03-推理目标树与基于规则的专家系统
1、问题引出
程序回答关于自身行为的问题。
例子：谁在谁之上，程序结构：
Put-On:
find space——调用getRidof"移开"
grasp——调用clear top——调用getRidof"移开"——调用Put-On
move
ungrasp
- 如何回答”为什么“？
返回上一层 - 如何回答“如何”？
往下一层
2、程序总结
- 这就是一颗目标树，由程序实现它每一步的目标而产生的踪迹生成。
- 所以，目标树就是能让程序回答关于自身的行为的问题。
- 西蒙的蚂蚁比喻——行为的复杂性=程序复杂性和环境复杂性中较大值【复杂行为，简单程序】
3、基于规则的专家系统
- 都可以用简单规则形式的知识表示出来；
- “专家”并不是有常识的，而是添加进去的规则；所以是基于规则的新手系统！
- 由已知事实向前推出结论，就是前向链系统。前向链系统实质上也是目标树，因为是目标为中心的程序，所以可以回答自身行为的问题 。
- 还可以从假设往回去找事实，这样的系统叫做后向链基于规则的专家系统。
- 专家系统的重要特征：演绎系统，是从事实推演出新事实
例子：购物袋内置物规则：大的放在下面，重物不超过三个……
知识工程的三条规则：
- 规则1：处理个案（比如：牛奶、薯片……）
- 规则2：看起来相同但实际上处理方式有所不同的东西（询问有什么不同，比如不同烹饪的豌豆）
- 规则3：建立一个系统然后看他何时出问题（做实验，看程序何时出错）
最后：故事就是由一系列受控的幻想来推进~
04-搜索：深度优先、爬山、束搜索
一、引入
例子： 从A到B地最优路径
题目： 根据图画出搜索树
惯例：
- 结点都需要按照字母顺序来；
- 不允许有路径绕回原来到过的地方
要点： 搜索≠图（地图Maps)，搜索=选择
二、四种搜索算法
算法介绍
1、深度优先搜索（DFS）
- 遇到死胡同，“回溯”到上一次选择的地方，可以遍历所有节点，而不是只得到一条路
- 放在栈（Stack)中/队列中
- 把扩展的队列放在前端
- 生成两个路径的做法是：将队列前端的一个路径除去，发现这个路径没有到达目标后，对他进行扩展，然后把生成的路径放回队列
2、广度优先遍历（BFS）
- 一层层来遍历
- 放在队列（Queue）中
- 无法分辨自己是靠近还是远离目标
- 优化算法：已经扩展过的结点不再考虑（访问过的结点不再访问）
3、爬山算法（DFS的改良）
- 根据结点离目标近来选择而不是按照字母顺序(因为我们更倾向于选择离目标结点更近的结点）【这点优于DFS和BFS】
- 离目标的距离可以看做图中路径的权重
- 贪心算法，有可能陷入死路
4、束搜索（BFS的改良）
- 将每一层中考虑的路径数限制在一个较小的固定数字上
- 束宽：每次搜索考虑的路径长度
- 例如：束宽2，BDAC中考虑离目标最近的两个是BD，所以这一层只保留2个结点BD；
- 和BFS的区别：不会朝着离目标更远的方向走
程序流程图
算法比较
| 算法 | 是否回溯 | 是否使用入队列表 | 是否知情（使用启发性信息） |
|---|---|---|---|
| 深度优先 | √ | √ | × |
| 广度优先 | × | √ | × |
| 爬山算法 | √ | √ | √（路径权重) |
三、案例
1、爬山
-
原型： 在山上，判断四个方向中哪个方向让我们的海拔位置提高最高。
-
问题：
可能会卡在局部极大值处 -
失效： 电线杆问题：在一块平地上找方向是无效的。
-
比如：你处于一个山脊上，（下图是等高线）你向东西南北四个方向走都发现是在下山，所以推断出自己所处的地方是最高的，但是其实，最高处是最上面的等高线。
2、故事
- 使用的程序化英语是由Story Workbench程序提供给Genesis系统的
- 皮洛士式胜利（Pyrrhic victory):胜利刚开始看起来很棒，但其实不是那样。比如说：麦克白想当国王，之后他当上了国王，但是很不幸，他因此被人杀死。
- 程序回答常识问题是建立在目标树的基础上的；
- 程序回答反思层面，通过查找更高层的内容；