Поиск в ширину

	От заключений (гипотез) 1,2 к подцелям 3,4,5 и затем к фактам 7.8

От фактов 1,2.. к подцелям 5,6 и к заключению 8

Рис.2

В системах с прямым выводом по известным фактам отыскивается заключении, которое из этих фактов следует (см. рис.2, левая часть).

Если такое заключение удаётся найти, то оно заносится в рабочую память. Прямой вывод часто называют выводом, управляемым данными, или выводом, управляемым антецидентами.

Существуют системы, в которых вывод основывается на сочетании упомянутых выше методов – обратного и ограниченного прямого. Такой комбинированный метод получил название циклического.

Пример

Имеется фрагмент базы знаний из двух правил:

П1. Если «отдых – летом» и «человек – активный», то «ехать в горы».

П2. Если «любит солнце», то «отдых – летом».

Предположим, в систему поступили факты - «человек – активный» и «любит солнце».

ПРЯМОЙ ВЫВОД – исходя из фактических данных, получить рекомендацию.

1-й проход.

Шаг 1. Пробуем П1, не работает (не хватает данных «отдых – летом»).

Шаг 2. Пробуем П2, работает, в базу поступает факт «отдых – летом».

2-й проход.

Шаг 3. Пробуем П1, работает, активируется цель «ехать в горы», которая и выступает как совет, который даёт ЭС.

ОБРАТНЫЙ ВЫВОД – подтвердить выбранную цель при помощи имеющихся правил и данных.

1-й проход.

Шаг 1. Цель - «ехать в горы»: пробуем П1 – данных «отдых – летом» нет, они становятся новой целью и ищется правило, где цель в левой части.

Шаг 2. Цель -«отдых – летом»: правило П2 подтверждает цель и активирует её.

2-й проход.

Шаг 3. Пробуем П1, подтверждается искомая цель.

Список литературы

1. Ростовцев В.С. Принципы построения экспертных систем: учебное пособие.- 2-е изд., перераб. и доп. - Киров: Изд-во ВятГУ, 2007.-156 с.

2. 2.Гаврилова, Т. А. Базы знаний интеллектуальных систем [Текст]: учеб. /Т.А. Гаврилова, В.Ф., Хорошевский. - СПб.: Питер, 2001. – 384 c.

3. Джексон, Питер Введение в экспертные системы. – 3-е изд. М.; СПб.; Киев: Вильямс, 2001.- 624с..

Основные понятия и проблемы неопределенности в логическом выводе

В жизни часто приходится оценивать гипотезы, для которых имеется неполная или недостаточная информация. Иногда трудно сделать точные оценки, но, несмотря на неопределенность, мы принимаем разумные решения. Например, в медицинской диагностике, существуют некоторые сомнения в четкости проявления симптомов того или иного заболевания. Врач воздерживается от какого-либо лечения до тех пор, пока симптомы не станут совершенно ясными. Другой пример это распознавание речи, в которой присутствуют конкурирующие гипотезы о том, какое слово употребляется в предложении.

Кроме того, многие программы, использующие эвристики, должны рассуждать в условиях неопределенности, поскольку эвристика- это приближенный метод, указывающий направление поиска.

Существуют важные проблемы, которые необходимо учитывать к понятию неопределенности в автоматических системах логического вывода [1]:

Как количественно выразить степень определенности при установлении истинности (или ложности) некоторой части данных?

Как отразить степень поддержки заключения конкретной посылкой?

Как использовать совместно несколько посылок, влияющих на заключение?

При разработке ЭС используются методы точного вероятностного и приближенного рассуждений [ 1].

Непригодность вероятностного вывода для реальных задач обусловлена следующими причинами:

· Рассуждения на основе теории вероятностей становятся все более трудными и неудобными;

· Трудно создать цепочку рассуждений с расчетом точных вероятностей;

· Разработанные системы используют лишь грубые оценки с использованием вероятностей.

Использование рассуждений на основе вероятностей становится все более трудным и неудобным. По этой причине многие ЭС применяют специальные методы приближенных рассуждений. Именно такой механизм использован в экспертной системе EMYCYN, FUZZYNET [1], которые демонстрируют эффективность многоступенчатых рассуждений.