见的事实就可以作为代表所报道的新闻中的属性。例如，将下列一则地震消息用框架表示：“某年某月某日，某地发生,6.0,级地震，若以膨胀注水孕震模式为标准，则三项地震前兆中的波速比为,0.45,，水氯含量为,0.43,，地形改变为,0.60,。”,解：地震消息框架如图,2.2,所示。“地震框架”也可以是“自然灾害事件框架”的子框架，“地震框架”中的值也可以是一个子框架，如图中的“地形改变”就是一个子框架。,2.1.3,框架表示法,框架表示法通过使槽值为另一个框架的名字实现不同框架间的联系，建立表示复杂知识的框架网络。在框架网络中，下层框架可以继承上层框架的槽值，也可以进行补充和修改，这样不仅减少了知识的冗余，而且较好地保证了知识的一致性。,对比内容,产生式表示,框架表示,结构化表示,不可以,可以,是否可以将知识间关系表示,不可以,可以,能表示的结果,仅可以表示因果关系,可以表示更复杂的关系,框架表示的优点,2.1.4,状态空间表示法,1,状态空间表示,用状态变量与操作符号表示系统或者问题的有关知识的符号体系被称为状态空间。在本书中，状态空间用一个四元组表示：,S,代表状态集合，,S,中的每个元素都表示一个状态，而状态是某种结构的符号或者数据。,O,代表操作算子的集合，通过算子可以把一个状态转化成另一个状态。,S,0,代表问题的初始状态集合，它是,S,的非空子集。,G,代表问题的目的状态集合，它是,S,的非空子集。,G,既可以是若干的具体状态，也可以是满足某些性质的,从结点,S0,到结点,G,的路径被称为求解路径。求解路径上的一个操作算子序列被称为状态空间的一个解。如图,2.3,所示，一个操作算子序列,可以使初始状态转化为目标状态：,2.1.4,状态空间表示法,对于八数码问题，一个,3,行,3,列的阵列便是一个合理的状态描述方式。,该问题可以用状态空间来表示。此时八数码的任何一种布局就是一个状态，所有的摆法即为状态集,S,，它们构成了一个状态空间，其数目为,9!,。而,G,是指定的某个或某些状态，例如图,2.4,（,b,）。,对于操作算子设计，如果着眼在数码上，相应的操作算子就是数码的移动，其操作算子共有,4,（方向）,8,（数码）,=32,个。如着眼在空格上，即空格在方格盘上的每个可能位置的上下左右移动，其操作算子可简化成,4,个：将空格向上移,Up,；将空格向左移,Left,；将空格向下移,Down,；将空格向右移,Right,。,移动时要确保空格不会移出方格盘之外，所以并不是在任何状态下都能运用这,4,个操作算子。如空格在方格盘的右上角时，只能运用两个操作算子向左移,Left,和向下移,Down,。,2.1.4,状态空间表示法,2,状态空间的图描述,状态空间可以用有向图这一工具来描述，问题的状态用图节点表示，而状态之间的关系用图的弧线来表示。初始状态对应实际问题的已知信息，这便是图中的根结点。在问题的状态空间描述中，寻找从一种状态转化为成另一种状态的某一个操作算子序列等价于在一个图中寻找某一条路径。,图,2.5,是用有向图描述的状态空间。由该图可知，对于状态,S0,允许使用操作算子，将状态,S0,分别转化成状态,S1,，,S2,和,S3,。就这样利用操作算子逐步地转化，如图就是一个解。,2.1.4,状态空间表示法,例,2.3,中的八数码问题，若给出问题的初始状态，便可以用图来描述它的状态空间。可以用,4,个操作算子来标注图中的弧，即,Up,表示空格向上移、,Left,表示向左移、,Down,表示向下移、,Right,表示向右移。该图的部分描述如图,2.6,所示。,2.1.4,状态空间表示法,例,2.4,旅行推销员问题：假设某个推销员从出发城市到若干个城市去推销产品，最后回到出发城市。必须经过每个城市，而且只能经过一次。问题的关键是要找到一条最合理的路径，使得推销员经过每个城市后回到原地所走过的路径最短或者花费的代价最少。该问题的实例如图,2.7,所示，城市用结点表示，弧上的数字代表经过该路径的距离或代价。现假设推销员从城市,A,出发。,2.1.4,状态空间表示法,图,2.8,是该问题的部分状态空间表示。可能的路径有很多，例如，费用为,375,的路,(A,B,C,D,E,A),就是一个可能的旅行路径，但目的是要找具有最小费用的旅行路径。,上面两个案例中，只绘出了问题的部分状态空间图。对于很多实际问题，要在有限的时间内绘出问题的全部状态图是不可能的。,例如旅行推销员问题，每个城市存在,(n1)!/2,条路径。如果用,次,/,秒的计算机进行穷举，则当,n=7,时，捜索时间为,t=2.5105,秒；当,n=15,时，,t=1.8,小时；当,n=20,时，,t=350,年；当,n=50,时，,t=51048,年；当,n=100,时,t=510142,年；当,n=200,时,t=510358,年。所以，这类显式表示对于大型问题的描述是不切实际的，而对于具有无限结点集合的问题则是不可能的。所以，要研究能够在有限时间内搜索到较好解的搜索算法。,推理,2.2,2.2.1,推理方式及分类,2.2.2,确定性推理,2.2.3,非确定性推理,2.2.1,推理方式及分类,人类的智能活动有多种思维方式。人工智能作为对人类智能的模拟，相应地也有多种推理方式。下而分别从不同的角度对它们进行分类。,推理,演绎推理,归纳推理,默认推理,演绎推理经常用的是三段论式。,大前提：已知的一般性知识或假设。,小前提：关于所研究的具体情况或个别事实的判断。,结论：由大前提推出的适合于小前提所示情况的新判断。,1,演绎推理、归纳推理、默认推理,案例,大前提：篮球运动员的身体都是强壮的。,小前提：姚明是一名篮球运动员。,结论：姚明的身体是强壮的。,2.2.1,推理方式及分类,归纳推理,完全归纳推理,是指在进行归纳时考察了相应事物的全部对象，并根据这些对象是否都具有某种属性，从而推出这个事物是否具有这个属性。例如，某厂进行产品质量检査，如果对每一件产品都进行了严格检查，并且都是合格的，则推导岀结论“该厂生产的产品是合格的”。,不完全归纳推理,是指考察了相应事物的部分对象，就得出了结论。例如，检查产品质量时，只是随机地抽查了部分产品，只要它们都合格，就得岀了“该厂生产的产品是合格”的结论。,默认推理,在知识不完全的情况下假设某些条件已经具备所进行的推理。例如，在条件,A,已成立的情况下，如果没有足够的证据能证明条件,B,不成立，则默认,B,是成立的，并在此默认的前提下进行推理，推导出某个结论。例如，要设计一种鸟笼，但不知道要放的鸟是否会飞，则默认这只鸟会飞，所以，推出这个鸟笼要有盖子的结论。,2.2.1,推理方式及分类,2,确定性推理、不确定性推理,若按推理时所用知识的确定性来划分，推理可,分为确定性推理与不确定性推理。,确定性推理,是指推理时所用的知识与证据都是确定的，推出的结论也是确定的，其真值或者为真或者为假，没有第三种情况出现。,不确定性推理,是指推理时所用的知识与证据不都是确定的，推岀的结论也是不确定的。现实世界中的事物和现象大都是不确定的，或者模糊的，很难用精确的数学模型来表示与处理。,不确定性推理又分为似然推理和近似推理或模糊推理，前者是基于概率论的推理，后者是基于模糊逻辑的推理。人们经常在知识不完全、不精确的情况下进行推理，所以，要使计算机能模拟人类的思维活动，就必须使它具有不确定性推理的能力。,2.2.1,推理方式及分类,3,单调推理、非单调推理,若按推理过程中推出的结论是否越来越接近最终目标来划分，推理又分为单调推理与非单调推理。,在人们的日常生活及社会实践中，很多情况下进行的推理都是非单调推理。一个非单调推理的案例：当知道,X,是一只鸟时，一般认为,X,会飞，但之后又知道,X,是企鹅，而企鹅是不会飞的，则取消先前加入的,X,能飞的结论，而加入,X,是不会飞的结论。,单调推理,是在推理过程中随着推理向前推进及新知识的加入，推出的结论越来越接近最终目标。单调推理的推理过程中不会岀现反复的情况，即不会由于新知识的加入否定了前面推岀的结论，从而使推理又退回到前面的某一步。本章将要介绍的基于经典逻辑的演绎推理属于単调性推理。,非单调推理,是在推理过程中由于新知识的加入，不仅没有加强已推出的结论，反而要否定它，使推理退回到前面的某一步，然后重新开始。,2.2.1,推理方式及分类,4,启发式推理、非启发式推理,若按推理中是否运用与推理有关的启发性知识来划分，推理可分为启发式推理（,heuristic inference,）与非启发式推理,。,如果推理过程中运用与推理有关的启发性知识，则称为启发式推理，否则称为非启发式推理。,例如，推理的目标是要在脑膜炎、肺炎、流感这三种疾病中选择一个，又设有,r1,、,r2,、,r3,这三条产生式规则可供使用，其中,r1,推出的是脑膜炎，,r2,推出的是肺炎，,r3,推出的是流感。如果希望尽早地排除脑膜炎这一危险疾病，应该先选用,r1,；如果本地区正在盛行流感，则应考虑首先选择,r3,。这里，“脑膜炎危险”及“现在正在盛行流感”是与问题求解有关的启发性信息。,2.2.2,确定性推理,推理的控制策略主要包括推理方向、搜索策略、冲突消解策略、求解策略及限制策略等。推理方向分为正向推理、逆向推理、混合推理及双向推理四种。,例,2.5,设有规则：,r1,：,IF A and B THEN C,r2,：,IF C and D THEN E,r3,：,IF E THEN F,并且已知,A,、,B,、,D,成立，求证,F,成立。,初始时,A,、,B,、,D,在动态数据库中，根据规则,r1,，推岀,C,成立，所以将,C,加入动态数据库中；根据规则,r2,，推出,E,成立，将,E,加入动态数据库中；根据,r3,，推出,F,成立，将,F,加入动态数据库中。由于,F,是求证的目标，结果成立，推理结束。,1,正向推理,及基本思路,检验是否有规则的前提被动态数据库中的已知事实满足，如果被满足，则将该规则的结论放入动态数据库中；,检查其他的规则是否有前提被满足；,反复该过程，直到目标被某个规则推岀结束，或者再也没有新结论被推出为止。,2.2.2,确定性推理,2,逆向推理,逆向推理又称为反向推理，是逆向地使用规则，先将目标作为假设，查看是否有某条规则支持该假设，既规则的结论与假设是否一致，然后看结论与假设一致的规则其前提是否成立。,如果前提成立，则假设被验证，结论放入动态数据库中；否则将该规则的前提加入假设集中，一个一个地验证这些假设，直到目标假设被验证为止。,例,2.6,在例,2.5,中，如何使用逆向推理推导出,F,成立？,首先将,F,作为假设，发现规则,r3,的结论可以推导岀,F,，然后检验,r3,的前提,E,是否成立。现在动态数据库中还没有记录,E,是否成立，由于规则,r2,的结论可以推出,E,，依次检验,r2,的前提,C,和,D,是否成立。,首先检验,C,，由于,C,也没有在动态数据库中，再次找结论含有,C,的规则，找到规则,r1,，发现其前提,A,、,B,均成立（在动态数据库中），从而推岀,C,成立，将,C,放入动态数据库中。再检验规则,r2,的另一个前提条件,D,，由于,D,在动态数据库中，所以,D,成立，从而,r2,的前提全部被满足，推出,E,成立，并将,E,放入动态数据库中。由于,E,已经被推岀成立，所以规则,r3,的前提也成立了，从而最终推出目标,F,成立。,2.2.2,确定性推理,3,混合推理,正向推理具有盲目、效率低等缺点，推理过程中可能会推出很多与问题无关的子目标。逆向推理中，若提出的假设目标不符合实际，也会降低系统的效率。为解决这些问题，可把正向推理与逆向推理结合起来，使其各自发挥自己的优势，取长补短。这种既有正向又有逆向的推理称为混合推理。,其他用到混合推理的情况,已知的事实不充分。,正向推理推出的结论可信度不高。,希望得到更多的结论。,2.2.2,确定性推理,混合推理分为两种情况：,1,、一种是先进行正向推理，帮助选择某个目标，即从已知事实演绎出部分结果，然后再用逆向推理证实该目标或提高其可信度；,2,、另一种情况是先假设一个目标进行逆向推理，然后再利用逆向推理中得到的信息进行正向推理，以推出更多的结论。,2.2.2,确定性推理,4,双向推理,所谓双向推理是指正向推理与逆向推理同时进行，且在推理过程中的某一步骤上“相遇”的一种推理。其基本思想是：一方面根据已知事实进行正向推理，但并不推到最终目标；另一方面从某假设目标出发进行逆向推理，但并不推至原始事实，而是让它们在中途相遇,双向推理的困难在于“相遇”判断。另外，如何权衡正向推理与逆向推理的比重，即如何确定“相遇”的时机也是一个困难问题。,目标,正向,逆向,2.2.3,非确定性推理,一般的逻辑推理都是确定性的，也就是说前提成立，结论一定成立。比如在几何定理证明中，如果两个同位角相等，则两条直线一定是平行的。但是在很多实际问题中，推理往往具有模糊性、不确定性。,1,事实的表示,事实,A,为真的可信度用,CF(A),表示，取值