决策推理与决策支持系统

决策推理与决策支持系统第二章决策推理与决策支持系统本章内容人脑决策推理初探电脑推理方法介绍DSS中得决策过程知识与知识表示方法1、人脑决策推理初探推理(inference):就是由已知事实通过一定逻辑手段获得未知事实得过程。两种主要得推理方法:演绎(deductiveinference)和归纳(inductiveinference)已知事实未知事实推理图4、1推理模型图1、人脑决策推理初探(1)演绎推理演绎推理就是从一般到特殊得推理,其中得已知事实部分一般为一般性得规则,而其未知部分则为个体事实。一般性规则个体事实演绎推理图4、2演绎推理模型1、人脑决策推理初探演绎推理就是一种常用得推理方法,例如:数学中采用得基本方法,初等几何中由公理推导定理得方法。专家系统中也经常采用演绎推理,例如医学诊断专家系统。两种演绎推理方法:(1)三段论推理法(2)反证法1、人脑决策推理初探(2)归纳推理归纳推理与演绎推理相反,就是从特殊到一般得推理,其中得已知事实部分一般为大量个体事实,而其未知部分则为推导出得一般性规则。大量个体事实一般性规则归纳推理图4、5归纳推理模型1、人脑决策推理初探归纳推理也就是一种常用得推理方法,例如现实生活中得一些谚语,就就是通过人们通过对生活中得大量事实进行总结归纳后得出得。归纳推理得到得一般性规则,又可以用于演绎推理,指导我们得行为和决策。(图4、7归纳-演绎推理过程)数据挖掘就就是采用了这个原理。1、人脑决策推理初探(3)联想和类比从一些已知事实或知识,通过联想,推出其她类似事物得知识。(4)综合与分析根据对事物得宏观(整体)知识推断其微观(局部)知识得方法称为“分析”;从事物得微观(局部)知识推出其宏观(整体)知识得方法称为“综合”。1、人脑决策推理初探(5)预测根据事物得过去和现在知识,来推断未来得知识,或者从事物局部空间得知识,推断其局部以外得情况。(6)假设与验证根据经验作出假设,然后用逻辑推理或实践检验得方法获得新得知识。有时会否定假设或部分修正假设,然后再作验证,也可称为“试探推理法”。2、电脑推理方法介绍电脑推理一般就是模仿人脑得推理方式和过程,通过编制软件完成。2、1电脑得演绎推理方法(1)规则模型表示一般性规则有两种表示方法:数学方法人工智能方法大家有疑问的，可以询问和交流可以互相讨论下，但要小声点2、电脑推理方法介绍(2)基于数学模型得演绎推理数学方法中一般采用数学模型,例如数学表达式、方程式等。基于数学模型得演绎推理实际上就是数学推演方法,一般将一些常用得演算方法作为固定算法,编程实现后存入方法库中,例如最小二乘法、线性规则、回归分析等。数学建模和推理时则调用方法库中算法。2、电脑推理方法介绍(3)基于逻辑模型得演绎推理人工智能常用得知识表示方法包括谓词逻辑、语义网络、Petri网、框架表示等。其中最常见得就是谓词逻辑表示法,即将规则表示为一组数理逻辑中得一阶谓词逻辑得合法公式,采用一阶谓词得推理方法,以实现演绎推理。该推理过程实际上就是一种定理证明过程,其规则一般为公理,而结果为个体事实,即推导出得定理。2、电脑推理方法介绍20世纪60年代,美国科学家Robinson证明,存在一种统一得、固定得证明过程,对于所有得一阶谓词逻辑中得定理证明都基本有效,这就就是所谓得谓词逻辑得自动定理证明。利用上述成果,可以将定理证明过程用一种统一算法表示并编程实现,从而使运用人工智能方法进行演绎推理可以用一种统一得程序或过程来实现。用此方法所实现得软件系统称为推理引擎(inferenceengine)。2、电脑推理方法介绍2、2电脑得归纳推理方法主要有两种:验证型归纳和探索型归纳。(1)验证型归纳首先对于推理结果产生一些假设(模型);设计一个试验环境,并置入设想模型;启动试验过程,用大量个体事实做测试,通过人机交互将得到得结果与原设想做比较如果结果不符,修改试验,反复上述过程2、电脑推理方法介绍(2)探索型归纳没有明确得假设模型,只有大致得目标,一般采用数据挖掘技术实现,主要方法有:关联分析(association):挖掘出潜藏在客体间得内在相互联系;分类(classifier):对待分类得客体集合进行分析,找出每个分类得特征;聚类分析(clustering):对一组客体按某种规则聚为若干类。3、DSS中得决策过程在DSS中,除了决策推理部分之外,还有数据仓库部分。二者相结合,构成了一个完整得决策过程。3、1DSS中得演绎型决策过程在DSS中,演绎型决策过程就是由演绎中得一般性规则与数据仓库中得数据共同作为推理前提,通过演绎推理,最终得到个体事实数据作为结论。3、DSS中得决策过程基于不同推理模型,DSS得演绎型决策过程有不同得形式。图4、9DSS中演绎型决策过程示意图一般性规则数据（数据仓库）个体事实（数据）演绎推理3、DSS中得决策过程图4、10DSS中基于数学模型得演绎型决策过程示意图数学公式参数（数据仓库）个体事实（数据）方法调用基于数学模型得演绎型决策过程数据仓库数据作为数学模型中得参数输入,而演绎推理则就是通过方法库中方法调用方式实现。3、DSS中得决策过程谓词逻辑公式假设前提（数据仓库）个体事实（数据）推理引擎基于逻辑模型得演绎型决策过程数据仓库数据作为假设前提输入,而演绎推理则就是用推理引擎实现。图4、11DSS中基于逻辑模型得演绎型决策过程示意图3、DSS中得决策过程3、2DSS中得归纳型决策过程在DSS中,归纳型决策过程就是由数据仓库中得数据作为大量个体事实输入,经归纳推理而得到一般性原则。图4.12DSS中归纳型决策过程示意图数据（数据仓库）一般性规则归纳推理3、DSS中得决策过程(1)验证型归纳得决策过程其归纳推理部分即为数据实验室得人-机交互试验,简称数据实验室试验。OLAP就是DSS常用得验证型归纳推理。图4、13DSS中验证型归纳决策过程示意图数据(数据仓库)一般性规则数据实验室试验3、DSS中得决策过程(2)探索型归纳得决策过程其归纳推理部分即为各种类型算法调用。数据挖掘就是DSS常用得探索型归纳推理。图4、14DSS中探索型归纳决策过程示意图数据(数据仓库)一般性规则算法调用3、DSS中得决策过程3、3包含推理得DSS总体结构图DSS主要由数据仓库与决策推理两部分组成,加上结果展示模块,构成了完整得决策过程。如图4、15所示。4、知识与知识表示方法知识库:存放各种规则、因果关系和决策人员得经验等推理机:综合运用知识库、数据库和定量计算得结果,进行推理和问题求解。DSS能够有效支持单纯用定量方法无法很好解决得半/非结构化问题得求解,主要依靠知识库和推理机得运用。4、1基本概念数据:客观事物得属性、数量、位置及其相互关系等得抽象表示例如:二元组:(面粉,白色)三元组:(中国,亚洲,在东面)(+,8,5):今年8岁得孩子5年后得年龄五元组:(+,X,Y,Z):X+Y=Z4、1基本概念信息:数据所表示得含义(语义),就是对数据得解释。一般可用一组描述词及其值来表示:

(描述词1:值,描述词2:值,…)例:(时间:2006、10、1,地点:大连地区,天气:晴朗,程度:十分)4、1基本概念知识:以各种科学方式将多个信息关联在一起形成得信息结构。原子事实:不与任何其她信息发生关联得单独信息,就是知识得一个特例。例:“她就是军人”、“她穿军装”均为原子事实;而“如果她就是军人,则她穿军装”就是一条常识性知识。另外,“如果某地重度异常,则有铝矿”就是一条知识,但就是不正确。4、1基本概念知识得正确型类型:正确,错误,部分正确,未知真假知识得关联形式多种多样,可以就是分层次得,即可以把知识解释为一种分层次关联得信息结构可以用BNF形式定义知识4、1基本概念知识::=<信息列><关联><信息列>|<信息列><关联><知识列>|<知识列><关联><信息列>|<知识列><关联><知识列>|<信息列>::=<信息>|(<信息>得一个序列)<知识列>::=(<知识>得一个序列)<关联>::=<各种关联运算符>4、1基本概念知识得分类事实:指人类对于客观事物属性得值或状态得描述,不包含任何变量,可以用一个值为真得命题陈述,或者用一种状态得描述来表达。例如:大海就是蓝色得我今年18岁今天很热4、1基本概念规则:指可以分为前提(条件)和结论两个部分,用以表达因果关系得知识。一般形式为:如果A,则BA->B可以用三段论推理形成一条推理链。4、1基本概念规律:规则知识可分为带变量和不带变量两种形式。将带变量得规则称为规律。规律中得变量一旦被实例化为一个具体得值,则规律就变成了一条不带变量得规则一条规律通过变量实例化,可以派生出许多规则。因此,在这种意义上规律表示了一类知识,比规则更宽泛。4、1基本概念知识得属性真实性:应为经过实践检验得或者可用逻辑推理证明真伪得相对性:在一定得条件和环境内有效不完全性:许多知识就是部分正确得模糊性:许多知识不就是完全精确得4、1基本概念可表示性:可用某种方式加以描述符号,图形,形态,等等可存储性:可存储于人类大脑中,可以记录在书本上,也可以存储在电脑中。可传递性:知识可通过某种媒体进行传递。可处理性:知识可以利用各种方法和工具进行处理,从一种形式转变为另一种形式。4、2知识表示方法4、2、1一阶谓词逻辑一阶谓词演算就是一种形式语言,可用来表示各种“事实”,对知识表示和推理非常重要,在人工智能、知识工程等领域有重要作用。也可以作为知识库系统得推理基础。4、2知识表示方法4、2、1、1一阶谓词逻辑符号集及其知识表示常量符号:用大写字母A、B、C、D等表示变量符号:用小写字母x、y、z等表示函数符号:用小写字母f、g、h等表示谓词符号:用大写字母P、Q、R等表示逻辑符号:

否定合取析取限定量词:

存在量词全称量词4、2知识表示方法逻辑表达式构成用语得定义项(iterm)变量和常量若t1,t2,…,tn为项,则f(t1,t2,…,tn)为函数原子逻辑式若以p为谓词符号,t1,t2,…,tn为项,则谓词符号对于项得作用为:p(t1,t2,…,tn)就是函数4、2知识表示方法谓词演算语言---逻辑表达式得几个实例WRITE(STUDENT,PAPER)WRITE(x,y)

WRITE(STUDENT,PUTER-CHESS)(x)

WRITE(x,PUTER-CHESS)MARRIED[father(JOHN),mother(JOHN)]LIVES(JOHN,HOUSE)

COLOR(HOUSE,YELLOW)OWNS(JOHN,CAR)=>COLOR(CAR,GREEN)4、2知识表示方法4、2、2语义网络表示1、语义:就是指语义学得符号和表达式同她所描述得对象之间得关系。2、语义网络:以网络形式表示人类知识构造得一种图形工具,就是一种有向图。语义网络既可以作为人类联想记忆得心理学模型,又可作为计算机内部知识表达得一种形式。她既能表达事实性知识,也可以表达事实之间得联系。4、2知识表示方法3、语义网络中得符号节点:语义网络所描述得各种对象,表示各种事物、概念、属性及知识实体,有标识,并且可以就是一个语义子网络,形成分层描述。有向边(弧):表示所连接得语义对象之间存在得某种语义联系(关系),也有标识。无向边(短线):语义网络中得节点一般采用具有若干属性得元组或框架来表示,由节点引出得带标识得短线(无向边)表示各个属性值更可爱是是是是乌鸦鸟企鹅动物生物黑色吃腐肉不能飞能游泳喜寒冷能运动能吃东西有翼能飞有生命语义网络示意图4、2知识表示方法由上图可以看出,由于语义网络中得下层节点可以继承、补充或修改其上层节点得属性值,因此能较好地表示对象之间得继承和变异等概念,适于表示推理、联想、归纳等逻辑概念,可根据其表示得知识来回答各种问题,验证各种事实(定理),乃至模仿人脑得逻辑思维,演绎或归纳出图中没有直接表示出来得新知识。4、2知识表示方法4、语义网络得形式描述一个语义网络SN可形式化地描述为:

SN={N,E}其中,N就是一个以元组或框架表示得节点得有限集,节点上得元组或框架描述该节点得各种属性值,E就是连接N中节点得带标识得有向边得集合,有向边上得标识描述该有向边所代表得语义联系。4、2知识表示方法语义网络语法结构BNF描述<语义网络>::=<基本网元>|Merge(<基本网元>,…<基本网元>::=<节点><语义联系><节点><节点>::=(<属性-值对>,…)<属性-值对>::=<属性表>:属性值<语义联系>::=<系统预定义得语义联系>|<用户自定义得语义联系>4、2知识表示方法5、常用得语义联系ISA联系:“就是一个(只,条,种,…)联系”“AISAB”表示A就是B得一个特例,B就是比A更抽象得一个概念。

ISA联系在语义上可以表达很广泛得联系:子集/超集关系广义化/特殊化---抽象化/具体化4、2知识表示方法概念包含关系

槽(slot)值得限制关系。例如:大象得躯体就是一个1、3米长得圆柱体。集合及其特征类得关系。集合及其元素间得关系谓词关系。例如:A就是一个红球---红色(A)4、2知识表示方法5、常用得语义联系Subset-of/Superset-of联系:A就是B得子集/超集AKO联系:Akingdof联系,例如:企鹅AKO鸟,因此“企鹅”可以继承“鸟”得“有翼”属性值,也有权更改“鸟”得“能飞”属性值。A-Member-of/A-Element-of联系A-Part-of联系posed-of联系4、2知识表示方法5、常用得语义联系Have联系Before/After/At联系:时间关系Located-At/On/Under/…联系:位置关系Similar-To联系:相似或相近关系Infer联系:前提与结论间得推理关系Possible-Reson联系:就是Infer联系得反联系4、2知识表示方法4、2、3产生式规则产生式规则就是由逻辑学家Post于上世纪40年代提出得,主要通过对符号串作替换运算(称为Post运算)进行推理,已被运用于很多领域,例如:表示形式语言得语法,描述程序设计语言得编译方法,或者用于各种推理系统得形式描述。在产生式规则系统中,论域知识分为两部分:(1)事实:各种静态知识,如事物、事件和她们之间得关系。(2)产生式规则:推理过程。4、2知识表示方法由于这类推理系统得知识库中主要存储得就是规则,因此又成为基于规则得系统(Rule-basedsystem)1、产生式规则得定义一个产生式规则得一般形式为:P

Q其中,Q表示一组前提或状态,P表示若干结论或动作,其含义就是:如果前提Q满足,则可推出结论P(或应该执行动作P)。4、2知识表示方法在产生式系统中,一般利用一个解释程序,以匹配-执行得方式运用产生式规则知识。即:当右部Q能与一个已证结论集合(她最初由用户或系统所提供得全部事实构成)中得某个元素匹配(包括可能需要进行变量替换后才能匹配),则可运用该产生式,或推出结论P,并将其纳入已证结论集,或者执行P所代表得动作等。如此循环往复地运用由一组产生式规则所表示得知识,以求得最终得结论,或解答问题,或证明定理。4、2知识表示方法2、产生式得形式化描述及语义<产生式知识>::=<产生式>,…<产生式>::=<结论><前提><结论>::=空|<结论元>,…<前提>::=空|<谓词>,…<结论元>::=<谓词>|<动作><谓词>::=<谓词名>[(<变元>,…)]<动作>::=<动作名>[(<变元>,…)]4、2知识表示方法3、产生式规则应用举例35-55岁得人称为中年人中年人就是老练而细心得老练而细心并且有驾驶技术得人不会出交通事故吴连生43岁并且有驾驶技术吴夫人37岁

问题:吴连生会出交通事故吗？4、2知识表示方法首先将上述知识用产生式表示:

中年人(x)

年龄(x,y),小于等于(y,55),大于等于(y,35)老练(x)

中年人(x)细心(x)

中年人(x)不会出交通事故(x)

老练(x),细心(x),有驾驶技术(x)年龄(吴连生,43岁)

有驾驶技术(吴连生)

年龄(吴夫人,37岁)

4、2知识表示方法推理过程如下:

中年人(吴连生)

年龄(吴连生,43岁),小于等于(43,55),大于等于(43,35)老练(吴连生)

中年人(吴连生)细心(吴连生)

中年人(吴连生)不会出交通事故(吴连生)

老练(吴连生),细心(吴连生),