人工智能—产生式推理

产生式推理，即利用产生式知识表示法所进行的推理，而由此产生的系统称为产生式系统。

基本结构

产生式的基本结构包括：

• 控制系统（control system）
• 规则库（rule base）
• 综合数据库（data base）

综合数据库

也被称为事实库，主要用来存放与求解问题有关的各种当前信息的数据结构。例如，问题的初始状态、输入的事实、推理得到的中间结论以及最终结论。

规则库

规则库（rule base）是一个用来存放与求解问题有关的所有规则的集合，也称为知识库（knowledge base）。它包含了将问题从初始状态转换成目标状态所需要的所有变换规则，所以规则库是产生式系统进行问题求解的基础。

控制系统

控制系统（control system），也称为推理机，用来控制整个产生式系统的运行，决定问题求解过程的推理线路。

推理方式

正向推理

一种从已知事实出发、正向使用推理规则的推理方式，也称为数据驱动推理或前向链推理。

算法过程

1. 把用户提供的初始证据放入综合数据库。
2. 检查综合数据库中是否包含问题的解，若已包含，则求解结束，并成功推出，否则执行下一步。
3. 检查知识库中是否有可用知识，若有形成当前可用知识集，执行下一步；否则转到（5）。
4. 按照某种冲突消解策略，从当前可用知识集中选出一条知识进行推理，并将推出的新事实加入到综合数据库中，然后转到（2）。
5. 询问用户是否可以进一步补充新的事实，若可补充，则将新事实加入综合数据库中，然后转（3）；否则表示无解，失败退出。

例如：假设有以下两条规则

• $r_1$：如果动物有羽毛，那么动物是鸟
• $r_2$：如果动物是鸟且动物善飞，那么动物是信天翁。

假设已知事实“动物有羽毛，动物善飞”。
要求采用正向推理，求满足以上事实的动物是何种动物。

1. 把“动物有羽毛，动物善飞”放入综合数据库
2. 检查综合数据库中是否包含问题的解，结果为否。
3. 检查知识库中的可用知识，形成可用知识集，集合中仅包含$r_2$。
4. 从当前知识库选出$r_2$进行推理，将结果“动物是鸟” 放入综合数据库。
5. 检查综合数据库中是否包含问题的解，结果为否。
6. 检查知识库中的可用知识，形成可用知识集，集合中仅包含$r_1$。
7. 从当前知识库选出$r_1$进行推理，将结果“动物是信天翁” 放入综合数据库。
8. 检查综合数据库中是否包含问题的解，结果为真。

优点

比较直观，允许用户主动提供有用的事实信息，适合于诊断、设计、预测、监控等领域的问题求解。

缺点

推理无明确的目标或求解问题时会执行许多与解无关的操作，导致效率较低。

逆向推理

逆向推理，即以某个假设目标作为出发点的推理方法，也称为目标驱动推理，或逆向链推理。（从结论推条件是否满足初始条件）

算法过程

1. 将问题的初始证据和要求证的目标（假设）分别放入综合数据库和假设集。
2. 从假设集中选出一个假设，检查该假设是否在综合数据库中。若在，则该假设成立。此时，若假设集为空，则成功退出，否则仍执行（2）。若假设不在综合数据库中，则执行下一步。
3. 检查该假设是否可由知识库的某个知识导出。若不能由某个知识导出，则询问用户该假设是否为可有用户正是的原始事实。若是，则该假设成立，并将其放入综合数据库，若不是，则转（5）。若能由某个知识导出，则执行下一步。
4. 将知识库中可以导出该假设的所有知识构成一个可用知识集。
5. 检查可用知识集是否为空，若是则退出，否则执行下一步
6. 按冲突消解策略从可用知识库中取出一个知识，执行下一步
7. 将该知识的前提中的每个子条件都作为新的假设放入假设集，转（2）

例如在正向推理中的那个例子，如果使用逆向推理，过程如下：

1. 将初始证据“动物有羽毛”和“动物善飞”放入综合数据库，把“动物是信天翁”放入假设集
2. 从假设集中取出假设“动物是信天翁”，判断该假设是否为综合数据库的已知事实，结果为否。
3. 再检查“动物是信天翁”能否被知识库中的知识所导出，发现可由$r_2$导出，于是$r_2$被放入可用规则集。
4. 从可用规则集中取出$r_2$并将其前提条件`“动物是鸟”和“动物善飞”放入假设集。
5. 在假设集取出一个假设“动物是鸟”，检查该假设是否为综合数据库中的事实，结果为否。
6. 再检查“动物是鸟”能否被知识库中的知识所导出，发现可由$r_1$导出，于是$r_1$被放入可用知识库。
7. 从可用知识库中取出$r_1$，将其前提条件“动物有羽毛”放入假设集。
8. 此时假设集中的假设已全部被综合数据库中的已知事实所满足。

优点

不必寻找和使用那些与假设目标无关的信息和知识，推理过程的目标明确，也有利于向用户提供解释。

缺点

当用户对解的情况认识不清时，由系统自主选择目标的盲目性比较大，若选择不好，可能需要多次提出假设，会影响系统效率。