人工智能（二）--基于规则的专家系统

知识是什么？知识是对某个主题或某个领域上的理论或实践的理解。掌握知识的人被称为专家。

知识可以被表达为产生式规则（production rule），或简称规则。它有两部分组成：IF部分和THEN部分。比如：

IF 下雨

THEN 带伞

条件部分可以用OR或AND等进行连接。

规则可以用来表达关系（Relation，IF停电THEN电视开不了）、建议（Recommendation，IF下雨THEN带伞）、指令（Directive）、策略（Strategy）、启发（Heuristic）。

通常情况下专家系统开发组里的成员：

1、领域专家；

2、知识工程师：设计、构建和测试专家系统。他们和专家交流来找到如何解决特定的问题；

3、程序员：用计算机能理解的形式描述知识；

4、项目经理：整个开发组的领导，控制开发进度；

5、终端用户：可能是初级医生或矿石堪探者等等。

通过使用专家系统外壳，可以免去程序员，同时还可能减免知识工程师的职责。对于小的专家系统，所有的角色甚至都可以是同一个人。

基于规则的专家系统的结构：

1、知识库：存放规则集；

2、数据库：存放事实，用于IF部分；

3、推理机（inference engine）：将事实和规则联系起来，推理出结果；

4、解释机（explanation facilities）：向用户解释结果是如何推理得到的；

5、用户界面。

以上五部分是任何基于规则的专家系统的重要组成。此外，专家系统还可以扩展：

1、外部接口：使得专家系统可以和外部数据和外部程序交互。它被推理机使用。比如根据已有的数据，调用外部程序（比如C程序）计算得到新的数据，同时还可以查外部的数据库，作为推理时的依据；

2、开发者界面：和用户界面类似，只不是面向的对象是知识工程师和专家。通常是简单的文本编辑，附带拼写和语法检查。此外，还可能有版本控制机制，记录改变的数据和作出更改的人名。

3、调试器。

专家系统的特性

1、针对狭窄特定的领域

2、需要快速的执行效率

3、结果应该正确

4、具有解释机制

5、使用符号化推理

6、可能会犯错，因为人类专家也会犯错

7、知识和处理过程隔离

8、当信息不完整或模糊时，仍然可以得到某个合理的结论。传统程序这种情况下不会有结果

正向推理链和逆向推理链

正向推理是数据驱动的。推理从已知的数据开始，依次执行每条可执行的规则，规则所产生的新的事实被加入到数据库中，直到没有规则可以被执行为止。

逆向推理是目标驱动的。根据目标找到可以得到该结论的规则，将规则中的IF部分压栈作为新的子目标，重复上述过程，直到找不到证明当前目标的规则，或者当前目标已经作为事实存在数据库里。当当前目标的所有条件都在数据库里时，这个目标也加入到数据库里。

当目标明确时，使用逆向推理更加高效，因为可以避免不必要的规则的执行。否则就需要正向推理。许多专家系统外壳都结合两种方式同时使用。尽管如此，推理机制一般都使用逆向推理，只有在新的事实加入时，正向推理才被用来最大化地使用这些数据。

冲突规则的解决方法

当两条规则根据相同条件得到截然相反的结论时，正向推理会选择更后的规则，因为更后的规则所得到的事实会覆盖前面的事实；如果是逆向推理，更前的规则会被选择，因为一旦找到了合适的规则，推理就结束了。

解决冲突的办法有：

1、从最高优先级的规则开始执行；

2、从最精确的规则开始执行，比如A=>Z和A&B=>Z则选择或者；

3、从使用最新数据的规则开始执行。

为了提高专家系统的性能，我们需要定义元知识（metaknowledge），关于知识的知识。它们用元规则（metarule）来表示，用来决定规则选择的策略。有些专家系统将元规则分隔，但多数专家系统都不能区别规则和元规则，而是将元规则作为最高优先级的规则。

基于规则的专家系统的优点

1、自然化的知识表达；

2、统一形式的结构（IF-THEN）；

3、知识于处理隔离；

4、处理不完整和不确定的知识，比如在给出结论时给出多个选项，并标明各选项的概率；

缺点：

1、各规则之间的关系不清晰，主要原因在于没有对知识体系结构的表示；

2、搜索策略低效；

3、没有学习的能力，人类专家根据经验的积累知道何时打破现有规则。