知识推理概述

4.1　知识推理概述

推理就是依据一定的原则从已有的事实推出结论的过程，这个原则就是推理控制策略。

自动推理程序是指利用推理辅助解决和回答问题的计算机程序。所谓推理机是自动推理程序中基于知识推理的子类，它是知识系统的主要部分。控制策略是推理机的核心部分，它的主要任务是解决知识的选择与应用的顺序，也就是确定搜索方向和搜索方法(如存在多条路径解决冲突的方法)。

研究推理方法的目的是探索人类思维活动中各种推理形式的基本规律，研制出辅助人类进行推理判断和问题求解的智能化软件系统。

钱学森教授认为人类思维一般分为三类，即抽象思维、形象思维和灵感思维。抽象思维，即逻辑思维、概念的概括与划分、事物的分类与继承等;形象思维，如类比、联想等典型方法;灵感思维，是发生在潜意识的创造性的思维方法。按照人类思维和智能活动的不同特征，自动推理的研究具有以下不同的研究观点。

1.正向推理、逆向推理和双向推理

依据推理方向的控制策略，即推理的驱动方式，可将推理分为正向推理(Forward Reasoning)、逆向推理(Backward Reasoning)和双向推理(Bidirectional Reasoning)。

正向推理(向前推理):从可用的事实出发，向前推理，用当前的事实匹配规则的前提，产生新的结论，直到达到目标状态终止。这种推理方式是由数据到结论，所以也叫数据驱动策略。推理方式如下所示:

初始状态目标状态

(事实条件)→(结论假设)

逆向推理(向后推理):从目标出发向后推理，用目标匹配规则的结论部分，将该规则的前提作为新的子目标，然后试图证明一系列子目标，直至找到支持结论的证据，则停止推理。这种由结论到数据的策略称为目标驱动策略。推理方式如下所示:

初始状态目标状态

(事实条件)←(结论假设)

双向推理:先根据原始数据，通过正向推理帮助系统提出假设，再运用逆向推理，进一步寻找支持假设的证据，如此反复这个过程，直至达到目标，这就是双向推理，如下所示:

初始状态目标状态

(事实条件)→←(结论假设)

2.精确推理和非精确推理

依据推理过程中所使用的知识与计算逻辑的精确性，可将推理分为精确推理(Exact Reasoning)和非精确推理(Inexact Reasoning)。

精确推理中，领域知识具有确定性，可表示成必然的因果关系和逻辑关系，推理的结论或是肯定的或是否定的，也可以把可能性大于某个固定的值(称为阈值)的假设认为是肯定的。精确推理的理论基础是布尔逻辑。

非精确推理又称为近似推理，在这种推理中，使用确定和不确定的知识，证据不一定是确定的，而是给予某种“权”(可信度)。推理的规则也不是确定的，也给予某种“权”，推导出一个可能是不精确的结论。由于不确定知识的表示方法及组合方法的不同，形成了各种不同的非精确推理方法。这种推理几乎全部落到传统逻辑的适用范围之外。非精确推理基于非精确逻辑理论，例如，模糊逻辑、确定性理论、贝叶斯概率论、Dempster-Shfer证据理论等。

3.单调推理和非单调推理

依据推理过程中产生的新知识与时间及原有知识之间的关系及作用，可将推理分为单调推理(Monotonic Reasoning)和非单调推理(Nonmonotonic Reasoning)。

单调推理是指推理过程中产生的新信息的数量随时间而严格增加，且这些信息不影响原有信息的真实性。例如，建立在谓词逻辑基础上的推理系统是单调的。

非单调推理是相对于单调推理而言的，是指推理过程中产生的新信息的数量并非随时间而严格增加，这些信息可能对原有信息产生影响，使其部分信息变成无效，或使其数量减少。例如，常识推理、默认推理都是非单调推理。

4.计算推理、逻辑推理和智能搜索^［1］

从推理过程中的计算方式来看，有专家把自动推理分为计算推理、逻辑推理和智能搜索。

计算推理主要有数值计算、智能计算和计算智能等。一般来说，使用计算方法与人类经验知识相结合的运算属于智能计算;而人工神经元网络计算、进化计算、人工生命及其智能生物的情感与心理计算等，则属于计算智能的范畴。常用的计算推理方法有:基于贝叶斯概率论、Dempster-Shafer证据等理论的近似推理，默认推理，神经网络推理等。

逻辑推理是指使用谓词逻辑、模糊逻辑、模态逻辑、时序逻辑、动态逻辑等来完成关于问题的求解的推理。逻辑推理又分为精确推理和非精确推理以及单调推理和非单调推理。

智能搜索是依据知识内容和知识关联来求解问题的过程，是一种特殊形式的人工智能推理技术。智能搜索能合理利用知识尤其是人类的经验知识来引导搜索过程，例如控制搜索路线、演算步骤等，以便从初始状态，沿着最优或最经济的途径，有效地转移到所要求的目标状态，实现问题求解过程的智能化。例如，语义推理、案例推理、启发式搜索、知识检索等。

推理与知识表示方法直接相关，规则表示方法提供最基本的推理模式。规则与框架、谓词逻辑表示方法相结合，可提供功能更强、更灵活的推理方法。

影响推理的效果和效率的主要因素是:能否根据环境准确地选择出可用的知识;能否正确地应用可用的知识;当推理失败时，能否寻找新的路径重新推理;能否恰当地终止推理过程;问题解答所需的费用(如时间)。

选择推理方向要根据问题空间的拓扑结构而定，它受到三种因素的制约:

●与初始状态集和目标状态集的大小有关，一般从小的状态集出发向大的状态集推理，这样找解要容易些。

●受到方向分枝因素大小的约束。所谓分枝因素，是指从结点出发，可以直接到达的平均结点数。一般都是向分枝因素少的方向推理。

●还决定于是否需向用户证实系统的推理过程，若需要，则选择方向应更加符合该用户的思考方法。

在实际应用中，可根据具体情况选择合适的推理方法。例如，初始状态是一组公理集，目标状态是待证定理，从公理出发正向推至定理的分枝因素，大于从定理出发逆向推至公理的分枝因素。因此，许多定理证明程序主要采用逆向推理。