下载掌阅APP，畅读海量书库
立即打开
推理可以解释为：人们在掌握相关知识的前提下，从已知事实出发，推导出当前事实所蕴涵的道理或归纳出新的事实的过程。其中，已知事实可以是与求解问题直接相关的初始证据，也可以是在推理过程中得到的中间结论，这些中间结论在推理过程中起着重要作用。将推理的概念代入人工智能系统中，其实现通常是由一些程序来完成的，这些程序在人工智能系统中称为推理机。
由于人类的智能活动有多种思维方式，因此与之对应的人工智能推理方式也有不同种类，下面从不同角度将推理方法分类并进行介绍。
若从推出结论的途径分，推理可分为演绎推理、归纳推理和默认推理。
（1）演绎推理（Deductive Reasoning）
演绎推理是一种由一般推导出个别的推理方式，通常采用三段论式进行推理，包括以下 3项内容。
①大前提：已知的一般性知识或假设。
②小前提：关于所研究的具体情况或个别事实的判断。
③结论：由大前提推出的适合于小前提所示情况的新判断。
下面列出一个演绎推理的具体实例以供理解：
①大前提：学习一门课程是一件既痛苦又有成就感的事情。
②小前提：“人工智能”是本专业开设的一门课程。
③结论：学习“人工智能”这门课程既痛苦又会产生成就感。
（2）归纳推理（Inductive Reasoning）
归纳推理是一种由个别到一般的推理方式，若按归纳时所选的事例的广泛性来划分，归纳推理又可分为完全归纳推理和不完全归纳推理两种。
完全归纳推理又称为必然性推理，类似于统计学中“普查”的概念，即在归纳时将范围覆盖至全体对象，并根据这些对象是否都具有某种属性，从而推出全体对象是否具有这个属性。最经典的例子就是对工厂某产品进行质量检查，如果对所有个体都进行检查，并且检查结果均为合格，那么就可推导出这批产品全部合格的结论。
不完全归纳推理又称为非必然性推理，类似于统计学中“抽样”的概念，即在归纳时将全体对象中的部分个体抽出进行某种属性的归类，如果都具有那种属性，那么也能推出全体对象具有此属性。同样经典的例子就是对具有破坏性的产品进行质量检查，如进行玻璃的耐热性检查或炮弹的爆炸威力检查时，只是随机地抽查了部分个体，只要它们都合格，那么可推导出这批产品全部合格的结论。
（3）默认推理（Default Reasoning）
默认推理又称为缺省推理，是在知识不完全的情况下假设某些条件已经具备所进行的推理。
通俗地讲，就是在条件A已成立的情况下，如果没有足够的证据能证明条件B不成立，那么默认B条件是成立的，在此默认条件下再进行推理，从而推导出某个结论。例如，要设计一个控制器，但提前不知道是否会受到干扰，则默认有干扰输入，因此得尝试性地加上一个反馈环节。
由于这种推理允许默认某些条件是成立的，因此在知识不完全的情况下也能进行。但是若在推理过程中发现默认的条件是错误的，则要撤销默认条件成立的假设及根据默认条件推理而得到的结论，再按照正常程序进行推理。
若按推理时所用知识的确定性分，推理可分为确定性推理和不确定性推理。
（1）确定性推理
确定性推理就是推理时所用的知识与证据都是确定的，推出的结论也是确定的，因而其真值或者为真或者为假，不存在或真或假的情况。本章的标题就是确定性推理，所讨论的推理方法主要包括自然演绎推理和归结演绎推理。
（2）不确定性推理
不确定性推理就是推理时所用的知识与证据不都是确定的，推出的结论也是不确定的。现实世界中的事物和现象大都是不确定或者模糊的，很难用精确的数学模型来表示与处理。人们经常在知识不完全、不精确的情况下进行推理，因此要使计算机能模拟人类的思维活动，就必须使它具有不确定性推理的能力。不确定性推理又分为似然推理和模糊推理两种。似然推理是基于概率论的推理，模糊推理是基于模糊逻辑的推理，这些推理方法均在第 4 章中提到并详细讲解。
若按推理过程中推出的结论是否越来越接近最终目标分，推理又可分为单调推理和非单调推理。
（1）单调推理
单调推理是指随着推理向前推进和新知识的加入，推出的结论会越来越接近最终目标，接下来要介绍的自然演绎推理方法就属于单调推理。
（2）非单调推理
非单调推理是指由于新知识的加入，不仅没有加强已推出的结论，反而要否定它，使推理退回到前面的某一步重新开始。非单调推理多发生在知识不完全的情况下，当由新知识的加入致使发现原假设不正确时，就需要推翻该假设以及此假设衍生推出的所有结论，再用新知识重新进行推理，显然默认推理是一种非单调推理。
若按推理中是否运用与推理有关的启发性知识分，推理可分为启发式推理和非启发式推理。
（1）启发式推理
启发性知识是指与问题有关且能加快推理过程、提高搜索效率的知识。通俗地讲，如果使用的知识贴合推理问题的背景，则称其使用了启发性知识，推理方法属于启发式推理。例如，推理的目标是在颅脑伤、外擦伤和神经伤这3 种战时伤病中选择一个，又设有r 1 、r 2 、r 3 这3条产生式规则可供使用，其中，r 1 推出的是颅脑伤，r 2 推出的是外擦伤，r 3 推出的是神经伤，若诊断地区之前刚经历过迫击炮的轰炸，则首先考虑选择r 1 ，在这个背景下“迫击炮的轰炸”是与问题求解相关的启发性信息。
（2）非启发式推理
非启发式推理是指在没有明确目标或特定策略指导下进行的推理过程。它是一种基于直觉、经验和常识的推理方式，通常使用经典逻辑或概率推理方法来分析和推断。例如，穷举式推理是非启发式推理。
推理过程是求解问题的过程。正如数学证明题的证明过程有多种方向并且会影响证明的快速性，在人工智能系统通过推理求解问题的过程中，采取何种控制策略也很重要。推理的控制策略主要包括推理方向、搜索策略、冲突消解策略、求解策略及限制策略等，其中，推理方向占有重要一席，且推理方向分为正向推理、逆向推理、混合推理和双向推理 4 种。
正向推理是一种基于事实驱动的推理，即从已知事实推得最终结论。正向推理的思路描述如下：
①从初始已知事实出发，在知识库KB中找到当前可适用的知识，构成可适用的知识集KS。
②按某种冲突消解策略从KS中选出一条知识进行推理，并将推出的新事实加入数据库DB中作为下一步推理的已知事实，再从KB中选取可适用的知识构成KS。
③重复第二步，直到求得问题的解或KB中再无可适用的知识为止。
其算法描述如图 3.1 所示。
为实现正向推理还需解决以下问题：确定匹配的方法，即如何确定知识库中的知识与已知事实相对应；确定按什么策略搜索知识库；使用何种冲突消解策略。总的来说，正向推理思想简单，也容易实现，但目的性不强，在某些情况下会呈现出效率低的特点。
图 3.1 正向推理示意图
逆向推理是一种基于目标驱动的推理，是以某个假设目标作为出发点的推理方法。逆向推理的思路描述如下：
①选定一个假设目标，若所需的证据都能找到，则原假设成立。
②若无论如何都找不到所需的证据，则原假设不成立。
③另作新的假设，使推理能继续顺利地进行下去。
其算法描述如图 3.2 所示。
与正向推理相比，逆向推理要复杂些。对比正向推理的盲目性和效率低的特点，逆向推理的主要优点体现在不必使用与目标无关的知识，目的性强，同时它还有利于向用户提供解释。但若逆向推理提出的假设目标不符合实际，则会降低推理系统的效率，使起始目标需要多次假设。
图 3.2 逆向推理示意图
由前两种方法的介绍可知，正向推理具有盲目、效率低等缺点，推理过程中可能会推出许多与问题无关的子目标。在逆向推理中，若提出的假设目标偏离推理方向太大，也会降低推理系统的效率。为解决这些问题，可将正向推理和逆向推理结合起来，使其各自发挥自己的优势，取长补短。这种既有正向推理又有逆向推理的推理方法称为混合推理。混合推理通常分为以下两种情况：
（1）先正向后逆向
先进行正向推理，帮助选择某个目标，即从已知事实演绎出部分结果，然后用逆向推理证实该目标或提高可信度。其示意图如图 3.3 所示。
（2）先逆向后正向
先假设一个目标进行逆向推理，然后利用逆向推理中得到的信息进行正向推理，以推出更多的结论。其示意图如图 3.4 所示。
所谓双向混合推理是指正向推理和反向推理同时进行，使推理过程在中间的某一步骤相汇合而结束的一种推理方法。其基本思想是：一方面根据已知事实进行正向推理；另一方面从某假设目标出发进行逆向推理，并让它们在中途相遇，这时推理结束。在这种推理方法的过程中，正向推理所得的中间结论恰好是逆向推理此时要求的证据，逆向推理时所做的假设就是推理的最终结论。
图 3.3 先正向后逆向推理示意图
图 3.4 先逆向后正向推理示意图
在推理过程中，系统要不断地用当前已知的事实与知识库中的知识进行匹配。此时，可能发生以下 3 种情况：
①已知事实与知识库中的一个知识刚好匹配成功。
②已知事实与知识库中的任何知识都未能匹配成功。
③已知事实可以与知识库中的多个知识匹配成功。
第一种情况，由于匹配成功的知识恰好只有一条，则这条知识就是可以应用的知识，能直接用到当前进行的推理过程中；第二种情况，由于未能找到与当前已知的事实相匹配的知识，推理无法进行下去，需要根据实际需求与情况通过一些方法向知识库中添加知识，从而使推理能够继续进行下去；第三种情况，由于推理过程中有多条知识可以与已知事实相匹配，那么到底选择哪一条知识来与其匹配将成为一个至关重要的问题，解决这样的问题称为冲突消解。冲突消解需要按照一定的策略来进行。
目前已有多种冲突消解策略，它们的基本思想都是对匹配的知识或规则按照某种规律进行排序，进而决定匹配规则的优先级别，排序所得的高优先级规则将作为启用规则。常用的排序方法有以下几种：
该策略优先选用针对性较强的产生式规则。如果规则 1 中除包括规则 2 中的所有条件外，还包括其他条件，那么规则 1 比规则 2 拥有更强的针对性，因此当两条规则发生冲突时，优先选用规则 1。由于要求的条件较多，其结论一般更接近于目标，一旦得到满足，可缩短推理过程。
该策略优先选用新鲜的事实，一般来说，后生成的事实比先生成的事实具有更大的优先性。若一条规则被应用后生成了多个结论，既可以认为这些结论有相同的新鲜性，也可以认为排在前面（或后面）的结论有较大的新鲜性，这时就需要根据情况而定。
该策略优先选用匹配程度高的产生式规则，一般来说，在不确定性推理中，通过对应的方法可以计算出已知事实与知识的匹配程度，进而在发生冲突时以匹配度为标准决定选用哪一条规则。
该策略优先选用条件少的规则，因为当多条产生式规则生成的结论相同时，条件少的规则匹配时花费的时间会更少，间接加快了推理速度。
该策略根据当前数据库的已知事实与上下文的匹配情况确定，具体操作为把产生式规则按它们所描述的上下文分成若干组，在不同条件下，只能从相应的组中选出有关的产生式规则。这样不仅可以减少冲突的发生，而且由于搜索范围小，推理的效率也得到了相应的提高。
该策略优先选择应用冗余知识少的规则，因为冗余知识的处理会占用推理系统的部分资源，所以当多条产生式规则得到的结论一致时，产生冗余知识少的规则能提高推理系统的效率。
该策略按照求解问题领域的特点将知识排成固定的次序。例如，当领域问题有固定的解题次序时，可按该次序排列相应的知识，排在前面的知识优先被应用；当已知某些产生式规则被应用后会明显有利于问题的求解时，就使得这些产生式规则优先被应用。
在实际推理过程中发生冲突时，可以先通过对问题的分析将上述几种策略进行按需排序，然后组合使用，这样可以使冲突消解更加有效，进而加快推理系统的速度，提高处理效率。