Transcript نسخه ارايه كتاب هوش مصنوعي پيام نور

‫هوش مصنوعي‬
‫نام كتاب ‪ :‬هوش مصنوعي رهياتي نوين‬
‫مولف ‪ :‬راسل و نورويگ‬
‫مترجم ‪ :‬رامين رهنمون آناهيتا هماوندي‬
‫‪Artificial‬‬
‫‪Intelligence‬‬
‫ارايه شده توسط دانشجویان‬
‫پیام نور‬
‫‪.‬‬
‫‪.‬‬
‫‪ :AI‬به طور رسمي در سال ‪ 1956‬مطرح شده است‪.‬‬
‫علل مطالعه ‪:Al‬‬
‫• ‪ AI‬سعي دارد تا موجوديتهاي هوشمند را درک کند‪ .‬از اين رو يکي از علل‬
‫مطالعه آن يادگيري بيشتر در مورد خودمان است‪.‬‬
‫• جالب و مفيد بودن موجوديتهاي هوشمند ‪.‬‬
‫‪ AI‬چيست؟‌‬
‫تعاريفي از ‪ AI‬که به چهار قسمت تقسيم شدهاند‪:‬‬
‫•پردازش فکري و استداللي‬
‫• پردازش رفتاري‬
‫• ايدهآل هوشمندي (منطقي بودن)‬
‫• ارائه انساني‬
‫پردازش‌هاي فکري و استداللي‬
‫ايده‌آل‬
‫هوشمندي‬
‫سيستمهايي که‬
‫به طور منطقي‬
‫فکر ميکنند‬
‫سيستمهايي که‬
‫مانند انسان فکر‬
‫ميکنند‬
‫سيستمهايي که‬
‫به طور منطقي‬
‫عمل ميکنند‬
‫سيستمهايي که‬
‫مانند انسان عمل‬
‫ميکنند‬
‫تمرکز بر روي پردازش‌هاي رفتاري‬
‫ارائه انساني‬
‫‪ .1‬انسان گونه عمل کردن‪ :‬رهيافت آزمون تورينگ‬
‫آزموني از کامپيوتر به عمل آيد‪ ،‬و آزمون گيرنده نتواند دريابد که در آن طرف انسان قرار دارد يا کامپيوتر‪.‬‬
‫براي اين کار کامپيوتر بايد قابليتهاي زير را داشته باشد‪:‬‬
‫‪ ‬پردازش زبان طبيعي = محاوره‬
‫‪ ‬بازنمايي دانش= ذخيره اطالعات‬
‫‪ ‬استدالل خودکار= استدالل و استخراج‬
‫‪ ‬يادگيري ماشيني= کشف الگو و برون ريزي‬
‫تست تورينگ‪ :‬اين آزمون از ارتباط فيزيکي مستقيم بين کامپيوتر و محقق اجتناب‬
‫ميکند‪.‬‬
‫به منظور قبول شدن در تست تورينگ کلي‪ ،‬کامپيوتر به موارد زير احتياج دارد‪:‬‬
‫‪ ‬بينايي ماشين براي درک اشياء‬
‫‪ ‬روباتيک به منظور حرکت آنها‬
‫‪ .2‬انساني فکر کردن‪ :-‬رهيافت مدلسازي شناختي‪:‬‬
‫چگونگي شناسايي عملکرد افکار انسان‪:‬‬
‫‪ -1‬درون گرايي‬
‫‪ -2‬تجارب روانشناس ي‬
‫علوم شناختي ‪ :‬مدلهاي کامپيوتر از ‪ AI‬و همچنين تکنيکهاي روانشناختي را‬
‫گرد هم ميآورد تا بتواند تئوريهاي دقيقي از کارکرد ذهن انسان به دست‬
‫آورند‪.‬‬
‫‪ .3‬منطقي فکر کردن‪ :‬قوانين رهيافت تفکر‬
‫رمز «تفکر درست»‪ :‬ارسطو سعي در کشف آن داشت‪.‬‬
‫قياس‪ :‬از موضوعات مطرح شده توسط ارسطو ميباشد‪ ،‬که الگوهايي براي ساختار‬
‫توافقي ايجاد کرد که همواره نتايج صحيحي به اندازه مقدمات صحيح به دست‬
‫ميآورد‪.‬‬
‫مثال‪« :‬سقراط انسان است‪ ،‬تمام انسانها ميميرند‪ ،‬پس سقراط خواهد مرد‪».‬‬
‫دو مشکل عمده در اين رسم منطق‌گرايي وجود دارد‪:‬‬
‫‪‬‬
‫تبديل دانش غير رسمي به شکل رسمي توسط اعالم‪ ،‬منطقي ساده نيست‪.‬‬
‫‪‬‬
‫تفاوت عمدهاي بين قادر به حل مسئله بودن در اصول و انجام آن در عمل‬
‫وجود دارد‪.‬‬
‫‪ .4‬منطقي عمل کردن‪ :‬رهيافت عامل منطقي‬
‫عامل‪ :‬در اصل چيزي است که ابتدا درک ميکند و سپس عمل ميکند‪.‬‬
‫در نگرش «قوانين تفکر» تأکيد عمده بر روي استنتاجهاي صحيح بوده است‪.‬‬
‫«مهارتهاي شناخت» که براي آزمون تورينگ موردنياز است‪ ،‬براي انجام‬
‫فعاليتهاي منطقي وجود دارند‪.‬‬
‫مزاياي مطالعه ‪ AI‬بهعنوان طراحي عامل منطقي‪:‬‬
‫‪ ‬عموميتر از رهيافت «قوانين تفکر»‬
‫‪ ‬پيشرفت علمي‪ ،‬بسيار قانونپذيرتر از رهيافتهايي است که بر تفکر‬
‫يا رفتار انساني متکي هستند‪.‬‬
‫زيربناي هوش مصنوعي‪:‬‬
‫‪ ،AI‬از علوم مختلفي بهره ميبرد که از ميان آنها علوم زير مهمتر شناخته شدهاند‪:‬‬
‫‪‬‬
‫علم فلسفه‬
‫‪‬‬
‫علم رياض ي‬
‫‪‬‬
‫علم روانشناس ي‬
‫‪‬‬
‫علم زبانشناس ي‬
‫‪‬‬
‫علم کامپيوتر‬
‫ن)‬
‫فلسفه‪ 428( :‬قبل از ميالد مسيح – تاکنو ‌‬
‫پايههاي تفکر و فرهنگ غرب تشکيل شده است از‪ :‬افالطون‪ ،‬استادش سقراط‪ ،‬و‬
‫شاگردش ارسطو‪.‬‬
‫‪‬‬
‫قياس‪ :‬ارسطو‪ ،‬سيستمي غيررسمي از قياس براي استدالل مناسب توسعه داد‪،‬‬
‫امکان توليد نتايج‪ ،‬بر پايه فرضيات اوليه به طور مکانيکي وجود داشت‪.‬‬
‫‪‬‬
‫در نظر گرفتن ذهن به‌عنوان سيستمي فيزيکي‬
‫رنه دکارت مدافع سرسخت قدرت استدالل بود؛ و همچنين طرفدار مکتب دواليسم‪.‬‬
‫ماترياليسم‪ :‬در مقابل دواليسم قرار دارد و معتقد است تمامي جهان مطابق قوانين فيزيکي عمل‬
‫ميکنند‪.‬‬
‫ويلهم اليبنيز‪:‬‬
‫‪‬‬
‫تبديل موقعيت ماترياليستي به نتايج منطقي‬
‫‪‬‬
‫ساخت ابزاري مکانيکي براي انجام عمليات منطقي‬
‫‪‬‬
‫ايجاد منبع دانش‪:‬‬
‫فرانسيس بيکن‪ ،‬جنبش آزمونگرايان را آغاز کرد‪ .‬و با شعار جان الک مفهوم يافت‪:‬‬
‫«هيچ چيز قابل فهم نيست اگر ابتدا در حس نباشد‪».‬‬
‫اصل استقراي امروزي‪ ،‬در حقيقت از کتاب ديويد هيوم نشأت ميگيرد‪" :‬رسانهاي از طبيعت‬
‫انسان"‬
‫برتراندراسل‪ ،‬پايهگذار پوزيوتيزم منطقي‪ ،‬ارائهدهندة اين تئوري بود که‪:‬‬
‫«قوانين عمومي توسط تکرار ارتباطات بين عناصر آنها به وجود ميآيند‪».‬‬
‫‪‬‬
‫ارتباط بين دانش و عمل‬
‫اشياء را با تحليل‪ ،‬دستهبندي ميکنيم و در اطراف آنها‪ ،‬کارکرد مورد نيازشان نوسان مينمايد‪.‬‬
‫در اين ميان پايه سيستممکاشفهاي ‪ GPS‬بنيان گذارده ميشود‪.‬‬
‫رياضيات (‪- C.800‬تاکنون‌)‬
‫براي ارتباط فلسفه با دانش نظري‪ ،‬نياز به فرمولسازي رياض ي در سه زمينه اصلي است‪:‬‬
‫‪‬‬
‫محاسبات‬
‫‪‬‬
‫منطق‬
‫‪‬‬
‫احتماالت‬
‫محاسبات‪:‬‬
‫نظريه اظهار محاسبات به عنوان الگوريتمي رسمي به خوارزمي برميگردد‪ ،‬رياضيدان‬
‫عربي قرن نهم که نوشتههاي وي‪ ،‬جبر و تئوري اعداد عربي را به اروپا معرفي کرد‪.‬‬
‫منطق‪:‬‬
‫در اين زمينه‪ ،‬دانشمندان زيادي بر چگونگي شکلگيري و هدايت آن‪ ،‬نقش داشتهاند که به‬
‫چند نفر از آنها اشاره ميکنيم‪:‬‬
‫‪‬‬
‫ارسطو‪ :‬دانشمندي که بيشترين شکلگيري نگرش فلسفي منطق را به او نسبت ميدهند‪.‬‬
‫‪‬‬
‫جورج بول‪ :‬يک زبان رسمي براي ساخت استنتاج منطقي ارائه داد‪.‬‬
‫‪‬‬
‫‪ :FREGE‬منطق مرتبه اول را به شکلي مطرح نمود که در بيشتر سيستمهاي نمايش‬
‫دانش پايه استفاده ميشود‪.‬‬
‫‪‬‬
‫آلفرد تارسکي‪ :‬تئوري چگونگي ارتباط بين اشياء موجود در محيط منطقي‪ ،‬و اشياء موجود‬
‫در دنياي واقعي را ارائه نمود‪.‬‬
‫‪‬‬
‫ديويد هيلبرت‪ :‬رياضيدان بزرگي بود که شهرت وي به دليل مسائلي است که نتوانست‬
‫حل کند‪.‬‬
‫‪‬‬
‫راسل‪ :‬قضيه کامل نبودن )‪ (incompleteness‬را مطرح نمود‪.‬‬
‫‪‬‬
‫تورينگ‪ :‬ماشين تورينگ قادر به محاسبه هر تابع محاسبهپذيري است‪.‬‬
‫تئوري پيچيدگي‪:‬‬
‫‪ .1‬انجامناپذيري‬
‫‪ .2‬استحاله‬
‫‪‬‬
‫استيون کوک و ريچارد کارپ‪ :‬تئوري ‪ NP-completeness‬را مطرح کردند‪.‬‬
‫احتماالت‪:‬‬
‫گاردنيوي‪ :‬اولين کس ي بود که ايده احتمال را مطرح کرد‪.‬‬
‫‪‬‬
‫پير فرمت‪ ،‬پاسکال‪ ،‬برنولي‪ ،‬الپالس و ديگر دانشمندان بر رشد و توسعه اين ايده تأثير‬
‫داشتند‪.‬‬
‫‪‬‬
‫برنولي‪ :‬ديدگاه «درجه باور» ذهني را در مقايسه با نرخ نتايج عيني مطرح کرد‪.‬‬
‫‪‬‬
‫بيس‪ :‬قانوني براي بهنگامسازي احتماالت ذهني را به وجود آورد‪.‬‬
‫‪‬‬
‫نيومن و مورگنسترن‪ :‬تئوري تصميمگيري را آغاز کردند‪ .‬و از ترکيب تئوري احتمال‪ ،‬و‬
‫تئوري سودمندي حاصل ميشود‪.‬‬
‫ن)‪:‬‬
‫روانشناس ي (‪ -1879‬تاکنو ‌‬
‫‪‬‬
‫هلمولتز‪ :‬روش ي علمي براي مطالعه بينايي انسان به کار برد؛ که اين کتاب به عنوان مرجع‬
‫بينايي فيزيولوژيک و حتي بهعنوان «مهمترين رساله فيزيکي و روانشناختي بينايي انسان تا به‬
‫امروز» شناخته ميشود‪.‬‬
‫‪‬‬
‫وندت‪ :‬اولين آزمايشگاه روانشناس ي تجربي را در دانشگاه اليپزيک راهاندازي کرد‪.‬‬
‫‪‬‬
‫داتسون و تورن دايک‪ :‬حرکت رفتارگرايي )‪ (behaviorism‬را مطرح کردند‪.‬‬
‫‪‬‬
‫اساس مشخصه روانشناس ي شناختي)‪ ،(congnitive psychology‬اين نگرش‬
‫است که مغز دارنده و پردازشکننده اطالعات است‪.‬‬
‫‪‬‬
‫کريک‪ ،‬کتاب ماهيت بيان را منتشر کرد‪ .‬و سه مرحله کليدي را براي عامل مبتني بر داشن‬
‫معين کرد‪:‬‬
‫‪‬‬
‫محرکها بايد به شکل دروني تبديل شوند‪.‬‬
‫‪‬‬
‫بازنمايي توسط پردازشهاي شناختي بازنماييهاي داخلي جديدي را مشتق کند‪.‬‬
‫‪‬‬
‫اينها دوباره به صورت عمل برگردند‪.‬‬
‫ن)‬
‫مهندس ي کامپيوتر (‪ -1940‬تاکنو ‌‬
‫براي پيشرفت هوش مصنوعي‪ ،‬به دو چيز احتياج داريم‪:‬‬
‫‪‬‬
‫هوش‬
‫‪‬‬
‫محصول مصنوعي‬
‫در اين تقسيمبندي‪ ،‬کامپيوتر ميتواند به عنوان محصول مصنوعي محسوب گردد‪.‬‬
‫‪‬‬
‫‪ :Heath Robinson‬اولين کامپيوتر مدرن عملياتي بود که در سال ‪ 1940‬توسط تيم‬
‫آلن تورينگ به منظور کدگشايي پيامهاي آملانها ساخته شد‪.‬‬
‫‪‬‬
‫‪ :Colossus‬نام ماشين بعدي بود که تيوپهاي مکنده در آن به کار برده شد‪.‬‬
‫‪‬‬
‫‪ :Z-3‬اولين کامپيوتر قابل برنامهريزي که توسط کنراد زوس در ‪ 1941‬اختراع شد‪.‬‬
‫‪‬‬
‫اعداد با مميز شناور و زبان ‪ Plankalkul‬نيز توسط زوس اختراع شدند‪.‬‬
‫‪‬‬
‫‪ :ABC‬اولين کامپيوتر الکترونيک در امريکا توسط جان آتاناسف و کليفورد در دانشگاه‬
‫ايالتي ايوا ساخته شد‪.‬‬
‫‪‬‬
‫‪ :MARK I , II , III‬توسط تيمي به رهبري هوراد ايکن در هاروارد توسعه داده شد‪.‬‬
‫‪‬‬
‫‪ :ENIAC‬اولين کامپيوترديجيتال الکترونيک چند منظوره‪ ،‬توسط تيمي به سرپرستي‬
‫ماچلي و اکرت در دانشگاه پنسيلوانيا ساخته شد‪.‬‬
‫‪‬‬
‫‪ :IBM 701‬اولين کامپيوتر سودآور‪ ،‬توسط ناتانيل روچتر در ‪ 1952‬ساخته شد‪.‬‬
‫‪‬‬
‫چارلز بابيج‪ :‬طراحي ماشيني که جداول لگاريتمي را محاسبه کند‪.‬‬
‫‪‬‬
‫طراحي موتور آناليتيکي‬
‫‪‬‬
‫طرح حافظه قابلآدرسدهي‪ ،‬برنامه ذخيره شده و پرشهاي شرطي‬
‫‪‬‬
‫کار در زمينه ‪ AI‬منجر به ايدههاي بسيار متعددي شد که به علوم کامپيوتر برگشت؛ مانند‪:‬‬
‫‪‬‬
‫اشتراک زماني – مفسرهاي دوسويه – نوع داده ليست پيوندي – مديريت حافظه خودکار‬
‫و برخي نکات کليدي برنامهنويس ي ش يءگرا و محيطهاي توسعه برنامه مجتمع با واسط‬
‫کاربر گرافيکي‪.‬‬
‫ن)‬
‫زبان‌شناس ي (‪ -1975‬تاکنو ‌‬
‫اسکينر در سال ‪ 1975‬کتابي در زمينه رفتارگرايان براي يادگيري زبان‪ ،‬با نام «رفتار زباني» منتشر‬
‫کرد‪.‬‬
‫نوآم چامسکي بر اساس تئوري خودش يعني ساختارهاي ترکيبي‪ ،‬اين کتاب را تجديد نظر و‬
‫چاپ کرد‪ .‬که به اندازه اصل کتاب شهرت پيدا کرد‪.‬‬
‫تئوري چامسکي بر اساس مدلهاي نحوي قرار دارد‪.‬‬
‫‪ ‬زبانشناس ي مدرن و ‪ AI‬در يک زمان متولد شدند‪ ،‬بنابراين زبانشناس ي نقش مهمي در رشد ‪AI‬‬
‫بازي نميکند‪.‬‬
‫‪‬‬
‫اين دو دريک زمينه مشترک به نام‬
‫زبانشناس ي محاسباتي)‪ (Computatioal linguistics‬يا‬
‫پردازش زبان طبيعي )‪(natural language processing‬‬
‫بهم تنيده شدهاند که در آن بر روي مسئله استفاده زبان تمرکز شده است‪.‬‬
‫تاريخچه هوش مصنوعي‬
‫پيدايش هوش مصنوعي (‪)1956 -1943‬‬
‫‪‬‬
‫اشتياق زودهنگام‪ ،‬آرزوهاي بزرگ (‪)1969-1952‬‬
‫‪‬‬
‫مقداري واقعيت (‪)1966-1974‬‬
‫‪‬‬
‫سيستمهاي مبتني بر دانش‪ :‬کليد قدرت؟ (‪)1979-1969‬‬
‫‪‬‬
‫بازگشت شبکههاي عصبي (‪ -1986‬تاکنون)‬
‫‪‬‬
‫حوادث اخير (‪ -1987‬تاکنون)‬
‫پيدايش هوش مصنوعي‬
‫‪‬‬
‫اولين کار جدي در حيطه ‪ ،AI‬توسط وارن مککلود و والتر پيتز انجام شد‪.‬‬
‫‪‬‬
‫سه منبع استفاده شده توسط آنها‪:‬‬
‫‪ ‬دانش فيزيولوژي پايه و عملکرد نرون در مغز‬
‫‪ ‬تحليل رسمي منطق گزارهها متعلق به راسل و رايت هد‬
‫‪ ‬تئوري محاسبات تورينگ‬
‫‪‬‬
‫در ‪ 1949‬دونالد هب‪ ،‬قانون ساده بهنگامسازي براي تغيير تقويت اتصاالت بين نرونها را‬
‫تعريف کرد که از طريق آن يادگيري ميسر ميگردد‪.‬‬
‫‪‬‬
‫در زماني که کلود شانون و آلن تورينگ‪ ،‬برنامه بازي شطرنج را نوشتند ‪،SNARC ،‬‬
‫اولين کامپيوتر شبکه عصبي در دانشگاه پرينستون توسط مينسکي و ادموندز ساخته شد‪.‬‬
‫اين کامپيوتر‪ ،‬از ‪ 3‬هزار تيوپ مکش ي و مکانيزم خلباني خودکار اضافي که مربوط به‬
‫بمبافکنهاي ‪ B24‬ميباشد براي شبيهسازي شبکه ‪ 40‬نروني استفاده کرد‪.‬‬
‫‪‬‬
‫محققين عالقمند به تئوري آتوماتا‪ ،‬شبکههاي عصبي و مطالعه هوش‪ ،‬گرد يکديگر جمع‬
‫شدند و در کارگاهي در دورت موند مشغول فعاليت شدند‪ .‬که در اين ميان نام هوش‬
‫مصنوعي براي حيطه فعاليت آنها انتخاب شد‪.‬‬
‫اشتياق زودهنگام‪ ،‬آرزوهاي بزرگ (‪)1969-1952‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫فعاالن در عرصه ‪:AI‬‬
‫روچستو و تيمش در ‪IBM‬‬
‫هربرت جلونتر‪ :‬با ساخت ‪Geometry Theorem Prover‬‬
‫آرتور ساموئل‪ :‬ساخت برنامه براي بازي چکر‬
‫‪‬‬
‫جان مک کارتي در ‪:MIT‬‬
‫‪‬‬
‫تعريف زبان ليسپ )‪ (Lisp‬مهمترين زبان هوش مصنوعي‬
‫‪ ‬مفهوم اشتراک زماني )‪(time sharing‬‬
‫‪ ‬نشر مقالهاي با عنوان "برنامهها با حواس مشترک"‬
‫‪ ‬تشريح يک سيستم فرض ي به نام ‪ ، Advice Taker‬که به اصول پايه‬
‫بازنمايي معرفت و استدالل تجسم بخشيد؛‬
‫‪ ‬کار بر روي سيستم برنامهريزي سؤال‪-‬جواب‬
‫‪ ‬کار بر روي پروژه روباتهاي ‪shakey‬‬
‫‪‬‬
‫مينسکي‪ :‬کار بر روي ميکرو ورلدها و همکاري با مککارتي‪ ،‬ولي بر سر اختالف بر نگرش‬
‫منطقي و ضدمنطقي کار تحقيقاتي خود را از هم جدا کردند‪.‬‬
‫مينسکي با گروهي از دانشجويان بر روي ميکروورلدها کار کرد که برخي از آنها عبارتند از‪:‬‬
‫‪‬‬
‫جيمز اسالگل‪ ،SAINT ،‬قادر به حل مسائل انتگرالگيري فرم بسته‬
‫‪‬‬
‫اوانز‪ ،ANALOGY :‬حل مسائل مشابهت هندس ي در تستهاي هوش‬
‫‪‬‬
‫رافائل‪ :SIR :‬پاسخ به قضاياي پرسش ي جمالت ورودي‬
‫‪‬‬
‫بابرو‪ :STUDENT :‬حل مسائل داستاني جبر‬
‫مقداري واقعيت (‪)1974-1966‬‬
‫‪‬‬
‫ً‬
‫مشکالت تقريبا تمام پروژهها تحقيقي ‪ AI‬وقتي پديدار ميشدند که مسائل‬
‫گستردهتري براي حل توسط آنها مطرح ميشد‪:‬‬
‫‪‬‬
‫برنامههاي اوليه اغلب داراي دانش محدود يا فاقد دانش در مورد موضوع کار‬
‫بودند‪.‬‬
‫‪‬‬
‫انجام ناپذيري بسياري از مسائل‬
‫‪‬‬
‫به دليل اعمال برخي محدوديتهاي پايهاي بر روي ساختار پايه مورد استفاده براي‬
‫توليد رفتار هوشمند‬
‫سيستم‌هاي مبتني بر دانش‪ :‬کليد قدرت؟ (‪)1979-1969‬‬
‫‪‬‬
‫روشهاي ضعيف‪ :‬مبتني بر يک جستجوي همهمنظوره ميباشند که قدمهاي اوليه‬
‫يادگيري را برميدارند اما تالش ي در جهت يافتن راهحلهاي کامل ندارند‪.‬‬
‫‪‬‬
‫به اين دليل که اطالعات ضعيفي را در مورد دامنه فعاليت خود به کار ميبرند‪.‬‬
‫ً‬
‫پس براي حل مسائل دشوار‪ ،‬تقريبا جواب را از قبل بايد بدانيم‪.‬‬
‫‪‬‬
‫برنامه ‪ DENDRAL‬از برنامههايي است که از اين رهيافت استفاده ميکند‪.‬‬
‫‪‬‬
‫‪‬‬
‫اهميت برنامه ‪ DENDRAL‬در اين بود که اولين سيستم موفق با‬
‫دانش غني بود‪ ،‬يعني تبحر سيستم بر پايه تعداد بسيار زيادي قانون‬
‫ايجاد شده بود‪ .‬سيستمهاي بعدي ايده اصلي رهيافت ‪Advice‬‬
‫‪ taker‬مک کارتي را دنبال ميکردند يعني جداسازي دانش (در شکل‬
‫قوانين) و مؤلفه استدالل‪.‬‬
‫‪ MYCIN‬نسبت به ‪ DENDRAL‬دو تفاوت عمده دارد‪:‬‬
‫‪‬‬
‫برخالف قوانين ‪ ،DENDRAL‬هيچ مدل تئوريوار عمومي براي‬
‫آنکه قوانين ‪ MYCIN‬استنتاج شود‪ ،‬وجود نداشت‪.‬‬
‫‪‬‬
‫قوانين ميبايست عدم قطعيت مربوط به دانش پزشکي را منعکس‬
‫ميکرد‪.‬‬
‫‪ AI‬به يک صنعت تبديل مي‌شود (‪)1988-1980‬‬
‫‪‬‬
‫‪ :RI‬اولين سيستم خبره تجاري موفق از شرکت ‪ DEC‬که سودآوري زيادي را براي شرکت‬
‫بهمراه داشت‪.‬‬
‫‪‬‬
‫پروژه «نسل پنجم»‪ :‬اين پروژه ژاپني به منظور ساخت کامپيوترهاي هوشمندي که پرولوگ‬
‫را به جاي کد ماشين اجرا ميکردند‪ ،‬انجام شد‪.‬‬
‫‪‬‬
‫شرکتهاي ديگر جهان از جمله ميکروالکترونيک‪ ،MCC ،‬ليسپ ماشين‪ ،‬تگزاس‬
‫اينسترومنت‪ ،‬سمبوليکس‪ ،‬زيراکس و غيره در ساخت ايستگاههاي کاري بهينه شده در اين‬
‫عرصه فعاليت داشتند‪.‬‬
‫بازگشت شبکه‌هاي عصبي‪:‬‬
‫دانشمندان فعال در اين عرصه‪:‬‬
‫‪‬‬
‫هاپ فيلد‪ :‬که به آناليز خواص ذخيرهسازي و بهينهسازي شبکهها پرداخت‪.‬‬
‫‪‬‬
‫راسل هارت و هينتون‪ :‬مطالعه مدلهاي شبکه عصبي را ادامه دادند‪.‬‬
‫ً‬
‫بريسون و هو‪ :‬الگوريتم يادگيري انتشار به عقب را مجددا مطرح کردند‪.‬‬
‫‪‬‬
‫حوادث اخير‪:‬‬
‫‪‬‬
‫رهيافت ‪ :HMM‬رهيافت غالب در سالهاي اخير ميباشد که توسط مايکف به وجود آمده‬
‫است‪.‬‬
‫اين رهيافت از دو جنبه زير حائز اهميت است‪:‬‬
‫‪‬‬
‫مبتني بر نظريه رياض ي محض است‪.‬‬
‫‪‬‬
‫طي فرايندي با يادگيري گروه عظيمي از داده گفتار واقعي خود را بهبود ميبخشد‪.‬‬
‫‪‬‬
‫برنامهريزي‪ :‬در دهه ‪ 70‬فقط براي ميکرووردها مناسب بودند‪ ،‬اکنون براي‬
‫زمانبندي کار در کارخانهها و مأموريتهاي فضايي استفاده ميشوند‪.‬‬
‫‪‬‬
‫بيان شبکه باور‪ :‬استدالل کارا را در مورد ترکيب رويدادهاي غيرمنطقي ممکن‬
‫ساخت‪.‬‬
‫‪‬‬
‫ايده سيستمهاي خبره فرماتيو توسط کار جوداپير و ارديک هوروتيز و‬
‫ديويد هکرمن مطرح شد‪:‬‬
‫"سيستمهايي که مطابق قوانين تئوري تصميمگيري به طور منطقي‬
‫عمل ميکنند و سعي ندارند که تبحر انساني را تقليد کنند‪".‬‬
‫شرايط کنوني‪:‬‬
‫‪‬‬
‫برخي از سيستمهايي موجود در جهان که از هوش مصنوعي استفاده ميکنند‪:‬‬
‫‪‬‬
‫‪ :HITECH‬اولين برنامه کامپيوتري که موفق به شکست استاد بزرگ شطرنج جهان‪،‬‬
‫آرنولد دنکر شده است‪.‬‬
‫‪‬‬
‫‪ :PEGASUS‬يک برنامه درک گفتار که سؤاالت کاربر را جواب ميدهد و تمامي برنامههاي‬
‫مسافرتي شخص را با يک برنامهريزي درست‪ ،‬مقرون به صرفه ميکند‪.‬‬
‫‪‬‬
‫‪ :MARVEL‬سيستم خبرهاي که دادههاي ارسالي از سفينه فضايي را تحليل نموده و در‬
‫صورت بروز مشکالت جدي‪ ،‬پيغام هشدار به تحليلگران ميدهد‪.‬‬
‫فصل دوم‪:‬‬
‫عامل‌هاي هوشمند‬
‫عامل‪:‬‬
‫به هر چيزي اطالق ميشود‪ ،‬که قادر به درک محيط پيرامون خود از طريق حسگرها(‪)sensor‬‬
‫و اثرگذاري بر روي محيط از طريق اثرکنندهها (‪ )effector‬باشد‪.‬‬
‫ي‪:‬‬
‫عامل نرم‌افزار ‌‬
‫عامل نرمافزاري رشتههاي بيتي را به عنوان درک محيط و عمل‪ ،‬کدگذاري ميکند‪.‬‬
‫عوامل انساني‬
‫‪.1‬‬
‫حس کردن‪ :‬گوش‪ ،‬چشم‪ ،‬ديگر ارگانها‬
‫‪.2‬‬
‫اثرگذاري‌‪ :‬دست‪ ،‬پا‪ ،‬بيني‪ ،‬اندامهاي ديگر‬
‫عوامل روباتيک‬
‫‪.1‬‬
‫حس کردن‪ :‬دوربين‪ ،‬يابندههاي مادون قرمز‬
‫‪.2‬‬
‫اثرگذاري‌‪ :‬موتور‬
sensors
percepts
?
environment
agent
actions
effectors
‫عامل‌ها چگونه بايد عمل کنند؟‬
‫عامل منطقي‪ :‬چيزي است که کار درست انجام ميدهد‪.‬‬
‫عمل درست‪ :‬آن است که باعث موفقترين عامل گردد‪.‬‬
‫کارايي‪ :‬چگونگي موفقيت يک عامل را تعيين ميکند‪.‬‬
‫تفاوت ميان منطقي بودن و دانش کل )‪:(omniscience‬‬
‫عامل داناي کل معني خروجي واقعي اعمال خود را دانسته و بر پايه آن عمل ميکند اما‬
‫دانش کل در واقعيت غيرممکن است‪.‬‬
‫اگر معين کنيم که هر عامل هوشمند همواره بايد همان کاري را انجام دهد که در عمل‬
‫مناسب است‪ ،‬هيچگاه نميتوان عاملي را طراحي نمود که اين مشخصات را مرتفع سازد‪.‬‬
‫آن چه در هر زماني منطقي است به چهار چيز وابسته است‪:‬‬
‫‪ ‬معيار کارايي که درجه موفقيت را تعيين ميکند‪.‬‬
‫‪ ‬هر چيزي که تا کنون عامل‪ ،‬ادراک نموده است‪ .‬ما اين تاريخچه کامل ادراکي را دنباله‬
‫ادراکي ميناميم‪.‬‬
‫‪ ‬آنچه که عامل درباره محيط خود ميداند‪.‬‬
‫‪ ‬اعمالي که عامل ميتواند صورت دهد‪.‬‬
‫رفتار عامل وابسته به دنباله ادراکي تا حال است‪.‬‬
‫عامل را بايد بهعنوان ابزاري براي تحليل سيستمها قلمداد کرد؛‬
‫نه شخصيتي مطلق که جهان را به دو بخش عامل و غيرعاملها تقسيم ميکند‪.‬‬
‫نگاشت ايده‌آل از دنباله‌هاي ادراکي به عمليات‬
‫هر عامل خاص ي را به وسيله جدولي توصيف ميکنيم‪ ،‬که در آن عمل آن در پاسخ به هر‬
‫دنباله ادراکي قرار ميگيرد‪.‬‬
‫اين بدان معني نيست که ما جدول خاص ي با يک ورودي براي هر دنباله ادراک ممکني‬
‫توليد کنيم‪ .‬ميتوان مشخصات نگاشت را بدون شمارش خستهکننده آنها انجام داد‪.‬‬
‫مثال‪:‬‬
‫تابع ريشه دوم‬
‫دنباله ادراکي‪:‬‬
‫دنبالهاي از کليدهاي زده شده‬
‫نگاشت ايده‌آل‪:‬‬
‫براي مقادير مثبت ‪ x‬نشان داده شده توسط‬
‫ادراک‪ z ،‬نيز مثبت باشد و عمل مناسب نمايش نشان داده شود‪.‬‬
‫خودمختاري‌‪:‬‬
‫در اينجا تعريف عامل بايد کاملتر شود و بخش دانش دروني به آن اضافه ميگردد‪.‬‬
‫رفتار عامل ميتواند متکي بر دو پايه تجربه خود و دانش دروني بنا نهاده شود‪.‬‬
‫اين رفتار‪ ،‬در ساخت عامل براي شرايط محيطي خاص که در آن عمل خواهد کرد‪،‬‬
‫استفاده ميشود‪.‬‬
‫سيستم به وسعتي خود مختار است که رفتار آن بر اساس تجربه خودش تعيين ميکند‪.‬‬
‫ً‬
‫زماني که عامل فاقد تجربه و يا کم تجربه است‪ ،‬مسلما تصادفي عمل خواهد کرد‪ ،‬مگر‬
‫آنکه طرح کمکهايي به آن داده باشد‪.‬‬
‫ً‬
‫عامل هوشمند واقعا خود مختار بايد قادر به عمل موفقيتآميز در دامنه وسيعي از‬
‫محيطها باشد و البته بايد زمان کافي براي تطبيق نيز به آن داده شود‪.‬‬
‫ساختار عامل‌هاي هوشمند‬
‫وظيفه هوش مصنوعي طراحي برنامه عامل است؛‬
‫اين طراحي شامل تابعي است که نگاشت عامل از ادراک به عمليات را پياده سازي ميکند‪.‬‬
‫معماري‌‪ :‬فرض ميکنيم برنامه عامل بر روي نوعي ابزار محاسبهگر اجرا ميگردد که آن را‬
‫معماري ميناميم‪.‬‬
‫برنامه عامل‪ ،‬بايد توسط معماري قابل پذيرش و اجرا باشد‪.‬‬
‫ً‬
‫عموما‪ ،‬معماري ادراک از طريق حسگرها را براي برنامه آماده ساخته‪ ،‬برنامه را اجرا نموده و‬
‫اعمال انتخابي برنامه را به عملکنندههاي سيستم منتقل ميکند‪.‬‬
‫ارتباط بين عاملها‪ ،‬معماريها و برنامهها را ميتوان به صورت ذيل جمع بندي نمود‪:‬‬
‫برنامه‪ +‬معماري‌= عامل‬
‫در اينجا مسئله تمايز بين محيط واقعي و مصنوعي مطرح ميشود؛ اما‬
‫مسأله اصلي‪ ،‬پيچيدگي مابين‪:‬‬
‫ارتباط رفتار عامل‪،‬‬
‫دنباله ادراکي توليد شده بوسيله محيط‪ ،‬و‬
‫اهدافي که عامل قصد حصول آن را دارد‪ ،‬است‪.‬‬
‫مشهورترين محيط مصنوعي‪ ،‬محيط تست تورينگ (‪ )turing‬است‪.‬‬
‫برنامه‌هاي عامل‪:‬‬
‫تشابهات عاملهاي هوشمند‪:‬‬
‫‪ ‬دريافت ادراک محيطي‬
‫‪ ‬توليد اعمال الزم‬
‫دو نکته در مورد شالوده برنامه قابل ذکر هستند‪:‬‬
‫‪ .1‬برنامه عامل تنها يک درک از شرايط محيطي واحد را به عنوان ورودي دريافت ميکند‪.‬‬
‫‪ .2‬هدف يا معيار کارايي بخش ي از برنامه شالوده نخواهد بود‪.‬‬
‫چرا تنها به پاسخ‌ها نگاه نمي‌کنيم؟‬
‫جدول مراجعه بايد بر پايه حفظ کامل دنباله ادراکي در حافظه عمل نموده و از آن براي ايندکسسازي‬
‫داخل جدول استفاده کند‪.‬‬
‫جدول عامل نوع راننده تاکس ي‬
‫ادراکات‬
‫عمليات‬
‫اهداف‬
‫محيط‬
‫دوربينها‪ ،‬سرعت سنج‪،‬‬
‫راهنمايي کردن‪،‬‬
‫ايمني‪ ،‬سرعت‪،‬‬
‫جاده‪ ،‬پيادهرو‪،‬‬
‫ترافيک‪ ،‬مشتري قانونمندي‪ ،‬راحتي‪ ،‬شتابدهنده‪ ،‬ترمز‪،‬‬
‫‪Sonar ،GPS‬‬
‫ميکروفون‬
‫افزايش سودمندي صحبت با مسافر‬
‫نوع عامل‬
‫راننده تاکس ي‬
‫جنبههاي مختلف يک عمل‪ ،‬انواع مختلف برنامههاي عامل را پيشنهاد خواهد کرد‪.‬‬
‫براي مثال‪ 4 ،‬عامل را مورد بررس ي قرار مي دهيم‪:‬‬
‫‪ ‬عاملهاي واکنش ي ساده‬
‫‪ ‬عاملهايي که اثرات دنيا را حفظ ميکنند‬
‫‪ ‬عاملهاي هدفگرا‬
‫‪ ‬عاملهاي سودمند‬
‫عامل‌هاي واکنش ي ساده‬
‫در اينجا جدول رجوع بايد مورد توجه قرار گرفته و فيلدهاي مختلف آن توسط اطالعات ورودي‬
‫پر شود‪.‬‬
‫اتصاالتي (واکنشهايي) وجود دارند که انسانها بسياري از آنها را دارا بوده‪:‬‬
‫برخي از آنها قابل يادگيري و برخي ديگر غريزي است‪.‬‬
‫دياگرام شماتيک از عامل ساده واکنش ي‬
‫‪Sensors‬‬
‫‪Environment‬‬
‫‪Agent‬‬
‫‪What the world‬‬
‫‪is like now‬‬
‫‪What action I‬‬
‫‪should do now‬‬
‫‪Condition-action rules‬‬
‫‪Effectors‬‬
‫مربع مستطيل‪ :‬نشاندهنده وضعيت داخلي جاري فرايند تصميمگيري عامل‬
‫بيض ي‪ :‬نشاندهنده وضعيت اطالعات پسزمينه‬
‫عامل‌هايي که اثرات دنيا را حفظ مي‌کنند‬
‫از آنجايي ناش ي ميشود که حسگرها نميتوانند دسترس ي کامل به وضعيت دنيا را به وجود‬
‫آورند‪.‬‬
‫در چنين شرايطي‪ ،‬عامل ممکن است نيازمند دستکاري برخي اطالعات وضعيت داخلي باشد‬
‫تا از طريق آن تمايز بين وضعيتهاي دنيا که در ظاهر ورودي ادراکي يکساني ميکنند ولي در‬
‫ً‬
‫واقع معني کامال متفاوتي دارند را ميسر سازد‪.‬‬
‫بهنگام‌سازي اطالعات وضعيت داخلي همزمان با گذر زمان نيازمند دو نوع دانش کد شده در‬
‫برنامه عامل است‪.‬‬
‫اول‌‪ :‬نيازمند آنيم که برخي اطالعات درباره چگونگي تغيير جهان مستقل از عامل را داشته‬
‫باشيم‪.‬‬
‫دوم‪ :‬نيازمند اطالعات درباره اعمال خود هستيم که بر روي دنيا اثرگذار است‪.‬‬
‫عامل واکنش ي با حالت داخلي‬
sensors
State
What my action do
Condition-action rules
Agent
What action I
should do now
Effectors
Environment
How the world evolves
What the world is
like now
‫عامل‌هاي هدف گرا‪:‬‬
‫دانستن درباره وضعيت کنوني محيط همواره براي تصميمگيري عمل نميتواند کافي باشد‪.‬‬
‫به همان گونه که عامل نيازمند شرح وضعيت جاري است‪ ،‬به نوعي نيازمند اطالعات‬
‫هدف(‪ )goal‬ميباشد که توضيح موقعيت مطلوب است‪.‬‬
‫برنامه عامل ميتواند اين اطالعات را با اطالعاتي درباره نتايج اعمال ممکن (همانند اطالعاتي‬
‫که در عامل واکنش براي بهنگامسازي وضعيت داخلي استفاده شد) ترکيب نموده تا اعمال‬
‫مناسب را براي دسترس ي به هدف انتخاب نمايد‪.‬‬
‫در مواقعي ساده است‪ :‬که رضايت از هدف بالفاصله از عمل واحد توليد گردد‪.‬‬
‫در مواقعي پيچيده است‪ :‬که عامل بايد دنبالههاي طوالني را در نظرگرفته تا راهي براي‬
‫دستيابي به هدف پيدا کند‪.‬‬
‫در مواقع پيچيده‪ ،‬جستجو و برنامهريزي به يافتن دنباله اعمال منجر خواهند شد‪.‬‬
‫تفاوت عامل‌هاي واکنش ي و هدف‌گرا‪:‬‬
‫در طراحي عاملهاي واکنش ي طراح براي حاالت متفاوت عملي درست را پيش محاسبه ميکند‪ .‬در‬
‫عاملهاي هدفگرا‪ ،‬عامل ميتواند دانش خود را در مورد چگونگي واکنش بهنگام سازد‪.‬‬
‫‪ .1‬براي عامل واکنش ي ما مجبور به دوباره نويس ي تعداد زيادي قوانين شرط –عمل خواهيم‬
‫بود‪.‬‬
‫‪ .2‬عامل هدفگرا نسبت به رسيدن به مقاصد متفاوت انعطاف پذير است‪.‬‬
‫‪ .3‬بسادگي با تعيين يک هدف تازه‪ ،‬ميتوانيم عامل هدفگرا را به رفتار تازه برسانيم‪.‬‬
‫عاملي با اهداف دقيق‬
sensors
State
What my action do
What it will be like
if I do action A
Goals
What action I
should do now
Agent
Effectors
Environment
How the world evolves
What the world is
like now
‫عامل‌هاي سودمند‪:‬‬
‫‪ ‬اهداف به تنهايي براي توليد رفتار با کيفيت باال کافي نيستند‪.‬‬
‫‪ ‬مالک کارايي عومي بايد مقايسهاي بين وضعيتهاي دنياي متفاوت (يا دنباله حاالت) را بر‬
‫پايه چگونگي رضايت عامل در صورت حصول هدف بدهد‪.‬‬
‫‪ ‬بنابراين اگر يک وضعيت دنيا به ديگري ترجيح داده ميشود‪ ،‬آنگاه آن براي عامل سودمندتر‬
‫خواهد بود‬
‫سودمندي‪ :‬تابعي است که يک وضعيت را به عدد حقيقي نگاشت ميدهد‪ ،‬که درجه رضايت‬
‫مربوط را تشريح ميکند‪.‬‬
‫مشخصات کامل تابع سودمندي امکان تصميمگيري منطقي را براي دو نوع حالتي که هدف‬
‫مشکل دارد‪ ،‬اجازه ميدهد‪.‬‬
‫‪ .1‬زماني که اهداف متناقص وجود دارند‪.‬‬
‫‪ .2‬زماني که چندين هدف دارند که عامل ميتواند آنها را هدف قرار دهد و هيچکدام از آنها با‬
‫قطعيت قابل حصول نيست‪.‬‬
‫ارتباط بين عامل و محيط‪ :‬اعمال بوسيله عامل بر محيط انجام ميشود‪ ،‬که خود ادراک عامل را مهيا‬
‫ميسازد‪.‬‬
‫خواص محيط‪:‬‬
‫‪ ‬قابل دسترس ي در مقابل غير دسترس ي‬
‫‪ ‬قطعي در برابر غير قطعي‬
‫‪ ‬اپيزوديک در مقابل غيراپيزوديک‬
‫‪ ‬ايستا در مقابل پويا‬
‫‪ ‬گسسته در مقابل پيوسته‬
‫‪ ‬قابل دسترس ي در مقابل غيرقابل دسترس ي‬
‫محيط قابل دسترس ي‪ :‬محيطي که عامل آن توسط ابزار حسکنندهاش امکان دسترس ي به‬
‫وضعيت کامل محيط را داشته باشد‪.‬‬
‫محيط قابل دسترس ي راحت است‪ ،‬زيرا عامل نيازمند دستکاري هيچ وضعيت داخلي براي حفظ‬
‫دنيا را نخواهد داشت‪.‬‬
‫‪ ‬قطعي در مقابل غير قطعي‬
‫محيط قطعي‪ :‬محيطي است که اگر وضعيت بعدي محيط بوسيله وضعيت کنوني و اعمالي که‬
‫با عاملها انتخاب گردد‪ ،‬تعيين شود‪.‬‬
‫بهتر است به قطعي يا غير قطعي بودن محيط از ديدگاه عامل نگاه کنيم‪.‬‬
‫‪ ‬اپيزوديک در مقابل غير اپيزوديک‬
‫‪ ‬محيط اپيزوديک (‪ ،)episodic‬تجربه عامل به اپيزودهايي تقسيم ميگردد‪.‬‬
‫‪ ‬هر اپيزود شامل درک و عمل عامل است‪.‬‬
‫‪ ‬کيفيت اعمال آن تنها به خود اپيزود وابسته است‪.‬‬
‫‪ ‬محيطهاي اپيزودي بسيار سادهترند زيرا عامل نبايد به جلوتر فکر کند‪.‬‬
‫‪ ‬ايستا در مقابل پويا‬
‫محيط پويا‪ :‬محيطي که در حين سنجيدن عامل تغيير ميکند‪.‬‬
‫محيط نيمه‌پويا‪ :‬محيطي که با گذر زمان تغيير نميکند اما امتياز کارايي تغيير ميکند‪.‬‬
‫محيطهاي ايستا براي کار ساده هستند زيرا عامل نياز به نگاهکردن به دنيا در حين تصميمگيري‬
‫عملي نداشته و همچنين در مورد گذر زمان نيز نگران نميباشد‪.‬‬
‫‪ ‬گسسته در مقابل پيوسته‬
‫محيط گسسته‪ :‬اگر تعداد محدود و مجزا از ادراک و اعمال بوضوح تعريف شده باشد‪.‬‬
‫‪ -‬بازي شطرنج گسسته است‪.‬‬
‫ رانندگي تاکس ي پيوسته است‪.‬‬‫سختترين حالت در بين حاالت موجود براي محيط‪:‬‬
‫غير قابل دسترس ي‪ ،‬غير اپيزوديک‪ ،‬پويا و پيوسته‬
‫مثال‌هايي از انواع محيط و ويژگي‌هاي آنها‬
‫محيط‬
‫قابل دسترس ي‬
‫قطعي‬
‫اپيزوديک‬
‫ايستا‬
‫گسسته‬
‫شطرنج به همراه ساعت‬
‫‪YES‬‬
‫‪YES‬‬
‫‪NO‬‬
‫‪Semi‬‬
‫‪YES‬‬
‫شطرنج بدون ساعت‬
‫‪YES‬‬
‫‪YES‬‬
‫‪NO‬‬
‫‪YES‬‬
‫‪YES‬‬
‫پوکر‬
‫‪NO‬‬
‫‪NO‬‬
‫‪NO‬‬
‫‪YES‬‬
‫‪YES‬‬
‫تخته نرد‬
‫‪YES‬‬
‫‪NO‬‬
‫‪NO‬‬
‫‪YES‬‬
‫‪YES‬‬
‫راندن تاکس ي‬
‫‪NO‬‬
‫‪NO‬‬
‫‪NO‬‬
‫‪NO‬‬
‫‪NO‬‬
‫سيستم تشخيص پزشکي‬
‫‪NO‬‬
‫‪NO‬‬
‫‪NO‬‬
‫‪NO‬‬
‫‪NO‬‬
‫سيستم تحليل تصوير‬
‫‪YES‬‬
‫‪YES‬‬
‫‪YES‬‬
‫‪Semi‬‬
‫‪NO‬‬
‫ربات جابجا کننده اشياء‬
‫‪NO‬‬
‫‪NO‬‬
‫‪YES‬‬
‫‪NO‬‬
‫‪NO‬‬
‫کنترل‌کننده پااليشگاه‬
‫‪NO‬‬
‫‪NO‬‬
‫‪NO‬‬
‫‪NO‬‬
‫‪NO‬‬
‫آموزش‌دهنده انگليس ي با ارتباط متقابل‬
‫‪NO‬‬
‫‪NO‬‬
‫‪NO‬‬
‫‪NO‬‬
‫‪YES‬‬
‫برنامه‌هاي محيط‬
‫‪ ‬شبيهساز يک يا چند عامل را به عنوان ورودي گرفته و بگونهاي عمل ميکند که هر عامل‬
‫ادراک درست و نتيجه بازگشتي عمل خود را بدست آورد‪.‬‬
‫‪ ‬شبيهساز محيط را بر اساس اعمال و ديگر فرآيندهاي پوياي محيط بهنگام ميسازد‪.‬‬
‫‪ ‬محيط با وضعيت آغازين و تابع بهنگامسازي تعريف ميگردد‪.‬‬
‫فصل سوم‪:‬‬
‫حل مسائل توسط جستجو‬
‫يک نوع عامل هدفگرا‪ ،‬عامل حل مسئله ناميده ميشود‪.‬‬
‫عامل‌هاي حل مسئله توسط يافتن ترتيب عمليات تصميم ميگيرند که چه انجام دهند تا‬
‫آنها را به حالتهاي مطلوب سوق دهد‪.‬‬
‫عامل‌هاي حل مسئله‬
‫ً‬
‫‪ ‬عاملهاي هوشمند به طريقي عمل ميکنند که محيط مستقيما به داخل دنباله حالتهايي‬
‫وارد شود که معيار کارآرايي را افزايش ميدهند‪.‬‬
‫‪ ‬عمليات به گونهاي سادهسازي ميشوند که عامل قادر باشد تا هدفي را قبول کرده و به آن‬
‫برسد‪.‬‬
‫‪ ‬الگوريتم جستجو مسئلهاي را به عنوان ورودي دريافت نموده و راهحلي را به صورت دنباله‬
‫عمليات بر ميگرداند‪.‬‬
‫فاز اجرايي‪ :‬مرحلهاي است که در آن زمان‪ ،‬راهحلي پيدا ميشود و عمليات پيشنهادي ميتوانند انجام‬
‫شوند‪.‬‬
‫به طور ساده براي طرح يک عامل مراحل «فرمولهسازي‪ ،‬جستجو‪ ،‬اجرا» را در نظر ميگيريم‪.‬‬
‫پس از فرمولهسازي يک هدف و يک مسئله براي حل عامل‪،‬‬
‫‪ .1‬رويه جستجويي را براي حل آن مسئله فراخواني ميکند‪.‬‬
‫‪ .2‬از راه حل براي راهنمايي عملياتش استفاده ميکند و هرآنچه که راه حل پيشنهاد ميکند را انجام‬
‫ميدهد‪.‬‬
‫‪ .3‬آن مرحله را از دنباله حذف ميکند‪.‬‬
‫‪ .4‬زماني که راهحل اجرا شد‪ ،‬عامل هدف جديدي را پيدا ميکند‪.‬‬
‫چهار نوع اساس ي از مسائل وجود دارند‪:‬‬
‫‪ ‬مسائل تک حالته )‪(Single-state‬‬
‫‪ ‬مسائل چند حالته )‪(Multiple-state‬‬
‫‪ ‬مسائل احتمالي )‪(Contingency‬‬
‫‪ ‬مسائل اکتشافي )‪(Exploration‬‬
‫دانش و انواع مسئله‬
‫دنياي مکش (جاروبرقي)‪:‬‬
‫اگر دنيا حاوي دو محل باشد‪:‬‬
‫هر محل ممکن است که شامل خاک باشد و يا نباشد و عامل ممکن است که در يک محل يا‬
‫ديگر محلها باشد؛ که داراي هشت حالت متفاوت خواهد بود‪.‬‬
‫هدف تميز کردن تمام خاکهاست که در اينجا معادل با مجموعه حالت {‪8‬و ‪ }7‬است‪.‬‬
‫مدلهاي مختلف براي مسئله جاروبرقي‪:‬‬
‫ مدل تک حالته‪:‬‬‫حسگرهاي عامل به آن اطالعات کافي ميدهند تا وضعيت دقيق مشخص شود‪( .‬دنيا قابل‬
‫دسترس ي است)‪ .‬عامل ميتواند محاسبه کند که کدام وضعيت پس از هر دنباله از‬
‫عمليات قرار خواهد گرفت‪.‬‬
‫ مدل چند حالته‪:‬‬‫عامل تمام اثرهاي عملياتش را ميداند اما دسترس ي به حالت دنيا را محدود کرده است‪.‬‬
‫ً‬
‫زماني که دنيا تماما قابل دسترس ي نيست عامل بايد در مورد مجموعه حالتهايي که‬
‫ممکن است به آن برسد استدالل کند‪.‬‬
‫ مدل احتمالي‪:‬‬‫با اين مدل حل مسئله‪ ،‬حسگرهايي را در طول فاز اجرايي نياز داريم‪ .‬عامل اکنون بايد تمام‬
‫درخت عملياتي را بر خالف دنباله عملياتي منفرد‪ ،‬محاسبه کند‪ .‬که به طور کلي هر شاخه‬
‫درخت‪ ،‬با يک امکان احتمالي که از آن ناش ي ميشود‪ ،‬بررس ي ميشود‪.‬‬
‫ مدل اکتشافي‪:‬‬‫عاملي که هيچ اطالعاتي در مورد اثرات عملياتش ندارد‪.‬‬
‫در اين حالت‪ ،‬عامل بايد تجربه کند و به تدريج کشف کند که چه عملياتي بايد انجام شود و‬
‫چه وضعيتهايي وجود دارند‪ .‬اين روش يک نوع جستجو است‪.‬‬
‫اگر عامل نجات يابد‪« ،‬نقشهاي» از محيط را ياد ميگيرد که ميتواند مسائل بعدي را حل کند‪.‬‬
‫مسائل و راه‌حل‌هاي خوب تعريف شده‬
‫مسئله‪ :‬در واقع مجموعهاي از اطالعات است که عامل از آنها براي تصميمگيري در مورد اينکه چه‬
‫کاري انجام دهد‪ ،‬استفاده ميکند‪.‬‬
‫عناصر اوليه تعريف يک مسئله‪ ،‬وضعيتها عمليات هستند‪.‬‬
‫براي تعريف يک مسئله موارد زير نياز داريم‪:‬‬
‫‪ ‬وضعيت آغازين (‪ )initial state‬که عامل خودش از بودن در آن آگاه است‪.‬‬
‫‪ ‬مجموعهاي از عمليات ممکن‪ ،‬که براي عامل قابل دسترس ي باشد‪.‬‬
‫‪ ‬آزمون هدف (‪ ،)goal test‬که عامل ميتواند در يک تعريف وضعيت منفرد آن را تقاضا‬
‫کند تا تعيين گردد که آن حالت‪ ،‬وضعيت هدف است يا خير‪.‬‬
‫‪ ‬تابع هزينه مسير‪ ،‬تابعي است که براي هر مسير‪ ،‬هزينهاي را در نظر ميگيرد؛ و با حرف ‪g‬‬
‫مشخص ميشود‪.‬‬
‫هزينه يک سفر= مجموع هزينه‌هاي عمليات اختصاص ي در طول مسير‬
‫براي حل مسئله چند حالته‪ ،‬فقط به يک اصالح جزئي نياز داريم‪:‬‬
‫يک مسئله شامل‪:‬‬
‫‪ ‬يک مجموعه حالت اوليه‬
‫‪ ‬مجموعهاي از عملگرهاي ويژه براي هر عمل به گونهاي که از هر وضعيت داده شده‬
‫مجموعهاي حاالت رسيده شده و يک آزمون هدف و تابع هزينه مسير را معين کند‪.‬‬
‫يک عملگر‪:‬‬
‫توسط اجتماع نتايج اعمال عملگر در هر وضعيت مجموعه‪ ،‬به کار برده ميشود‪.‬‬
‫يک مسير‪:‬‬
‫مجموعه حاالت را مرتبط ميکند‪.‬‬
‫يک راه حل‪:‬‬
‫مسيري است که به مجموعهاي از حاالت که تمام آنها‪ ،‬وضعيت هدف هستند‪ ،‬سوق‬
‫ميدهند‪.‬‬
‫اندازه‌گيري کارايي حل مسئله‪:‬‬
‫کارايي يک جستجو‪ ،‬حداقل از سه طريق ميتواند اندازهگيري شود‪:‬‬
‫‪ .1‬آيا اين جستجو راه حلي پيدا ميکند؟‬
‫‪ .2‬آيا راه حلي مناسبي است؟‬
‫‪ .3‬هزينه جستجو از نظر زماني و حافظه مورد نياز براي يافتن راه حل چيست؟‬
‫مجموع هزينه جستجو= هزينه مسير ‪ +‬هزينه جستجو‬
‫عامل بايد تصميم بگيرد که چه منابعي را فداي جستجو و چه منابعي را صرف اجرا کند‪.‬‬
‫انتخاب حاالت و عمليات‬
‫هنر واقعي حل مسئله‪ ،‬تصميمگيري در مورد اين است که چه چيزهايي در تعريف حاالت و عملگرها‬
‫بايد به حساب آورده شوند و چه چيزهايي بايد کنار گذاشته شوند‪.‬‬
‫انتزاع‪:‬‬
‫فرآيند حذف جزئيات از يک بارنمايي انتزاع (‪ )abstraction‬ناميده ميشود‪.‬‬
‫‪ ‬همانگونه که تعريف را خالصه ميکنيم ميبايست عمليات را نيز خالصه نمائيم‪.‬‬
‫‪ ‬انتزاع به اين دليل مفيد است‪ ،‬که انجام هر کدام از عمليات آسانتر از مسئله اصلي است‪.‬‬
‫‪ ‬انتخاب يک انتزاع خوب از اين رو شامل حذف تا حد ممکن ميشود تا زماني که عمليات‬
‫خالصه شده براي انجام آسان باشند‪.‬‬
‫مسائل نمونه‪:‬‬
‫ي‬
‫مسائل اسباب‌باز ‌‬
‫ي‬
‫مسائل نمونه‪:‬مسائل اسباب‌باز ‌‬
‫معماي ‪:8‬‬
‫معماي ‪ 8‬نمونهاي است شامل يک صفحة ‪ 3*3‬با ‪ 8‬مربع شماره دار در يک صفحه خالي‪.‬‬
‫هر مربع که مجاور خانه خالي است‪ .‬ميتواند به درون آن خانه برود‪ .‬هدف رسيدن به ساختاري است که‬
‫در سمت راست شکل نشان داده شده است‪ .‬نکته مهم اين است که بجاي اينکه بگوييم «مربع شماره ‪ 4‬را‬
‫به داخل فضاي خالي حرکت بده» بهتر است بگوييم «فضاي خالي جايش را با مربع سمت چپش عوض‬
‫کند‪».‬‬
‫‪Goal State‬‬
‫‪3‬‬
‫‪2‬‬
‫‪4‬‬
‫‪5‬‬
‫‪6‬‬
‫‪Start State‬‬
‫‪4‬‬
‫‪5‬‬
‫‪1‬‬
‫‪8‬‬
‫‪8‬‬
‫‪1‬‬
‫‪6‬‬
‫‪7‬‬
‫‪2‬‬
‫‪3‬‬
‫‪7‬‬
‫حالتها‪ :‬توصيف وضعيت مکان هر ‪ 8‬مربع را در يکي از ‪ 6‬خانة صفحه مشخص ميکند‪ .‬براي‬
‫کارايي بيشتر‪ ،‬بهتر است که فضاهاي خالي نيز ذکر شود‪.‬‬
‫عملگر‌ها‪ :‬فضاي خالي به چپ‪ ،‬راست‪ ،‬باال و پائين حرکت کند‪.‬‬
‫آزمون هدف‪ :‬وضعيت با ساختار هدف مطابقت ميکند‪.‬‬
‫هزينه مسير‪ :‬هر قدم ارزش ‪ 1‬دارد‪ ،‬بنابراين هزينه مسير همان طول مسير است‪.‬‬
‫مسئله ‪ 8‬وزير‪:‬‬
‫هدف از مسئله ‪ 8‬وزير‪ ،‬قرار دادن ‪ 8‬وزير بر روي صفحه شطرنج به صورتي است که هيچ‬
‫وزيري نتواند به ديگري حمله کند‪.‬‬
‫دو نوع بيان رياض ي اصلي وجود دارد بيان افزايش ي که با جايگزيني وزيرها‪ ،‬به صورت يکي‬
‫يکي کار ميکند و ديگري بيان وضعيت کامل که با تمام ‪ 8‬وزير روي صفحه شروع ميکند و‬
‫آنها را حرکت ميدهد‪.‬‬
‫در اين فرمول ما ‪ 64‬امکان داريم‪.‬‬
‫بنابراين ما تست هدف و هزينه مسير را به صورت زير خواهيم داشت‪:‬‬
‫ن هدف‪ 8 :‬وزير روي صفحه‪ ،‬که با هم برخورد ندارند‪.‬‬
‫آزمو ‌‬
‫هزينه مسير‪ :‬صفر‪.‬‬
‫حاالت‪ :‬ترتيب از صفر تا ‪ 8‬وزير بدون هيچ برخورد‪.‬‬
‫عملگرها‪ :‬يک وزير را در خاليترين ستون سمت چپ جايگزين کنيد که هيچ برخوردي با بقيه‬
‫نداشته باشد‪.‬‬
‫‪:Cryptarithmetic‬‬
‫در مسائل کريپتاريتمتيک‪ ،‬حروف به جاي ارقام مينشينند و هدف يافتن جايگزيني از اعداد براي حروف‬
‫ً‬
‫است که مجموع نتيجه از نظر رياض ي درست باشد‪ .‬معموال هر حرف بايد به جاي يک رقم مختلف‬
‫بنشينند‪.‬‬
‫مثال‪:‬‬
‫‪F=2, O=9, R=7, etc.‬‬
‫‪29786‬‬
‫‪FORTY‬‬
‫‪+ 850‬‬
‫‪+ TEN‬‬
‫‪+ 850‬‬
‫‪+ TEN‬‬
‫‪----------‬‬
‫‪----------‬‬
‫‪31486‬‬
‫‪SIXTY‬‬
‫يک فرمول ساده‪:‬‬
‫حاالت‪ :‬يک معماي ‪ Cryptarithmetic‬با چند حروف جايگزين شده توسط ارقام‪.‬‬
‫ً‬
‫عملگرها‪ :‬وقوع يک حروف را با يک رقم جايگزين کنيد که قبال در معما ظاهر نشده باشد‪.‬‬
‫آزمون هدف‪ :‬معما فقط شامل ارقام است و يک مجموع صحيح را بر ميگرداند‪.‬‬
‫هزينه مسير‪ :‬صفر‪ -‬تمام راه حلهاي صحيح است‪.‬‬
‫ميخواهيم که از تبديل جايگزينيهاي مشابه اجتناب کنيم‪:‬‬
‫‪ ‬قبول يک ترتيب ثابت مانند ترتيب الفبايي‪.‬‬
‫‪ ‬هر کدام که بيشترين محدوديت جايگزيني را دارد‪ ،‬انتخاب کنيم؛ يعني حرفي که کمترين‬
‫امکان مجاز را دارند‪ ،‬محدوديتهاي معما را ميدهد‪.‬‬
‫دنياي مکش‪:‬‬
‫مسئله تک حالته‪ :‬عامل از جاي خودش اطالع دارد و تمام مکانهاي آلوده را ميشناسد و‬
‫دستگاه مکنده ما درست کار ميکند‪.‬‬
‫حاالت‪ :‬يکي از ‪ 8‬حالت نشان داده شده‪.‬‬
‫عملگرها‪ :‬حرکت به چپ‪ ،‬حرکت به راست‪ ،‬عمل مکش‪.‬‬
‫آزمون هدف‪ :‬هيچ خاکي در چهار گوشها نباشد‪.‬‬
‫هزينه مسير‪ :‬هر عمل ارزش ‪ 1‬دارد‪.‬‬
‫مسئله چند حالته‪ :‬عامل داراي حسگر نميباشد‪.‬‬
‫مجموعه وضعيت‌ها ‪ :‬زير مجموعهاي از حاالت‪.‬‬
‫عملگرها‪ :‬حرکت به چپ‪ ،‬حرکت به راست‪ ،‬عمل مکش‪.‬‬
‫آزمون‌ هدف‪ :‬تمام حاالت در مجموعه حالتها فاقد خاک باشند‪.‬‬
‫هزينه مسير‪ :‬هر عمل هزينه ‪ 1‬دارد‪.‬‬
‫مسئله کشيش‌ها و آدمخوارها‪:‬‬
‫سه کشيش و سه آدم خوار در يک طرف رودخانه قرار دارند و هم چنين قايقي که قادر‬
‫است يک يا دو نفر را حمل کند‪ .‬راهي را بيابيد که هر نفر به سمت ديگر رودخانه برود‪،‬‬
‫بدون آنکه تعداد کشيشها در يکجا کمتر از آدم خوارها شود‪.‬‬
‫حاالت‪ :‬يک حالت شامل يک دنبالة مرتب شده از عدد است که تعداد کشيشها‪ ،‬تعداد‬
‫آدمخوارها و محل قايق در ساحلي از رودخانه که از آنجا مسئله شروع شده را نمايش ميدهد‪.‬‬
‫عملگرها‪ :‬از هر حالت‪ ،‬عملگرهاي ممکن يک کشيش‪ ،‬يک آدمخوار‪ ،‬دو کشيش‪ ،‬دو آدمخوار‪،‬‬
‫يا يکي از هر کدام را در قايق جا ميدهند‪.‬‬
‫آزمون هدف‪ :‬رسيدن به حالت(‪0‬و ‪ 0‬و ‪.)0‬‬
‫هزينه مسير‪ :‬تعداد دفعات عبور از رودخانه‪.‬‬
‫مسائل دنياي واقعي‬
‫مسيريابي‪:‬‬
‫الگوريتمهاي مسير يابي کاربردهاي زيادي دراند‪ ،‬مانند مسيريابي در شبکههاي کامپيوتري‪،‬‬
‫سيستمهاي خودکار مسافرتي و سيستمهاي برنامهنويس ي مسافرتي هوايي‪.‬‬
‫مسائل فروشنده دوره گرد ‌و تور‌ ‪:‬‬
‫مسئله فروشنده دوره گرد مسئله مشهوري است که در آن هر شهر حداقل يکبار بايد مالقات‬
‫شود هدف يافتن کوتاهترين مسير است‪.‬‬
‫عالوه بر مکان عامل‪ ،‬هر حالت بايد مجموعه شهرهايي را که عامل مالقات کرده‪ ،‬نگه دارد‪.‬‬
‫عالوه بر برنامهريزي صفر براي فروشنده دورهگرد‪ ،‬اين الگوريتمها براي اعمالي نظير برنامهريزي‬
‫حرکات مته خوردکار سوراخکننده برد مدار استفاده ميشود‪.‬‬
‫طرح ‪: VISI‬‬
‫ابزار طراحي کمکي کامپيوتري در هر فازي از پردازش استفاده ميشود دو وظيفه بسيار مشکل‬
‫عبارتند از‪:‬‬
‫‪ Channel routing‬‬
‫‪ Cell layout‬‬
‫که بعد از اينکه ارتباطات و اتصاالت مدار کامل شد‪ ،‬اين دو قسمت انجام ميشوند‪.‬‬
‫‪‬‬
‫هدف طراحي مداري روي تراشه است که کمترين مساحت و طول اتصاالت و بيشترين سرعت‬
‫را داشته باشد‪.‬‬
‫‪‬‬
‫هدف قرار دادن سلولها روي تراشه به گونهاي است که آنها روي هم قرار نگيرند و بنابراين‬
‫فضايي نيز براي سيمهاي ارتباطي وجود دارد که بايد بين سلولها قرار گيرند‪.‬‬
‫‪‬‬
‫کاناليابي‪ ،‬مسير ويژهاي را براي هر سيم که از فواصل بين سلولها استفاده ميکند‪ ،‬پيدا‬
‫ميکند‪.‬‬
‫هدايت ربات‪:‬‬
‫‪ ‬يک ربات ميتواند در يک فضاي پيوسته با يک مجموعه نامحدودي از حاالت و عمليات‬
‫ممکن حرکت کند‪.‬‬
‫‪ ‬رباتهاي واقعي بايد قابليت تصحيح اشتباهات را در خواندن حسگرها و کنترل موتور‬
‫داشته باشند‪.‬‬
‫خط توليد خودکار‪:‬‬
‫در مسائل سرهمبندي‪ ،‬مشکل يافتن قانوني است که تکههاي چند شيئي را جمع کند‪ .‬اگر ترتيب‬
‫نادرست انتخاب شود‪ ،‬راهي نيست که بتوان قسمتهاي بعدي را بدون از نو انجام دادن‬
‫قسمتهاي قبلي‪ ،‬اضافه کرد‪.‬‬
‫کنترل يک مرحله در دنباله‪ ،‬يک مسئله جستجوي پيچيدة هندس ي است که ارتباط نزديکي با‬
‫هدايت ربات دارد‪ .‬از اين رو توليد مابعدهاي مجاز گرانترين قسمت دنباله سرهمبندي است و‬
‫استفاده از الگوريتمهاي آگاهانه براي کاهش جستجو‪ ،‬ضروري است‪.‬‬
‫جستجو براي راه‌حل‪:‬‬
‫‪ ‬نگهداري و گسترش يک مجموعه از دنبالههاي راه حل ناتمام‪.‬‬
‫‪ ‬جستجوي حالتهاي موجود و يافتن راهحل بنا بر اصل جستجو‪.‬‬
‫توليد دنباله‌هاي عمل‪:‬‬
‫فرايند گسترش حالت‪ :‬فرايندي که از طريق توليد مجموعه جديدي از حاالت‪ ،‬عملگرها در‬
‫ً‬
‫حالت جاري را به کار گرفته‪ ،‬و نتيجتا حالت هدف را در مجموعه وارد ميکند‪.‬‬
‫اصل جستجو‪ :‬انتخاب يک حالت و کنار گذاشتن بقيه براي بعد‪ ،‬زماني که اولين انتخاب به‬
‫حل مسئله منجر نشود‪.‬‬
‫ريشه درخت جستجو‪ :‬يک گره جستجو است که با حالت اوليه مطابقت دارد‪.‬‬
‫گره‌هاي برگي درخت‪ :‬حاالتي هستند که داراي فرزندي در درخت نيستند‪.‬‬
‫ساختارهاي داده براي درخت‌هاي جستجو‪:‬‬
‫گره به عنوان يک ساختار داده با پنج قسمت به شرح زير است‪:‬‬
‫‪ ‬وضعيتي که گره در فضاي حاالت دارا ميباشند‪.‬‬
‫‪ ‬گرهاي که در جستجوي درخت‪ ،‬گره جديدي را توليد کرده است (گره والد)‪.‬‬
‫‪ ‬عملگري که براي توليد گره به کار رفته است‪.‬‬
‫‪ ‬تعداد گرههاي مسير‪ ،‬از ريشه تا گره موردنظر (عمق گره)‪.‬‬
‫‪ ‬هزينه مسير‪ ،‬از حالت اوليه تا گره‪.‬‬
‫تفاوت بين گرهها و حالتها‪:‬‬
‫گرهها عمق و والد دارند؛ در صورتي که حالتها شامل چنين چيزهايي نيستند‪.‬‬
‫ي جستجو‪:‬‬
‫استراتژ ‌‬
‫استراتژيها بايد داراي ‪ 4‬معيار زير باشند‪:‬‬
‫‪ ‬کامل بودن‬
‫‪ ‬پيچيدگي زماني‬
‫‪ ‬پيچيدگي فضا‬
‫‪ ‬بهينگي‬
‫ما ‪ 6‬استراتژي را بررس ي خواهيم کرد‪:‬‬
‫‪ ‬جستجوي سطحي‬
‫‪ ‬جستجوي با هزينه يکسان‬
‫‪ ‬جستجوي عمقي‬
‫‪ ‬جستجوي عمقي محدود شده‬
‫‪ ‬جستجوي عميقکننده تکراري‬
‫‪ ‬جستجوي دوطرفه‬
‫جستجوي‌ سطحي‪:‬‬
‫در اين استراتژي که بسيار سيستماتيک است‪ ،‬ابتدا گره ريشه‪ ،‬و سپس تمام گرههاي ديگر‬
‫گسترش داده ميشوند‪.‬‬
‫به عبارت کليتر‪ ،‬تمام گرههاي عميق ‪ ،d‬قبل از گرههاي عميق ‪ d+1‬گسترش داده ميشوند‪.‬‬
‫مزايا‪:‬‬
‫جستجوي سطحي‪ ،‬کامل و بهينه ميباشد زيرا هزينه مسير‪ ،‬يک تابع کاهشنيابنده از عمق گره‬
‫است‪.‬‬
‫معايب‪:‬‬
‫مرتبه زماني )‪ O(bd‬مي باشد که نمايي است‪.‬‬
‫نياز به حافظه زياد‪.‬‬
‫جستجوي با هزينه يکسان‪:‬‬
‫در اين استراتژي‪ ،‬در شرايط عمومي‪ ،‬اولين راه حل‪ ،‬ارزانترين راه نيز هست‪.‬‬
‫اگر هزينه مسير توسط تابع )‪ g(n‬اندازهگيري شود‪ ،‬در اين صورت جستجوي سطحي همان‬
‫جستجوي با هزينه يکسان است با‪:‬‬
‫)‪g(n)=DEPTH(n‬‬
‫جستجوي‌ عمقي‪:‬‬
‫اين استراتژي‪ ،‬يکي از گرهها را در پائينترين سطح درخت بسط ميدهد؛ اما اگر به نتيجه نرسيد‪،‬‬
‫به سراغ گرههايي در سطوح کم عميقتر ميرود‪.‬‬
‫مزايا‪:‬‬
‫ً‬
‫اين جستجو‪ ،‬نياز به حافظه نسبتا کمي فقط براي ذخيره مسير واحدي از ريشه به يک گره برگي‪،‬‬
‫و گرههاي باقيمانده بسط داده نشده دارد‪.‬‬
‫پيچيدگي زماني )‪ O(bm‬ميباشد‪ .‬به طوريکه ‪ b‬فاکتور انشعاب فضاي حالت‪ ،‬و ‪ m‬حداکثر‬
‫عمق درخت باشد‪.‬‬
‫معايب‪:‬‬
‫اگر مسيري را اشتباه طي کند‪ ،‬هنگام پائين رفتن گير ميکند‪.‬‬
‫جستجوي عمقي نه کامل و نه بهينه است‪.‬‬
‫در درختهاي با عمق نامحدود و بزرگ اين استراتژي کار نميکند‪.‬‬
‫جستجوي‌ عمقي محدود شده‪:‬‬
‫اين استراتژي‪ ،‬براي رهايي از دامي که جستجوي عمقي در آن گرفتار ميشد‪ ،‬از يک برش‬
‫استفاده ميکند‪.‬‬
‫جستجوي عمقي محدود شده کامل است اما بهينه نيست‪.‬‬
‫زمان و پيچيدگي فضاي جستجوي عمقي محدودشده‪ ،‬مشابه جستجوي عمقي است‪ .‬اين‬
‫جستجو پيچيدگي زماني )‪ O(bL‬و فضاي )‪ O(bL‬را خواهد داشت‪ ،‬که ‪ L‬محدودة عمق‬
‫است‪.‬‬
‫ً‬
‫در يک درخت جستجوي نمايي‪ ،‬تقريبا تمام گرهها در سطح پائين هستند‪ ،‬بنابراين موردي‬
‫ندارد که سطوح بااليي چندين مرتبه بسط داده شوند‪ .‬تعداد بسطها در يک جستجوي‬
‫عمقي محدود شده با عمق ‪ d‬و فاکتور انشعاب ‪ b‬به قرار زير است‪:‬‬
‫‪1+b+b2+…+bd-2+bd-1+bd‬‬
‫ي‪:‬‬
‫جستجوي عميق‌کننده تکرار ‌‬
‫قسمت دشوار جستجوي عمقي محدود شده‪ ،‬انتخاب يک محدودة خوب است‪.‬‬
‫اگر محدودة عمق بهتري را پيدا کنيم‪ ،‬اين محدوده‪ ،‬ما را به سوي جستجوي کاراتري سوق‬
‫ميدهد‪ .‬اما براي بيشتر مسائل‪ ،‬محدودة عمقي مناسب را تا زماني که مسئله حل نشده است‪،‬‬
‫نميشناسيم‪.‬‬
‫جستجوي عميقکنندة تکراري استراتژي است که نظريه انتخاب بهترين محدودة عمقي‪،‬‬
‫توسط امتحان تمام محدودة مسيرهاي ممکن را يادآوري ميکند‪.‬‬
‫مزايا‪:‬‬
‫ترکيبي از مزاياي جستجوي سطحي و عمقي را دارد‪.‬‬
‫اين جستجو مانند جستجوي سطحي کامل و بهينه است‪ ،‬اما فقط مزيت درخواست حافظه‬
‫اندک را از جستجوي عمقي دارد‪.‬‬
‫مرتبه بسط حاالت مشابه جستجوي سطحي است‪ ،‬به جز اينکه بعض ي حاالت چند بار بسط‬
‫داده ميشوند‪.‬‬
‫در جستجوي عميقکننده تکراري‪ ،‬گرههاي سطوح پائيني يک بار بسط داده ميشوند‪ ،‬آنهايي‬
‫که يک سطح باالتر قرار دارند دوبار بسط داده ميشوند و اليآخر تا به ريشه درخت جستجو‬
‫برسد‪ ،‬که ‪ d+1‬بار بسط داده ميشوند‪.‬‬
‫بنابراين مجموع دفعات بسط در اين جستجو عبارتست از‪:‬‬
‫‪(d+1)1+(d)b+(d-1)b2+…+3bd-2+2bd-1+1bd‬‬
‫پيچيدگي زماني اين جستجو هنوز )‪ O(bd‬است‪ ،‬و پيچيدگي فضا )‪ O(bd‬است‪.‬‬
‫در حالت کلي‪ ،‬عميقکننده تکراري‪ ،‬روش جستجوي برتري است؛ زماني که فضاي جستجوي‬
‫بزرگي وجود دارد و عمق راه حل نيز مجهول است‪.‬‬
‫جستجوي دوطرفه‪:‬‬
‫ايده جستجوي دوطرفه در واقع شبيهسازي جستجويي به سمت جلو از حالت اوليه و به سمت‬
‫عقب از هدف است و زماني که اين دو جستجو به هم برسند‪ ،‬متوقف ميشود‪.‬‬
‫براي پيادهسازي الگوريتم سؤاالت زير بايد پاسخ داده شوند‪:‬‬
‫‪ .1‬سؤال اصلي اين است که‪ ،‬جستجو از سمت هدف به چه معني است؟ ماقبلهاي )‪(predeccessors‬‬
‫يک گره ‪ n‬را گرههايي درنظر ميگيريم که ‪ n‬مابعد )‪ (successor‬آنها باشد‪ .‬جستجو به سمت عقب‬
‫بدين معناست که توليد ماقبلها از گرة هدف آغاز شود‪.‬‬
‫‪ .2‬زماني که تمام عملگرها‪ ،‬قابل وارونهشدن باشند‪ ،‬مجموعه ماقبلها و مابعدها يکسان هستند‪.‬‬
‫‪ .3‬چه کار ميتوان کرد زماني که هدفهاي متفاوتي وجود داشته باشد؟ اگر ليست صريحي از حالتهاي هدف‬
‫وجود داشته باشد‪ ،‬ميتوانيم يک تابع ماقبل براي مجموعه حالت تقاضا کنيم در حاليکه تابع مابعد يا‬
‫(جانشين) در جستجوي مسائل چندوضعيته به کار ميرود‪.‬‬
‫ً‬
‫‪ .4‬بايد يک راه موثر براي کنترل هر گره جديد وجود داشته باشد تا متوجه شويم که آيا اين گره قبال در درخت‬
‫جستجو توسط جستجوي طرف ديگر‪ ،‬ظاهر شده است يا خير‪.‬‬
‫‪ .5‬نياز داريم که تصميم بگيريم که چه نوع جستجويي در هر نيمه قصد انجام دارد‪.‬‬
:‫مقايسه استراتژي‌هاي جستجو‬
.‫ محدوديت عمق است‬l ،‫ ماکزيمم عمق درخت جستجو‬m ،‫ عمل پاسخ‬d ،‫ فاکتور انشعاب‬b .‫ارزيابي استراتژيهاي جستجو‬
Criterion
BreadthFirst
UniformCost
DepthFirst
DepthLimited
Iterative
Deepening
Bidirectional
(if applicable)
Time
bd
bd
bm
bl
bd
bd/2
Space
bd
bd
bm
bl
bd
bd/2
Optimal?
Yes
Yes
No
No
Yes
Yes
Complete
Yes
Yes
No
Yes, if
Yes
Yes
ld
‫ي‪:‬‬
‫اجتناب از حاالت تکرار ‌‬
‫برراي مسررائل زيررادي‪ ،‬حرراالت تکرراري غيرقابررل اجتنرراب هسررتند‪ .‬ايررن شررامل تمررام مسررائلي ميشررود‬
‫که عملگرها قابل وارونه شدن باشند‪ ،‬مانند مسائل مسيريابي و کشيشها و آدمخوارها‪.‬‬
‫ي‬
‫کامپيوتر وجود دارد‪:‬‬
‫‌‬
‫کار‬
‫فشار ‌‬
‫‌‬
‫ي براي مقابله با افزايش مرتبه ‌و سرريز ‌‬
‫سه راه براي حل مشکل حاالت تکرار ‌‬
‫به حالتي که هم اکنون از آن آمدهايد‪ ،‬برنگرديد‪ .‬داشتن تابع بسط (يا مجموعه عملگرها) از توليد مابعدهايي که‬
‫مشابه حالتي هستند که در آنجا نيز والدين اين گرهها وجود دارند‪ ،‬جلوگيري ميکند‪.‬‬
‫‪ .1‬از ايجاد مسيرهاي دوار بپرهيزيد‪ .‬داشتن تابع بسط (يا مجموعه عملگرها) از توليد مابعدهاي يک گره که‬
‫مشابه اجداد آن گره است‪ ،‬جلوگيري ميکند‪.‬‬
‫ً‬
‫ً‬
‫‪ .2‬حالتي را که قبال توليد شده است‪ ،‬مجددا توليد نکنيد‪ .‬اين مسئله باعث ميشود که هر حالت در حافظه‬
‫نگهداري شود‪ ،‬پيچيدگي فضايي )‪ O(bd‬داشته باشد‪ .‬بهتر است که به )‪ O(s‬توجه کنيد که ‪ s‬تعداد کل‬
‫حاالت در فضاي حالت ورودي است‪.‬‬
‫جستجوي ارضاء محدوديت )‪:(Constraint Satisfaction Problem‬‬
‫نوع خاص ي از مسئله است که ‪ ،CSP‬حاالت توسط مقادير مجموعهاي از متغيرها‬
‫تعريف ميشوند و آزمون هدف مجموعهاي از محدوديتها را به آنها اختصاص ميدهد که‬
‫متغير ملزم به پيروي از آنها هستند‪.‬‬
‫‪CSP‬ها ميتوانند توسط الگوريتمهاي جستجوي ‪ geneal-purpose‬حل شوند‪،‬‬
‫ً‬
‫اما به علت ساختار خاص آنها‪ ،‬الگوريتمهايي صرفا براي ‪CSP‬هايي طرح ميشوند که از‬
‫الگوريتمهاي عمومي کارآيي بهتري دارند‪.‬‬
‫محدوديتها به گونههاي مختلفي ظاهر ميشوند‪.‬‬
‫‪ ‬محدوديتهاي يکتا‬
‫‪ ‬محدوديتهاي دودويي‬
‫‪ ‬محدوديتهاي مطلق‬
‫‪ ‬محدوديتهاي اولويتدار‬
‫‪ ‬در ‪CSP‬هاي گسسته که دامنههاي آن محدود هستند‪ ،‬محدوديتها ميتوانند به سادگي‬
‫توسط شمردن ترکيبات مجاز مقادير نمايش داده شوند‪.‬‬
‫‪ ‬با استفاده از يک شمارهگذاري‪ ،‬هر ‪ CSP‬گسسته ميتواند به يک ‪ CSP‬دودويي تبديل‬
‫شود‪.‬‬
‫چطور يک الگوريتم جستجوي همه منظوره را در يک ‪ CSP‬به کار ببريم‪:.‬‬
‫در حالتي که تمام متغيرها‪ ،‬تعيين نشدهاند‪:‬‬
‫عملگرها مقداري را به يک متغير از مجموعه مقادير ممکن‪ ،‬نسبت ميدهند‪.‬‬
‫آزمون هدف تمام متغيرها کنترل ميکند که آيا مقدار گرفتهاند و تمام محدوديتها‬
‫از بين رفتهاند يا خير‪.‬‬
‫‪ ‬توجه کنيد که حداکثر عمق درخت جستجو در ‪ n‬و تعداد متغيرها و تمام راهحلها در عمق ‪ n‬هستند‪.‬‬
‫ً‬
‫‪ ‬جستجوي عمقي روي يک ‪ CSP‬زمان جستجو را تلف ميکند زماني که محدوديتها قبال مختلف شده‬
‫باشند‪.‬‬
‫فصل چهارم‪:‬‬
‫روش‌هاي جستجو آگاهانه‬
‫جستجوي‌ بهترين‪:‬‬
‫اين استراتژي به اين صورت بيان ميشود که در يک درخت‪ ،‬زماني که گرهها مرتب ميشوند‪،‬‬
‫گرهاي که بهترين ارزيابي را داشته باشد‪ ،‬قبل از ديگر گرهها بسط داده ميشود‪.‬‬
‫ً‬
‫هدف‪ :‬يافتن راهحلهاي کمهزينه است‪ ،‬اين الگوريتمها عموما از تعدادي معيار تخمين براي‬
‫هزينه راهحلها استفاده ميکنند و سعي بر حداقل کردن آنها دارند‪.‬‬
‫حداقل هزينه تخمين زده شده براي رسيدن به هدف‪ :‬جستجوي‌ حريصانه‬
‫يکي از سادهترين استراتژيهاي جستجوي بهترين‪ ،‬به حداقل رساندن هزينه تخمين زده شده‬
‫براي رسيدن به هدف است‪ .‬بدين صورت که حالت گرهاي که به حالت هدف نزديکتر است‪،‬‬
‫ابتدا بسط داده ميشود‪.‬‬
‫ً‬
‫تابع کشفکننده‪ :‬هزينه رسيدن به هدف از يک حالت ويژه ميتواند تخمين زده شود اما دقيقا‬
‫تعيين نميشود‪ .‬تابعي که چنين هزينههايي را محاسبه ميکند تابع کشفکننده ‪ h‬ناميده‬
‫ميشود‪.‬‬
‫جستجوي حريصانه‪ :‬جستجوي بهترين که ‪ h‬را به منظور انتخاب گره بعدي براي بسط‬
‫استفاده ميکند‪ ،‬جستجوي حريصانه )‪ (greedy search‬ناميده ميشود‪.‬‬
‫ويژگيهاي جستجوي حريصانه‪:‬‬
‫‪ ‬جستجوي حريصانه از لحاظ دنبال کردن يک مسير ويژه در تمام طول راه به طرف هدف‪ ،‬مانند جستجوي‬
‫عمقي است‪ ،‬اما زماني که به بنبست ميرسد‪ ،‬برميگردد‪.‬‬
‫‪ ‬اين جستجو بهينه نيست و ناکامل است‪.‬‬
‫‪ ‬پيچيدگي زماني در بدترين حالت براي جستجوي حريصانه )‪ ،O(bm‬که ‪ m‬حداکثر عمق فضاي جستجو‬
‫است‪.‬‬
‫‪ ‬جستجوي حريصانه تمام گرهها را در حافظه نگه ميدارد‪ ،‬بنابراين پيچيدگي فضاي آن مشابه پيچيدگي زماني‬
‫آن است‪.‬‬
‫‪ ‬ميزان کاهش پيچيدگي به مسئله و کيفيت تابع ‪ h‬بستگي دارد‪.‬‬
‫ي *‪A‬‬
‫حداقل‌سازي‌ مجموع هزينه مسير‪ :‬جستجو ‌‬
‫جستجو با هزينه يکسان‪ ،‬هزينه مسير‪ g(n) ،‬را نيز حداقل ميکند‪.‬‬
‫با ترکيب دو تابع ارزيابي داريم‪:‬‬
‫)‪f(n) = g(n) + h(n‬‬
‫)‪ :g(n‬هزينه مسير از گره آغازين به گره ‪ n‬را به ما ميدهد‪.‬‬
‫)‪ :h(n‬هزينه تخمين زده شده از ارزانترين مسير از ‪ n‬به هدف است‬
‫و ما داريم‪:‬‬
‫هزينه تخمين زده شده ارزانترين راه حل از طريق ‪f(n) = n‬‬
‫کشف‌کنندگي قابل قبو ‌ل‪:‬‬
‫تابع ‪h‬اي را که هزينهاي بيش از تخمين براي رسيدن به هدف نداشته باشد‪ ،‬يک کشفکنندگي‬
‫قابل قبول )‪ (admissible heuristic‬گويند‪.‬‬
‫جستجوي‌ *‪:A‬‬
‫جستجوي بهترين که ‪ f‬به عنوان تابع ارزياب و يک تابع ‪ h‬قابل قبول استفاده ميکند‪ ،‬به عنوان‬
‫جستجوي *‪ A‬شناخته ميشود‪.‬‬
‫فتار جستجوي‌ *‪A‬‬
‫ر ‌‬
‫نگاهي گذرا به اثبات کامل و بهينه بودن *‪:A‬‬
‫مشاهده مقدماتي‪:‬‬
‫ً‬
‫تقريبا تمام کشفکنندگيهاي مجاز داراي اين ويژگي هستند که در طول هر مسيري از ريشه‪،‬‬
‫هزينه ‪ f‬هرگز کاهش پيدا نميکند‪.‬‬
‫اين خاصيت براي کشفکنندگي‪ ،‬خاصيت يکنوايي )‪ (monotonicity‬گفته ميشود‪.‬‬
‫اگر يکنوا نباشد‪ ،‬با ايجاد يک اصالح جزئي آن را يکنوا ميکنيم‪.‬‬
‫بنابراين هر گره جديدي که توليد ميشود‪ ،‬بايد کنترل کنيم که آيا هزينة ‪ f‬اين گره از هزينه ‪f‬‬
‫پدرش کمتر است يا خير‪ .‬اگر کمتر باشد‪ ،‬هزينة ‪ f‬پدر به جاي فرزند مينشيند‪:‬‬
‫بنابراين‪:‬‬
‫‪ f‬هميشه در طول هر مسيري از ريشه غيرکاهش ي خواهد بود‪ ،‬مشروط بر اينکه ‪ h‬امکانپذير‬
‫باشد‪.‬‬
‫)‪ :h*(n‬هزينه واقعي رسيدن از ‪ n‬به هدف است‪.‬‬
‫در استفاده عملي‪ ،‬خطاها با هزينه مسير متناسب هستند‪ ،‬و سرانجام رشد نمايي هر کامپيوتر‬
‫را تسخير ميکند‪ .‬البته‪ ،‬استفاده از يک کشفکنندگي خوب هنوز باعث صرفهجويي زيادي‬
‫نسبت به جستجوي ناآگاهانه ميشود‪.‬‬
‫ً‬
‫*‪ A‬معموال قبل از اينکه دچار کمبود زمان شود‪ ،‬دچار کمبود فضا ميشود‪ .‬زيرا اين جستجو‬
‫تمام گرههاي توليد شده را در حافظه ذخيره ميکند‪.‬‬
‫توابع کشف‌کننده‪:‬‬
‫مسئله ‪ 8‬را بررس ي ميکنيم‪:‬‬
‫معماي ‪ 8‬يکي از مسائل اوليه کشفکنندگي بود‪.‬‬
‫هدف‪ :‬لغزاندن چهارخانهها به طور افقي يا عمودي به طرف فضاي خالي است تا زماني که‬
‫ساختار کلي مطابق با هدف )‪ (goal‬باشد‪.‬‬
5
4
6
1
8
8
7
3
2
7
Start State
1
2
3
4
6
Goal State
5
‫اگر خواستار يافتن راهحلهاي کوتاه باشيم‪ ،‬به يک تابع کشفکننده نياز داريم که هرگز در‬
‫تعداد مراحل به هدف اغراق نکند‪ .‬در اينجا ما دو کانديد داريم‪:‬‬
‫‪ = h1 ‬تعداد چهارخانههايي که در مکانهاي نادرست هستند‪ h1 .‬يک کشفکننده مجاز‬
‫است‪ ،‬زيرا واضح است که هر چهارخانهاي که خارج از مکان درست باشد حداقل يکبار بايد‬
‫جابجا شود‪.‬‬
‫‪ = h2 ‬مجموع فواصل چهارخانهها از مکانهاي هدف صحيحشان است‪ .‬فاصلهاي که ما‬
‫حساب ميکنيم‪ ،‬مجموع فواصل عمودي و افقي است که بعض ي وقتها ‪city block‬‬
‫‪distance‬و يا ‪ Manhattan distance‬ناميده ميشود‪.‬‬
‫بر کارايي‪:‬‬
‫اثر صحت کشف‌کنندگي ‌‬
‫‌‬
‫يک راه براي تشخيص کيفيت کشفکنندگي فاکتور انشعاب مؤثر *‪ b‬است‪ .‬اگر مجموع تعداد‬
‫گرههاي بسط داده شده توسط *‪A‬براي يک مسئله ويژه ‪ N‬باشد و عمق راه حل ‪،d‬‬
‫سپس *‪ b‬فاکتور انشعابي است که يک درخت يکنواخت با عمق ‪ d‬خواهد داشت تا گرههاي‬
‫‪ N‬را نگهدارد‪ .‬بنابراين‪:‬‬
‫‪N=1+ b*+( b*)2…+( b*)d‬‬
‫ً‬
‫ر‬
‫‪‬معموال فاکتو انشعاب مؤثر که توسط کشفکنندگي نمايش داده ميشود‪ ،‬مقدار ثابتي دارد‪.‬‬
‫‪‬يک کشفکنندگي خوب طراحي شده‪ b* ،‬در حدود ‪ 1‬دارد‪.‬‬
‫کشف‌کننده‌ها براي مسائل ارضا محدوديت‪:‬‬
‫مسئله ارضاء محدوديت شامل يک سري از متغيرهايي است که ‪,‬ويژگيهاي زير را دارا هستند‪:‬‬
‫‪ ‬ميتوانند مقاديري را از دامنة داده شده دريافت کنند‪.‬‬
‫‪ ‬با يک سري از محدوديتها‪ ،‬ويژگيهاي راه حل را مشخص کنند‪.‬‬
‫رنگآميزي نقشه نمونهاي از اين کشفکنندههاست‪:‬‬
‫هدف رنگآميزي نقشه‪ ،‬اجتناب از رنگآميزي مشابه دو کشور همسايه است‪.‬‬
B
A
GREEN
RED
C
E
F
D
‫ما حداکثر از سه رنگ (قرمز‪ ،‬آبي‪ ،‬سبز) ميتوانيم استفاده کنيم‪:‬‬
‫اگر رنگ سبز را براي کشور ‪ ،A‬قرمز را براي ‪ ،B‬انتخاب کنيم‪ ،‬کشور ‪ E‬بايد آبي باشد‪ .‬در‬
‫اين صورت ما ناچاريم که ‪ C‬را به رنگ قرمز درآوريم و ‪ F‬سبز باشد‪ .‬رنگآميزي ‪ D‬با رنگ‬
‫آبي يا قرمز‪ ،‬بستگي به راهحل دارد‪ .‬در اين حالت مسئله بدون هيچگونه جستجويي حل‬
‫ميشود‪.‬‬
‫جستجوي *‪:SMA‬‬
‫الگوريتم *‪ ،SMA‬حافظه محدود *‪ A‬ساده شده ‪(Simplified-Memory-‬‬
‫)*‪ BoundedA‬ميباشد‪.‬‬
‫اين الگوريتم‪ ،‬قادر است تا از تمام حافظه موجود براي اجراي جستجو استفاده کند‪ .‬استفاده از‬
‫حافظه بيشتر کارايي جستجو را وسعت ميبخشد‪ .‬ميتوان هميشه از فضاي اضافي صرفنظر کرد‪.‬‬
‫*‪ SMA‬داراي خواص زير است‪:‬‬
‫‪ ‬ميتواند از تمام حافظه قابل دسترس استفاده کند‪.‬‬
‫‪ ‬از حاالت تکراري تا جايي که حافظه اجازه ميدهد‪ ،‬جلوگيري ميکند‪.‬‬
‫‪ ‬اين الگوريتم کامل است به شرط آنکه حافظه براي ذخيره کم عمقترين مسير راه حل کافي‬
‫باشد‪.‬‬
‫‪ ‬اين الگوريتم بهينه است‪ ،‬اگر حافظه کافي براي ذخيره کمعمقترين مسير راهحل کافي باشد‪.‬‬
‫بعالوه بهترين راهحلي را برميگرداند که بتواند با حافظه موجود مطابقت داشته باشد‪.‬‬
‫‪ ‬زماني که حافظه موجود براي درخت جستجوي کامل کافي باشد‪ ،‬جستجو ‪Optimally‬‬
‫‪ efficient‬است‪.‬‬
‫طراحي *‪SMA‬ساده است‪.‬‬
‫‪ ‬زماني که نياز به توليد فرزند داشته باشد ولي حافظهاي نداشته باشد‪ ،‬نياز به ساختن فضا‬
‫بر روي صف دارد‪ .‬براي انجام اين امر‪ ،‬يک گره را حذف ميکند‪ .‬گرههايي که به اين طريق از‬
‫صف حذف ميشوند‪ ،‬گرههاي فراموششده يا )‪ (forgotten nodes‬ناميده ميشوند‪.‬‬
‫‪ ‬براي اجتناب از جستجوي مجدد زيردرختهايي که از حافظه حذف شدهاند‪ ،‬در گرههاي‬
‫اجدادي‪ ،‬اطالعاتي در مورد کيفيت بهترين مسير در زير درخت فراموش شده‪ ،‬نگهداري ميشود‪.‬‬
‫ي‬
‫الگوريتم‌هاي اصالح تکرار ‌‬
‫بهترين راه براي فهم الگوريتمهاي اصالح تکراري درنظر داشتن تمام حاالتي است که روي‬
‫سطح يک دورنمايي در معرض ديد قرار داده شده است‪ .‬ارتفاع هر نقطه در دورنما مطابق با‬
‫تابع ارزياب حالت آن نقطه است‪ .‬ايده اصالح تکراري‪ ،‬حرکت کردن در اطراف دورنما و سعي‬
‫بر يافتن قلههاي مرتفع است‪ ،‬که همانا راهحلهاي بهينه هستند‪.‬‬
‫ً‬
‫الگوريتمهاي اصالح تکراري معموال اثر حالت جاري را فقط حفظ ميکنند‪ ،‬و توجهي فراتر از‬
‫همسايگي آن حالت ندارند‪.‬‬
‫‪evaluation‬‬
‫‪Current‬‬
‫‪state‬‬
‫بر يافتن قله‌هايي بروي سطح حاالت دارند‪،‬‬
‫الگوريتم‌هاي اصالح تکراري‌ سعي ‌‬
‫جائي که ارتفاع توسط تابع ارزيابي تعريف مي‌شود‪.‬‬
‫اين الگوريتم‌ها به د ‌و گره اصلي تقسيم مي‌شوند‪.‬‬
‫‪ ‬الگوريتمهاي تپهنوردي )‪(Hill-climbing‬‬
‫‪Simulated annealing ‬‬
‫‪ -1‬الگوريتم‌هاي جستجوي‌ تپه‌نوردي )‪(Hill-climbing‬‬
‫يک اصالح خوب اين است زماني که بيش از يک فرزند خوب براي انتخاب وجود دارد‪،‬‬
‫الگوريتم بتواند به طور تصادفي از ميان آنها يکي را انتخاب کند‪.‬‬
‫اين سياست ساده‪ ،‬سه زيان عمده دارد‪:‬‬
‫‪ :Local Maxima ‬يک ماکزيمم محلي‪ ،‬برخالف ماکزيمم عمومي‪ ،‬قلهاي است که پائينتر از‬
‫بلندترين قله درفضاي حالت است‪ .‬زماني که روي ماکزيمم محلي هستيم‪ ،‬الگوريتم توقف خواهد نمود‪.‬‬
‫اگرچه راه حل نيز ممکن است دور از انتظار باشد‪.‬‬
‫‪ :Plateaux ‬يک فالت محوطهاي از فضاي حالت است که تابع ارزياب يکنواخت باشد‪ .‬جستجو‬
‫يک قدم تصادفي را برخواهد داشت‪.‬‬
‫‪ :Ridges ‬نوک کوه‪ ،‬داراي لبههاي سراشيب است‪ .‬بنابراين جستجو به باالي نوک کوه به آساني‬
‫ً‬
‫ميرسد‪ ،‬اما بعد با ماليمت به سمت قله ميرود‪ .‬مگر اينکه عملگرهايي موجود باشند که مستقيما به‬
‫سمت باالي نوک کوه حرکت کنند‪ .‬جستجو ممکن است از لبهاي به لبه ديگر نوسان داشته باشد و‬
‫پيشرفت کمي را حاصل شود‪.‬‬
‫در هر مورد‪ ،‬الگوريتم به نقطهاي ميرسد که هيچ پيشرفتي نيست‪ .‬اگر اين اتفاق بيفتد‪ ،‬تنها کار‬
‫ممکن براي انجام دادن آغاز مجدد از نقطه شروع ديگري دوباره آغاز ميشود‪.‬‬
‫موفقيت ‪ hill-climbing‬خيلي به ظاهر فضاي حالت «سطح» بستگي دارد‪ :‬اگر فقط‬
‫ماکزيممهاي محلي کمي وجود داشته باشد‪ ،‬تپهنوردي با شروع تصادفي خيلي سريع راهحل‬
‫خوبي را پيدا خواهد کرد‪.‬‬
‫‪Simulated annealing -2‬‬
‫در اين گروه از الگوريتمها به جاي شروع دوباره به طور تصادفي زماني که در يک ماکزيمم محلي‬
‫گير افتاديم‪ ،‬ميتوانيم اجازه دهيم که جستجو چند قدم به طرف پائين بردارد تا از ماکزيمم‬
‫محلي فرار کند‪.‬‬
‫‪3‬‬
‫‪2‬‬
‫‪3‬‬
‫‪2‬‬
‫‪1‬‬
‫‪2‬‬
‫‪2‬‬
‫‪3‬‬
‫‪2‬‬
‫‪3‬‬
‫‪1‬‬
‫‪3‬‬
‫‪2‬‬
‫‪0‬‬
‫راهحل دو مرحلهاي براي مسئله ‪ 8‬وزير با استفاده از حداقل برخوردها را نشان ميدهد‪ .‬در هر مرحله يک وزير به منظور تعيين‬
‫مجدد ستون انتخاب ميشود‪ .‬تعداد برخوردها (در اين مورد‪ ،‬تعداد وزيرهاي حملهکننده) در هر چهارخانه نشان داده شده‬
‫است‪ .‬الگوريتم وزير را به چهارخانهاي که حداقل برخورد را داشته باشد‪ ،‬براي از بين بردن تصادفي برخوردها‪ ،‬حرکت ميدهد‪.‬‬
‫ً‬
‫اگر حرکت واقعا شرايط را بهبود بخشد‪ ،‬آن حرکت هميشه اجرا ميشود‪.‬‬
‫پارامترهاي مؤثر به شرح زير ميباشند‪:‬‬
‫‪ :  E -1‬چگونگي ارزيابي‪.‬‬
‫‪ :T -2‬تعيين احتمال‪.‬‬
‫الگوريتم شباهت صريحي با ‪( annealing‬پردازش ي که به طور آهسته مايعي را تا زماني که‬
‫يخ ببندد سرد ميکند)‪ ،‬گسترش يافته است‪ .‬مقدار تابع مطابق با انرژي ورودي اتمهاي ماده‬
‫است‪ ،‬و ‪ T‬با دما مطابقت دارد‪ .‬جدول ميزان دما را در جايي که پائين آمده است‪ ،‬تعيين‬
‫ميکند‪.‬‬
‫در مسائل ارضا محدوديت‬
‫کاربردها ‌‬
‫مسائل ارضاء محدوديت )‪ ،(CSP‬ميتوانند توسط روشهاي اصالح تکراري با استفاده از‬
‫موارد زير حل شوند‪.‬‬
‫‪ ‬مقدار دادن به تمام متغيرها‪.‬‬
‫‪ ‬به کاربردن عملگرهاي تغيير به منظور حرکت دادن ساختار به طرف يک راهحل‪.‬‬
‫الگوريتمهايي که ‪CSP‬ها را حل ميکنند‪ ،‬روشهاي تصحيح کشفکنندگي‪ ،‬ناميده ميشوند‪،‬‬
‫زيرا آنها تناقضات را در ساختار جاري مسئله اصالح ميکنند‪.‬‬
‫در انتخاب مقدار جديد براي يک متغير‪ ،‬واضحترين کشفکنندگي انتخاب مقداري است که‬
‫کمترين مقدار تناقضات را با ديگر متغيرها نتيجه دهد‪ ،‬که همان کشفکنندگي مينيمم‬
‫تناقضات است‪.‬‬
‫فصل پنجم ‪:‬‬
‫تئوري بازي‌‬
‫در نقش مسائل جستجو‬
‫بازي‌ها ‌‬
‫رقابت انتزاعي‪ ،‬که در بازيهاي صفحهاي ديده ميشود‪ ،‬موجب شده تا تئوري بازي جزء‬
‫تحقيقات ‪ AI‬قرار بگيرد‪.‬‬
‫ً‬
‫وضعيت بازي براي بازنمايي آسان است و عاملها معموال به تعداد کمي از عمليات محدود‬
‫ميشوند‪.‬‬
‫داليلي که محققين قديم‪ ،‬شطرنج را بهعنوان موضوعي در ‪ AI‬برگزيدند‪:‬‬
‫‪ ‬بازي شطرنج کامپيوتري اثباتي بر وجود ماشيني است که اعمال هوشمندانهاي را انجام‬
‫ميدهند‪.‬‬
‫‪ ‬سادگي قوانين‬
‫ً‬
‫‪ ‬وضعيت دنيا کامال براي برنامه شناخته شده است‪( .‬بازنمايي بازي به عنوان يک جستجو از‬
‫طريق فضاي موقعيتهاي ممکن بازي‪ ،‬ساده است‪).‬‬
‫پيچيدگي بازيها‪ ،‬به طور کامل نوعي از عدم قطعيت را معرفي ميکنند‪.‬‬
‫عدم قطعيت به علت وجود اطالعات گم شده رخ نميدهد‪ ،‬اما به علت اينکه فرد زماني براي‬
‫محاسبه دقيق نتايج حرکت ندارد عدم قطعيت بوجود ميآيد‪.‬‬
‫در اين مورد‪ ،‬فرد بر اساس تجربيات گذشته ميتواند بهترين حدس را بزند‪.‬‬
‫در بازي‌هاي دونفره‪:‬‬
‫تصميمات کامل ‌‬
‫مورد کلي از يک بازي با دو بازيکن را در نظر ميگيريم که آن را ‪ MIN,MAX‬ميناميم‪.‬‬
‫يک بازي به طور رسمي ميتواند به عنوان نوعي از مسئله جستجو به همراه قسمتهاي زير تعريف شود‪:‬‬
‫‪ ‬حالت اوليه شامل مکان صفحه وتعيين نوبت حرکت هر بازيکن است‪.‬‬
‫‪ ‬مجموعهاي از عملگرها که حرکات صحيح را که بازيکن ميتواند انجام دهد‪ ،‬تعيين‬
‫ميکند‪.‬‬
‫‪ ‬آزمون پاياني زمان بازي را تعيين ميکند‪ .‬حاالتي را که بازي درآنها به پايان رسيده است‬
‫حاالت پاياني ناميده ميشوند‪.‬‬
‫‪ ‬تابع سودمندي (تابع امتياز ‪ )payoff‬که مقدار عددي براي نتيجه بازي را تعيين ميکند‪.‬‬
‫اگر به آن به عنوان يک مسئله جستجو نگاه شود‪ ،‬جستجو براي دنبالهاي از حرکات که‬
‫منتهي به حالت پاياني ميشد (مطابق با تابع سودمندي)‪ ،‬و سپس پيشروي و ساخت اولين‬
‫حرکت در دنباله بود‪.‬‬
‫اما حرکات ‪ MIN‬غير قابل پيشبيني است؛‬
‫بنابراين‪:‬‬
‫‪ MAX‬بايد استراتژياي را بيابد که به يک حالت پاياني برنده بدون توجه به عملکرد ‪MIN‬‬
‫منجر شود‪ ،‬که اين استراتژي شامل حرکات درست براي ‪ MAX‬براي هر حرکت ممکن از‬
‫‪ MIN‬ميباشد‪.‬‬
‫الگوريتم ‪ MINMAX‬به منظور تعيين استراتژي بهينه براي ‪ MAX‬طراحي شده است و از‬
‫اين رو ميتوان بهترين حرکت را تصميمگيري کرد‪ .‬الگوريتم شامل ‪ 5‬مرحله است‪:‬‬
‫‪ .1‬توليد درخت کامل بازي‪ ،‬تمام راه تا مراحل پاياني‬
‫‪ .2‬درخواست تابع سودمندي براي هر حالت پاياني به منظور بدست آوردن مقدارش‪.‬‬
‫‪ .3‬از سودمندي حاالت پاياني به منظور تعيين سودمندي گرهها يک مرحله باالتر دردرخت جستجو استفاده‬
‫کنيد‪.‬‬
‫‪ .4‬بررس ي مقادير را از گرههاي برگي تا ريشه‪ ،‬يک اليه در هر لحظه‪ ،‬ادامه دهيد‪.‬‬
‫ً‬
‫‪ .5‬احتماال مقادير به باالي درخت ميرسند‪ MAX ،‬حرکتي را انتخاب ميکند که به باالترين مقدار منتهي‬
‫ميشود‪.‬‬
‫اگر‪:‬‬
‫‪ :m‬حداکثر عمق درخت‪،‬‬
‫‪ :b‬تعداد حرکات قانوني در هر نقطه‪،‬‬
‫آنگاه‪:‬‬
‫زمان پيچيدگي الگوريتم ‪ O(bm) ،minimax‬است‪.‬‬
‫الگوريتم يک جستجو عمقي است‪.‬‬
‫تصميمات ناقص‪:‬‬
‫الگوريتم ‪ minimax‬فرض ميکند که برنامه زمان الزم براي جستجوي تمامي راههاي‬
‫ً‬
‫ممکن وضعيتهاي پاياني را دارد که اين فرض معموال عملي نيست‪.‬‬
‫الگوريتم مينيماکس‪ ،‬به دو راه تغيير يابد‪:‬‬
‫‪ ‬تابع سودمندي با تابع ارزيابي ‪ EVAL‬جايگزين شود‪.‬‬
‫‪ ‬آزمون پاياني با آزمون قطع ‪ CUTOFF-TEST‬جايگزين گردد‪.‬‬
‫تابع ارزيابي‪:‬‬
‫تابع ارزيابي تخميني از سودمندي مورد انتظار بازي را ازموقعيت داده شده برميگرداند‪.‬‬
‫واضح است که ارائه يک برنامه بازي بي نهايت به کيفيت تابع ارزيابي بستگي دارد‪.‬‬
‫چگونه به طور دقيق کيفيت را ميتوان اندازه گرفت؟‬
‫‪ .1‬تابع ارزيابي با تابع سودمندي در مورد حالت پاياني بايد به توافق برسند‪.‬‬
‫‪ .2‬نبايد زياد طول بکشد! (اگر پيچيدگي را محدود نکنيم ‪ minimax‬به عنوان يک‬
‫زيربرنامه فراخواني ميشود و مقدار دقيق وضعيت محاسبه ميشود‪ ).‬از اين رو‪ ،‬معاملهاي‬
‫بين صحت تابع ارزيابي و هزينه زمان آن وجود دارد‪.‬‬
‫‪ .3‬تابع ارزيابي بايد به درستي شانسهاي واقعي براي برد را منعکس کند‪.‬‬
‫تابع ارزيابي فرض ميگيرد که مقدار هر مهره ميتواند به طور مستقل از ديگر مهرهها روي‬
‫صفحه قضاوت شود‪ .‬اين نوع از تابع ارزيابي‪ ،‬تابع خطي وزن دار ناميده ميشود‪.‬‬
‫اين تابع ميتواند به صورتي ذکر شود که ‪W‬ها وزن ها هستند و ‪f‬ها اعداد هر نوع مهره روي‬
‫صفحه خواهند بود‪.‬‬
‫قطع جستجو‪:‬‬
‫صريحترين رهيافت براي کنترل ميزان جستجو قراردادن محدوديتي براي داشتن يک عمق ثابت‬
‫است‪ ،‬بنابراين تست قطع براي تمام گرهها در زير عمق ‪ d‬موفق ميشود‪ .‬عمق طوري انتخاب‬
‫ميشود که ميزان زمان استفاده شده از آنچه که قوانين بازي اجازه ميدهد تجاوز نکند‪.‬‬
‫زماني که‪ ،‬وقت تمام ميشود‪ ،‬برنامه حرکت انتخابي توسط عميقترين جستجوي کامل شده را‬
‫برميگرداند‪.‬‬
‫به دليل تخميني بودن توابع ارزيابي اين رهيافتها ميتوانند نتايج ناخوشايندي را به همراه داشته‬
‫باشند‪.‬‬
‫تابع ارزيابي فقط بايد براي مواقعي به کاربرده شود که خاموش هستند‪ ،‬يعني اينکه تفاوتهاي‬
‫چشمگير در مقدار‪ ،‬در آينده نزديک بعيد به نظر ميرسد‪.‬‬
‫اين جستجوي فوق العاده جستجوي خاموش ناميده ميشود‪.‬‬
‫مسئله افقي‬
‫)‪:(horizonproblem‬‬
‫رخ سياه مانع از حرکت وزير سفيد به‬
‫حالت افقي شده است و اين موقعيت‬
‫به نفع سياه است‪ .‬در حالي که برگ‬
‫برنده در دست سفيد است‪.‬‬
‫هرس آلفا‪-‬بتا‪:‬‬
‫هرس درخت جستجو‪:‬‬
‫پردازش حذف شاخهاي از درخت جستجو‪ ،‬با در نظر داشتن و بدون آزمايش‪ ،‬هرس درخت‬
‫جستجو ناميده ميشود‪.‬‬
‫زماني که اين تکنيک براي يک درخت ‪ minimax‬استاندارد‪ ،‬به کار برده ميشود‪ ،‬حرکت‬
‫مشابهي همانطور که ‪ minimax‬انجام ميداد‪ ،‬برميگرداند؛ اما شاخههايي که در تصميم‬
‫نهايي دخالتي ندارند را هرس ميکند‪.‬‬
‫جستجوي ‪ minimax‬عمقي است‪ ،‬بنابراين‪ ،‬در هر لحظه‪ ،‬بايد گرههايي در نظر گرفته‬
‫شوند که در طول يک مسير مجزا در درخت هستند‪.‬‬
‫‪ α‬مقدار بهترين انتخابي باشد که تا کنون در طول مسير براي ‪ MAX‬پيدا شده است‪ .‬و ‪β‬‬
‫مقدار بهترين (به طور مثال‪ ،‬پايينترين مقدار) انتخابي باشد که در طول مسير تا اين لحظه‬
‫براي ‪ MIN‬پيدا شده است‪.‬‬
‫درخت جستجوي آلفا‪-‬بتا‪:‬‬
‫اين درخت‪ ،‬مقدار ‪ α‬و ‪ β‬را همچنانکه جلو ميرود‪ ،‬به روز درميآورد‪ ،‬و زير درخت را هرس‬
‫ميکند (فراخواني بازگشتي را قطع ميکند) به محض اينکه معلوم ميشود که اين زير درخت‬
‫بدتر از مقدار ‪ α‬يا ‪ β‬جاري است‪.‬‬
‫مزاياي هرس آلفا‪-‬بتا‬
‫مزاياي آلفا‪-‬بتا به مرتبهاي که در آن گرههاي فرزندي آزمايش شدهاند‪ ،‬برميگردد‪.‬‬
‫پيچيدگي ‪ O(b/log b)d‬ميباشد‪.‬‬
‫‪ (1‬در عمل‪ ،‬يک تابع ساده مرتبکننده شما را به نتيجه بهترين حالت بر خالف نتيجه تصادفي‬
‫سوق ميدهد‪.‬‬
‫‪ (2‬رهيافت مشهور ديگر انجام جستجوي عميقکننده تکراري و استفاده از مقادير ‪backed-‬‬
‫‪ up‬از يک تکرار براي تعيين ترتيب جانشينها در تکرار بعدي است‪.‬‬
‫نتايج بازيها نيز قابل مالحظه هستند (و در حقيقت‪ ،‬مسائل جستجو در حالت کلي) و بايد به‬
‫صورت يک مدل درخت مطلوب فرض شوند تا نتايجشان را به دست آورند‪.‬‬
‫عنصر شانس هستند‪:‬‬
‫‌‬
‫بازي‌هايي که شامل‬
‫تخته نرد يک بازي عمومي است که شانس و مهارت را با هم ترکيب ميکند‪.‬‬
‫تاسهاي سفيد ‪ ،6-5‬چهار حرکت زير‬
‫را ميتواند انجام دهد‪:‬‬
‫(‪ 10-16‬و ‪ )5-10‬و (‪ 19-24‬و ‪ )5-11‬و‬
‫(‪ 5-11‬و ‪ )5-10‬و (‪ 11-16‬و ‪)5-11‬‬
‫‪5‬‬
‫‪6‬‬
‫‪‬درخت بازي در تخته نرد بايد شامل گرههاي شانس براي گرههاي ‪ MIN‬و ‪ MAX‬باشد‪.‬‬
‫‪‬مرحله بعدي فهم چگونگي ساخت تصميمات صحيح است‪.‬‬
‫‪‬محاسبه مقادير انتظاري گرهها‪ ،‬صريح است‪ .‬براي گرههاي پاياني‪ ،‬از تابع سودمندي مانند‬
‫بازيهاي قطعي استفاده ميکنيم‪.‬‬
‫‪‬با پيشروي در درخت جستجو به اندازه يک مرحله‪ ،‬به يک گره شانس برخورد ميکنيم‪.‬‬
‫اگر ما فرض کنيم که )‪ S(C,di‬مجموعه موقعيتهاي توليد شده توسط اعمال حرکات قانوني‬
‫براي پرتاب )‪ P(di‬در موقعيت ‪ C‬باشد‪ ،‬ميتواند مقدار ‪ expectimax‬از ‪ C‬را با استفاده از‬
‫فرمول زير محاسبه نمود‪:‬‬
‫))‪Expectimax (c)=∑I P(di) maxsε S(c,di) (utility(s‬‬
‫اين فرمول‪ ،‬سودمندي مورد انتظار در موقعيت ‪ c‬را با فرض بهترين بازي ارائه ميدهد‪.‬‬
‫در بازي‌ها با گره‌هاي شانس‪:‬‬
‫ارزيابي موقعيت ‌‬
‫حضور گرههاي شانس بدين معناست که بايد در مورد آنچه که به معناي مقادير ارزيابي‬
‫است‪ ،‬دقيق بود‪.‬‬
‫اگر ما تغييري را در مقياس مقادير ارزيابي ايجاد کنيم‪ ،‬برنامه در مجموع به طور متفاوت رفتار‬
‫ميکند‪.‬‬
‫پيچيدگي‪:‬‬
‫‪‬بدليل اينکه ‪ expectiminimax‬تمام دنبالههاي پرتاب تاس را در نظر ميگيرد‪ ،‬زماني معادل )‪O(bmnm‬‬
‫ميبرد‪ ،‬که ‪ n‬تعداد پرتابهاي محدود است‪.‬‬
‫‪‬مزيت آلفا‪ -‬بتا‪ ،‬با داشتن بهترين بازي ناديده گرفتن پيشرفتها در آينده است که احتمال وقوعشان کم است‪.‬‬
‫‪‬در بازيهاي به همراه تاس‪ ،‬دنبالههاي محتملي از حرکات وجود ندارد‪ ،‬چون براي آن حرکاتي که بايد انجام‬
‫بگيرند‪ ،‬ابتدا تاس بايد به روش درستي پرتاب شود تا آن حرکات منطقي شوند‪.‬‬
‫‪‬اگر بگوئيم که تمام مقادير سودمندي بين ‪ +1‬و ‪ -1‬هستند‪ ،‬سپس مقدار گرههاي برگي محدود ميشوند و در‬
‫عوض ما ميتوانيم حد بااليي روي مقدار گره شانس ي بدون توجه به فرزندانش قرار دهيم‪.‬‬
‫فصل ششم ‪:‬‬
‫عامل‌هاييکه به طور منطقي استدالل مي‌‌کنند‬
‫‪.‬‬
‫‪.‬‬
‫معرفي طراحي پايه‌اي براي يک عامل مبتني بر دانش‪:‬‬
‫رهيافت مبتني بر دانش روش قدرتمندي از ساخت برنامه عامل است‪ .‬هدف آن پيادهسازي‬
‫نمايي از عامل است که بتواند به عنوان دانش در مورد دنياي آنها و استدالل در مورد‬
‫گونههايي ممکن از رفتار آنها به کار ميرود‪.‬‬
‫عاملهاي مبتني بر دانش قادرند که‪:‬‬
‫‪ .1‬وظايف جديد را به صورت اهداف تعريف شده صريح قبول کنند‪.‬‬
‫‪ .2‬آنها ميتوانند به سرعت توسط گفتن يا يادگيري دانش جديد درمورد حيطه‪ ،‬به رقابت‬
‫برسند‪.‬‬
‫‪ .3‬آنها ميتوانند خود شانس را با تغييرات محيط‪ ،‬توسط به روز در آوردن دانش مربوطه‪،‬‬
‫تطبيق دهند‪.‬‬
‫عامل مبتني بر دانش به موارد زير نياز دارد‪:‬‬
‫‪ (1‬چه چيزهايي را بداند؟‬
‫‪ (2‬وضعيت جاري دنيا؟‬
‫‪ (3‬چطور توسط ادراک به خواص ناديده دنيا رجوع کند؟‬
‫‪ (4‬چطور دنيا زمان را ميگشايد؟‬
‫‪ (5‬عامل به چيزي ميخواهد برسد؟‬
‫‪ (6‬فعاليتهايي که در شرايط مختلف انجام ميدهد چيست؟‬
‫بخش مرکزي عامل مبتني بر دانش پايگاه دانش (‪ )knowledge base‬آن‪ ،‬يا ‪ KB‬است‪.‬‬
‫پايگاه دانش‪ :‬مجموعهاي از نمايش حقايق در مورد نياز است‪.‬‬
‫جمله‪ :‬هر نمايش اختصاص ي يک جمله (‪ )sentence‬ناميده ميشود‪.‬‬
‫جمال ال ال الالالت‪ :‬جمر ر ر ررالت در ير ر ر ررک زبر ر ر رراني کر ر ر رره زبر ر ر رران بازنمر ر ر ررايي دانر ر ر ررش (‬
‫‪ )representation‬ناميده ميشود‪ ،‬بيان ميشوند‪.‬‬
‫‪knowledge‬‬
‫‪ :ASK‬به منظور افزودن جمالت جديد به پايگاه دانش به کار برده ميشود‪.‬‬
‫‪ :TELL‬به منظور پرسش اينکه چه چيزهايي شناخته شده است‪.‬‬
‫تشخيص اينکه چه چيزي بايد پس از ‪ TELLed‬به ‪ KB‬دنبال شود‪ ،‬مسئوليت مکانيزمي به‬
‫نام استنتاج (‪ )inference‬است‪ ،‬که قسمت مهم ديگر عامل مبتني بر دانش را تشکيل‬
‫ميدهد‪.‬‬
‫هر زمان که برنامه دانش صدا زده ميشود‪ ،‬دو عمل انجام ميشود‪:‬‬
‫‪ .1‬به پايگاه دانش گفته ميشود (‪ )TELL‬که چه دريافت کرده است‪.‬‬
‫‪ .2‬از پايگاه دانش سؤال ميشود (‪ )ASK‬که چه عملي بايد انجام شود‪.‬‬
‫در فرآيند پاسخ به اين پرسش‪ ،‬استدالل منطقي براي اثبات اينکه کدام عمل بهتر از بقيه‬
‫است استفاده ميشود و دانستههاي عامل و اهداف آن مشخص ميشوند‪.‬‬
‫ميتوانيم يک عامل مبتني بر دانش را در سه سطح تعريف کنيم‪:‬‬
‫‪ .1‬سطح دانش ‪ knowledge level‬يا سطح ‪ epistemological‬که خالصهترين سطح است؛‬
‫ميتوانيم عامل را توسط گفتن اينکه عامل چه ميداند‪ ،‬تعريف نماييم‪.‬‬
‫‪ .2‬سطح منطقي ‪ logical level‬سطحي است که دانش به صورت جمالت رمزگذاري ميشود‪.‬‬
‫‪ .3‬سطح پياده سازي ‪ Implementation Level‬سطحي است که در معماري عامل اجرا ميشود و‬
‫بازنماييهاي فيزيکي از جمالت سطح منطقي‪ ،‬در اين سطح وجود دارد‪.‬‬
‫انتخاب پيادهسازي در کارآيي بهتر عامل بسيار اهميت دارد‪ ،‬اما به سطح منطقي و سطح دانش‬
‫مربوط نميشود‪.‬‬
‫دنياي ‪:WUMPUS‬‬
‫مشابه دنياي مکش‪ ،‬دنياي ‪ Wumpus‬شبکهاي از مربع است که توسط ديوارهايي احاطه‬
‫شدهاند‪ ،‬که هر مربع ميتواند شامل عاملها و اشياء باشد‪.‬‬
‫وظيفه عامل يافتن طال و بازگشتن به نقطه شروع و باال رفتن از غار است‪.‬‬
‫براي مشخص نمودن وظيفه عامل‪ ،‬ادراکات‪ ،‬عمليات و اهداف آن را بايد مشخص کنيم‪ .‬در‬
‫دنياي ‪ ،Wumpus‬اينها به صورت زير هستند‪:‬‬
‫‪‬از مربعي که شامل ‪ Wumpus‬است و مربعهاي مجاور (نه قطري) عامل بوي بدي را‬
‫دريافت ميکند ‪.‬‬
‫ً‬
‫‪‬در مربعهايي که مستقيما مجاور با چالهها هستند‪ ،‬عامل نسيمي را دريافت ميکند‪.‬‬
‫‪‬در مربعي که طال وجود دارد‪ ،‬عامل يک درخشش ي را درک ميکند‪.‬‬
‫‪‬زماني که يک عامل به داخل ديواره قدم بر ميدارد‪ ،‬ضربهاي را دريافت ميکند‪.‬‬
‫‪‬زماني که ‪ Wumpus‬کشته ميشود‪ ،‬فريادي سر ميدهد که هر جايي از غار شنيده‬
‫ميشود‪.‬‬
‫‪‬ادراکات به عامل به صورت ليستي از پنج سيمبول داده ميشود‪.‬‬
‫‪‬مانند دنياي مکش‪ ،‬عماليتي براي جلو رفتن‪ ،‬چرخيدن ‪ 90‬به سمت چپ‪ ،‬چرخيدن ‪ 90‬به‬
‫سمت راست وجود دارد‪.‬‬
‫‪‬عامل نابود خواهد شد زماني که وارد يک مربع شامل سياده چاله و يا کي ‪ Wumpus‬زنده‬
‫ميشود‪.‬‬
‫‪‬هدف عامل يافتن طال و برگرداندن آن به خانه شروع با سرعت تمام است‪ ،‬بدون آنکه‬
‫کشته شود‪.‬‬
‫بازنمايي‪ ،‬استدالل و منطق‪:‬‬
‫بازنمايي و استدالل با همديگر‪ ،‬عملکرد يک عامل مبتني بر دانش را حمايت خواهند کرد‪.‬‬
‫بازنمايي دانش )‪ (knowledge representation‬دانش را در فرم حل شدني کامپيوتر‬
‫مطرح ميسازد‪ ،‬که به عاملها کمک ميکند تا ارائه بهتري داشته باشند‪.‬‬
‫زبان بازنمايي دانش متوسط دو خاصيت تعريف مي‌شود‪:‬‬
‫نحو (‪ :)Syntax‬يک زبان ساختاري ممکن براي تشکيل جمالت را ايجاد ميکند‪.‬‬
‫بازنمايي واقعي در داخل کامپيوتر‪ :‬هر جمله توسط يک ساختار فيزيکي يا خاصيت فيزيکي‬
‫قسمتي از عامل پيادهسازي ميشود‪.‬‬
‫معني (‪ :)Semantic‬تعيين ميکند که حقايق موجود در دنيا به چه جمالتي نسبت داده‬
‫شوند‪.‬‬
‫با ‪Semantic‬ها‪ ،‬ميتوانيم بگوييم زماني که ساختار ويژه با يک‬
‫عامل وجود دارد‪ ،‬عامل به جمالت مربوطه‪ ،‬اعتقاد دارد‪.‬‬
‫معنيهاي زبان تعيين ميکند که حقايق به کدام جمالت مربوط ميشوند‪.‬‬
‫تفاوت بين حقايق و بازنمايي‌هاي آنها‪:‬‬
‫حقايق قسمتي از دنياي واقعي را تشکيل ميدهند‪ ،‬اما بازنماييهاي آنها بايد به صورتي کد‬
‫شوند که بتواند به طور فيزيکي در يک عامل ذخيره شود‪.‬‬
‫جمالت قسمتي از ساختار فيزيکي عامل هستند و استدالل بايد پردازش ي از ايجاد ساختار جديد‬
‫فيزيکي از نمونههاي قديميتر باشد‪.‬‬
‫استدالل مطلوب بايد اين اطمينان را حاصل کند که ساختار جديد حقايقي را بازنمايي ميکند‬
‫که از حقايقي که ساختار قديمي ايجاد کرده بود‪ ،‬پيروي کنند‪.‬‬
SENTENCES
SENTENCES
Semantics
World
Semantics
Representation
Entails
FACTS
FOLLOWS
FACTS
.‫ارتباط بين جمالت و حقايق توسط معناي زبان توليد مي‌شوند‬
‫استلزام‪:‬‬
‫ارتباط بين حقايقي که دنباله رو يکديگر هستند را نشان ميدهد‪.‬‬
‫در عالئم رياض ي‪ ،‬ارتباط استلزام بين يک پايگاه دانش ‪ KB‬و يک جمله ‪ a‬به صورت «‪KB‬‬
‫مستلزم ‪ a‬است» تلفظ ميشود و به صورت ‪ KB|= a‬نوشته ميشود‪.‬‬
‫رويه استنتاج ميتواند يکي از دو عامل ذيل را انجام دهد‪:‬‬
‫‪ .1‬با داشتن پايگاه دانش ‪ KB‬ميتواند جمالت تازهاي از ‪ a‬توليد کند که مفهوم آن‬
‫استلزام توسط ‪ KB‬باشد‪.‬‬
‫‪ .2‬يا با داشتن يک پايگاه دانش ‪ KB‬و جمله ‪ a‬ديگري‪ ،‬اين رويه ميتواند گزارش دهد که ‪a‬‬
‫توسط ‪ KB‬مستلزم شده است يا خير‪.‬‬
‫رويه استنتاج ‪ i‬ميتواند توسط جمالتي که آنها را مشتق ميکند‪ ،‬تعريف شود‪ .‬اگر ‪ i‬بتواند ‪a‬‬
‫را از ‪ KB‬مشتق کند‪ ،‬منطقدان ميتواند بنويسيد‪ KB |_ I a :‬که خوانده ميشود «آلفا از‬
‫‪ KB‬توسط ‪ i‬مشتق شده است يا «‪ i‬مشتق ميکند آلفا از ‪.»KB‬‬
‫ثبت عمليات رويه استنتاج صحيح‪ ،‬اثبات )‪ (Proof‬ناميده ميشود‪.‬‬
‫کليد استنتاج صحيح‪:‬‬
‫داشتن مراحل استنتاج است که به جمالت مورد عمل قرار گرفته‪ ،‬توجه داشته باشد‪.‬‬
‫بازنمايي‪:‬‬
‫زبانهاي برنامهنويس ي (مانند ‪ C‬يا پاسکال يا ‪ )Lips‬براي تعريف الگوريتمها مناسب‬
‫هستند و بين ساختارهاي داده پيوستگي ايجاد ميکنند‪.‬‬
‫زبانهاي طبيعي بيشتر محتاج محاوره بر خالف بازنمايي هستند‪.‬‬
‫مزايا ‌و معايب زبان طبيعي‪:‬‬
‫زبان طبيعي راهي خوب براي سخنگو است تا مخاطب را متوجه منظور خود سازد؛ اما اغلب‬
‫اين تقسيم دانش بدون بازنمايي صريح خود دانش انجام ميشود‪ .‬زبانهاي طبيعي هم چنين‬
‫از ابهامات رنج ميبرند‪ ،‬مانند عبارت «سگها و گربههاي کوچک»‪ ،‬روشن نيست که آيا‬
‫سگها نيز کوچک هستند يا خير‪.‬‬
‫يک زبان بازنمايي خوب ميبايست‪:‬‬
‫‪‬مزاياي زبانهاي طبيعي و رسمي را با هم داشته باشد‪.‬‬
‫‪‬پرمعني و رسا باشد‪.‬‬
‫‪‬دقيق و غير مبهم‬
‫‪‬مستقل از متن‬
‫‪‬قابل استنتاج‬
‫معاني‪:‬‬
‫يک جمله خودش به تنهاي معنايي ندارد‪.‬‬
‫ميتوان زباني را تعريف نمود که در آن هر جمله يک تفسير اختياري داشته باشد‪ .‬اما در عمل‬
‫تمام زبانهاي بازنمايي ارتباط سيستماتيکي بين جمالت اعمال ميکنند‪.‬‬
‫صدق‌پذيري‌‪:‬‬
‫ً‬
‫يک جمله معتبر (‪ )Valid‬يا لزوما صحيح است اگر و فقط اگر تحت تمام تفسيرهاي ممکن در‬
‫تمام دنياي ممکن‪ ،‬بدون توجه از آنچه که تصور ميشد که معنا دهد و بدون توجه به حالت‬
‫آن مطلب در کل‪ ،‬تعريف شده باشد‪.‬‬
‫يک جمله صدقپذير (‪ )satisfiable‬است اگر و فقط اگر تفسيري در دنيايي براي صحت‬
‫آن وجود داشته باشد‪ .‬جمله در خانه ‪ [1,2] Wumpus‬وجود دارد " ‪Satisfiable‬‬
‫است زيرا امکان دارد که ‪ Wumpus‬در آن خانه باشد‪ ،‬حتي اگر چنين اتفاقي نيفتاده‬
‫باشد‪ ،‬جملهاي که صدقپذير نباشد صدق ناپذير (‪ )unsatisfiable‬است‪.‬‬
‫جمررالت خررود تناقض ر ي صرردقناپذير هسررتند‪ ،‬اگررر تنرراقض برره معنرراي سرريمبولهررا بسررتگي نداشررته‬
‫باشد‪.‬‬
‫استنتاج در کامپيوترها‪:‬‬
‫معتبر بودن و صدق ناپذيري به قابليت کامپيوتري که استدالل ميکند‪ ،‬بستگي دارد‪.‬‬
‫کامپيوترها از دور نقطه ضعف رنج ميبرند‪:‬‬
‫ً‬
‫‪‬کامپيوتر لزوما تفسيري را که شما براي جمالت در پايگاه دانش به کار ميبرديد‪ ،‬نميداند‪.‬‬
‫‪‬چيزي در مورد دنيا نميداند به جز آنچه که در پايگاه دانش ظاهر ميشود‪.‬‬
‫چيزي که استنتاج رسمي را قدرت ميبخشد‪ ،‬نبودن محدوديت بر روي پيچيدگي جمالتي‬
‫است که کاميپوتر بايد آنها را مورد عمل قرار دهد‪.‬‬
‫بزرگترين چيز در مورد استنتاج رسمي‪ ،‬قابليت آن براي بدست آوردن نتايج صحيح است‬
‫حتي زماني که کامپيوتر اطالعي از تفسير استفاده شده توسط شما نداشته باشد‪.‬‬
‫کامپيوتر فقط نتايج معتبر را گزارش ميکند‪ ،‬که بايست بدون توجه به تفسير شما‪ ،‬صحيح‬
‫باشد‪.‬‬
‫ير مي‌شود‪:‬‬
‫منطق شامل موارد ز ‌‬
‫‪ -1‬يک سيستم رسمي براي تعريف حالتهاي مطلب که شامل‪:‬‬
‫الف‪ -‬نحو (‪ )syntax‬زبان‪ ،‬که روش درست کردن جمالت را شرح ميدهد‪.‬‬
‫ب‪ -‬معاني (‪ )semantic‬زبان‪ ،‬که محدوديتهاي سيستماتيکي را روي چگونگي ارتباط‬
‫جمالت با حاالت موضوع قرار ميدهند‪.‬‬
‫‪ -2‬تئوري اثبات‪ -‬مجموعهاي از قوانين براي استنباط استلزامي يک سري از جمالت‪.‬‬
‫ما روي دو نوع منطق تمرکز خواهيم کرد‪:‬‬
‫‪‬منطق بولين يا گزارهاي‪،‬‬
‫‪‬منطق مرتبه اول (دقيق تر بگوييم‪ ،‬حساب گزاره مرتبه اول با تساوي‪).‬‬
‫‪‬در منطق گزارهاي سيمبولها تمام گزارهها را بازنمايي ميکنند‪.‬‬
‫‪‬سيمبولهاي گزارهاي ميتوانند با استفاه از ربطدهندههاي بولين ( ‪Boolin‬‬
‫‪ )connevtives‬جمالت را با معناهاي پيچيدهترين توليد کنند‪.‬‬
‫منطق مرتبه اول با بازنمايي دنياهايي به نام اشياء (‪ )objects‬و گزاره ها روي اشياء (به‬
‫عنوان مثال‪ ،‬خواص اشياء يا ارتباط بين اشياء)‪ ،‬به خوبي استفاده از ربط دهنده ها و سورها‬
‫(‪ ،)quantifiers‬به جمالت اجازه ميدهند تا در مورد چيزي در دنيا به سرعت نوشته شوند‪.‬‬
‫در منطق مرتبه اول گزارهاي يک جمله يک حقيقت را بيان ميکند و عامل باور دارد که جمله‬
‫صحيح است‪ ،‬يا جمله نادرست است يا قادر نيست تا از راه ديگري تنيجهگيري کند‪.‬‬
‫سيستمهايي که مبتني بر منطق شوال (‪ )Fuzzy‬هستند‪ ،‬ميتوانند در جايي از اعتقاد را در‬
‫يک جمله داشته باشند و همچنين به درجات حقيقت نيز اجاره دهند‪ :‬يک حقيقت نيازي به‬
‫درست يا نادرست بودن در دنيا ندارد‪ ،‬اما مي تواند تا يک ميزاني صحت داشته باشد‪.‬‬
‫منطق گزاره‌اي‪ :‬يک منطق بسيار ساده‪:‬‬
‫عالئم منطق گزارهاي‪:‬‬
‫‪ ‬ثابتهاي منطقي (‪)true, False‬‬
‫‪ ‬عالئم گزارهاي‪Q, P :‬‬
‫هاي‪ ,  ,  ,  ,‬‬
‫‪ ‬رابط ‪‬‬
‫‪ ‬پرانتز ()‬
‫تمام جمالت توسط قرار دادن اين عالئم با هم و با استفاده از قوانين زير‪،‬‬
‫ساخته ميشوند‪:‬‬
‫‪ ‬ثابتهاي منطقي (‪ )true, False‬خودشان جمله محسوب ميشوند‪.‬‬
‫‪ ‬عالمات گزارهاي نظير ‪ Q, P‬هر کدام به تنهايي يک جمله هستند‪.‬‬
‫‪ ‬پرانتزهاي اطراف يک عبارت‪ ،‬آن عبارت را تبديل به يک جمله واحد ميسازند مثل ‪(P‬‬
‫)‪.^ Q‬‬
‫‪ ‬يک جمله ميتواند توسط ترکيب جمالت سادهتر با يکي از پنج رابط منطقي ايجاد‬
‫ميشود‪.‬‬
‫روش رفع ابهام منطق گزارهاي بسيار شبيه عبارت رياض ي است‪.‬‬
‫معاني‪:‬‬
‫يک سيمبول گزارهاي ميتواند آنچه که خواست شما است‪ ،‬معني بدهد‪ .‬يعني اينکه‪،‬‬
‫تفسير آن هر حقيقت اختياري ميتواند باشد‪.‬‬
‫يک جمله پيچيده‪ ،‬معنايي مرکب از معناهاي هر قسمت از جمله را دارد‪ ،‬هر رابط ميتواند‬
‫به عنوان يک تابع تصور شود‪.‬‬
‫اعتبار ‌و استنتاج‪:‬‬
‫‌‬
‫جدول درستي براي تعريف رابطها و براي کنترل جمالت معتبر به کار ميرود‪.‬‬
‫ماشين هيچ ايدهاي از معناي نتايج ندارد‪ ،‬کاربر ميتواند نتايج را بخواند و از تفسير خود‬
‫براي سيمبولهاي گزارهاي به معناي نتيجه پي ببرد‪.‬‬
‫‪WORLD‬‬
‫وجود يک يک سيستم استدالل ضروري است تا قادر باشد‪ ،‬نتايجي را استخراج کند که از‬
‫مقدمها‪ ،‬بدون توجه به دنيا که اولويت رجوع جمالت را مشخص ميکند‪ ،‬پيروي کنند‪.‬‬
‫‪Input sentences‬‬
‫‪conclusions‬‬
‫?‬
‫‪User‬‬
‫‪effectors‬‬
‫جمالت اغلب به دنيايي رجوع ميکنند که عامل دسترس ي مستقلي به آن نداشته باشد‪.‬‬
‫مدل‌ها ‪:Models‬‬
‫دنيايي که در آن جملهاي تحت تفسيري ويژه‪ ،‬درست باشد‪ .‬يک مدل (‪ )Model‬از آن جمله‬
‫ناميده ميشود‪.‬‬
‫مدلها در منطق بسيار حائز اهميت هستند زيرا‪ ،‬دوباره استلزام را مطرح ميکنند‪ ،‬جمله ‪a‬‬
‫توسط يک پايگاه دانش ‪ KB‬مستلزم ميشود‪ ،‬اگر مدلهاي ‪ KB‬تمام مدلهاي ‪ a‬باشند‪.‬‬
‫سپس زماني که ‪ KB‬درست باشد‪ a ،‬نيز درست خواهد بود‪.‬‬
‫«دنياهاي واقعي» متفاوت بسياري وجود دارند که مقادير درستي مشابهي براي آن سيمبولها‬
‫دارند‪ .‬تنها تقاضايي که براي کامل شدن تصفيه الزم است‪ ،‬درستي يا نادرستي هر سيمبول‬
‫گزارهاي در هر دنيا است‬
‫قوانين استنتاج براي منطق گزاره‌اي‪:‬‬
‫پردازش ي که توسط هر کدام از آنها‪ ،‬صحت يک استنباط از طريق جداول درستي بدست‬
‫آمده است‪ ،‬ميتوند به کالسهاي استنتاجها گسترش داده شود‪.‬‬
‫نمونههاي مطمئني از استنتاجها وجود دارند‪ .‬که بيشتر و بيشتر بوجود ميآيند‪ ،‬و صحت‬
‫آنها ميتواند يکبار براي هميشه نشان داده شوند‪.‬‬
‫زماني که يک قانون پياده شد‪ ،‬ميتوان به منظور ساخت استنتاجها بدون ساخت جداول‬
‫درستي‪ ،‬استفاده شود‪.‬‬
‫‪‬‬
‫‪‬‬
‫اين جمله نيست‪ ،‬اما يک قانون استنتاج است‪.‬‬
‫يک قانون استنتاج زماني درست است اگر نتيجه آن در تمام موارد درست باشد و مقدمها‬
‫نيز درست باشند‪.‬‬
‫يک اثبات منطقي شامل دنبالهاي از کاربردهاي قوانين استنتاج است که ابتدا با جملههاي‬
‫موجود در ‪ KB‬آغاز ميشود‪ ،‬و منجر به توليد جملهاي ميشود که اثبات را پايان ميدهد‪.‬‬
‫يکنوايي‪:‬‬
‫استفاده قوانين استنتاج به منظور يافتن نتيجه از يک پايگاه دانش‪ ،‬به طور صريح مبتني بر‬
‫خواص عمومي منطقهاي قطعي (شامل گزارهاي و منطق مرتبه اول) است که يکنوايي‬
‫)‪ (monotonicity‬ناميده ميشود‪.‬‬
‫ميتوانيم خواص يکنوايي منطق را به طور زير شرح دهيم‪:‬‬
‫‪then ( KB1  KB2 ) | ‬‬
‫‪‬‬
‫‪if KB1 |‬‬
‫منطق مرتبه اول وگزارهاي دراين حالت‪ ،‬يکنوا هستند‪.‬‬
‫تئوري احتمال‪ ،‬يکنوا نيست‪.‬‬
‫کالس مفيدي از جمالت براي زماني که رويه استنتاجي با زمان چند جملهاي وجود دارد که‬
‫اين کالس جمالت هورن )‪ (Horn sentences‬ناميده ميشود‪ .‬يک جمله هورن فرمي به‬
‫صورت زير دارد‪:‬‬
‫‪P1  P2 ...  Pn  Q‬‬
‫که ‪ Pi‬و ‪ Q‬اتمهاي خنثي هستند‪ .‬دو مورد مهم وجود دارد‪ :‬اول‪ ،‬زماني که ‪ Q‬ثابت ‪False‬‬
‫است‪.‬‬
‫ما به جملهاي ميرسيم که برابر است با‪:‬‬
‫‪P1  ...   Pn‬‬
‫دوم اينکه‪ ،‬زماني که‪ n=1‬و ‪ P1=True‬ما به ‪True=>Q‬ميرسيم که برابر است با جمله‬
‫اتمي ‪.Q‬‬
‫منطق گزارهاي به ما اجازه ميدهد که به تمام نکات مهم درمورد منطق و چگونگي استفاده از‬
‫ً‬
‫آن به منظور ارائه استنتاج که نهايتا به عمليات تبديل ميشود‪ ،‬برسيم‪ .‬اما منطق گزارهاي‬
‫بسيار ضعيف است‪.‬‬
‫مشکل کند شدن رويه استنتاج‪:‬‬
‫‪ )1‬مشکل فقط نوشتن اين قوانين نيست بلکه تعداد زياد آنها‪ ،‬باعث مشکل ميشود‪.‬‬
‫‪ )2‬مشکل ديگر‪ ،‬روبرو شدن با تغييرات محيط است‪ .‬ما جزيي از عامل استدالل کننده را در‬
‫يک مکان و زمان ويژه نشان داديم‪ ،‬و تمام گزارهها در پايگاه دانش در آن زمان خاص‪ ،‬درست‬
‫بودند‪ .‬اما در حالت کلي‪ ،‬دنيا هر لحظه در حال تغيير است‪.‬‬
‫اندازه يک جدول درستي ‪ 2n‬است‪ .‬که ‪ n‬تعداد سيمبولهاي گزارهاي در پايگاه دانش است‪.‬‬
‫براي اجتناب از سردرگمي‪ ،‬ما به سيمبولهاي گزارهاي متفاوتي‪ ،‬براي تشخيص مکان عامل‬
‫در هر مرحله نيازداريم‪.‬‬
‫‪ -1‬ما نميدانيم که بازي چه مدت طول خواهد کشيد‪ ،‬بنابراين نميدانيم که چه تعداد از‬
‫اين گزارههاي وابسته به زمان‪ ،‬نياز داريم‪.‬‬
‫‪ -2‬اکنون بايد برگرديم و حالتهاي وابسته به زمان از هر قانون را بنويسيم‪.‬‬
‫فصل هفتم ‪:‬‬
‫منطق مرتبه او ‌ل‬
‫‪.‬‬
‫‪.‬‬
‫منطق گزارهاي هستي شناس ي بسيارمحدودي دارد و فقط براي دنيايي که شامل حقايق‬
‫باشد‪ ،‬تعهد قبول ميکند و اين امر بازنمايي مسائل ساده را نيز مشکل ساخته است‪.‬‬
‫منطق مرتبه اول‌ )‪ )First-Order_logic‬تعهدات هستي شناسانه قويتري را‬
‫نسبت به منطق گزارهاي ايجاد ميکند‪.‬‬
‫در اين منطق وجود دارند‪:‬‬
‫اجزايي که ‌‬
‫اشياء)‪ :(Objects‬مردم‪ ،‬خانهها‪ ،‬اعداد‪ ،‬تئوريها‪ ،‬رنگها‪ ،‬بازيهاي بيسبال‪ ،‬جنگلها‪،‬‬
‫کشورها‪...‬‬
‫روابط)‪ :(Relations‬برادر‪ ،‬بزرگتر از‪ ،‬داخل‪ ،‬قسمتي از‪ ،‬رنگ ‪...‬دارد‪ ،‬بدهکار است‪،‬‬
‫اتفاق افتاد بعد از‪...‬‬
‫خواص)‪ :(Properties‬قرمز‪ ،‬گرد‪ :‬غيرواقعي‪ ،‬رسمي‪...‬‬
‫توابع)‪ :(Functions‬پدر‪ ،‬بهترين دوست‪ ،‬يکي بيشتر از‪ ،‬نوبت سوم‪...‬‬
‫ً‬
‫ما ادعا نميکنيم که دنيا واقعا از اشياء و روابط بين آنها ساخته شده است‪ ،‬بلکه اين‬
‫جداسازي به ما کمک ميکند با بهتر در مورد دنيا قضاوت کنيم‪.‬‬
‫‪ ‬منطق مرتبه اول قادر است تا حقايقي را در مورد تمام اشياء جهان بيان دارد‪.‬‬
‫‪ ‬اگرچه منطق مرتبه اول‪ ،‬موجوديت اشياء و روابط آنها را ممکن ميسازد‪ ،‬اما هيچ تعهد‬
‫هستيشناس ي را براي چيزهايي مثل طبقات‪ ،‬زمان و حوادث قبول نميکند‪.‬‬
‫‪ ‬منطق مرتبه اول از اين نظر جهاني است که قادر است تا هر چيزي را که قابل‬
‫برنامهريزي باشد‪ ،‬بيان کند‪.‬‬
‫نح ‌و و معاني‪:‬‬
‫منطق مرتبه اول جمالتي دارد‪ ،‬اما همچنين واژههايي ‪ term‬نيز دارد که اشياء را بازنمايي‬
‫ميکنند‪.‬‬
‫سيمبولهاي ثابت‪ ،‬متغيرها و سيمبولهاي تابع براي ساخت واژه‌ها استفاده ميشوند‪ ،‬و‬
‫کميتسنجها و سيمبولهاي گزارهاي براي ساخت جمالت به کار برده ميشوند‪.‬‬
‫تعريف دقيق هر عنصر به صورت زير است‪:‬‬
‫سيمبولهاي ثابت )‪:(Constant Symbols‬‬
‫يک تفسير ميبايست معين کند که کدام ش يء توسط کدام سيمبول ثابت در اشياء ارجاع‬
‫داده ميشود‪.‬‬
‫ً‬
‫هر سيمبول ثابت‪ ،‬دقيقا به اسم يک ش يء نامگذاري ميشود‪ ،‬اما تمام اشياء نيازي به‬
‫داشتن نام ندارند و بعض ي از آنها ميتوانند چند اسم داشته باشند‪.‬‬
‫سيمبولهاي گزاره )‪:(Predicate Symbols‬‬
‫يک تفسير معين ميکند که يک سيمبول گزاره به يک رابطه ويژه درمدل رجوع ميکند‪.‬‬
‫سيمبولهاي تابع )‪:(Function Symbols‬‬
‫ً‬
‫بعض ي از روابط تابع هستند‪ ،‬بدين معنا که هر شيئ دقيقا به شيئ ديگري توسط رابطه‬
‫رجوع ميکند‪.‬‬
‫انتخاب ثابت‪ ،‬گزاره‪ ،‬و سيمبولهاي تابع به کلي به کاربرد بستگي دارد‪.‬‬
‫ترم‌ها )‪:(Terms‬‬
‫يک ترم‪ ،‬يک عبارت منطقي است که به يک شيئ رجوع ميکند‪.‬‬
‫معاني رسمي ترمها بسيار صريح است‪ .‬تفسير‪ ،‬يک رابطه تابعي ارجاع داده شده توسط‬
‫سيمبول تابع‪ ،‬و اشياء ارجاع داده شده توسط واژهها را اختصاص ميدهد که آرگومانهايش‬
‫هستند‪ .‬از اين رو‪ ،‬تمام ترم به شيئ رجوع ميکند که به عنوان )‪ (n+1‬امين مدخل در آن‬
‫‪ tuple‬در رابطهاي که اولين ‪ n‬عنصر آن اشياء ارجاع شده توسط آرگومانها هستند‪ ،‬ظاهر‬
‫ميشود‪.‬‬
‫جمالت اتمي )‪:(Atomic sentences‬‬
‫ميتوانيم با استفاده از ترمهايي براي ارجاع به اشياء و گزارههايي براي ارجاع به روابط‪،‬‬
‫جمالت اتمي به وجود آوريم‪ ،‬که حقايق را پايهگذاري ميکنند‪.‬‬
‫پرانتز ا ‌ز واژه‌ها‬
‫‌‬
‫يک جمله اتمي از يک سيمبو ‌ل گزاره‌اي تشکيل يافته و توسط يک ليست‬
‫دنبال ميشود‪.‬‬
‫يک جمله اتمي درست است اگر رابطه ارجاع شده توسط سيمبول گزاره با اشياء ارجاع شده‬
‫توسط آرگومانها مطابقت داشته باشد‪.‬‬
‫رابطه در صورتي صحت دارد که ‪ tuple‬اشياء در رابطه باشد‪.‬‬
‫حقيقت يک جمله بنابراين هم به تفسير و هم به دنيا بستگي دارد‪.‬‬
‫جمالت پيچيده‪:‬‬
‫ما ميتوانيم از رابطهاي منطقي براي تشکيل جمالت پيچيدهتر فقط در محاسبات گزارهاي‬
‫استفاده کنيم‪.‬‬
‫معاني جمالت که با استفاده از رابطهاي منطقي فرم گرفتهاند‪ ،‬ازلحاظ گزارهاي با آن يکسان‬
‫هستند‪.‬‬
‫سورها )‪:(Quantifires‬‬
‫زماني که ما منطقي در اختيار داريم که شامل اشياء است‪ ،‬طبيعي است که ذکر خواص کلي‬
‫اشياء را بر شمارش اشياء توسط نام ترجيح ميدهيم‪ .‬سورها به ما اجازه اين کار را ميدهند‪.‬‬
‫منطق مرتبه اول دو سور استاندارد دارد‪:‬‬
‫‪ ‬عمومي )‪(universal‬‬
‫‪ ‬وجودي )‪(existential‬‬
‫سور‌ عمومي‪(Universal Quantification) :‬‬
‫ً‬
‫معموال به معني «براي تمام» است‪.‬‬
‫معادل با )‬
‫‪(‬عطفي‬
‫ترکيب‬
‫‪A‬‬
‫‪A‬‬
‫شما يک جمله را ميتوانيد به صورت‬
‫‪xP‬‬
‫که ‪ P‬يک عبارت منطقي است تصور کنيد‪ .‬و ‪P‬‬
‫تمام جمالت حاصل شده توسط جانشيني نام يک شيئ براي‬
‫متغير ‪ x‬هرجا که در‪ P‬ظاهر شود‪ ،‬است‪.‬‬
‫به صورت «وجود دارد‪ »...‬تلفظ ميشود‪ .‬درحالت کلي‬
‫‪E‬‬
‫سور‌ وجودي )‪:(Existential‬‬
‫‪xP‬‬
‫زماني درست است که ‪P‬‬
‫‪E‬‬
‫براي بعض ي از اشياء در دنيا درست باشد‪ .‬بنابراين ميتواند به عنوان معادلي براي ترکيب‬
‫فصلي جمالت بدست آمده توسط جانشيني اسم يک اشياء براي متغير ‪ ،x‬تصور شود‪.‬‬
‫بنابراين‪ ،‬يک جمله شرطي با سور وجودي در دنيايي شامل هر شيئ که مقدم آن ترکيب‬
‫ً‬
‫شرطي نادرست باشد‪ ،‬درست است‪ .‬از اين رو همچنين جمالتي اصال چيزي براي گفتن‬
‫ندارند‪.‬‬
‫سورهاي النه‌اي )‪:(Nested Quantifiers‬‬
‫‪A‬‬
‫‪A‬‬
‫‪A‬‬
‫‪x,y‬‬
‫معادل با ‪x‬‬
‫و‪ y‬است‬
‫ترتيب سورها بسيار مهم است‪ .‬اگر ما آنها را در پرانتز قرار دهيم روشنتر ميشود‪.‬‬
‫‪A‬‬
‫‪E‬‬
‫در حالت کلي‪y P(x,y)) ،‬‬
‫(‪x‬‬
‫جمله دلخواهي است که شامل ‪ x,y‬ميباشد‪.‬‬
‫ميگويد که هر شيئي در دنيا يک خاصيت ويژهاي دارد‪ ،‬و آن خاصيت به چند شيئي توسط‬
‫‪E‬‬
‫‪A‬‬
‫رابطه ‪ p‬مربوط ميشود‪.‬‬
‫از طرف ديگر‪y P(x,y)) ،‬‬
‫(‪x‬‬
‫ميگويد که در دنيا شيئي وجود دارد که خاصيت‬
‫ويژهاي دارد و خاصيت توسط ‪ p‬به هر شيئي در دنيا مربوط ميشود‬
‫مشکل اساس ي زماني بوجود ميآيد ‪ ،‬که دو سور با يک متغير استفاده ميشوند‪.‬‬
‫قانون اين است که متغير به داخليترين سور که آن را بيان ميکند‪ ،‬پس اين متغير ارتباطي با ديگر سورها‬
‫نخواهد داشت‪.‬‬
‫ارتباط بين‬
‫‪A‬‬
‫و‬
‫‪E‬‬
‫در واقع دو سور وجودي و عمومي از طريق تناقض با هم در ارتباط هستند‪.‬‬
‫‪E‬‬
‫‪A‬‬
‫بدليل اينکه‬
‫در واقع رابط عاطفي در دنياي اشياء است و‬
‫رابط فصلي است‪ ،‬تعجب آور‬
‫نخواهد بود که آنها از قوانين دمورگان پيروي کنند‪ .‬قوانين دمورگان در ارتباط با جمالت سوري‬
‫به شرح زير است‪:‬‬
‫)‪P  Q  ( P  Q‬‬
‫‪( P  Q)  P  Q‬‬
‫)‪P  Q  (P  Q‬‬
‫)‪P  Q  (P  Q‬‬
‫‪xP  xP‬‬
‫‪xP  xP‬‬
‫‪xP  xP‬‬
‫‪xP  xP‬‬
‫براي اهداف ‪ ،AI‬محتوا و از اين رو قابليت خواندن جمالت مهم هستند‪.‬‬
‫بنابراين‪:‬‬
‫ما هر دو سور را نگه ميداريم‪.‬‬
‫تساوي‌ (‪:)Equality‬‬
‫ً‬
‫به غير از گزارهها و ترمهايي که قبال به آنها اشاره ميتوانيم از سيمبول تساوي ( ‪equality‬‬
‫‪ )symbol‬براي ساختن عباراتي که دو ترم به شيئي مشابه رجوع کنند‪ ،‬استفاده ميکنيم‪.‬‬
‫سيمبول تساوي ‪ :‬ميتواند به منظور شرح خواص يک تابع داده شده‪ ،‬استفاده شود‪ .‬اين‬
‫سمبول هم چنين ميتواند با عالمت نقيض براي نشان دادن عدم تشابه دو شيئي استفاده‬
‫شود‪.‬‬
‫توسعه‌ها ‌و تمايزات نگارش ي‪:‬‬
‫سه نوع از روشهاي که روي منطق مرتبه اول اعمال ميشود‪:‬‬
‫‪ -1‬منطق مرتبه باالتر‬
‫‪ 1-2‬عبارات تابعي و گزارهاي با استفاده از عملگر ‪λ‬‬
‫‪ 2-2‬سور يکتايي‬
‫‪ 3-2‬عملگر يکتايي‬
‫‪ -3‬انواع عالئم‬
‫منطق مرتبه باالتر‪:‬‬
‫‪‬ما را قادر ميسازد تا بتوانيم کيفيت روابط و توابع اشياء را به خوبي تعيين کنيم‪.‬‬
‫‪‬قدرت معنا دارتري نسبت به منطق اول دارد‪.‬‬
‫عبارات تابعي ‌و گزاره‌اي با استفاده ‌از عملگر ‪: λ‬‬
‫‪ ‬اغلب مفيد است که توابع و گزارههاي پيچيده را از قسمت هاي سادهتري تشکيل دهيم‪.‬‬
‫‪ ‬عملگر ‪ λ‬مرسوم است که براي اين منظور استفاده شود‪.‬‬
‫‪ ‬اين ‪ λ –expression‬ميتواند براي آرگومانها نيز به کار برده شود تا به يک ترم‬
‫منطقي منتهي شود‪.‬‬
‫براي مثال گزارة «از جنيست متفاوت و از آدرس مشابه هستند‪ ».‬را ميتواند به صورت زير‬
‫نوشت‪:‬‬
‫‪x, y Gender( x)  gender( y)  Address( x)  Address y ‬‬
‫سور‌ يکتايي‪:‬‬
‫راه دقيقي براي گفتن اينکه يک شيئي منحصر به فرد يک گزاره را قانع ميکند‪ ،‬وجود ندارد‪.‬‬
‫‪E‬‬
‫بعض ي از مؤلفان عالمت )‪! x King(x‬‬
‫را استفاده ميکنند‪.‬‬
‫جمله باال بدين معناست که «يک شيئي منحصر به فرد ‪ x‬وجود دارد که )‪ King(x‬را قانع‬
‫ً‬
‫ميکند «يا غير رسمي تر بگوييم» دقيقا يک ‪ King‬وجود دارد‪.‬‬
‫عملگر يکتايي‪:‬‬
‫‌‬
‫براي مفهوم يکتايي استفاده ميکنيم‪.‬‬
‫ً‬
‫عالمت)‪ xp(x‬ﺎ عموما براي بازنمايي مستقيم شيئي مورد نظر استفاده ميشود‪.‬‬
‫‪iE‬‬
:‫انواع عالئم‬
:‫تعدادي از عالئم رايج در منطق مرتبه اول‬
Syntax item
Negation (not)
Conjunction (and)
Disjunction (or)
Implication (if)
Equivalence (iff)
Universal (all)
Existential (exists)
Relation
This book
Others
P
PQ
~ PP
P & Q P.Q PQ P, Q
PQ
PQ
PQ
P | Q P; Q P  Q
x P ( x )
x P ( x )
(x) P( x)  xP( x) P( x)
(x) P( x)  xP( x) P ( Skolemi )
R ( x, y )
( Rxy) Rxy xRy
PQ P Q
PQ PQ
‫استفاده ‌از منطق مرتبه او ‌ل‪:‬‬
‫‪ ‬دامنه ‪Kinship‬‬
‫‪ ‬اصل موضوعات‪ ،‬تعاريف و قضايا‬
‫‪ ‬دامنه مجموعهها‬
‫‪ ‬عالئم خاص براي مجموعهها‪ ،‬ليستها و محاسبات‬
‫‪ ‬طرح پرسش و گرفتن پاسخ‬
‫عامل‌هاي منطق براي دنياي ‪:Wumpus‬‬
‫ما معماري سه عامل را در نظر ميگيريم‪:‬‬
‫‪ (1‬عاملهاي (‪ )reflex‬که فقط ادراکات و عملياتشان رامطابق هم طبقهبندي ميکنند‪.‬‬
‫‪ (2‬عاملهاي مبتني بر مدل (‪ )model-based‬که بازنمايي داخلي از دنيا را تشکيل‬
‫ميدهند و از آن براي عملکردشان استفاده ميکنند‪.‬‬
‫‪ (3‬عاملهاي مبتني بر هدف ‪ goal-based‬که اهداف را صورت ميدهند و سعي دارند تا‬
‫ً‬
‫به آنها برسند‪( .‬عاملهاي مبتني بر هدف معموال عاملهاي مبتني بر مدل نيز هستند‪).‬‬
‫عامل واکنش ي ساده‪:‬‬
‫ً‬
‫سادهترين نوع ممکن عامل‪ ،‬قوانيني دارد که مستقيما ادراکات را به عمليات مرتبط ميسازد‪.‬‬
‫اين قوانين مشابه واکنش يا غرايز هستند‪.‬‬
‫محدوديت‌هاي عامل‌هاي واکنش ي ساده‪:‬‬
‫‪ ‬وجود مسائلي که بايد به عامل از طريق بازنمايي دنيا فهمانده شود‪.‬‬
‫‪ ‬عاملهاي واکنش ي نميتوانند از حلقههاي نامحدود اجتناب ورزند‪.‬‬
‫در دنيا‪:‬‬
‫تغيير ‌‬
‫بازنمايي ‌‬
‫در طراحي عامل‪ ،‬تمام ادراکات به پايگاه دانش اضافه ميشود‪ ،‬و در اصل تاريخچه ادراک‬
‫تمام آن چيزهايي است که در مورد دنيا بايد دانسته شود‪ .‬اگر ما قوانيني داشته باشيم که‬
‫به گذشته به همان خوبي زمان جاري رجوع کنند‪ ،‬ميتوانيم قابليتهاي يک عامل را براي‬
‫يافتن جايي که عملکرد بهينه دارد‪ ،‬افزايش دهيم‪.‬‬
‫هر سيستمي که تصميماتي را بر پايه ادراکات گذشته ميگيرد‪ ،‬ميتواند براي استفاده مجدد از‬
‫جمالتي در مورد حالت جاري‪ ،‬دوباره نوشته شود‪ ،‬به شرط اينکه اين جمالت به محض‬
‫رسيدن هر درک تازهاي و در عمل تازهاي که انجام ميشود‪ ،‬به روز درآورده شود‪.‬‬
‫قوانيني که روشهايي در آن دنيا ميتواند تغيير کند (تغيير نکند) را تعريف ميکنند‪ ،‬قوانين‬
‫‪ diachronic‬ناميده ميشوند که از زبان يوناني به معناي «سرتاسر زمان» برگرفته شده‬
‫است‪ .‬بازنمايي تغييرات يکي از مهمترين حيطهها در بازنمايي دانش است‪.‬‬
‫تغيير پايگاه دانش است‪.‬‬
‫سادهترين راه براي کنار آمدن با تغييرات‪‌ ،‬‬
‫يک عامل ميتواند در فضاي گذشته و حاالت ممکن آينده‪ ،‬به جستجو بپردازد‪ ،‬و هر حالت‬
‫توسط پايگاه دانش متفاوتي بازنمايي ميشود‪.‬‬
‫در اصل‪ ،‬بازنمايي موقعيت و عمليات تفاوتي با بازنمايي اشياء واقعي يا روابط واقعي ندارد‪.‬‬
‫ما نياز داريم که در مورد اشياء و روابط مناسب‪ ،‬تصميمگيري کنيم و سپس قضايايي در‬
‫رابطه با آنها بنويسيم‪.‬‬
‫محاسبه موقعيت‪:‬‬
‫محاسبه موقعيت )‪ (Situation Calculus‬روش خاص ي براي تعريف تغييرات در منطق‬
‫مرتبه اول است‪.‬‬
‫تصوري که از دنيا ميشود‪ ،‬آن را به صورت دنبالهاي از موقعيتها در نظر ميگيرد‪ ،‬که هر‬
‫کدام از آنها يک "‪ "snapshot‬از حالت دنيا است‪.‬‬
‫استنتاج خواص پنهاني دنيا‪:‬‬
‫زماني که عامل بتواند تشخيص دهد که کجا قرار دارد‪ ،‬ميتواند کيفيتها را با محل‪ ،‬به‬
‫جاي موقعيت تطبيق دهد‪.‬‬
‫قوانين همزمان‪:‬‬
‫قضايايي را که ما براي تسخير اطالعات ضروري براي اين استنباطها خواهيم داشت‪ ،‬قوانين‬
‫همزمان )‪ (Synchronic‬ناميده ميشوند‪ ،‬زيرا آنها خواص حالت يک دنيا را به ديگر‬
‫خواص حالت دنياي مشابه‪ ،‬مربوط ميکنند‪.‬‬
‫دو نوع اصلي از قوانين همزمان وجود دارند‪:‬‬
‫قوانين ‪:Causal‬‬
‫قوانين سببي جهت مفروض شده علت را در دنيا منعکس ميکنند‪ :‬بعض ي از خواص پنهاني‬
‫دنيا‪ ،‬ادراکات مطمئني را براي توليد شدن باعث ميشوند‪.‬‬
‫‪ )2‬قوانين تشخيص ي )‪:(Diagnostic rules‬‬
‫ً‬
‫ر‬
‫قوانين تشخيص ي مستقيما داللت بر حضو خواص پنهان شده از اطالعات مبتني بر ادراک‬
‫دارند‪.‬‬
‫ً‬
‫اگرچه قوانين تشخيص ي به نظر ميآيد که اطالعات مطلوبي را مستقيما توليد کنند‪ ،‬خيلي‬
‫حيلهگيرانه است‪ ،‬اطمينان داشته باشيم که آنها قويترين نتايج ممکن را از اطالعات‬
‫موجود به دست ميآورند‪.‬‬
‫مهمترين مسئله براي به خاطر سپردن اين است که اگر قضايا به درستي و کمال‪ ،‬روش‬
‫عملکرد دنيا و روش ي که ادراکات توليد ميشوند را تعريف کنند‪ ،‬رويه استنتاج به درستي‬
‫قويترين شرح ممکن از حالت دنيا با ادراکات داده شده را استخراج خواهد کرد‪.‬‬
‫اولويت بين عمليات‪:‬‬
‫تغييرات عقايد عامل در مورد بعض ي از چهرههاي دنيا نياز به تغييرات در قوانيني که با ديگر‬
‫چهرهها سروکار دارند‪ ،‬دارد‪.‬‬
‫‪‬عامل ما به سادگي توسط پرسش براي رسيدن به چيزي متفاوت‪ ،‬ميتواند دو مرتبه برنامهريزي شود‪.‬‬
‫‪‬اهداف‪ ،‬مطلوب بودن حاالت حاصل را بدون توجه به روش به دست آمدن آنها توضيح ميدهند‪.‬‬
‫اولين قدم‪ ،‬شرح مطلوبيت خود عمليات )‪ ،(action‬و ترک ماشين براي انتخاب بهترين‬
‫عمل است‪.‬‬
‫از يک مقياس ساده استفاده ميکنيم‪:‬‬
‫عمليات ميتوانند عالي‪ ،‬خوب‪ ،‬متوسط ‪ ،‬ريسکي و يا مهلک باشند‪.‬‬
‫عامل هميشه بايد يک عمل فوقالعادهاي را در صورت يافتن انجام دهد؛ در غير اينصورت‪،‬‬
‫يک عمل خوب در غير اينصورت‪ ،‬يک عمل متوسط‪ ،‬و يک عمل ريسکدار اگر تمام قبليها‬
‫شکست بخورند‪.‬‬
‫سيستم مقدار عملياتي‪:‬‬
‫سيستمي که حاوي قوانيني از اين نوع است يک سيستم مقدار عملياتي ‪(action-‬‬
‫)‪ value‬ناميده ميشود‪.‬‬
‫ً‬
‫‪ ‬توجه کنيد که قوانين به آنچه که واقعا عمليات انجام ميدهند‪ ،‬رجوع نميکنند‪ ،‬فقط‬
‫به مطلوب بودن آنها توجه دارند‪.‬‬
‫به سوي‌ يک عامل هدفدار‪:‬‬
‫حضور يک هدف دقيق به عامل اجازه ميدهد تا دنبالهاي از عملياتي که منجر رسيدن به‬
‫هدف ميشوند را پيدا کند‪.‬‬
‫حداقل سه روش براي يافتن چنين دنبالهاي وجود دارد‪:‬‬
‫‪ (1‬استنتاج‬
‫‪ (2‬جستجو‬
‫‪ (3‬برنامهريزي‬
‫استنتاج‪:‬‬
‫نوشتن قضايايي که به ما اجازه ‪ ASK‬از ‪ KB‬را براي دنبالهاي از عمليات بدهد که ضمانت‬
‫رسيدن به هدف را به طور امن بکند‪ ،‬چندان مشکل نيست‪.‬‬
‫مشکالت اين روش‪:‬‬
‫ براي دنياهاي بزرگ‪ ،‬تقاضاهاي محاسباتي بسيار زياد است‪.‬‬‫‪ -‬مشکل تشخيص راهحلهاي خوب از راهحلهاي بيهوده وجود دارد‪.‬‬
‫جستجو‪:‬‬
‫ما ميتوانيم از رويه جستجوي سطحي براي يافتن مسيري به هدف استفاده کنيم‪ .‬اين از عامل‬
‫درخواست ميکند تا دانش خود را به صورت مجموعهاي از عملگرها درآورد‪ ،‬و بازنمايي حاالت‬
‫را دنبال کند‪ ،‬بنابراين الگوريتم جستجو ميتواند به کار برده شود‪.‬‬
‫ي‪:‬‬
‫برنامه ريز ‌‬
‫شامل استفاده از سيستمهاي استدالل خاص ي ميشود که براي استدالل در مورد عمليات‬
‫طراحي شدهاند‪.‬‬
‫فصل هشتم ‪:‬‬
‫استنتاج در منطق مرتبه او ‌ل‬
‫‪.‬‬
‫‪.‬‬
:‫قوانين استنتاج مربوط به سورها‬
:‫قوانين استنتاج براي منطق گزارهاي‬
1. Modus Ponens
2. And – Elimination
3. And – Introduction
4. Or – Introduction
5. Resolution
‫سه قانون‌ استنتاجي جديد‪:‬‬
‫‪ -1‬حذف سو ‌ر عمومي )‪:(Universal Elimination‬‬
‫براي هر جمله ‪ α‬متغير ‪ ،v‬و ترم زميني ‪ g‬داريم‪:‬‬
‫‪ , a‬‬
‫)‪SUBST({ / g}, a‬‬
‫‪ -2‬حذف سور وجودي‪:‬‬
‫براي هر جمله ‪ ،α‬متغير‪ ، v‬و سيمبول ثابت ‪ k‬که جاي ديگري از پايگاه دانش ظاهر نشده‬
‫است‪ ،‬داريم‪:‬‬
‫‪ , a‬‬
‫)‪SUBST({ / K }, a‬‬
‫‪:(Existential Introduction) -3‬‬
‫براي هر جمله ‪ ،α‬متغير ‪ v‬که در ‪ α‬واقع نباشد‪ ،‬و ترم زميني ‪g‬که در ‪ α‬واقع نشود داريم‪:‬‬
‫‪a‬‬
‫)‪ SUBST({g / }, a‬‬
‫ميتوان اين قوانين را با استفاده از‪:‬‬
‫يک جمله با سور عمومي به عنوان ترکيب عطفي تمام مقداردهيهاي ممکن آن‪ ،‬و تعريف‬
‫يک جمله با سور وجودي به عنوان ترکيب فصلي تمام مقداردهيهاي ممکن آن‪ ،‬کنترل کرد‪.‬‬
‫کاربرد قوانين استنتاج‪ ،‬در واقع پرسش ي از مطابقت نمونههاي پيشفرضيات آنها با جمالت‬
‫موجود در ‪ KB‬و سپس افزودن نمونههاي جديد آنهاست‪.‬‬
‫اگر ما فرايند يافتن اثبات را به عنوان يک پردازش جستجو فرمولهسازي کنيم‪ ،‬پس واضح‬
‫است که اثبات همان راه حل مسئله جستجو است و روشن است که بايد برنامهاي‬
‫هوشمند براي يافتن اثبات بدون دنبال کردن هر گونه مسير نادرست موجود باشد‪.‬‬
:‫ تعميم يافته‬Modus Ponens
Canonical ‫ فرم‬
(Unificaiton) ‫ يکسانسازي‬
‫فرم ‪:Canonical‬‬
‫تمام جمالت موجود در پايگاه دانش بايد به صورتي باشند که با يکي از پيشفرضيات‬
‫قانون ‪ Modus Ponens‬مطابقت داشته بشاند‪ ،‬فرم ‪ Canonical‬براي‬
‫‪ Modus Ponens‬متضمن اين نکته است که هر جمله در پايگاه دانش از چه نوع‬
‫اتمي يا شرطي با يک ترکيب عطفي از جمالت اتمي در طرف چپ و يک اتم منفرد در طرف‬
‫راست بايد باشد‪.‬‬
‫ما جمالت را به جمالت ‪ Horn‬زماني تبديل ميکنيم که ابتدا وارد پايگاه دانش‪ ،‬با استفاده‬
‫از حذف سور وجودي و حذف ‪ And‬شده باشند‪.‬‬
‫ي )‪:(Unificaiton‬‬
‫يکسان‌ساز ‌‬
‫وظيفه روتين يکسانساز ‪ ،Unify‬گرفتن دو جمله اتمي ‪ q ،p‬و برگرداندن يک جانشين که‬
‫‪ q ،p‬را مشابه هم خواهد ساخت‪ ،‬است‪( .‬اگر چنين جانشيني موجود نباشد‪fail ،Unify ،‬‬
‫برميگرداند‪).‬‬
‫)‪UNIFY(p,q)   , SUBST ( , p)  SUBST ( , q‬‬
‫‪ ،UNIFY‬عموميترين يکسانساز )‪ (Most General Unifier‬يا )‪ (MGU‬را‬
‫برميگرداند‪ ،‬که جانشيني است که کمترين تعهد را در قبل محدودسازي متغيرها دارد‪.‬‬
‫زنجيره‌سازي‌ به جل ‌و ‌و عقب )‪:(Forward AND Backward Chaining‬‬
‫زنجيره‌سازي‌ به جلو )‪:(forward chaining‬‬
‫قانون ‪ Modus Ponens‬تعميم يافته به دو صورت استفاده ميشود‪ .‬ميتوانيم با‬
‫جمالت موجود در پايگاه دانش شروع کنيم و نتايج جديدي را که ميتوانند‬
‫استنباطهاي بيشتري را بسازند‪ ،‬توليد کنيم‪ .‬اين روش زنجيرهسازي به جلو ناميده‬
‫ميشود‪.‬‬
‫اين روش زماني استفاده ميشود که حقيقت جديدي به پايگاه داده ما اضافه شده باشد و‬
‫خواسته باشيم نتايج آن را توليد کنيم‪.‬‬
‫ي به عقب )‪:(Backward Chaining‬‬
‫زنجيره‌ساز ‌‬
‫ميتوانيم با چيزي که قصد اثباتش را داريم آغاز کنيم و جمالت شرطي را پيدا کنيم که به ما‬
‫اجازه بدهند نتيجه را از آنها استنتاج کنيم‪ ،‬و سپس سعي در ايجاد پيشفرضيات آنها داشته‬
‫باشيم‪.‬‬
‫اين روش زماني استفاده ميشود که هدفي براي اثبات وجود داشته باشد‪.‬‬
‫الگوريتم زنجيره‌سازي‌ به جلو‪:‬‬
‫زنجيرهسازي به جلو توسط افزودن يک حقيقت جديد ‪ p‬به پايگاه دانش‪ ،‬فعال ميشود و‬
‫ميتواند به عنوان قسمتي از پردازش ‪ TELL‬براي مثال‪ ،‬همکاري داشته باشد‪ .‬در اينجا‬
‫ايده‪ ،‬يافتن تمام ترکيبات شرطي است که ‪ P‬را بهعنوان پيشفرض داشته باشد‪ ،‬سپس‬
‫اگر بقيه پيشفرضيات برقرار باشند‪ ،‬ميتوانيم نتيجه ترکيب شرطي را به پايگاه دانش‬
‫توسط راهاندازي استنتاجهاي بعدي اضافه کنيم‪.‬‬
‫ما به ايدة ترکيب )‪ (Composition‬جانشيني نيز نياز داريم‪.‬‬
‫) ‪COMPOSE(1 , 2‬جانشيني است که اثر آن با اثر اعمال هر جانشيني به نوبت‪ ،‬برابر‬
‫است‪ .‬زيرا‪:‬‬
‫)‪SUBST(COMPOSE(1 ,2 ), P)  SUBST(1 , P‬‬
‫زنجيرهسازي به جلو‪ ،‬تصويري تدريجي از شرايط در حالي که دادههاي جديد وارد ميشوند‪ ،‬ميسازد‪.‬‬
‫ً‬
‫پردازشهاي استنتاجي آن مستقيما با حل مسئله ويژه در ارتباط نيستند‪،‬‬
‫به همين دليل روية ‪ data-driven‬يا ‪ data-directed‬ناميده ميشود‪.‬‬
‫الگوريتم زنجيره‌سازي‌ به عقب‪:‬‬
‫زنجيرهسازي به عقب به منظور يافتن تمام پاسخها براي سؤال طرح شده‪ ،‬به وجود آمده است‪.‬‬
‫بنابراين زنجيرهسازي به عقب‪ ،‬وظيفهاي که از رويه ‪ ASK‬خواسته شده را انجام ميدهد‪ .‬الگوريتم‬
‫ً‬
‫زنجيرهسازي به عقب ‪ BACK-CHAIN‬ابتدا توسط کنترل درمييابد که آيا پاسخها مستقيما از‬
‫جمالت پايگاه دانش‪ ،‬توليد ميشوند يا خير‪ .‬سپس تمام ترکيبات شرطي که نتايجشان با پرسش‬
‫)‪ (query‬مطابقت دارد را پيدا ميکند و سعي دارد تا پيشفرضهاي آن ترکيبات شرطي را توسط‬
‫زنجيرهسازي به عقب ايجادکند‪.‬‬
‫اگر پيشفرض‪ ،‬يک ترکيب عطفي باشد‪ ،‬سپس ‪ BACK-CHAIN‬ترکيبات عطفي را عطف به‬
‫عطف پردازش ميکند‪ ،‬تا يکسانساز را براي تمام پيشفرض بسازد‪.‬‬
‫کامل بودن ‪:Completeness‬‬
‫تصور کنيد که ما پايگاه دانش زير را در اختيار داريم‪:‬‬
‫) ‪P ( x )  Q( x‬‬
‫)‪P( x)  R( x‬‬
‫‪x‬‬
‫‪x‬‬
‫) ‪Q( x )  S ( x‬‬
‫)‪R( x)  S ( x‬‬
‫سپس ما ميخواهيم که )‪ S(A‬را نتيجه بگيريم‪ S(A) ،‬درست است‪،‬‬
‫‪x‬‬
‫‪x‬‬
‫اگر )‪Q(A‬يا )‪ R(A‬درست باشد‪ ،‬و يکي از آنها بايد درست باشد زيرا‪:‬‬
‫يا )‪ P(A‬يا )‪ ¬ P(A‬درست است‪.‬‬
‫متأسفانه‪ ،‬زنجيرهسازي با ‪ Modus Ponens‬نميتواند )‪ S(A‬را نتيجه بگيرد‪.‬‬
‫مشکل اين است که )‪ xP( x)  R( x‬نميتواند به صورت ‪ Horn‬دربيايد‪ ،‬و از اين رو‬
‫توسط ‪ Modus Ponens‬نميتواند استفاده شود‪.‬‬
‫اين بدان معني است که رويه اثباتي که از ‪ Modus Ponens‬استفاده ميکند ناکامل‬
‫)‪ (incomplete‬است‪:‬‬
‫جمالتي که در پايگاه دانش مستلزم شدهاند ولي رويه نميتواند آنها را استنتاج کند‪.‬‬
‫پرسش در مورد وجود رويههاي اثبات کامل بحثي است که ارتباط مستقيم با رياضيات‬
‫دارد‪ .‬اگر يک رويه اثبات کامل بتواند براي عبارات رياض ي پيدا شود‪ ،‬دو چيز دنبال ميشود‪:‬‬
‫‪ ‬تمام مفروضات ميتوانند به طور مکانيکي ايجاد شوند‪.‬‬
‫‪ ‬تمام رياضيات ميتوانند به عنوان نتيجة منطقي مجموعهاي از اصل موضوعهاي‬
‫پايهاي ايجاد شوند‪.‬‬
‫يک رويه اثبات کامل براي منطق مرتبه اول ارزش بسياري در ‪ AI‬دارد‪:‬‬
‫‪ ‬نظريههاي عملي در رابطه با پيچيدگي کامپيوتري‪.‬‬
‫‪ ‬فعال ساختن يک ماشين براي حل هر گونه مسئله که در زبان ميتواند قرار داده شود‪.‬‬
‫قضيه کامل بودن گودل نشان داد که‪ ،‬براي منطق مرتبه اول‪ ،‬هر جملهاي که توسط مجموعه جمالت‬
‫ديگري مستلزم شود ميتواند از آن مجموعه اثبات شود‪ .‬بنابراين ميتوانيم قوانين استنتاجي را که به يک‬
‫رويه اثبات کامل ‪ R‬اجازه ميدهد‪ ،‬پيدا کنيم‪:‬‬
‫‪if KB | then KB |   R‬‬
‫اين قضيه کامل بودن مشابه اين است که بگوييم رويهاي براي يافتن سوزني در يک پشته کاه وجود دارد و‬
‫اين ادعاي بيهوده نيست زيرا جمالت با سود عمومي و سيمبولهاي تابع النهاي دلخواهي در پشتههاي کاه با‬
‫اندازه نامحدود‪ ،‬استفاده ميشوند‪.‬‬
‫گودل نشان داد که رويه اثباتي وجود دارد اما هيچ رويهاي را ذکر نکرد‪.‬‬
‫استلزام در منطق مرتبه اول‪ ،‬نيمه تصميمپذير )‪ (Semidecidable‬بنابراين ميتوانيم‬
‫نشان دهيم که جمالت از پيشفرضيات تبعيت ميکنند‪ ،‬اما هميشه نميتوانيم نشان دهيم که‬
‫آنها از پيشفرضيات تبعيت نميکنند‪.‬‬
‫بهعنوان يک فرضيه‪ ،‬سازگاري )‪ (consistency‬مجموعه جمالت (سؤالي در مورد وجود‬
‫راهحلي براي تبديل تمام جمالت به جمالت درست) نيز نيمه تصميمپذير است‪.‬‬
‫‪ :Resolution‬يک رويه استنتاج کامل‬
‫از دو ترکيب شرطي ميتوانيم ترکيب سومي را مشتق کنيم که پيشفرض اولي را به نتيجه دومي‬
‫متصل ميکند‪.‬‬
‫‪ Modus Ponens‬به ما اجازه استخراج ترکيب شرطي جديد را نميدهد و فقط نتايج‬
‫اتمي را استخراج ميکند‪ .‬از اين رو قانون ‪ resolution‬قدرتمندتر از ‪Modus‬‬
‫‪ Ponens‬است‪.‬‬
‫قانون‌ استنتاج ‪:resolution‬‬
‫ً‬
‫در فرم ساده قانون ‪ ،resolution‬پيشفرضيات داراي دقيقا دو ترکيب فصلي هستند‪ .‬ما‬
‫ميتوانيم اين قانون را براي دو ترکيب فصلي به هر طولي وسعت بخشيم‪ ،‬که اگر يکي از‬
‫قسمتهاي ترکيب فصلي در يک )‪ clause(Pj‬با نقيض قسمت ديگر ترکيب فصلي )‪(qk‬‬
‫يکسان باشند‪ ،‬سپس ترکيب فصلي از تمام قسمتها استنتاج ميشود بغير از آن دو‪:‬‬
‫‪ Resolution ‬تعميم يافته (ترکيبات فصلي)‬
‫‪ Resolution ‬تعميمي يافته (ترکيبات شرطي)‬
‫‪Resolution‬تعميم يافته (ترکيبات فصلي)‪:‬‬
‫براي ‪ Pi‬و ‪ qi‬فرض ي که ‪UNIFY (Pj ¬ qk)=θ‬‬
‫‪Pm‬‬
‫‪... ‬‬
‫‪Pj‬‬
‫‪...‬‬
‫‪‬‬
‫‪P1‬‬
‫‪qn‬‬
‫‪... ‬‬
‫‪... qk‬‬
‫‪‬‬
‫‪q1‬‬
‫)) ‪SUBST( , (P1  ...Pj 1  Pj 1 ...pm  q1  ...qk 1  qk 1 ...qn‬‬
‫ً‬
‫معادال‪ ،‬ميتوانيم اين عبارت را به صورت ترکيب شرطي بنويسيم‪.‬‬
:)‫ تعميم يافته (ترکيبات شرطي‬Resolution
‫ که‬si ‫ و‬ri ‫ و‬qi ‫ و‬Pi ‫براي اتمهاي‬
UNIFY (Pj , qk)=θ
P1

...
Pj
...

s1

... 
sn 3

q1 
Pn1  r1  ... rn 2
... qk ... 
qn 4
SUBST( , (P1  ...Pj 1  Pj 1  pn1  s1  ...sn3  r1  ...rn2  q1  ...qk 1  qk 1  ... qn4 ))
‫فرم‌هاي ‪ Canonical‬براي ‪:resolution‬‬
‫در نسخه اوليه قانون‌ ‪ ،resolution‬هر جمله يک ترکيب فصلي از حروف فرض ي است‪.‬‬
‫‌‬
‫تمام ترکيبات فصلي در ‪ KB‬فرض شدهاند که در يک ترکيب عطفي صريح (مانند يک‬
‫‪KB‬معمولي) به هم متصل شدهاند‪ ،‬بنابراين اين فرم‪ ،‬فرم نرمال عطفي ‪Conjunctive‬‬
‫)‪ normal form (CNF‬ناميده ميشود‪.‬‬
‫اگرچه هر جمله به تنهايي يک ترکيب فصلي است‪.‬‬
‫در صورت ثانويه قانون‌ ‪ ،resolution‬هر جمله يک ترکيب شرطي با يک ترکيب عطفي از اتمها‬
‫‌‬
‫در سمت چپ و يک ترکيب فصلي از اتمها در طرف راست است‪.‬‬
‫اين حالت‪ ،‬فرم نرمال شرطي)‪ (implicative normal form (INF‬ناميده ميشود‪.‬‬
‫هر مجموعه از جمالت ميتوانند به دو فرم ترجمه شوند‪ .‬فرم نرمال عطفي رايجتر است‪ ،‬اما فرم نرمال‬
‫شرطي طبيعيتر به نظر ميآيد‪.‬‬
‫‪ Resolution‬تعميمي از ‪ Modus Ponens‬است‪.‬‬
‫فرم نرمال شرطي رايجتر از فرم ‪ Horn‬است‪ ،‬به دليل اينکه طرف سمت راست ميتواند يک‬
‫ترکيب شرطي باشد و نه فقط يک اتم تنها‪.‬‬
‫‪ Modus Ponens‬قابليت ترکيب اتمها با يک ترکيب شرطي را به منظور استخراج‬
‫نتيجه به صورتي دارد که ‪ resolution‬قادر به انجام آن نيست‪.‬‬
‫زنجيرهسازي با ‪ resolution‬قدرتمندتر از زنجيرهسازي با ‪ Modus Ponens‬است‪ ،‬اما‬
‫هنوز کامل نيست‪.‬‬
‫برهان خلف‪:‬‬
‫رويه استنتاج کاملي که از ‪ resolution‬استفاده ميکند برهان خلف )‪(refutation‬‬
‫ناميده ميشود و همچنين به عنوان اثبات توسط تناقض‬
‫‪(proof by‬‬
‫)‪ contradiction‬و ‪ (reduction and absurdum‬شناخته شده است‪.‬‬
‫تبديل به فرم نرمال‪:‬‬
‫‪ ‬هر جمله مرتبه اولي ميتواند به صورت فرم نرمال شرطي (يا عطفي) دربيايد‪.‬‬
‫‪ ‬از يک مجموعه از جمالت به فرم نرمال ميتوانيم اثبات کنيم که يک جمله نرمال از‬
‫مجموعه پيروي خواهد کرد‪.‬‬
‫رويه‌اي براي تبديل به فرم نرمال‪:‬‬
‫‪ )1‬حذف ترکيب شرطي‪:‬‬
‫ميتوان تمام ترکيبات شرطي را با معادل فصلي جايگزين نمود‪.‬‬
‫‪ )2‬حذف ¬‪:‬‬
‫نقيض فقط براي فرم نرمال عطفي مجاز است‪ ،‬و براي تمام فرمهاي نرمال شرطي قدغن‬
‫است‪.‬‬
‫‪ )3‬استاندارد کردن متغيرها‪:‬‬
‫ً‬
‫اين عمل بعدا از ايجاد ابهام زمان حذف سورها جلوگيري ميکند‪.‬‬
‫‪ )4‬انتقال سورها به سمت چپ‪:‬‬
‫‪:Skolemize )5‬‬
‫‪ Skolemization‬پردازش ي است که در آن تمام سورهاي وجودي حذف ميشوند‪.‬‬
‫‪ )6‬توزيع ‪ Λ‬بر ‪: ν‬‬
‫‪ )7‬ترکيبات فصلي و عطفي النهاي مسطح شده‪:‬‬
‫در اين مورد‪ ،‬جمله به فرم نرمال عطفي )‪(CNF‬است‪.‬‬
‫‪ )8‬تبديل ترکيبات فصلي به ترکيب شرطي‪:‬‬
‫ي‪:‬‬
‫برخورد با مسئله تساو ‌‬
‫يکسانسازي يک تست نحوي مبتني بر ظاهر ترمهاي آرگوماني است و تست صحيح معنايي‬
‫مبتني بر اشيايي که نمايش ميدهند‪ ،‬نيست‪.‬‬
‫دو روش براي انجام اين امر‪:‬‬
‫ذکر خواص آن‪:‬‬
‫‪ )1‬بديهي نمودن تساوي‌ به وسيله ‌‬
‫بايد ذکر شود که تساوي‪ ،‬انعطافپذير‪ ،‬متقارن و (متعدي) است‪.‬‬
‫‪ )2‬استفاده ‌از يک قانون‌ استنتاج ‌از يک قانون‌ استنتاج‪:‬‬
‫ميتوانيم قانون استنتاج را به صورت زير تعريف کنيم‪:‬‬
‫‪ :Demodulation‬براي تمام ترمهاي ‪ z,y,x‬که ‪UNIFY (x,y) = θ‬‬
‫)‪x  y, (...z ...‬‬
‫)‪(... SUBST( , y)...‬‬
‫استراتژي‌هاي ‪:Resolution‬‬
‫‪ 4‬استراتژي که براي راهنمايي جستجو به سمت يک اثبات استفاده ميشوند‪ ،‬را بررس ي‬
‫خواهيم کرد‪:‬‬
‫‪:Unit preference (1‬‬
‫در اينجا ما سعي بر توليد جمله کوتاهي به صورت ‪True => False‬داريم‪.‬‬
‫اين استراتژي يک کشفکننده مفيد است که ميتواند با ديگر استراتژيها ترکيب شود‪.‬‬
‫‪ )2‬مجموعه ‪Support‬‬
‫هر ‪ resolution‬جملهاي را از مجموعه ‪ Support‬با جمله ديگري ترکيب ميکند و‬
‫نتيجه را به مجموعه ‪ Support‬اضافه ميکند‪ .‬اگر مجموعه ‪ Support‬به نسبت تمام‬
‫پايگاه دانش کوچک باشد‪ ،‬فضاي جستجو را قطع خواهد کرد‪.‬‬
‫يک انتخاب بد براي مجموعه ‪ Support‬الگوريتم را ناکامل خواهد ساخت‪.‬‬
‫استراتژي مجموعه ‪ Support‬داراي اين مزيت است که درختهاي اثباتي توليد ميکند‬
‫که اغلب براي درک افراد آسان هستند‪ ،‬زيرا آنها هدفگرا هستند‪.‬‬
‫‪‌Resolution )3‬ورودي‪:‬‬
‫در استراتژي ‪ resolution‬ورودي هر ‪ resolution‬يکي از جمالت ورودي را (از ‪ KB‬يا‬
‫‪ )query‬با جمله ديگر ترکيب ميکند‪.‬‬
‫در پايگاههاي دانش ‪ Modus Ponens ،Horn‬نوعي از استراتژي ‪resolution‬‬
‫ورودي است‪ ،‬زيرا يک ترکيب شرطي از ‪ KB‬اصلي را با ديگر جمالت ترکيب ميکند‪ .‬از اين رو‬
‫شگفتيآور نخواهد بود که ‪ resolution‬ورودي براي پايگاههاي دانش ي که به صورت‬
‫‪ Horn‬هستند‪ ،‬کامل باشد اما در حالت کلي ناکامل است‪.‬‬
‫‪:Subsumption )4‬‬
‫متد ‪ Subsumption‬تمام جمالتي که توسط يک جمله موجود در ‪Subsume ،KB‬‬
‫ميشوند‪ ،‬را حذف ميکند‪.‬‬
‫‪ Subsumption‬به نگهداري ‪ KB‬به صورت کوچک کمک ميکند‪ ،‬و در نتيجه فضاي‬
‫جستجو را کوچک ميسازد‪.‬‬
‫فصل نهم ‪:‬‬
‫ي‬
‫برنامه‌ريز ‌‬
‫‪.‬‬
‫‪.‬‬
‫تفاوت عامل برنامهريزي با عامل حل مسئله در سه چيز است‪:‬‬
‫بازنمايي اهداف‪ ،‬حاالت و عمليات‬
‫استفاده از بازنماييهاي منطقي و صريح برنامهريز را قادر ميسازد تا سنجش عامل را معقوالنه‬
‫هدايت کند‪.‬‬
‫عامل برنامهريزي همچنين در روش بازنمايي و جستجو براي راهحلها نيز تفاوت دارد‪.‬‬
‫يک عامل ساده برنامه‌ريزي‌‪:‬‬
‫زماني که حالت دنيا قابل دسترس ي است‪ ،‬عامل ميتواند از ادراکات توليد شده توسط محيط‬
‫استفاده کرده و مدل کامل و صحيحي از حالت دنياي جاري بسازد‪ .‬سپس‪ ،‬با داشتن هدف‪،‬‬
‫ميتواند الگوريتم برنامهريزي مناسبي را براي توليد برنامه عمل فراخواني کند‪ .‬عامل سپس‬
‫ميتواند در طي مراحل برنامه‪ ،‬هر لحظه يک عمل را اجرا کند‪.‬‬
‫عامل با محيط از طريق يک روش حداقل در عمل است و از ادراکاتش براي شرح حالت‬
‫اوليه استفاده ميکند و از اين رو هدف اوليه را دنبال ميکند؛ اما به سادگي توانسته‬
‫مراحل برنامه را تشکيل بدهد‪.‬‬
‫ي‪:‬‬
‫‌از حل مسئله به برنامه‌ريز ‌‬
‫برنامه‌ريزي‌ و حل مسئله موضعات متفاوتي هستند زيرا در بازنمايي اهداف و حاالت و عمليات‬
‫و هم چنين بازنمايي ساختار دنبالههاي عملياتي متفاوت عمل ميکنند‪.‬‬
‫بر جستجو‪:‬‬
‫عناصر اوليه يک حل مسئله مبتني ‌‬
‫‌‬
‫‪ ‬بازنمايي عمليات‪.‬‬
‫‪ ‬بازنمايي حاالت‪.‬‬
‫‪ ‬بازنمايي اهداف‪.‬‬
‫‪ ‬بازنمايي برنامهها‪.‬‬
‫بازنمايي عمليات‪:‬‬
‫عمليات توسط برنامه‌هايي که شرح حالت مابعد را توليد مي‌کنند‪ ،‬تعريف ميشود‪.‬‬
‫بازنمايي حاالت‪:‬‬
‫در حل مسئله‪ ،‬شرح کامل حالت اوليه داده شده است و عمليات توسط برنامه‌اي که شرح‬
‫کامل حالت را توليد مي‌کنند‪ ،‬بازنمايي ميشوند‪.‬‬
‫بنابراين‪:‬‬
‫تمام بازنمايي‌هاي حالت‪ ،‬کامل هستند‪.‬‬
‫بازنمايي اهداف‪:‬‬
‫تنها دانش ي که عامل در مورد هدف در اختيار دارد‪ ،‬تست هدف و تابع کشف‌کننده است‪.‬‬
‫هر دو اينها بر روي حالتها اعمال ميشوند تا مطلوبيت آنها مورد ارزيابي قرار گيرد‪.‬‬
‫بازنمايي برنامه‌ها‪:‬‬
‫در حل مسئله يک راهحل دنبالهاي از عمليات است‪ .‬در طول تشکيل راهحلها‪ ،‬الگوريتمهاي‬
‫جستجو فقط دنبالههاي پيوسته عمليات را که از حالت اوليه آغاز ميشوند (يا در مورد‬
‫جستجوي دوطرفه‪ ،‬خاتمه دادن به حالت هدف) در نظر ميگيرند‪.‬‬
‫حال ببينيم چطور اين تصميمات بر روي قابليت عامل تأثير ميگذارند‪ ،‬تا مسئله ساده زير را‬
‫حل کنند‪:‬‬
‫«يک ليتر شير و يک خوشه موز و يک مته چندسرعته را بخر‪».‬‬
‫حالت اوليه‪ :‬عامل در خانه است اما بدون هيچ يک از اشياء موردنظر‪.‬‬
‫عملگر‪ :‬تمام کارهايي که عامل قادر به انجام آن است‪.‬‬
‫تابع کشفکننده‪ :‬تعداد چيزهايي که هنوز به دست آورده نشدهاند‪.‬‬
‫در وراي برنامه‌ريزي‌‪:‬‬
‫اولين ايده کليدي ‌‬
‫«بسط دادن» بازنمايي حاالت‪ ،‬اهداف و عمليات است‪ .‬الگوريتمهاي برنامهريزي از تعاريفي به‬
‫ً‬
‫زبانهاي رسمي استفاده ميکنند که معموال منطق مرتبه اول و يا زيرمجموعهاي از آن است‪.‬‬
‫حاالت و اهداف توسط مجموعههايي از جمالت بازنمايي ميشوند و عمليات توسط شرح‬
‫پيششرطها و تأثيرات منطقي بازنمايي ميشوند که برنامهريزي را قادر ميسازد تا ارتباطات بين‬
‫حاالت و عمليات را هدايت کند‪.‬‬
‫در وراي برنامه‌ريزي‌‪:‬‬
‫دومين ايده کليدي ‌‬
‫اين است که برنامهريز آزاد است تا عمليات را به برنامه هر زمان که الزم باشد‪ ،‬اضافه‬
‫کند‪ .‬هرچند که دنباله افزايش ي در حالت اوليه وجود داشته باشد‪.‬‬
‫هيچ الزامي بر وجود ارتباط بين مرتبه برنامه ريزي و مرتبه اجرا نيست‪ .‬با ساختن‬
‫تصميمات «مشخص» و «مهم» در ابتدا‪ ،‬برنامهريزي ميتواند فاکتور انشعاب را براي‬
‫انتخابهاي بعدي و نياز به پيجويي به عقب را براي تصميمات اختياري کاهش دهد‪.‬‬
‫در وراي برنامه‌ريزي‌‪:‬‬
‫سومين ايده کليدي ‌‬
‫اين است که بيشتر بخشهاي دنيا مستقل از ديگر بخشها هستند‪.‬و اين امر داشتن يک‬
‫هدف عطفي را ممکن ميسازد و ميتوان آن را با يک استراتژي تقسيم و غلبه حل نمود‪.‬‬
‫ً‬
‫الگوريتمهاي تقسيم و غلبه مؤثر هستند؛ زيرا تقريبا هميشه حل چندين زيرمسئله کوچک‬
‫آسانتر از يک مسئله بزرگ است‪ .‬بهر حال تقسيم و غلبه در مواردي که هزينه ترکيب‬
‫راهحلهاي زيرمسائل زياد باشد‪ ،‬با شکست مواجه ميشود‪ .‬بسياري از معماها داراي اين‬
‫خاصيت هستند‪.‬‬
‫دليل اينکه معماها «گولزننده» هستند‪ ،‬اين است که قرار دادن زيربرنامهها کنار هم کار‬
‫دشواري است‪.‬‬
‫فصل دهم ‪:‬‬
‫عدم قطعيت‬
‫‪.‬‬
‫‪.‬‬
‫مسئله‌اي که با منطق مرتبه اول و بنابراين با رهيافت عامل منطق‌گرا وجود دارد اين است که‪:‬‬
‫عامل‌ها اغلب هيچگاه دسترس ي کامل به تمام حقيقت درباره محيط خود را ندارند‪.‬‬
‫سؤاالت بسيار مهمي وجود دارند که عامل نميتواند پاسخ طبقهبندي شده به آن را‬
‫بيابد‪ .‬بنابراين بايد تحت عدم قطعيت )‪ (uncertainity‬عمل کند‪.‬‬
‫عدم قطعيت به علت کامل نبودن‪ ،‬و‬
‫عدم صحت درک عامل ‌از خواص محيط ناش ي ميشود‪.‬‬
‫مسئله کيفيت‪:‬‬
‫قوانين بسياري در دامنه کامل نيستند؛ زيرا‪:‬‬
‫ً‬
‫‪ )1‬شرايط بسيار زيادي بايد دقيقا شمارش شوند‪،‬‬
‫يا‬
‫‪ )2‬برخي از شرايط ناشناخته هستند‪.‬‬
‫برخورد با دانش غيرقطعي‪:‬‬
‫ابزار اصلي ما براي کنار آمدن با درجات باور‪ ،‬تئوري احتماالت خواهد بود که درجه عددي‬
‫از باور را بين ‪ 0‬و ‪ 1‬به جمالت اختصاص ميدهد‪.‬‬
‫احتماالت روش ي از خالصهسازي عدم قطعيت را به وجود ميآورد که از تنبلي و جهل ما‬
‫ناش ي ميشوند‪.‬‬
‫احتمال ‪ 0‬براي باور مبهمي که داراي جمالت نادرست است‪ ،‬و‬
‫احتمال ‪ 1‬براي باور مبهمي که داراي جمله درست است‪ ،‬تخصيص داده ميشود‪.‬‬
‫جمله در حقيقت خودش هم درست و هم نادرست است‪.‬‬
‫مهم است توجه داشته باشيم که درجه باور‌ با درجه درستي متفاوت است‪.‬‬
‫تئوري احتماالت تعهد ‪ ontological‬را همانند منطق ايجاد ميکند‪ ،‬که حقايق در دنيا هم‬
‫وجود دارند و هم ندارند‪.‬‬
‫در تضاد است‪ ،‬موضوع منطق فازي است‪.‬‬
‫درجه درستي که با درجه باور‌ ‌‬
‫در منطق مرتبه اول و گزارهاي‪ ،‬جمله بسته به تعبير و دنيا‪ ،‬درست يا نادرست خواهد بود و‬
‫زماني درست است که حقيقتي را که به آن رجوع ميکند‪ ،‬موضوع اصلي باشد‪.‬‬
‫ً‬
‫عبارات احتمالي کامال مشابه اين نوع معناها نيستند‪ .‬به آن علت است که احتماالتي که‬
‫عامل به يک گزاره تخصيص ميدهد به ادراکاتي که تا آن لحظه دريافت کرده است بستگي‬
‫دارد‪.‬‬
‫در بحث استدالل غيرقطعي‪ ،‬ما آن را شاهد )‪ (evidence‬مي ناميم‪.‬‬
‫همانطور که وضعيت استلزام زماني که جمالت بيشتري به پايگاه دانش اضافه ميشوند تغيير‬
‫ميکند‪ ،‬احتماالت نيز در صورت وجود شواهد بيشتر‪ ،‬تغيير خواهند کرد‪.‬‬
‫تمام عبارات احتمالي بايد شواهدي را با توجه به اينکه کدام احتمال تشخيص داده شده‬
‫است‪ ،‬تعيين کنند‪ .‬همانگونه که عامل ادراکات جديدي را دريافت ميکند‪ ،‬ارزيابيهاي‬
‫احتمالي به منظور انعکاس شاهد جديدي‪ ،‬به روز درآورده ميشوند‪.‬‬
‫عدم قطعيت ‌و تصميمات عقالني‪:‬‬
‫ً‬
‫حضور عدم قطعيت روشهاي تصميمگيري عامل را تغيير داده است‪ .‬عامل منطقي عموما‬
‫هدف واحدي دارد و هر برنامهاي که امکان رسيدن به آن قطعي است را اجرا ميکند‪ .‬يک‬
‫عمل ميتواند انتخاب و يا رد شود‪ ،‬چه به هدف برسد و چه نرسد و بدون توجه به آنچه‬
‫که ديگر عمليات انجام ميدهند‪.‬‬
‫تئوري سودمندي‪:‬‬
‫اين تئوري اين گونه بيان ميشود‪:‬‬
‫هر وضعيت درجهاي از فايده يا سودمندي را براي يک عامل دارد وعامل به حاالتي با‬
‫سودمندي باالتر رجوع خواهد کرد‪.‬‬
‫سودمندي يک حالت به عاملي وابسته است که مفروضاتش توسط تابع سودمندي بازنمايي‬
‫شده است‪.‬‬
‫ً‬
‫تئوري سودمندي رعايت حال ديگران را نيز ميکند‪ .‬براي يک عامل کامال منطقي است که‬
‫سودمندي باالتر را به وضعيتي اختصاص دهد که عامل خودش از آن رنج ولي ديگران منفعت‬
‫ميبرند‪.‬‬
‫مفروضات که به عنوان سودمنديها‪ ،‬مطرح شدند با احتماالت در تئوري عمومي تصميمات‬
‫عقالني که تئوري تصميمگيري ناميده ميشود‪ ،‬ترکيب ميشوند‪:‬‬
‫‪Dicision theory=probalility+utility theory‬‬
‫ايده اساس ي در مورد تئوري تصميمگيري اين است که يک عامل منطقي است‬
‫اگر و فقط اگر‬
‫عملي را که منتهي به باالترين سودمندي ميشود‪ ،‬انتخاب کند‪.‬‬
‫اين اصل سودمندي مورد انتظار ماکزيمم)‪ (MEU‬ناميده ميشود‪.‬‬
‫احتماالت و سودمنديها در ارزيابي يک عمل توسط توزين سودمندي يک نتيجه ويژه و با‬
‫احتمالي که پديد آورده است‪ ،‬ترکيب ميشوند‪.‬‬
‫ي‪:‬‬
‫طراحي براي يک عامل تصميم‌گيري‌ نظر ‌‬
‫ساختار عاملي که از تئوري تصميمگيري براي انتخاب عمليات استفاده ميکند‪ ،‬در سطح‬
‫انتزاعي با عامل منطقي يکسان است‪.‬‬