人工智能第七章 逻辑Agents

概念

直接给定的语句是公理，推导得到的语句是定理。

逻辑是陈述式语言:
利用声明的语句推断问题空间中其它语句所代表的事件的真假
声明的语句代表问题空间中能够成立的事实

语法：定义语句的形式，合法语句的规范
If S is a sentence, ￢S is a sentence (negation,否定式)
If S1 and S2 are sentences, S1 ∧ S2 is a sentence (conjunction,合取式)
If S1 and S2 are sentences, S1 ∨ S2 is a sentence (disjunction,析取式)
If S1 and S2 are sentences, S1 ⇒ S2 is a sentence (implication, 蕴含式)
条件式/规则/if-then语句，前提⇒结论
If S1 and S2 are sentences, S1 ⇔ S2 is a sentence (biconditiona, 双向蕴含式)

语义：定义语句的意义，及语句在可能世界中的真值

前提是False，整个语句恒为True

模型：当对语句s中所有变量的赋值使得语句s的真值为true时，这个赋值被称为语句s的模型

KBA的核心部件是知识库。
知识库是语句的集合，记为KB，语句用知识表示语言表达，表示关于世界的断言。
m是知识库的模型 当且仅当m是知识库中所有语句的模型

一个知识库/语句是可满足的 当且仅当 它有至少一个模型。
一个知识库/语句是不可满足的的 当且仅当 它没有模型。
一个知识库/语句是有效的 当且仅当 它对可能世界都为真。（重言式）
α不满足，当且仅当￢α有效，
α有效，当且仅当￢α不满足。
m是α的模型，α为真，m对于α是可满足的。

KB1 = {x+y=2, x-y=2} 是可满足的
KB2 = {x+y=2, x-y=1, xϵN, y ϵN} 是永假的
KB3 = {1>0} 是可满足的

• 蕴涵Entailment
  知识库 KB 逻辑蕴涵语句：KB ╞ a
  当KB 为真时，a总是为真
  β |= α 当且仅当 M(β ) ⊆ M(α)
  β |= α ：若m满足β ，则m也满足α
  e.g. x+y = 4 蕴含 4 = x+y

KB ╞ α
 iff M(KB) ⊆ M(α)
 iff (KB ∧￢ α) is unsatisfiable 、
 iff KB ⇒ α is valid
 iff KB, ￢ α ╞ False

• 逻辑等价
   如果两语句α 和β为真的模型集合相同，即M(α) = M(β)，则称它们是逻辑等价的，记为α ≡ β
   任意两个语句α 和β是等价的，当且仅当它们是互相蕴涵的：α ≡ β 当且仅当α|=β 且 β|=α

逻辑推理

方法：

1. 利用推理规则
2. 归结定理
3. 反证法：（ KB ∧¬ α ）永假

推理算法的可靠性和完备性

Soundness(可靠性): 对于推理算法i从KB推理出的每条语句α，都有KB╞ α ，则i是可靠的。只导出蕴涵句的推理算法。不包含错的结果。
Completeness(完备性): 对于KB蕴涵的每条语句α ，推理算法i都能从KB推理出α ，则i是完备的。可以导出任意蕴涵句。包含所有对的结果。

举个简单的例子，有一个排序算法，它只有两个输入 list1 和 list2， list1的正确输出为 list1_sorted，list2的正确输出为list2_sorted。
假如这个算法输入list1输出list1_sorted，但是输入list2啥也不输出。
根据soundness的定义，因为所有的输出都是正确的，这个算法是sound的。
假如这个算法输入list1输出list2_sorted，输入list2输出list1_sorted。
根据completeness的定义，因为输出包含了所有正确的输出，这个算法是complete的。
soundness是说当前这个证明系统里你不能证明任何语义（semantic）上的false。
completeness是说当前这个证明系统里你能证明任何语义（semantic）上的true。

模型检验

枚举KB为真的所有模型，检验在这些模型下α是否都为真。
可靠：因为它直接实现了蕴涵的定义
完备：因为可以用于任意KB和α，而且只存在有限多个需要检验的模型

通过定理证明来判断蕴涵

在知识库的语句上直接应用推理规则以构建目标语句的证明，而无需关注模型。

1.(α ∧β) ≡ (β ∧α) commutativity of ∧
2.(α ∨β) ≡ (β ∨α) commutativity of ∨
3.((α ∧β) ∧ γ) ≡ (α ∧ (β ∧ γ)) associativity of ∧
4.((α ∨β) ∨ γ) ≡ (α ∨ (β ∨ γ)) associativity of ∨
5.¬(¬α) ≡ α double-negation elimination
6.(α ⇒ β) ≡ (¬β ⇒ ¬α) contraposition
7.(α ⇒ β) ≡ (¬α ∨ β) implication elimination
8.(α ⇔ β) ≡ ((α ⇒ β) ∧ (β ⇒ α)) biconditional elimination
9.¬(α ∧β) ≡ (¬α ∨¬β) de Morgan
10.¬(α ∨β) ≡ (¬α ∧¬β) de Morgan
11. (α ∧ (β ∨ γ)) ≡ ((α ∧β) ∨(α ∧γ)) distributivity of ∧ over ∨
12. (α ∨ (β ∧ γ)) ≡ ((α ∨β) ∧(α ∨γ)) distributivity of ∨ over ∧

• 通过逻辑等价证明蕴涵
   证明(A ∨ ￢B) ∧ (B ∨ ￢C) |= A ∨ ￢C
   证明(A ∨ ￢B) ∧ (B ∨ ￢C) ⇒ A ∨ ￢C 是有效的
  (A ∨ ¬B) ∧ (B ∨ ¬C) ⇒ A ∨ ¬C
  ≡ ¬((A ∨ ¬B) ∧ (B ∨ ¬C)) ∨ A ∨ ¬C
  ≡ (¬(A ∨ ¬B) ∨ ¬(B ∨ ¬C)) ∨ A ∨ ¬C
  ≡ (¬A ∧ B) ∨ (¬B ∧ C) ∨ A ∨ ¬C
  ≡ (¬A ∧ B) ∨ A ∨ (¬B ∧ C) ∨ ¬C
  ≡ ((¬A ∨ A) ∧ (B ∨ A)) ∨ ((¬B ∨ ¬C )∧ (C ∨ ¬C))
  ≡ (B ∨ A) ∨ (¬B ∨ ¬C )
  ≡ True ∨ A ∨ ¬ C
  ≡ True

推理规则

以上都是可靠的

基于归结的推理方法

如何通过归结进行证明

1. 将问题表示成逻辑语句。即写出问题的前提条件语句（KB）和要证明的结论（查询语句a）
2. 将{KB, ￢a}转换成子句集合。
3. 进行归结，直到归结出NIL。

• 至多有一个正文字的析取式称为Horn子句。

• 恰好有一个正文字的析取式称为限定子句。

• 没有正文字的子句称为目标子句。

• Horn子句在归结下是封闭的：如果对两个Horn子句进行归结，结果依然是Horn子句。

• 每个限定子句可写为蕴含式，蕴含式更易理解

• 用Horn子句判定蕴涵需要的时间与知识库大小成线性关系

• 使用Horn子句的推理可使用前向连接和反向连接

前向链接

• 前向链接是数据驱动推理的实例——即推理是从已知数据开始的。是可靠的，完备的。
• 后向链接算法从查询q开始进行推理。如果查询q已知为真，那么无需进行任何操作。否则，寻找知识库中那些以q为结论
  的蕴含式。如果其中某个蕴含式的所有前提都能证明为真（通过后向链接），则q为真。与前向链接一样，有效实现的时间
  复杂度是线性的。后向链接算法和与或树搜索相同。
  -后向链接是一种目标制导的推理形式。