UNIVERSIDADE FEDERAL DE OURO PRETO INSTITUTO DE CIÊNCIAS EXATAS E BIOLÓGICAS DEPARTAMENTO DE COMPUTAÇÃO

Apostila

CIC284 - Inteligência Artificial em Controle e Automação
Álvaro Guarda

Ouro Preto - MG Março de 2005

Sumário

Inteligência Artificial em Controle e Automação

Álvaro Guarda

2

Inteligência Artificial em Controle e Automação

Álvaro Guarda

3

3. Período do entusiasmo Macsyma. .1. Artigo "A revolução da IA" (Estado de Minas. freqüentemente equivocadas. 1. além do conhecimento teórico. etc. . Charmiak e McDermott. um animal".2. Alguns exemplos de afirmações exageradas são: Introdução   ¡ ¡ "O homem vai tentar reproduzir o computador à sua imagem". como as expectativas não são realistas. são abordados aspectos práticos. tradução automática.1.. os resultados que são obtidos na área freqüentemente são muito mais tímidos do que se esperava. Evolução da Inteligência Artificial . interface homem-máquina. Mycin (ajudava a diagnosticar doenças no sangue. . . .1975 Pré-IA Lisp Sistemas de Produção (evolução de sistemas genéricos). . Outros pontos são apresentados sem caráter formativo. Isto gera uma certa de desconfiança por parte de pesquisadores de outras áreas e acaba até prejudicando o desenvolvimento da IA. Assim. ou mais humildemente. tinha 450 regras e fazia análise do sangue). "O objetivo principal da IA é construir uma pessoa. fazendo experimentações e/ou implementando diversas técnicas. Dendral Período das Trevas Conscientização das limitações Período da renascença Hearsy.1980 1980 . . Em algumas partes do curso. jogos. O termo “Inteligência Artificial” (IA) desperta interesse e muitas expectativas. Prospector (fazia prospecção geológica). processamento de imagens. Objetivos do Curso No curso alguns tópicos são estudados procurando aprofundar os aspectos importantes.1960 1960 . permitindo que o aluno possa dar continuidade ao estudo da área e aplicar os conhecimentos adquiridos de forma autônoma. Entretanto. Ao final do curso o aluno deverá dominar diversos pontos da IA clássica e conhecer razoavelmente bem alguns tópicos avançados em IA. Além do termo que é um tanto ambicioso. mas procurando dar uma visão abrangente da área e de suas aplicações. Áreas de Pesquisa da IA ¡ Processamento do Conhecimento (simbólico) o Modelagem e Representação o Métodos de Inferência o Sistemas Baseados em Conhecimento o Aquisição de Conhecimento Álvaro Guarda Inteligência Artificial em Controle e Automação 4 .1970 1970 . interessantes para a área de automação e controle. 18/11/96). "Um computador é inteligente se possui qualquer uma das habilidades mentais que fazem uma pessoa ser considerada inteligente" [Araribóia88]. a IA já desenvolveu muitas técnicas que são úteis nas mais diversas áreas: otimização. 1.1965 1965 . datamining. jornais e inclusive em livros. Prolog Período da associação Áreas de aplicação Período do empreendimento Popularização de SE Ferramentas e Ambientes 1975 . existe muito sensacionalismo sobre IA em revistas. 1.

[Nascimento00]. [Rich93] e [Mitchell97] e em alguns livros da bibliografia complementar como [Bratko90]. Elton Silva. CIC284 – Inteligência Artificial em Controle e Automação. Inteligência Artificial em Controle e Automação Álvaro Guarda 5 . Diversas partes do texto também foram baseadas no material de aula do Prof. Referências O conteúdo desta apostila é fortemente baseado na bibliografia básica do programa da disciplina.4.¢ ¢ ¢ ¢ ¢ o Aprendizado Computacional Redes Neuronais Sistemas e Linguagens para IA Arquiteturas Específicas para IA Processamento de Linguagem Natural Robótica Inteligente o Síntese de Voz o Percepção o Manipulação o Planejamento 1.

Barishnikov). • Oposto de natural. compreender. persistência. conhecimento profundo. Abaixo são apresentadas algumas definições para as palavras que compõem o termo retirado do Dicionário Michaelis e outros. a definição de inteligência é superficial. intelecto. • Contrafeito. • Faculdade ou capacidade de aprender. • Inteligência corporal : relacionamento com o espaço (ex. • Compreensão. Tinha crises de vômito com medo da Teoria da Evolução. • Habilidade em fazer determinada coisa. tinha síndrome de pânico. fingido. Atualmente há um consenso de que um alto QI não é garantia de sucesso e passou-se a adotar o que chamamos de Inteligência Emocional (IE) juntamente com o QI.: Garrincha. era obcecado pela mãe. • Intelectualidade. descrevendo apenas qualidades ou apresentando sinônimos. • Inteligência social : relações humanas. e existem outras esferas de discussão: Inteligência Artificial em Controle e Automação Álvaro Guarda 6 . este padrão apresenta alguns problemas: • Albert Einstein : Maltratava a mulher como uma escrava particular. capacidade de se motivar. • Inteligência emocional : autocontrole. postiço. entendimento. lidar com situações inesperadas. • Karl Max : Queria demolir o capitalismo. A inteligência deve ser compreendida não apenas como aptidão para o manejo de símbolos e números. zelo. • Charles Darwin : Pesquisador compulsivo. intencionalidade. pensar. Para muitos cientistas. Artificial • Produzido por arte ou indústria do homem e não por causas naturais. apesar de parecer que as definições apresentadas são suficientes. era excessivamente rabugento. mas era um gastador inveterado. fazer uso de analogias. etc. • Tenta imitar o comportamento humano. etc. Hoje em dia as empresas estão valorizando muito essas capacidades em seus futuros empregados. • Destreza mental. raciocinar e interpretar. Existem muitas discussões filosóficas sobre o assunto. perspicácia. • Pessoa de grande esfera intelectual. • Feito pelo homem. Caracterização 2. Assim. não sabia administrar as suas finanças e vivia pedindo dinheiro aos amigos. como é formada e o que é necessário para que ela se manifeste.2. Os grandes gênios da humanidade ajudaram a fixar na cultura ocidental um padrão de "homem inteligente". Pelé. Inteligência • Faculdade de entender. Discussão e Tentativa de Definição O termo “Inteligência Artificial” não é de fácil definição e há controvérsias entre vários pesquisadores. • Sigmund Freud : Sofria do complexo de Édipo. persistência. • Facilidade de adaptação. mas sobretudo como habilidade para interagir com o meio ambiente. • Que envolve artifício. zelo. Entretanto. a inteligência passou a ser vista e discutida sob vários aspectos: • Inteligência racional (acadêmica): geralmente associada a aptidões lingüísticas e numéricas. A habilidade de lidar com características avaliadas pela IE pode dar a verdadeira medida da inteligência humana: autocontrole.1. • Habilidade mental medida pelo QI (capacidade de manipulação simbólica). • Inteligência intra-pessoal : conhecer-se a si mesmo. Desconsiderando esta questão. Neste contexto surge a questão da necessidade e da possibilidade de se prover capacidades emocionais em máquinas. capacidade de se motivar. entender os outros. Nem mesmo os pesquisadores em Psicologia Cognitiva sabem como a inteligência funciona. metáforas e abstrações. a inteligência está relacionada com vontade própria. • Imitação.

Criacionista : • ser inteligente transcende a criação. • Inteligência ligada ao conceito de alma, espírito. • Capacidade de auto-avaliação, não agir só por instinto. Evolucionista : • Alma = cérebro • A mente seria um efeito complexo das leis que governam as partículas físicas que compõe o cérebro. • homem seria apenas um robô biológico. Alguns cientistas da computação enfatizam que os computadores são "idiotas" com capacidade de processar informação em altíssima velocidade, seguindo exatamente as "ordens" dos seus programadores. Russel e Norvig [Russel95] propõem uma organização de diferentes definições de IA variando em duas dimensões principais e formando quatro categorias como apresentado na Figura 1. A dimensão ocupando o eixo horizontal trata da forma de funcionamento: humano x máquina (racionalmente). A dimensão no eixo vertical trata da ação: pensar x agir. Sistemas que pensam como humanos Sistemas que pensam racionalmente

“The exciting new effort to make computers think ... “The study of mental faculties through the use of machines with minds, in the full and literal sense” computational models” [Charniak85] [Haugeland75] “[The automation of] activities that we associate “The study of the computations that make it possible with human thinking, activities such as decision- to perceive, reason, and act” [Winston92] making, problem solving, learning, …” [Bellman78]

Sistemas que agem como humanos

Sistemas que agem racionalmente

“The art of creating machines that perform functions “A field of study that seeks to explain and emulate that require intelligence when performed by people” intelligent behavior in terms of computational [Kurzweil90] processes” [Schalkoff90] “The study of how to make computers do things at “The branch of computer science that is concerned which, at the moment, people are better” [Rich91] with the automation of intelligent behavior” [Luger93] Figura 1 - Classificação de algumas definições de IA

Inteligência Artificial em Controle e Automação

Álvaro Guarda

7

2.2. Comparação entre IA e Computação Convencional A Figura 2 apresenta as principais características que diferenciam um sistema de IA e um sistema construído de forma

convencional.

IA Não algorítmico Processamento Simbólico Não Determinista Fácil Modificação Estrutura

Computação Convencional Algorítmico Processamento Numérico Determinista Difícil Modificação Estrutura

Dados + Programas Estrutura de Controle Resultados
Figura 2 - IA x Computação Convencional

Dados Programas Resultados

2.3. Automação de Atividades A Figura 3 mostra uma classificação das atividades que são executadas nas empresas e o tipo de automação que é utilizado em cada caso.

Trabalhos não Estruturados

Trabalhos pouco Estruturados Trabalhos Estruturados

COMPUTAÇÃO INTELIGENTE

COMPUTAÇÃO CONVENCIONAL
Figura 3 - Perfil das atividades em relação à mão-de-obra

Inteligência Artificial em Controle e Automação

Álvaro Guarda

8

3.

Neste capítulo serão estudadas duas abordagens que permitem resolver a maior parte dos problemas: • resolução utilizando Espaço de Estados; • resolução por Decomposição de Problemas. A escolha da abordagem depende do problema, como será visto mais adiante.

Resolução de Problemas

3.1. Espaço de Estados Nesta abordagem a modelagem do problema é elaborada conforme a Figura 4. Partindo-se de um estado inicial deseja-se chegar a um estado final utilizando-se um conjunto de operações de transformação de estados. Estado Inicial Figura 4 Operações Estado Final

Representação do problema.

3.1.1. Representação do Problema em Espaço de Estados Para facilitar a assimilação dos conceitos, a introdução ao assunto será feita através do mundo dos blocos. O mundo dos blocos proposto para estudo possui apenas três blocos (A, B e C) e uma mesa. Os blocos podem estar sobre a mesa ou empilhados. O problema é elaborar um plano para re-arranjar a disposição dos blocos de acordo com o desejado. Assim, um plano é uma seqüência de movimentos de blocos que, partindo de uma situação inicial, leva a uma situação desejada. A Figura 5 apresenta um problema específico, onde estão definidas a situação inicial e a situação desejada. A definição do mundo estabelece uma classe de problema, pois é possível definir para o mesmo mundo novos problemas através da escolha de outras situações inicial e desejada.
situação inicial situação desejada

C A B
Figura 5

seqüência de movimentos

A B C

Um problema de re-arranjo de blocos (baseado em [Bratko2001]).

Neste problema, a modelagem utilizando a abordagem Espaço de Estados é natural: a situação inicial dos blocos é o estado inicial, a situação desejada é o estado final e a seqüência de movimentos é uma seqüência de operações válidas do conjunto de operações de transformação de estados. O conjunto de operações pode ser formado pelas operações apresentadas na Figura 6. (1) (2) (3) (4) (5) (6) (7) (8) (9) Figura 6 coloque o bloco A sobre a mesa; coloque o bloco A sobre o bloco B; coloque o bloco A sobre o bloco C; coloque o bloco B sobre a mesa; coloque o bloco B sobre o bloco A; coloque o bloco B sobre o bloco C; coloque o bloco C sobre a mesa; coloque o bloco C sobre o bloco A; coloque o bloco C sobre o bloco B.

Um possível conjunto de operações para o problema da Figura 5.

Uma operação é válida quando ela respeita as restrições impostas na definição do problema. As restrições de movimentos no problema proposto são bastante simples: é permitido mover apenas um bloco de cada vez, não pode haver outros blocos em cima do bloco a ser movimentado nem do bloco sobre o qual se quer colocar um bloco em cima. Por exemplo, para aplicar a operação (2) não poder haver blocos em cima do bloco A nem do bloco B. Desta forma, partindo da situação inicial do problema apresentado na Figura 5, existe apenas um movimento legal: coloque o bloco C sobre a mesa. Na nova situação, após o

Inteligência Artificial em Controle e Automação

Álvaro Guarda

9

no lugar das nove operações definidas para o problema da Figura 5 poderia-se definir apenas duas operações: (1) coloque o bloco X sobre a mesa. Encontrar uma solução equivale a achar um caminho no espaço de estados que. ¦ § ¥ ¦ § ¦ ¥ § ¦ ¥ § ¥ £ ¤ ¥ ¦ § ¥ ¦ ¥ § § ¦ ¥ ¥ ¦ § ¥ ¥ ¦ § ¦ § ¦ § ¥ ¦ § ¥ Figura 7 Representação gráfica do espaço de estados para a classe de problemas em estudo (baseado em [Bratko2001]). as restrições podem estar representadas explicitamente nas operações: (1) se X está no topo de uma pilha então coloque o bloco X sobre a mesa. No item (1). partindo do estado inicial. existem três movimentos legais possíveis: coloque o bloco A sobre a mesa. 3. um plano para re-arranjar a pilha de blocos de acordo com a definição do problema. onde os nodos são os estados e os arcos são as operações. (2) coloque o bloco X sobre o bloco Y. conforme a Figura 7. a forma usual é feita apenas através da definição do conjunto de operações de transformação de estados (regras do jogo) e o espaço de estados fica implícito. conforme a Figura 7. normalmente. definição de um ou mais estados neste espaço de estados que descreva situações de partida do processo de solução do problema. ou seja. 2. Os estados do problema e as operações de transformação de estados formam um grafo dirigido chamado espaço de estados. entretanto. Isto pode ser feito através de uma condição. definição de um ou mais estados que poderiam ser aceitos como solução do problema. o estado final está com linha dupla concêntrica e uma solução possível é o caminho com setas maiores. O problema apresentado na Figura 5 está em evidência: o estado inicial está com linha mais grossa.movimento. são os estados finais. (2) se X e Y estão no topo de pilhas coloque o bloco X sobre o bloco Y. Como o mundo dos blocos sobre o qual se está estudando possui um número limitado de elementos. Inteligência Artificial em Controle e Automação Álvaro Guarda 10 . metas ou objetivos de um problema e servem para determinar quando se chegou a uma solução. Assim. Resumindo. isto é inviável. são os estados iniciais de uma problema. coloque o bloco A sobre o bloco C ou coloque o bloco C sobre o bloco A. A interpretação da solução no problema do mundo dos blocos é uma seqüência de movimentos de blocos. então a classe de problemas e o espaço de estados são finitos. chega ao estado final. um problema pode ser descrito formalmente utilizando a abordagem Espaço de Estados pelos seguintes elementos: 1. contendo todas as possíveis configurações dos objetos relevantes. Alguns pontos a serem considerados nesta atividade são: • Que hipóteses não declaradas explicitamente estão presentes na descrição não-formal do problema? • Quão geral devem ser as operações? Por exemplo. o espaço de estados pode ser especificado de forma extensiva. especificação do espaço de estados. • Quanto do trabalho necessário para resolver o problema deve ser pré-computado e representado nas operações? Por exemplo.

[[b. <bloco abaixo do topo>. <bloco abaixo do topo>. b. []] ou [[].. []. Uma implementação do conjunto de operações Figura 8. b. <estado sucessor>).. []]). b. []]. Os dois principais métodos cegos são a “busca em profundidade” e a “busca em extensão”...Em um outro exemplo. Estado. .3. . . [[a]. [Paux | Resto]) :remove(Pilha. A cláusula abaixo é uma implementação para se identificar quando se atinge o objetivo. EstadoAux. <bloco na base>]. O(s) estado(s) sucessor(es) de um estado qualquer pode(m) ser definido(s) pela cláusula sucessor(<estado atual>. b. [].. [b. RestoEstado.. Os métodos cegos fazem uma pesquisa sistemática do espaço de estados. b..2. Com esta sintaxe. . c]. Implementação da Representação do Problema em Espaço de Estados A implementação da representação depende da linguagem. c]. []. a. c]. <bloco abaixo do topo>. objetivo(Estado) :. o estado inicial do problema é representado como a lista [[c. . 3. OutrasPilhas). c].[a. [Paux | RestoEstado]. © (1) Se estado atual é  ¨ então o estado atual é alterado para ¨ ©  (2) Se estado atual é então o estado atual é alterado para ¨ ©  então o estado atual é alterado para (3) Se estado atual é ¨ ©  (4) Se estado atual é então o estado atual é alterado para ©  © ¨  ¨ ©  ¨ © ¨   © ¨ . as restrições são implicitamente representadas nas operações. [<bloco no topo>. então a representação final dos estados é [[<bloco no topo>. []] e o estado final pode ser representado como a lista [[a. sucessor([[a. []]). Estado). Resto).member([a. esta implementação não é muito adequada porque exige escrever todas as configurações possíveis de pilhas. [Pilha | RestoEstado]. [<bloco no topo>. 3. b.. RestoEstado). A aplicação dos operadores nos estados iniciais e Inteligência Artificial em Controle e Automação Álvaro Guarda 11 . [a.[a.. Figura 9 Entretanto.1. no caso do problema da Figura 5. porém não utilizam nenhum conhecimento para guiar a busca. sucessor([[]. <bloco na base>]]. remove(Pilha2. []]. [a. c]. []. c]. [a]]). A ação de percorrer o espaço de estados é feita de acordo com uma estratégia de controle que seleciona um estado e um operador que será aplicado ao estado para gerar os estados subseqüentes. conforme a Figura 8. sucessor([[a. [[]. sendo que o topo é primeiro elemento da lista. []. © ¨  Figura 8 (30) Se estado atual é então o estado atual é alterado para Conjunto de operações onde as restrições estão implicitamente representadas. [a]. os estado podem ser representados como uma lista de pilhas. c]. b]. [a]]). . [[b. b. []]. []] ou [[]. EstadoAux). c]. Em Prolog. []. remove(Pilha. sucessor([[]. b. c]. o conjunto de operações da Figura 8 pode ser implementado como apresentado na Figura 9. <bloco na base>]. Se houver no máximo três pilhas e uma pilha for representada também como uma lista. [Pilha1. Desta forma. []]. [b. c]. c]]. .. [Topo1 | Pilha2] | OutrasPilhas]) :remove([Topo1 | Pilha1].1. c]. remove(Pilha. Métodos de Busca Cegos em Espaço de Estados A busca de uma solução é feita através da procura de um caminho no espaço de estados que leva do estado inicial para o estado final. Uma implementação mais econômica é apresentada abaixo: sucessor(Estado.

Este processo. 2. Busca em Profundidade A busca em profundidade explora um ramo da árvore de cada vez.1. ou seja. continue o passo 2. [N]) :. Quando se encontra o estado final o processo é interrompido com sucesso. pesquise(N. <solução>). à medida que vai sendo executado. Se o estado inicial é um estado objetivo. a solução pode ser o próprio estado final ou o caminho entre o estado inicial e o estado final. Se não há mais sucessores. partindo do estado <início> até um dos estados objetivos. Algoritmo: 1. o que pode conduzir a pesquisa a um ramo sem saídas.objetivo(N). pare e retorne sucesso. A estrutura de dados associada é uma pilha. assinale insucesso. A exploração dos caminhos alternativos pode ser feita através do retrocesso. faça o seguinte até o sucesso (ou insucesso): a) Gere um sucessor "E" do estado inicial.1. Senão. Dependendo do problema. c) Se sucesso então é retornado sucesso Senão. vai gerando a árvore de busca. pesquise(N. b) Senão. todos os nodos de um caminho da árvore são examinados antes dos nodos dos outros caminhos. A consulta em Prolog tem a sintaxe pesquise(<início>. A solução <solução> é uma lista de estados. utilizando o conjunto de operações da Figura 6. Caminho). [N | Caminho]):sucessor(N.      (8) (7)  (3) (1)                                                 Figura 10 Árvore de pesquisa para o problema da Figura 5. A Figura 10 apresenta uma parte da árvore de busca para o problema da Figura 5. pois deve visitar primeiro os nodos mais recentes. É necessário armazenar apenas o caminho que está sendo explorado e os caminhos já explorados podem ser descartados. No algoritmo abaixo não está previsto nenhum mecanismo de retrocesso. Abaixo é apresentada uma implementação em Prolog bastante simples e. aqueles que estão mais distantes da raiz. Para o problema da Figura 5 a consulta é expressa como a seguir: Inteligência Artificial em Controle e Automação Álvaro Guarda 12 .intermediários é feita até que se chegue a um estado objetivo. 3. chame BUSCA EM PROFUNDIDADE com E como estado inicial.3. A desvantagem desta implementação é que a mesma permite ciclos. Naux). portanto fácil de entender. pesquise(Naux.

fim. Naux. Algoritmo: 1. [].3. [N | Caminho]) :. not(member(Naux. N. pesquise(N. .3. % breadthfirst( [ Path1. % solve( Start.4. % Nodo não tem sucessores (bagof falhou!) 3. Busca em Extensão (Largura) Todos os nodos de um nível da árvore são examinados antes dos nodos do nível seguinte. pare e retorne este estado iii) Senão. Solução). 2. !. breadthfirst( [Path | Paths].-? pesquise([c. a. [Node | Path] )) ). Entretanto ainda podem existir na árvore de pesquisa ramos infinitos que não contenham a solução. NewNode). aqueles mais próximos da raiz. 3. [Node | Path]) :goal( Node). ii) Se o novo estado é um estado objetivo. Solution) :breadthfirst( [ [Start] ]. [] ). Crie uma variável chamada "LISTA_DE_NODOS" e faça-a igual ao estado inicial.1.3. Solution) :extend( Path. N. profundidade(Caminho. Solution).1. Solução) :. Busca em Profundidade Acíclica A implementação abaixo evita ciclos. Abaixo é apresentada uma implementação em Prolog. N. ou seja.1. []]. Naux). Solution): % Solution is an extension to a goal of one of paths breadthfirst( [ [Node | Path] | _]. breadthfirst( Paths1. extend( [Node | Path].. NewPaths). not(member( NewNode. profundidade([N | Caminho. Até que (um estado objetivo seja encontrado) ou (LISTA_DE_NODOS seja vazia) faça: a) Remova o primeiro elemento de LISTA_DE_NODOS e o chame "E". Solução).2. Se LISTA_DE_NODOS estava vazia. 3. adicione o novo estado ao final de LISTA_DE_NODOS. extend( _.3. append( Paths. Solution): % Solution is a path (in reverse order) from Start to a goal solve( Start. Esta situação é plausível em problemas cujo espaço de estados é infinito. Solução). pois deve visitar primeiro os nodos mais antigos. ( sucessor( Node. NewPaths) :bagof( [NewNode.objetivo(N). NewPaths.]. A estrutura de dados associada é uma fila. b) Para cada maneira que cada regra combina com o estado descrito em E faça: i) Aplique a regra para gerar um novo estado.profundidade([]. b]. Solution). Node | Path]. Comparação: Busca em Profundidade x Busca em Extensão Busca em profundidade: Inteligência Artificial em Controle e Automação Álvaro Guarda 13 . Solução) :sucessor(N.. profundidade(Caminho. Caminho)). Path2. Paths1). NewPaths).

1.1.1) move(3. • Não é muito adequada quando o fator de ramificação é muito alto.2) move (1.5.• Mesmo que haja uma solução.2) (1. • Requer menos memória. Inteligência Artificial em Controle e Automação Álvaro Guarda 14 . Estado final : (3.3) move (2. Maior) Menor = Número do poste onde está a argola menor. 1 2 3 1 2 3 Estado Inicial Figura 11 Torre de Hanói.1) move(1.3). pode achar uma solução sem examinar muito o espaço de estado. Estado Final a) Estados Sintaxe: (Menor. Assim os estado inicial e final podem ser representados como: Estado inicial : (1. • É adequada quando existe solução na maioria dos ramos. pois exige armazenar muitos caminhos alternativos.1. não há garantias de encontra-la.3.1.1.2) Nesse caso devemos sempre observar as restrições do problema e a validade das operações.1) move(1.2) (2.1.1) Figura 12 Árvore de pesquisa para o problema da Torre de Hanói. Outros Exemplos de Problemas e de Modelagem utilizando Espaço de Estados Exemplo 1: Torre de Hanói A representação gráfica do problema da Torre de Hanói é apresentada na Figura 11.1.1) move (3. move(1.3) move(2. Busca em Extensão: • Se houver solução.3.1) (3.1). Maior = Número do poste onde está a argola maior.3) (2. A Figura 12 apresenta a árvore de pesquisa deste problema. 3. pois pode explorar um caminho infinito que não contém a solução.2) (3.3) move (3.3.2. b) Operações Sintaxe: move (poste de origem. garante a obtenção da solução de menor caminho.1) (2. • Consome muita memória.3) move(1.1) (3. Exemplo 2: Jogo dos 8 A Figura 13 mostra a representação gráfica para o problema do jogo dos 8. • Por sorte.1) move (2. • Não corre o risco de examinar por longo tempo becos sem saída. Média = Número do poste onde está a argola média. Média. poste de destino) move (1.

i+1) está vazia → posição (j. onde cada posição contendo um símbolo que representa a peça apropriada (ou indicação de casa vazia) na posição oficial de abertura do jogo. É possível modelar as operações de diversas maneiras.DIR onde LADO. 2 8 3 1 6 4 7 5 (3) (1) (4) 2 8 3 1 6 4 7 5 (1) (1) 2 8 3 1 4 7 6 5 (3) (4) 2 8 3 1 6 4 7 5 (1) 2 8 3 6 4 1 7 5 2 3 1 8 4 7 6 5 2 8 3 1 4 7 6 5 2 8 3 1 4 7 6 5 2 8 3 1 6 7 5 4 Figura 14 Árvore de pesquisa para o jogo dos 8. Exemplo: Regra "move peão branco" peãobranco em posição (j. (2) Mover a casa vazia para baixo. LADO. (3) Mover a casa vazia para esquerda. Definir posições que representam vitória Qualquer posição do tabuleiro na qual o oponente não tenha um movimento legal. Definir as operações que representam movimentos legais As operações também podem ser definidas como um conjunto de regras de produção da forma : LADO. mas a forma mais eficiente consiste em aplicar operações na casa vazia. e seu rei esteja sendo atacado. i+2). i+2) está vazia move peão branco de posição (j.ESQ : Padrão a ser comparado antes de uma jogada. (4) Mover a casa vazia para direita. i) ∧ ∧ posição (j. Inteligência Artificial em Controle e Automação Álvaro Guarda 15 . 3.Estado Inicial Estado Objetivo Operações 2 1 7 8 6 3 4 5 1 1 8 7 2 6 3 4 5 Figura 13 Representação do problema para o jogo dos 8.DIR : Descreve a mudança a ser feita. o que possibilita que sejam necessárias apenas quatro operações: (1) Mover a casa vazia para cima. Exemplo 3: Jogar Xadrez 1. i) para posição (j. Especificar a posição inicial do tabuleiro Matriz 8x8.ESQ → LADO. 2.

Grafo E/OU para o problema da Torre de Hanói.1.2] [1. A modelagem do problema é feita através da definição dos seguintes elementos: • Descrição do problema inicial.3] [1.1. indicando que os nodos sucessores são problemas alternativos. os nodos contêm a descrição dos problemas (subproblemas) e os arcos indicam relações entre os problemas. Grafo E/OU A Figura 15 apresenta o grafo E/OU que é o espaço de busca para problemas representados por Redução de Problemas. • É um nodo "E" cujos sucessores são todos solúveis.2. o problema de mover uma pilha de argolas de tamanho n>1 do pino I para o pino K pode ser substituído por 3 subproblemas: • Mover uma pilha de tamanho n-1 de I para J.2.2.3] Problema primitivo : mover uma pilha de tamanho 1.3. Neste grafo. • Conjunto de operações de transformação de problemas. • É um nodo "E" onde pelo menos um dos sucessores é insolúvel.1. indicando que os nodos sucessores são problemas conjuntivos.1.3] [2. Inteligência Artificial em Controle e Automação Álvaro Guarda 16 . são do tipo OU. Os nodos intermediários.3] [1. sucessores de um determinado nodo. J e K. Solubilidade dos nodos Um nodo é solúvel se: • É um problema primitivo. como os problemas são decompostos.3] Figura 15 .1.3. A busca é a construção sistemática do grafo E/OU através da aplicação das operações que vão decompondo os problemas. Resolução de Problemas como Busca por Redução de Problemas Na resolução de problemas utilizando como enfoque a busca por redução de problemas.<PINO DE SAÍDA>. isto é. [3.3] [1. • É um nodo "OU" onde pelo menos um dos sucessores é solúvel Um nodo é insolúvel se: • É um nodo terminal. As folhas da árvore podem ser problemas primitivos ou nodos terminais (problemas insolúveis). • É um nodo "OU" cujos sucessores são todos insolúveis.1. Exemplo 1: Torre de Hanói A representação gráfica do problema da Torre de Hanói é apresentada na Figura 11. • Mover uma pilha de tamanho n-1 de J para K.2] [1. • Mover uma pilha de tamanho 1 de I para K. conhecida). O espaço de busca é representado graficamente por um grafo E/OU.<PINO DE CHEGADA>] Problema inicial : [3. • Conjunto de problemas primitivos (problemas que têm solução imediata.2] [1.1] [2. Representação do problema Sintaxe: [<TAM.2. a idéia utilizada é a da decomposição de problemas em subproblemas com complexidade menor que a do problema original. PILHA>. Operação Para diferentes pinos I.3] [1.1. ou do tipo E. A solução é um conjunto de Problemas Primitivos encontrados a partir da aplicação das operações no problema inicial e nos subproblemas já gerados.

1 2 3 8 P1 T 5 P2 9 P3 P4 T T P5 P6 Figura 16 Exemplo de busca em profundidade em uma árvore E/OU. Os métodos heurísticos(1) utilizam alguma forma de conhecimento para orientar a busca e evitar a explosão combinatória. 3. porém não são adequados para muitos problemas reais devido à explosão combinatória. Inteligência Artificial em Controle e Automação Álvaro Guarda 17 . Entretanto. a eficiência depende fortemente em como o conhecimento é explorado. Os nodos são numerados por ordem de visita. 1 2 P1 3 4 5 7 T 9 P2 11 12 P3 P4 T T P5 P6 Figura 17 Exemplo de busca em extensão em uma árvore E/OU. P3}. ou através de aprendizado automático.3. A solução é o conjunto de problemas primitivos {P2. P5}. O conhecimento a ser utilizado pode ser inserido manualmente. sendo que os nodos marcados com T são problemas terminais e os nodos marcados com P são problemas primitivos. (1) Heurística vem da palavra grega “heuriskein” que signific a descobir. A solução é o conjunto de problemas primitivos {P1.A Figura 16 apresenta uma árvore E/OU e como é a feita a busca em profundidade de uma solução. A Figura 17 apresenta como é feita a busca em extensão. Métodos de Busca Heurística Os métodos de busca vistos anteriormente fazem uma pesquisa sistemática do espaço de estados ou do espaço de problemas.

3. Estado Inicial A E D C B Estado Meta E D C B A Figura 18 Representação gráfica de um problema do Mundo dos Blocos Os operadores são: (1) Pegue um bloco e coloque-o sobre a mesa (2) Pegue um bloco e coloque-o sobre outro A função heurística que será utilizada faz o seguinte cálculo: some um ponto para cada bloco em cima do bloco em que ele deva esta e subtraia um ponto para cada bloco que estiver sobre o bloco errado. úteis a muitos tipos de problemas. b) Avalie o novo estado. • Problema: tende a convergir para uma solução que é um máximo local e não para o máximo global.Tipos de heurística no processo de busca a) Heurística genérica: Diferentes aspectos gerais do problema são considerados e avaliados de modo que o valor resultante da função heurística seja uma boa estimativa de quão efetivo pode ser o estado para alcançar a solução. ii) Se for melhor que o estado corrente então Estado corrente ← novo estado. Se o estado sucessor tiver uma nota melhor. b) Heurística específica: Apresenta as convicções dos especialistas em uma determinada área. Características: • Seleciona o primeiro vizinho que seja melhor. o conhecimento sobre o problema é utilizado para compor uma função heurística. É extremamente eficiente se bem utilizada. Algoritmo: 1. no Jogo dos 8 a heurística pode ser o número de peças que estão fora do lugar. Com esta heurística os estados inicial e final recebem as notas: f(estado inicial) = 1 e f(estado meta) = 5. então ele passa a ser o estado corrente. • É irrevogável (sem retrocesso). Os métodos que utilizam apenas heurísticas genéricas. Subida da encosta ("Hill-Climbing") A idéia deste método é maximizar a nota fornecida pela função heurística. Estado corrente ← estado inicial 2. A maioria das regras dos Sistemas Especialistas pertence a essa classe. Função Heurística Nos métodos de busca. Por exemplo.3. esta medida consiste em uma estimativa da distância da solução. Inteligência Artificial em Controle e Automação Álvaro Guarda 18 . Repita até que o estado corrente seja a solução ou não existam operadores a serem aplicados ao estado corrente a) Escolha um operador que ainda não tenha sido aplicado ao estado corrente e aplique-o para produzir um novo estado. A árvore de busca é apresentada na Figura 19. são denominados métodos fracos e não são capazes de evitar a explosão combinatória. Exemplo: Mundo dos Blocos A Figura 18 apresenta o problema no qual será aplicado o método da subida da encosta.1. Freqüentemente. i) Se for a solução (um estado meta) retorne-o e encerre. Esta função heurística tem a forma f(Estado) e é aplicada aos estados para atribuir notas indicando a proximidade do estado em relação à solução. A busca é feita com a geração de um estado sucessor do estado corrente.

O campo de ordenação é a nota resultante da avaliação da função heurística.3. Uma função heurística melhor. Repita até que estado corrente seja a solução ou não haja mudança no estado corrente. a) Sucessor ← pior absoluto b) Para cada operador aplicável ao estado corrente. para cada bloco com estrutura de apoio incorreta subtraia um ponto. sendo a escolha baseada no resultado da aplicação da função heurística.2. A utilização desta função heurística.A E D C B (1) f(e) = 1 (1) E D C A B (2) f(e) = 3 (2) Para a busca aqui D C E A B f(e) = 1 D E C A B f(e) = 1 A E D C B f(e) = 1 Figura 19 Árvore de busca para o problema da Figura 18 utilizando o método Subida da Encosta. que leve em conta o contexto global. Algoritmo: 1. ii) Avalie o novo estado. Subida da encosta para a trilha mais íngreme ("Stepest-Hill-Climbing") A idéia é a mesma do método anterior. conduz a busca a um máximo local. A heurística é aplicada localmente. Se for a solução retorne-o e encerre Se for melhor então sucessor ← novo estado c) Se sucessor for melhor que estado corrente Então Estado corrente ← sucessor Características: Inteligência Artificial em Controle e Automação Álvaro Guarda 19 . ou seja. neste problema em particular. porém examina toda a vizinhança e seleciona o melhor. i) aplique o operador e gere um novo estado. daqueles recém gerados. O motivo para este problema é que a heurística é local. Esta nova função heurística permite que o processo de busca chegue a uma solução. como sugere a Figura 20. 3. Estado corrente ← Estado inicial. some um ponto para cada bloco da estrutura de apoio. não observando o contexto. Este método também é denominado busca do gradiente. pode ser implementada da seguinte forma: quando o bloco tem a estrutura de apoio correta. 2. sendo que deve ficar no topo da pilha o nodo com a melhor nota. Isto corresponde à situação onde a vizinhança (sucessores) possui nota menor que o estado e não consegue encontrar uma solução. A implementação pode ser feita ordenando-se o conjunto de nodos sucessores recém avaliados antes de incluí-los na pilha de nodos abertos. o caminho a ser seguido é selecionado apenas entre os nodos recém gerados.

Busca pela melhor escolha ("Best-First") A heurística é aplicada globalmente. ou uma alternativa aceitável. Mapa: 6 1 b 4 3 2 a 3 início 5 d 2 c 2 e 1 4 k 5 z fim Representação do Estado: Nome da cidade Representação do Espaço de Estados: O próprio mapa ou um grafo Estado Inicial: a Estado Final: z Inteligência Artificial em Controle e Automação Álvaro Guarda 20 . Exemplo: Achar o Menor Trajeto Definição do Problema: Procurar o menor trajeto. O nodo aberto com a melhor nota é escolhido para a expansão. • É irrevogável (sem retrocesso). A E D C B (1) f(e) = -15 (1) E D C A B (2) f(e) = -9 (2) D C f(e) = -6 E A B D E C A B f(e) = -7 A E D C B f(e) = -15 Figura 20 Árvore de busca para o problema da Figura 18 utilizando o método Subida da Encosta com uma função heurística mais adequada. desde que seja melhor que o estado corrente. entre a cidade a e a cidade z. • Problema: tende a convergir para uma solução que é um máximo local e não para o máximo global.3.3. isto é. 3.• Seleciona o melhor vizinho. o caminho a ser seguido é selecionado entre todos os nodos abertos até o momento.

c. 1 a c f=5 f=7 b 4 2 3 e k f=6 f=7 c 5 6 d f=8 f=14 f=10 d z f=8 z f=16 f=10 z A solução encontrada pode eventualmente não ser o menor trajeto. s(e.2). dependendo do problema. mas pode ser uma solução bastante aceitável. Inteligência Artificial em Controle e Automação Álvaro Guarda 21 .1).z.Operações: percorrer uma estrada até uma cidade vizinha Função Heurística (faz parte da modelagem do problema) f(x) = g(x) + h(x) onde g(x) = distância percorrida da cidade a até a cidade x (somatório dos números próximos às estradas) h(x) = distância em linha reta da cidade x até a cidade z (números em negrito. s(b.3). próximos às cidades) Problema: Achar o Menor Trajeto Exemplos de Aplicação da Função Heurística f(b) = g(b) + h(b) = 1 + 6 = 7 f(c) = g(c) + h(c) = 3 + 2 = 5 f(e) = g(e) + h(e) = 5 + 1 = 6 Árvore de Busca: os números próximos aos nodos indicam a ordem de expansão dos mesmos. s(d.b. s(a.4).c. <nodo sucessor>. <custo>) onde <custo> é a distância entre as cidades s(a.e.k.3). s(c. sintaxe das operações: s( <nodo>.4).5). Exemplo: Achar o Menor Trajeto Representação em Prolog objetivo: goal(z).d. s(a.

3/2. 3/2. 1/2] 1 2 3 8 4 7 6 5 1 2 3 3 2 1 1 2 3 8 4 7 6 5 1 2 3 O estado final é representado como: [2/2.bestfirst([2/2.2). 3/1. 1/3. c.2). a] Representação do Jogo dos 8 Definição do Problema 1 3 8 7 6 4 2 5 1 2 8 7 6 3 4 5 Representação em Prolog Posições das peças: coordenadas cartesianas X/Y Tabuleiro: Lista onde 1° elemento: 2° elemento: 3° elemento: . 1/2] A cláusula showsol apresenta a solução como uma seqüência de posições do tabuleiro. h(k.2/1. 2/3. Funções heurísticas: g(x) é calculado a partir de <custo> h(x) é definido como abaixo h(b.3/3. 22 Inteligência Artificial em Controle e Automação Álvaro Guarda .s(k.0). 3/3.. 1/1.bestfirst(a.2/3.z. 1/1.5). Solução). h(c.6).1/3. 2/3. 3/3. h(z..7). 2/1. 1/3.1/1. 3/2.1/2]. 9° elemento: 3 2 1 casa vazia peça 1 peça 2 peça 8 O estado inicial é representado como: [2/2. h(e. d. ---a ---c ---d ---z Sol = [z. Sol).1). 2/1.3/1. ?. showsol(Sol). showsol(Solução). 3/1. h(d. Consulta e resultado: ?.

0/0). Solution). mas f-value > limite never . yes. _). Solved.Generate successors and expand them within Bound Inteligência Artificial em Controle e Automação Álvaro Guarda 23 . _. Bound. Tree1.indica que Tree é ramo sem saída Solution: caminho entre o nodo inicial e o estado final Cláusulas: Caso 1: o  nodo a ser expandido é um nodo final Conclui a busca Caso 2: o  nodo é folha e f-value < limite (bound) Gera sucessores e os expande enquanto não atinge o limite Caso 3: o  nodo não é folha e f-value < limite Percorre a árvore até chegar ao nodo folha c/ f-value < limite Caso 4: o  nodo não é folha e não possui sub-árvores Não deve ser expandido. Treel. Solution) Parâmetros: Path: caminho entre o nodo inicial e a sub-árvore Tree Tree: sub-árvore corrente. if goal found then Solution is solution path and Solved = yes % Case 1: goal leaf-node. <lista de sub-árvores> ) bestfirst(Start. Principal Predicado: expand( Path. _. Solved. [N | P]):goal(N). pois é um ramo sem saída Caso 5: o  nodo com f-value > limite Não deve ser expandido. Solution):expand([]. l(N. <f(<estado>)>/<g(<estado>) ) Nodos Internos ((sub-)árvores) t( <estado> . _.Implementação: A implementação em Prolog é apresentada abaixo e é baseada no algoritmo A*. Bound. Tree.Tree1 = Tree expandida. % Treel is Tree expanded within Bound. Tree. <f(<estado>)>/<g(<estado>). Solution): Path is path between start node of search and subtree Tree. 9999. construct a solution path expand(P. que está sendo vizitada Bound: limite para a expansão de Tree (f-value da próxima melhor alternativa) Tree1: árvore expandida dentro do limite (bound) Solved: yes . yes. f-value less than Bound . l(Start. % Assume que 9999 é maior que qualquer f-value % expand( Path. % Case 2: leaf-node.Solution é instanciado no . pois há opções mais interessantes Representação da Árvore Nodos em Aberto (folhas): l( <estado> .

t(N. % Case 4: non-Leaf with empty subtrees .. expand(P. Tree1. Bound. Tree1. t(_. Bound. T. Tree1. % f-value of best successor expand(P. NTs). SubtreeSolved. F =< F1. insert(l(N. F1). Bound. Bound. Tree1. (bagof(M/C. F/G. P))). F). Bound. Bound1. Ts1). yes. Solved. Bound. F1). Ts. F> Bound. [l(BestNode. [_ | Ts]). bestf(Ts. Solved. Sol):F =< Bound.This is a dead end which will never be solved expand( _. Sol):insert(T1. _. _. F/G. f-value less than Bound % Expand the most promising subtree. Ts):G is G0 + C. Solved = never % N has no successors . min(Bound. Sol). Sol). bestf(NTs. _.. Tree.!.[]). h(N. % continue(Path. bestf(Ts. BF. % Make subtrees Ts bestf(Ts. Sol). Sol) . Solved. Bound. _. F1/G. Solved. F1/G. % Case 3: non-leaf. Tree1.]. Sol). Bound1).]): succlist(_. insert(T. T1. Solved. Sol) :F =< Bound. procedure continue will decide how to proceed expand(P. t(N. Tree. Ts). F1). Bound. BF). . Solution) continue( _. F). [T | Ts]). % succlist(G0. NewTree. succlist(G0. Solved1. Bound. F is G + H. Solved. M. [Nodel/Cost1. F/G). F1). % Node N has successors succlist(G.[]. F/G. _. expand(P. TreeSolved.Tree may not grow expand( _. [T1 | Ts1]):insert(T. Sol). . !. make list of search leaves ordered by their f-values % Heuristic term h(N) % Insert T into list of trees Ts preserving order with respect to f-values insert(T. F1/G.. no. t(N. Sol):bestf(Ts. t(N. []). Succ). NCs. Tree1. F/G). [T1 | Ts]. _):. Ts1). Ts). % Case 5: value greater than Bound . never. expand([N | P]. continue(P.. continue(P. Bound. _.dead end ).Ts. BestF/G). no. continue(P.!.expand(P. _):f(Tree. C). Tree. never. H). t(N. Ts. F/G. Ts). Solved1. depending on results. Solved. Ts). t(N. Solved. Ts1. Succ.[T|Ts]):f(T. not(member(M. [T1 | Ts]). (s(N. yes. [T1 | Ts]). l(N. succlist(G0. NTs). Inteligência Artificial em Controle e Automação Álvaro Guarda 24 . Tree1. t(N. Tree1. [N/C | NCs].

D).X):X =< Y. dif(Y. D is D1 + D2. D is Dx + Dy. GoalSquares. % Sequence score H is D + 3*S. X1. Y). min(X. 1):swap(Empty.! . totdist([Tile | Tiles]. Dy).D):D is A-B. D1). Dx). dist. First. H):goal([Empty1 | GoalSquares]). totdist( Tiles. % Manhattan distance = 1 swap(Empty. Tiles. D2). bestf([]. Tile. [Empty | Ts]):mandist(Empty. between two squares % D is |A-B| % Heuristic estimate h is the sum of distances of each tile from its 'home' square plus 3 times 'sequence' score h([Empty | Tiles].F/_. % seq(TilePositions.Y. Cost) s([Empty | Tiles]. [Tile | Ts]. Square. % D is Manh. Ts1). mandist(X/Y. f(t(_. F). Y. [T1 | Ts1]):swap(Empty. min(X.B. Tile. D >= 0._). Tile. Tiles1).!. 9999). % f-value of a leaf % f-value of a tree % Best f-value of a list of trees % No trees: bad f-value %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Procedimentos específicos para o jogo dos 8 % s( Node. dif(A. [T1 | Ts]. totdist([].F/_). Ts. F). bestf([T|_]. SuccessorNode. [Square | Squares]. []. Squares.F):f(T. X1/Y1. Inteligência Artificial em Controle e Automação Álvaro Guarda 25 . Y1. D):dif(X. % All arc costs are 1 % Swap Empty and Tile in Tiles swap(Empty. Tile. D):mandist(Tile. S):seq([First | OtherTiles]. Score): sequence score seq([First | OtherTiles]. S). 0). F). % Total distance from home squares seq(Tiles. S). Tile. totdist(Tiles. [Tile | Tiles1].% Extract f-value f(l(_. 1). D is B-A.

E2| = mudança positiva de energia. S1). showsol([P | L]):showsol(L). score(3/1.1/3.S8]):member(Y.4-S4. 3/1.2-S2. % Tile on square X/Y [0-S0.1-S1. 0):. score(_. onde apenas transições de baixo nível de energia são permitidas.7-S7.3. [3.S6.3/1.1/2]). goal([2/2.seq([Tilel. S):score(Last. First. ∆E = |E' . 3/3. % All squares done 3. score(1/1. % Order of X-coordinates member(Tile-X/Y. 0):.!. 3/2. 0):.4. 0):. 2/3. S2).!.3/2. score(2/2. T = temperatura. Tile2 | Tiles]. write(' ---'). score(1/3. 2). O objetivo é alcançar uma estrutura molecular com um mínimo de energia. 1/1. seq([Last]. 0):.3]). % Tile in centre scores 1 % Proper successor scores 0 % Tiles out of sequence score 2 % Goal squares for tiles Inteligência Artificial em Controle e Automação Álvaro Guarda 26 . First. member(X. permitindo transições de alto nível de energia. depois. 0):.!. as substâncias físicas tendem a acomodar-se em configurações de baixa energia. First.2. score(3/3. a temperatura é resfriada até alcançar um estado sólido. calculada pela fórmula: p = e(-∆E/kT) onde. nl. Neste processo.!. 0):.6-S6.1]). _. mas sempre existe uma certa probabilidade de ocorrer uma transição para um estado de maior energia.8-S8]). k = constante de Boltzmann. % Order of Y-coordinates nl. score(2/3.1/1. seq( [Tile2 | Tiles]. S).S4.S7.!. Tile2. gradualmente. S is S1 + S2.2.!. score(1/2. escreve a relação entre as unidades de energia e temperatura. First.!.S3. showpos(P). Têmpera Simulada ("Simulated Annealing") Método de busca inspirado no processo de temperar metais: inicia com uma temperatura elevada. score(3/2. true. 1).5-S5. _.3-S3. [1. % Display a solution path as a list of board positions showsol([]). fail % Backtrack to next square .2/3.S1. 1/3.S5.3/3.S2. 0):. S):score(Tilel.!. write(Tile). 1/2. 2/1. score(2/1. % Display a board position showpos([S0.2/1.

5. se T esfriar muito rápido. se T esfriar muito lentamente haverá muita perda de tempo. A mudança de temperatura no decorrer do processo chama-se "cronograma de têmpera" e tem três componentes: 1. Computação Evolucionista É um conjunto de técnicas de otimização inspiradas na teoria da evolução. assim k deixa de ser necessário e o cálculo da probabilidade fica: p = e(-∆E/T). A população evolui porque as melhores soluções (indivíduos mais aptos) de uma geração têm uma chance maior de serem selecionados para Inteligência Artificial em Controle e Automação Álvaro Guarda 27 . Estado Corrente ← Estado Inicial. Quando o dispositivo fica na vertical a esfera tende a acomodar-se ao fundo de um vale. 1] então Estado Corrente ← Novo Estado c) T ← cronograma 5. A diferença de energia é medida pela diferença da aplicação da função-objetivo (função heurística) no estado corrente e no novo estado. a) Escolha um operador que ainda não tenha sido aplicado ao Estado Corrente e aplique-o para produzir um Novo Estado b) Analise o Novo Estado i) Se for a solução (um estado meta) retorne-o e encerre. Algoritmo: 1. assim uma população de soluções é melhorada durante um certo número de gerações até chegar a uma solução ótima ou que um outro critério de parada seja satisfeito. resultando em indivíduos cada vez melhores. permitindo que a esfera suba colinas. Figura 21 Analogia: dispositivo onde uma esfera fica encerrada em uma caixa com vidro na face da frente e na face de trás e um elemento sólido formando uma curva. ii) Se for melhor que Estado Corrente então faça Estado Corrente ← Novo Estado Se Novo Estado for melhor que Melhor então Melhor ← Novo Estado senão faça ∆E ← f(Estado Corrente) – f(Novo Estado) p ← e(-∆E/T) Se p é maior que número aleatório no intervalo [0. Repita até que Estado Corrente seja a solução ou não haja mudança no Estado Corrente. provavelmente será encontrado um mínimo local e não global. Retorne Melhor como resposta do problema. As técnicas estabelecem uma analogia onde um indivíduo é visto como sendo um candidato à solução de um problema.No processo de resolução de problemas. T ← cronograma (inicio) 4. Critério(s) para decidir quando a temperatura deve ser reduzida. 3.3. onde uma população de indivíduos evolui durante gerações devido à maior probabilidade daqueles mais aptos terem uma prole mais numerosa. Melhor ← Estado Corrente 3. Valor inicial 2. os valores energia e temperatura não têm o mesmo sentido que na física. A principal idéia da teoria da evolução é a seleção natural. Uma temperatura alta equivale a agitar o dispositivo. Valor da redução (quanto) A maneira como a temperatura diminui influencia no resultado do processo. 2. 3.

Atualize a população: Pop ‚ prqts4u!v%q'w 3. Pop  !#"%$'&)(102&436587@9A7@9CBD7!EFHGI@9P@QR7HS58$'ET0R!U7!VD587 2. como se fosse a cadeia genética do indivíduo.2. Escolha um operador genético 3. também se baseia na genética. entretanto o interesse na sua utilização cresceu muito nos meados da década de 80. A forma mais utilizada para a seleção dos indivíduos é baseada na probabilidade: a chance de um indivíduo ser selecionado é proporcional à sua aptidão. As principais técnicas que foram desenvolvidas são: programação evolucionista. Avalie Pop (população inicial): para cada hipótese H pertencente a Pop.4. A seguir está técnica é vista com mais detalhes. calcule a sua aptidão f(H) 3.1. Inteligência Artificial em Controle e Automação Álvaro Guarda 28 .1. Aplique o operador genético sobre a(s) hipótese(s) selecionada(s) gerando nova(s) hipótese(s): Hnova W X'Y4`!aFbHcIX'aFdfehg 3. quando vários cientistas da computação estudaram sistemas evolucionários com a idéia de que a evolução poderia ser usada como um ferramenta de otimização para problemas na engenharia. além de ser baseado nos mecanismos de seleção natural. Algoritmo algoritmo_genetico( TamPop) 1. Evolua a população Pop uma geração (faça até que satisfaça alguma condição de término) 3. A técnica mais conhecida são os algoritmos genéticos.3. Retorne como resultado a hipótese com a maior aptidão de todas as gerações.contribuir para a próxima geração. estratégia evolucionista. algoritmos genéticos e programação genética. pois. Selecione hipóteses (a quantidade depende do operador a ser aplicado) probabilidade de que uma hipótese H seja selecionada: p(H i ) = H ∈Pop f (H i ) ∑ f (H ) 3. mutação e clonagem (ver anotações de aula).1. inventados por John Holland nos anos 60 e desenvolvidos por ele e seus alunos na Universidade de Michigan em meados de 1970.1. Avalie Pop: para cada hipótese H pertencente a Pop. Adicione a(s) hipótese(s) resultante(s) na nova população: NovaPop i prqts4u!v%q'wyx€ nova 3.3. calcule a sua aptidão f(H) 4.1. sistemas classificadores. entre os anos 50 e 60.1. Esta abordagem remonta o início da computação. Algoritmos Genéticos (AGs) Nesta técnica a analogia com os sistemas biológicos é mais forte.2. Cada hipótese de solução (indivíduo) é representada por uma cadeia binária de tamanho fixo. Crie a nova população NovaPop (faça até gerar completamente a nova população) 3. A criação dos indivíduos para a próxima geração é feita através de operações como cruzamento entre indivíduos.

Um exemplo de sistema que foi desenvolvido nesta fase é o GPS (General Problem Solver). melhor a performance do sistema. O grande problema desta abordagem é a explosão combinatória quando se tenta resolver problemas mais complexos. Nesta fase passou-se a utilizar os sistemas de produção e surgiram os sistemas baseados em conhecimento (cognitivos). Sistemas Baseados em Conhecimento A evolução da pesquisa em resolução de problemas pode ser dividida em três fases distintas. pode ser modelada utilizando-se uma forma (linguagem) de representação do conhecimento e a seguir pode-se inferir “novos” fatos que podem conter a solução para o problema modelado. Os possíveis tipos de inferência que podem ser efetuados dependem da forma de representação do conhecimento. correspondendo a um problema.Permite representar meta-conhecimento visando melhorar os mecanismos de inferência. ƒ ƒ Formas de Representação do Conhecimento Sistemas de Produção Sistemas Baseados em Regras Álvaro Guarda Inteligência Artificial em Controle e Automação 29 . A segunda fase surgiu a partir do reconhecimento de que a habilidade dedutiva do homem resulta menos de sua capacidade de raciocínio do que de sua habilidade de armazenar experiências anteriores e adaptá-las a novas situações.Permite facilmente entender o conhecimento armazenado.4. ƒ ƒ ƒ ƒ Propriedades de Sistemas de Representação do Conhecimento Adequação Representacional .2.Permite manipular estruturas representacionais gerando “novos” conhecimentos.Permite representar todos os tipos de conhecimento necessários ao domínio do problema que se quer solucionar. REALIDADE FATOS’ FATOS’’ Modelagem Solução Representação do Conhecimento Figura 22 . Quanto maior a quantidade e a qualidade de conhecimento específico (relativo ao problema) embutido nestes sistemas. Para permitir que os problemas sejam tratáveis em tempo hábil surgem os sistemas especialistas.1. A terceira fase iniciou-se a partir da percepção de que o conhecimento geral é muito extenso e pouco útil para problemas específicos. buscava-se compreender e reproduzir a capacidade de raciocínio e de representação de problemas do homem. possíveis soluções. 4. Nos sistemas baseados em conhecimento a ênfase deixa de ser o método de busca e a forma de representar o conhecimento passa a ter um papel fundamental. Eficácia Inferencial . adquirir novos conhecimentos e fornecer “explicações”. Adequação Inferencial .Modelagem da realidade Inferência Fatos Conforme está esquematizado na Figura 22. Durante a primeira fase procurava-se imitar a capacidade do homem de resolver problemas. dentre os quais. 4. Eficácia de Comunicação . ou seja. uma parte da realidade.

modificando-a. as regras que casarem são selecionadas. Álvaro Guarda Inteligência Artificial em Controle e Automação 30 . simulando os processos mentais de raciocínio e utilização do conhecimento. sendo que a forma mais óbvia de se resolver um conflito é ativar a primeira regra que foi satisfeita. 3) ação – ativa as regras executando as ações (lado direito) das mesmas. interpretador de regras.. Características de SP „ Monotônico – a aplicação de uma determinada regra nunca impede a posterior aplicação de outra regra que também poderia ter sido aplicada quando a primeira regra foi selecionada. 2) resolução de conflitos – apenas uma regra de cada vez pode ser ativada e quando mais de uma regra é aplicável. Regras de Produção: conjunto de regras que operam sobre a base de dados.Arquitetura básica de um SP Ação A Figura 23 apresenta a arquitetura de um SP com os seus principais componentes: „ „ „ Base de Dados: também chamado. Desde então SP tiveram um grande desenvolvimento e atualmente é um formalismo que descreve um grupo de sistemas baseados em pares condição-ação denominados regras de produção. é o módulo responsável pela execução do sistema e pela identificação da solução sinalizando quando o sistema deve parar.„ Lógica - „ „ „ „ „ 4. ocorre um conflito. Convencional Não-monotônica Difusa ou nebulosa (“fuzzy”) Temporal Senso-comum . contém dados informados pelo usuário sobre o problema ou gerados pelas próprias regras durante a execução (estado).3. Estratégia de Controle: também denominado. Este processo possui 3 fases: 1) casamento (“matching”) – seleciona as regras aplicáveis comparando as condições (lado esquerdo) das regras com o estado da Base de Dados. o que normalmente altera o Banco de Dados. memória de trabalho ou contexto.. Base de Dados Estratégia de Controle Condição Condição º º º Ação Ação º º º Regras de Produção Condição Figura 23 . Raciocínio Probabilístico Árvores de Decisão Redes Semânticas Quadros (“frames”) Roteiros (“scripts”) Sistemas de Produção (SP) SP foram inicialmente propostos por Post em 1943 para modelar o processamento da informação a partir da noção estímulo/resposta.

Estratégia de Controle: f testar as condições das regras em ordem arbitrária até que uma seja satisfeita. Base de Dados: Par de valores (x. y) 3) (x. 2) Ô 12) (2. o estado inicial (as duas jarras vazias) é representado como (0. Assim. y) Þ Ù{ÜIÛ'ß6Ý Deve ser definido um número mínimo de regras que modele adequadamente o problema. y) | x+y <= 4 e y > 0 Ô 10) (x. Regras de Produção: 1) (x = 0) g hji@kSl1monApHqsr™t1nTt4u!vTmRr6wxpyh{zRp@mRkHhf|}wjw 2) (x > 39) ~ j€@S‚1ƒo„A…H†s‡6ˆ4…Š‰#‹ŠŒ#ˆ1ƒŽ8‘'’F!“4”I…–• 3) (10 ≤ x ≤ 39) — ˜{™2š#›IœT™2šUsž!Ÿ‘ –¡x¢s˜f£¥¤ ¦§£ – 10) 4) (x = 9) ¨ ©{ª2«#¬I­Tª2«U®y¯H°8±)²–³ 5) (5 ≤ x ≤ 8) ´ µ{¶2·#¸I¹T¶2·Uºs»!¼‘½–¾x¿yµfÀÂÁ çÀ – 5) 6) (x = 4) Äŵ{¶2·#¸I¹T¶2·Uºy»HÆ8¼)½–¾ 7) (1 ≤ x ≤ 3) Äŵ{¶2·#¸I¹T¶2·Uºs»–Æ{½–¾’¿sµfÀÂÁ ÈÀ – 1) Exemplo 2: SP para solucionar o problema das jarras. Regras de Produção: ÇÉÈ4ÊtËDÌ 1) (x. y). y) | y > 0 Ô 5) (x. Exemplo 1: SP para representar um numero inteiro (x †ˆ‡4‰D’‘!“•”I–I“U‘!—F˜™—F˜'“Ud!”4˜1e Base de Dados: variável x armazenando inicialmente o valor a ser convertido. y) | x > 0 Ô Î{ÖIÐtÕDÓ ÎfÏÑÐIÖ6Ó 6) (x. f executar a ação correspondente. mais especializadas.é um sistema que é monotônico e parcialmente comutativo. Comutativo . º º º Inteligência Artificial em Controle e Automação Álvaro Guarda 31 . f repetir indefinidamente. porém os únicos volumes conhecidos são os das capacidades das jarras. 0) e o estado final como (x. y) | x+y >= 4 e y > 0 Ô ÎÉ×4ÐtÕ -(4-x)) ÎfÏ -(3-y). y) | x+y <= 3 e x > 0 Ô Î{ÖIÐ6Ï}ØÑÕDÓ ÙÉÚ1ÛIÜ6Ý 11) (0. y) | y > 0 Ô 7) (x. então qualquer permutação dessas regras que seja viável também transforma o estado x no estado y. y) | x > 0 Ô ÎfÏÑÐtÕ -d) 4) (x. tendo-se duas jarras. y) | x < 4 Ä 2) (x. 3) 8) (x. é desejável inserir regras adicionais. Pode-se colocar ou retirar água das jarras. o resultado será impresso. y) | x+y >= 3 e x > 0 Ô ÎfÏ}ØÑÕ}ÐIÖ6Ó 9) (x. que representem “atalhos” na procura da solução. O objetivo deste problema é. permitindo que se chegue à solução.… … Parcialmente Comutativo – se a aplicação de uma seqüência particular de regras transforma o estado x no estado y. Além disso. uma com capacidade de 3 litros e a outra de 4 litros. onde o primeiro elemento representa o volume de água contido na jarra de 4 litros e o segundo elemento representa o volume de água contido na jarra de 3 litros. chegar-se a um volume de dois litros na jarra de 3 litros. 2). y) | y < 3 Í ÎfÏÑÐDÒDÓ ÎfÏ -d.

porém a grande maioria deles utiliza regras. Evidentemente os SE podem utilizar qualquer uma das formas de representação do conhecimento citadas anteriormente. Isto acontece porque a maioria do conhecimento utilizado em problemas de IA é diretamente representável em expressões gerais de implicação. além de serem facilmente compreensíveis pelos usuários. A maior aplicação dos sistemas baseados em regras são os Sistemas Especialistas (SE).4. Sistemas Baseados em Regras Os sistemas baseados em regras surgiram a partir dos Sistemas de Produção e evoluíram utilizando resultados das pesquisas em lógica. No capítulo 6 os sistemas baseados em regras são aprofundados através do estudo dos SE. Inteligência Artificial em Controle e Automação Álvaro Guarda 32 . pois estes últimos representam um dos maiores marcos comercias na exploração da Inteligência Artificial. As regras têm a forma geral se <condições> então <conclusões> e os mecanismos de inferência utilizados para gerarem novos fatos são baseados na lógica.4.

De Morgan e outros). ¬ Fato. no trabalho de Robson.Esquema de prova por refutação. porém em um sistema computacional a maneira clássica é feita por refutação: − Nega-se o teorema.. A programação em lógica surgiu no início da década de 70 como resultado direto de pesquisas nas áreas de prova automática de teoremas e de inteligência artificial. desenvolvida por Hewitt em 1972. ou seja. Gilmore. joão_filho_maria. joão_homem. Davis. com enfoque em filosofia. houve muitas pesquisas em prova de teoremas no início da década de 60 com os trabalhos de Prawitz. Esquema geral de funcionamento: É estabelecida uma teoria (conjunto de axiomas) e procura-se provar se um determinado teorema é consistente com a teoria. introduzindo a regra de resolução.2. Possui sintaxe e semântica bem definidas. − Acrescenta-se à teoria. R.5. Sintaxe a) Proposição simples (átomo) i) Constantes : “Está chovendo. Putnam e outros. Teoria + ¬ Teorema Contém ou Pode gerar Fato. conforme mostra a Figura 24. 5. Após os trabalhos de Herbrand em 1930. . a linguagem PLANNER. ii) Variáveis : P. pode ser considerada a linguagem precursora da programação em lógica.” “João é homem. A teoria pode ser vista como um conjunto de declarações que modela um problema e o teorema como uma afirmação que deve ser provada em relação à teoria. gerando uma contradição.1. (maiúsculas) Inteligência Artificial em Controle e Automação Álvaro Guarda 33 . Figura 24 . à Existem vários métodos para se provar um teorema.” “João é filho de Maria. Do ponto de vista de um sistema baseado em conhecimento. Q. No século XIX houve importantes avanços com o desenvolvimento da álgebra booleana (Boole. Este esforço culminou. Uma contradição. em 1965. à à à Lógica Procura modelar formalmente o raciocínio humano. Lógica Proposicional A lógica proposicional é baseada em proposições.” → → → chove. 5. programação em lógica com facilidades para processamento de restrições. Pesquisas recentes envolvem a implementação de “const raint logic programming” (CLP). declarações que podem ser verdadeiras ou falsas. − Procura-se uma contradição. é a afirmação e a negação do mesmo fato. Roussel e Colmerauer em Marselha (implementação). Breve Histórico A lógica foi intoduzida no século III AC por Aristóteles para representar os processos do raciocínio. uma regra de inferência particularmente adequada para a automação em computadores. associando a lógica à matemática. Pelo lado da inteligência artificial. van Emden em Edinburgo (demonstração experimental).. a teoria é uma base de conhecimento e o teorema uma consulta. Os pesquisadores que desenvolveram no início da década de 70 a idéia de utilizar a lógica como linguagem de programação foram Kowalski na Universidade de Edinburgo (lado teórico). para fazer planejamento em robótica.

f}. ω(¬P) = f se ω(P) = v. P ↔ Q são FBF. caso contrário ω(P∨Q) = v.b) Proposição composta (fórmula bem formada. (2) Se P é uma FBF. caso contrário ω(P↔Q) = f. F≡G. isto é. (2) ω(P∧Q) = v se ω(P) = v e ω(Q) = v. Leis de Equivalência Negação Dupla: Comutativas: Associativas: Distributivas: ¬(¬F) ≡ F F ∨ G ≡ G∨ F F ∧ G ≡ G∧ F (F∧G)∧H ≡ F∧(G∧H) (F∨G)∨H ≡ F∨(G∨H) F∨(G∧H) ≡ (F∨G)∧(F∨H) F∧(G∨H) ≡ (F∧G)∨(F∧H) Inteligência Artificial em Controle e Automação Álvaro Guarda 34 . (5) ω(P↔Q) = v se ω(P) = ω(Q). caso contrário ω(P∧Q) = f. Em uma FBF contendo n átomos diferentes. então P ∧ Q. (3) ω(P∨Q) = f se ω(P) = f e ω(Q) = f. então ¬P é uma FBF. Fórmula Inconsistente (insatisfatível): fórmula falsa para todas as interpretações possíveis. Contra-exemplo: uma interpretação em que ω(fórmula) = f. (3) Se P e Q são FBF. Modelo: uma interpretação em que ω(fórmula) = v. como segue : (1) ω(¬P) = v se ω(P) = f. ii) Fórmula bem formada (FBF) : (1) Um átomo é uma FBF. existem 2n interpretações. Fórmula Válida ou Tautologia: fórmula verdadeira para todas as interpretações possíveis. expressão) i) Elementos : − − Conectivos (em ordem de prioridade): ¬ ∧ ∨ → ↔ Parênteses. também chamada contradição. P → Q. Semântica A semântica de uma FBF é estabelecida através da definição da função ω : proposição → {v. Definições Tabela Verdade: enumeração de todas as interpretações e correspondentes avaliações para uma FBF. Fórmula Consistente (satisfatível): aquela que não é inconsistente. (4) ω(P→Q) = f se ω(P) = v e ω(Q) = f. se ω(F) = ω(G) para todas as interpretações. Equivalência: duas fórmulas F e G são chamadas equivalentes. maneiras possíveis de associar valores verdade aos átomos na fórmula. P ∨ Q. caso contrário ω(P→Q) = v.

se para cada interpretação ω. ¬resfriado Álvaro Guarda Inteligência Artificial em Controle e Automação 35 .. Fn}. ç ç ç Teoria (conjunto de axiomas ou Base de Conhecimento): (1) garganta_inflamada. F2... (2) ¬ garganta_inflamada ∨ ¬resfriado ∨ gripe. ¬gripe.. F ≡ G equivale a F Exemplo äæå G e G äæå F. n ≥1. para o qual ω(F1∧F2∧ . (5) coriza. então basta que apenas um deles seja verdadeiro: ¬garganta_inflamada. temos ω(G) = v. Teorema (consulta): gripe. coriza.. ¬ garganta_inflamada ∨ ¬resfriado ∨ gripe.Morgan: Outras: ¬(F∧G) ≡ ¬F ∨ ¬G ¬(F∨G) ≡ ¬F ∧ ¬G F → G ≡ ¬F ∨ G F↔G ≡ (F→G) ∧ (G→F) Conseqüência Lógica Uma formula G é uma conseqüência lógica de um conjunto de fórmulas F = {F1. denotada por F áãâ G. ¬doi_corpo ∨ resfriado. como os seus elementos estão unidos por “ ∨”. (4) ¬coriza ∨ resfriado. Prova por refutação: èêé Teoria + negação do teorema: (1) (2) (3) (4) (5) (6) garganta_inflamada. ∧ Fn) = v.. (6) ¬gripe ë1ì Tentativa de encontrar uma contradição: (2) ¬ garganta_inflamada ∨ ¬resfriado ∨ gripe ¬ garganta_inflamada ∨ ¬resfriado (1) garganta_inflamada (4) ¬coriza ∨ resfriado ¬resfriado ¬coriza (5) coriza [ Observações: − (cláusula vazia: contradição) Explicação do primeiro passo da procura por uma contradição: a proposição (2) precisa ser verdadeira. ¬coriza ∨ resfriado. (3) ¬doi_corpo ∨ resfriado.

3. ∨ Ln. Isto é.. então foi encontrada uma contradição.. Negue P e converta o resultado para a forma clausal. Reduza o escopo dos operadores de negação..ou gripe. Algoritmo de transformação de uma FBF para a forma clausal: 1. Elimine as implicações. será a disjunção de todos os literais de ambas cláusulas-pai com exceção dos literais redundantes e dos literais complementares (L e ¬L). Assim.. Abaixo são apresentadas algumas definições preliminares e o algoritmo da resolução. Exercício: Transforme para a forma clausal a fórmula P ∨ ¬(¬Q → R) ∧ (S →P). Converta todas as proposições de T para a forma clausal. b. 3. a manipulação para procurar uma contradição fica mais fácil se todas as proposições tiverem apenas os conectores ¬ e ∨. se {C1. Conforme a proposição (6). Álvaro Guarda Inteligência Artificial em Controle e Automação 36 . 4. c. 2. Considere duas cláusulas C1 e C2 contendo literais complementares. Cláusula vazia: representada pelo símbolo [. Para isto utilize as leis de equivalência: F↔G ≡ (F→G) ∧ (G→F) e F → G ≡ ¬F ∨ G 2. Repita os passos abaixo até que uma contradição (cláusula vazia) seja encontrada ou até que nenhum progresso a mais possa ser feito. Chame-as de cláusulas-pai. Leis de equivalência: distributivas e associativas. Caso contrário. C2}. a indica a presença de uma contradição. Transforme-a em um conjunto de cláusulas substituindo fórmulas na forma F1 ∧ F2 ∧ . (3) (doi_corpo ∨ coriza) → resfriado. ∧ Fn em {F1. Cláusula: é uma FBF na forma L1 ∨ L2 ∨. − A teoria original é: (1) garganta_inflamada. Literal: é um átomo ou a negação de um átomo.. Algoritmo da Resolução: 1. Resolva as duas juntas: a cláusula resultante. acrescente-o ao conjunto de cláusulas disponíveis. a. assim ¬garganta_inflamada ou ¬resfriado deve ser verdadeiro. Fn}. (4) coriza.. F2. entretanto. ¬gripe está valendo. Qualquer resolvente C de C1 e C2 é uma conseqüência lógica de {C1. C2} í î C então {C1. Se o resolvente for a cláusula vazia. chamada resolvente. Resolução (simplificada para a lógica proposicional) A resolução é uma regra de inferência que prova se uma proposição P (teorema) é verdadeira em relação a um conjunto de axiomas T (teoria). a base de conhecimento foi alterada utilizando-se as leis de equivalência. Leis de equivalência: negação dupla e Morgan. C2} ïæð C... ∧ Fn. Acrescente-o ao conjunto de cláusulas obtido na etapa 1.. de modo que cada ¬ esteja restrito a um único átomo. (2) (garganta_inflamada ∧ resfriado) → gripe. Selecione duas cláusulas. onde as fórmulas Fi estão na forma disjuntiva.. onde cada Fi está na forma L1 ∨ L2 ∨ . ∨ Lm e cada Lj é um literal.. Transforme-a para a forma normal conjuntiva: F1 ∧ F2 ∧ .. Teorema 1 (“soundness” da resolução) Uma coleção de regras de inferência é saudável se ele preserva os valores verdade sob as operações de derivação (|-).

nõ’öI÷Døúù 1. isto é. Ex... tn são termos. BlocoB). : ∀x (P(x.Obs. P ↔ Q são FBF . vii) Símbolos auxiliares : parênteses. então f(t1... y))) o y em negrito não é quantificado. vi) Variável livre : variável que ocorre em uma FBF e não é quantificada. v) Escopo de quantificador : é a área de influência do quantificador. então P ∧ Q. Q(f(y). tn são termos. C. t2. . iv) Funções : são mapeamentos de elementos do universo (minúsculas). ô ii) Fórmula atômica. . tn) é um termo. Obs. Semântica Na lógica de predicados a semântica é dada em cinco etapas : Inteligência Artificial em Controle e Automação Álvaro Guarda 37 . vii) Fórmula fechada (sentença): não possui variáveis livres.3. Lógica de Predicados É mais expressiva que a lógica proposicional: − permite descrever propriedades e relações de / entre objetos.: ñ ò deriva (deduz) pela aplicação de uma regra de inferência. (3) se f é uma função de aridade n e t1. g(f(x). Sobre(BlocoA.... Pai(José. (2) uma variável . : Homem(José).. (3) se P e Q são FBF. todas as conseqüências lógicas de um dado conjunto de fórmulas podem ser derivadas. é formada com átomos ligados por conectivos lógicos e junto com quantificadores. Sintaxe a) Símbolos da linguagem i) Objetos : são os elementos do universo do discurso (inicia com maiúscula). Proposição possui aridade 0. Maria).. b) Definições i) Termo : é definido como : (1) uma constante . t2. . Ex. Teorema 2 A resolução é completa.. − permite expressar declarações mais gerais. Se S ñæó F então S ñ ò F. P ∨ Q.. . 5. ii) Predicados : são relações entre os objetos do universo (inicia com maiúscula).y) → ∃y (R(x. tn) onde P é um predicado n-ário. iv) Fórmula bem formada (FBF) : (1) um átomo é uma FBF . t2. z)) iii) Fórmula composta. v) Conectivos lógicos : os mesmos da lógica proposicional : ¬ ∧ ∨ → vi) Quantificadores : ∀ universal e ∃ existencial.. vírgula. viii)Fórmula livre : possui variáveis livres. (2) se P é uma FBF então ¬P é uma FBF . : Aridade é o número de elementos (argumentos) de um predicado. .. . P → Q. iii) Variáveis : expressam genericamente elementos do universo (minúsculas). (4) se P é uma FBF então ∀x P e ∃x P são FBF. Exemplos : P(x).. ou simplesmente átomo. t2. é uma expressão da forma P(t1.

. g(x)) onde g é uma função não utilizada antes. . Atribuir a cada variável livre um elemento do domínio D. Exemplos : ∀x (P(x) ∨ ∃y Q(x. de modo que cada ¬ esteja restrito a um único átomo.. 6. n≥0) é um dos quantificadores ∀ ou ∃. Obs.y)) ∧ (P(x) ∨ R(x))) Forma normal conjuntiva Algoritmo de transformação de uma FBF para a forma clausal: 1. onde cada Fi está na forma L1∨ L2∨..y)) ∨ ¬R(x)) PRENEX ∀x ∃y ((¬P(x) ∨ Q(x.. ∀x (∃y P(x. .. F2. 3. ∨ Lm) onde cada Li (i =1. 5...n.. ... n≥1) for uma disjunção de literais L1 ∨ L2 ∨ . 7. Reduza o escopo dos operadores de negação.É utilizado x como argumento da função porque o escopo de x é maior... movendo os quantificadores ∀ para a esquerda da fórmula. sem alterar a sua ordem relativa. Morgan e dos quantificadores.m. porém F é SAT sse Fs é SAT. ∨ Lm. Individualize as variáveis para que cada quantificador fique vinculado a uma variável única....∨ Lm e cada Lj é um literal. Qn xn M onde Qi (i =1. ∀xs (L1∨ L2∨..y)) Não está na forma normal PRENEX devido à presença do quantificador existencial ∀x ∃y ∀z ((P(x) ∧ Q(x.. Elimine os quantificadores existenciais através das funções de Skolen (skolenização).. onde cada Fi (i =1. y)) fica ∀x P(x.. ∧ Fn em {F1. então y pode ser funcionalmente dependente de x.. : .. Leis de Equivalência para Quantificadores ¬∃x P(x) ≡ ∀x ¬P(x) ¬∀x P(x) ≡ ∃x ¬P(x) ∀x (P(x) ∧ Q(x)) ≡ ∀x P(x) ∧ ∀x Q(x) ∃x (P(x) ∨ Q(x)) ≡ ∃x P(x) ∨ ∃x Q(x) ∀x P(x) ≡ ∀y P(y) ∃x P(x) ≡ ∃y P(y) Cuidado : ∀x (P(x) ∨ Q(x)) ≠ ∀x P(x) ∨ ∀x Q(x) ∃x (P(x) ∧ Q(x)) ≠ ∃x P(x) ∧ ∃x Q(x) Forma Clausal da Lógica de Predicados a) Cláusula é uma fórmula fechada disjuntiva ∀x1.. xs (s≥0) são variáveis ocorrendo em (L1∨.1) 2) 3) 4) 5) Definir um domínio de aplicação D. e M é a fórmula onde os quantificadores ocorrem. ∃x P(x) fica P(C) onde C é uma constante não utilizada antes.As fórmulas não são equivalentes lógico. ∀x2...n. denominado universo do discurso. m≥0) é um literal em que Li ≠ Lj (i ≠ j) e x1. Atribuir a cada função uma aplicação de Dn em D. Atribuir a cada proposição o valor v ou f.∨ Lm).. Fn}. Transforme a fórmula em forma normal PRENEX. Transforme-a para a forma normal conjuntiva: F1 ∧ F2 ∧ . ∧ Fn.. Elimine as implicações.. Leis de equivalência: negação dupla. ∀x P(x) ≡ ∀y P(y) e ∃x P(x) ≡ ∃y P(y) Leis de equivalência: Exemplo: ∀x F(x) ∧ ∀x G(x) fica ∀x F(x) ∧ ∀y G(y) 4.. f}. Inteligência Artificial em Controle e Automação Álvaro Guarda 38 . 2. ∧ Fn. Atribuir a cada predicado uma aplicação de Dm em {v.. Leis de equivalência: distributivas e associativas. c) Uma fórmula F na forma normal PRENEX está na Forma Normal Conjuntiva se a matriz M de F for da forma F1 ∧ F2 ∧ . Desconsidere o prefixo e transforme a matriz em um conjunto de cláusulas substituindo fórmulas na forma F1 ∧ F2 ∧ . onde as fórmulas Fi estão na forma disjuntiva. Para isto utilize as leis de equivalência: F↔G ≡ (F→G) ∧ (G→F) e F→G ≡ ¬F ∨ G. b) Forma Normal PRENEX é quando uma FBF tem o seguinte formato : Q1 x1 .

então Eβ é uma instanciação de todas as expressões de E por β.g(x))∨¬R(f(x. xm/tm} com a substituição β={y1/s1. x/A. Unificador Mais Geral (UMG) é um unificador θ de um conjunto de expressões E={E1. R(B. ∀x(∃yP(x. xm}} Seja β. xn/tn} uma substituição.y)))) 1.y)∨∀y(¬Q(x. 4. x)) θ = {x/f(y). E1β= … = Emβ. w/g(C).y)))) redução do escopo das negações ∀x(∃yP(x. onde nenhum dos primeiros elementos das substituições simples coincidem.z)))) eliminação dos quantificadores existenciais ∀x∀z (P(x.z)∧¬R(f(x. f(B))) Unificador é uma substituição β onde.z)))) transformação na forma normal conjuntiva {P(x. yn/sn} é θβ={ x1/t1β. x é uma variável e t um termo. Em}.z)))) individualização das variáveis ∀x(P(x. f(A. …. w))} β1={x/B. 7.y)∨¬∃y(¬Q(x. Em}.g(x))∨ (¬Q(x.g(x))∨ ¬Q(x.y)∨¬∃y(Q(x. y/C} R(B. Exemplo: E={R(x. ….z)∧¬R(f(x. z/y} → {x/f(B). …. …. yn/sn} – {xi/tiβ | xi=tiβ} – {yj/sj | yj ∈{x1. Instância Sejam E uma expressão e β={x1/t1. z/y} θβ = {x/f(B).y)∧¬R(f(x. g(z. Definições Substituição simples é a expressão x/t onde se lê “ x substituído por t”.y)∨R(f(x. Eβ é uma instância de E. f(z. A instanciação da cláusula C por substituição β é obtida fazendo Cβ e eliminando-se as ocorrências repetidas do mesmo literal. onde para todo unificador β de E existe uma substituição λ tal que β=θλ. g(C))) Inteligência Artificial em Controle e Automação Álvaro Guarda 39 . f(y). z/y} Eθβ = Q{f(B).g(x))∨¬R(f(x. Substituição é um conjunto finito β de substituições simples.z)))) transformação na forma normal PRENEX ∀x∀z ((P(x.z))∧(P(x. 2.z)∧¬R(f(x. θ e ϕ substituições.g(x))∨∀z(¬Q(x. então E(ββ) = Eβ E(ϕβ)θ = Eϕ(βθ) associativa Eβθ ≠ Eθβ não é comutativa Exemplo E = Q(x.z))} forma clausal Resolução na Lógica de Predicados Unificação É um procedimento que procura tornar 2 expressões iguais através da substituição de variáveis. f(y). 6. obtida substituindo-se em E cada ocorrência de xi por ti. xm/tmβ.y)))) eliminação de implicações ∀x(∃yP(x. y/B. y/z} β = {x/A. g(y))). 5. f(A. …. Composição de substituições A composição da substituição θ={x1/t1. z/A.g(x))∨ ¬Q(x. ….y)∨∀z(¬Q(x. y/y. z/y} { x/f(y)β. g(y. y/zβ. y/B. ∀x(∃yP(x.y)→R(f(x. P(x. dado um conjunto de expressões {E1. ….Exercício: Transforme a FBF abaixo na forma clausal. y/B. y1/s1. z/y} → {x/f(B).z). Se E for um conjunto de expressões. …. x/A. 3. ∀i.

d) Se L1 e L2 forem constantes então retorne fracasso. então a) Se L1 e L2 forem idênticos. 5. Obs. Depende de uma estratégia. 3. Retorne o resolvente: disjunção de todos os literais de Ci e Cj. 6. 2. após a aplicação do UMG. 3. L2):conjunto 1. w/g(f(A))} R(B. y/f(A). f(A.: λ={y/C} β3{y/f(A)}=β2 Encontre o unificador mais geral para E={x. 2. 3. n-ésimo argumento de L2). c) Cláusulas ← Cláusulas + Resolvente. odeia(marcos. ii) UMG ← UMG + S.: Se parou porque encontrou então existe uma contradição. Resolve(Ci.β2={x/B. Faça até ∈ Cláusulas ou nenhum progresso for feito a) Selecione 2 cláusulas Ci e Cj ∈ Cláusulas. b) Resolvente ← Resolve(Ci. Cláusulas ← Cláusulas + Converte(¬P). x). f(x)}. Retorne UMG. b) Se S = fracasso então retorne fracasso. Selecione L1 ∈ Ci. Cj). T) 1. já na forma clausal. L2 ∈ Cj. Se L1 e L2 forem ambos constantes e/ou variáveis. Cj): cláusula 1. Exercício: Dado os axiomas abaixo. Isto é. 4. g(y))) β3 é um UMG: Exercício: β3{y/C}=β1 Obs. 2. P é verdadeiro em relação a T com as substituições que foram efetuadas para derivar . c) Se S ≠ {} então i) aplique S ao que resta em L1 e L2. Se os símbolos de predicado de L1 e L2 não forem idênticos então retorne fracasso. Assim. Inteligência Artificial em Controle e Automação Álvaro Guarda 40 . Algoritmo de Resolução Prova P com respeito a um conjunto de axiomas T Prova(P. vazio b) Se L1 for uma variável então Se L1 ocorrer em L2 então retorne fracasso senão retorne {L1/L2}. então retorne {}. c) Se L2 for uma variável então Se L2 ocorrer em L1 então retorne fracasso senão retorne {L2/L1}. Cláusulas ← Converte(T). Se as aridades de L1 e L2 forem diferentes então retorne fracasso. Algoritmo de Unificação retorna o UMG como resultado ou fracasso Unifica(L1. w/g(y)} R(B. UMG ← Unifica(L1. z/A. onde L1 ou L2 é negado nas cláusulas e L1 e L2 são unificáveis. L2). prove que Marcos odeia alguém. g(f(A)))) β3={x/B. z/A. com exceção dos literais redundantes e dos literais complementares L1 e ¬L2 (ou ¬L1 e L2). UMG ← nulo Para n ← 1 até aridade de L1 a) S ← Unifica(n-ésimo argumento de L1. f(A.

¬Tenta_assassinar(Marcos. César) 2 e 11 {} 13. y1) ∨ ¬Leal_a(x4. Esta estratégia de seleção é completa.4. ¬Q 4e6 2) Resolução com o Conjunto de Suporte Esta estratégia utiliza o conhecimento de que o conjunto de cláusulas original (teoria ou axiomas) é sempre consistente. ¬Pompeano(Marcos) ∨ Leal_a(Marcos. César) 7 e 12 {x4/Marcos. ¬P∨¬Q 3 e 4 13. Pompeano(Marcos) 3. então está provado que Marcos odeia alguém. Cláusulas: 1. César) ∨ Odeia(x2. então Marcos odeia César. ¬P∨¬Q∨R} e o teorema R a ser provado. ¬P 5e8 8. ¬R 1) Resolução por Saturação (exploração em extensão) Faz a seleção das cláusulas de maneira sistemática. ¬P∨R 2e3 12. Sejam a teoria {P. ¬Homem(Marcos) ∨ ¬Soberano(César) ∨ ¬Tenta_assassinar(Marcos. R 1e5 3. Leal_a(Marcos. os resolventes que já estão presentes no conjunto de cláusulas não são acrescentados novamente.x) 10. Como a variável do teorema está instanciada com César. ¬P∨R 2 e 3 2. Definição: Um subconjunto T de um conjunto de cláusulas S é um conjunto de suporte de S se e somente se S . ¬P∨¬Q∨R 7. R 5e6 7.1. Tenta_assassinar(Marcos. César) 6. ¬P∨Q 6. 5. César) 1 e 13 {} 15. A forma mais rápida é usando a nossa inteligência. Leal_a(x3. ¬Odeia(Marcos. sendo que as cláusulas selecionadas devem ter literais complementares. y1) 8. Abaixo é apresentada a seqüência de cláusulas geradas com esta estratégia para o problema anterior: 5. ¬Q∨R 1 e 3 11. César) 3 e 10 {x1/Marcos} 12. ¬Homem(x4) ∨ ¬Soberano(y1) ∨ ¬Tenta_assassinar(x4. na ordem em que as mesmas aparecem. x/César} 11. f1(x3)) 7. 5e9 9. y1/César} 14. As estratégi as serão apresentadas com exemplos da lógica proposicional. provando a inconsistência. César) 4 e 14 {} 16. Homem(Marcos) 2. ¬Pompeano(x1) ∨ Romano(x1) 4. César) 9 e 5 {x2/Marcos. 4e6 4. ¬P∨Q. ¬Romano(x2) ∨ Leal_a(x2. 8 e 15 {} A cláusula vazia foi derivada. Estratégia de Resolução É a forma de escolha das cláusulas que serão “resolvidas”. Q 1e2 10. selecionando as cláusulas que geram a cláusula vazia com o menor esforço. Veja o exemplo abaixo.T é consistente. Soberano(César) 5. somente é possível derivar a cláusula vazia. aplicando o algoritmo de resolução a cláusula vazia é derivada e fica provado R. ¬P 4e7 6. mas ineficiente. ¬Romano(Marcos) ∨ Leal_a(Marcos. P 5. utilizando-se pelo menos uma cláusula que não pertença ao conjunto de cláusulas original. Para evitar trabalho desnecessário. T contém inicialmente a cláusula a ser provada e a cada passo o resolvente é acrescentado a T. porém os conceitos são os mesmos para a lógica de predicados. Inteligência Artificial em Controle e Automação Álvaro Guarda 41 . ¬Soberano(César) ∨ ¬Tenta_assassinar(Marcos. César) Resposta: 9. Assim.

. .. 7e1 Exercício: 1) Prove P(h(x). . A outra cláusula é a cláusula auxiliar (outra cláusula qualquer). ∨ ¬Mk”. (b) cláusula objetivo é a cláusula vazia ou uma cláusula com todos os literais negativos. da forma “ ¬N1 ∨ ¬N2 ∨ . ¬Q 5e1 7. M1. da forma “L ∨ ¬M1 ∨ ¬M2 ∨ . ¬P∨¬Q 4 e 3 6. o teorema negado. ¬Q 5e1 7. 4) Estratégia Linear de Entrada A cláusula pai é inicialmente a negação da cláusula a ser provada e nos demais passos é o último resolvente. (b) resolução com conjunto de suporte. N1} tal que A é da forma (¬M1 ∨ ¬M2 ∨ . M2. ¬P∨¬Q 4 e 3 T={4} 6. A seqüência de cláusulas geradas com esta estratégia para o problema anterior é: 5. 6} 8. h(S)) com relação ao conjunto de cláusulas { P(f(x. y). Definições: (a) cláusula definida é aquela contendo exatamente um literal positivo. 7e1 5) Resolução LSD (Linear com função de Seleção para cláusulas Definidas) Esta estratégia trabalha com um conjunto de cláusulas consistindo de uma ou mais cláusulas definidas e de uma cláusula objetivo. w) }. 7e1 T={4. utilizando as estratégias: (a) resolução por saturação. . Veja abaixo a seqüência de cláusulas geradas com esta estratégia para o problema anterior: 5. 5. f uma função de seleção. . v) ∨ ¬P(x. na primeira vez. (c) resolução linear. A’’ uma cláusula definida. . 5} 7. uma expressão ¬M1 ∨ ¬M2 ∨ . A cláusula auxiliar (outra cláusula) é uma das cláusulas do conjunto de entrada (cláusulas originais + a negação do teorema a ser provado). uma expressão da forma: L ∨ ¬M1 ∨ ¬M2 ∨ . ¬P∨¬Q 4 e 3 6. isto é.y). z.Na aplicação desta estratégia. ¬P 5e2 T={4. ¬P(x. padrão. ¬P 6e2 8. ∨ ¬Mn ou L . Esta estratégia é eficiente porque previne a geração de resolventes que não contribuem para a prova. ¬P(x. y). 6. . o resolvente é uma cláusula objetivo A sse existe um UMG θ do conjunto de literais {L. x. onde L. β uma re-nomeação de A’’ em presença de A’. ∨ ¬Nm) = N1. Álvaro Guarda Inteligência Artificial em Controle e Automação 42 . Veja abaixo a seqüência de cláusulas geradas com esta estratégia para o problema anterior: 5. . u) ∨ P(y. . . isto é. ¬Q 5e1 T={4. . v. ∨ ¬Nm”. . Mn são átomos. . y. z. x. û a cláusula A’’ é denominada cláusula auxiliar e pertence ao conjunto de cl áusulas de entrada. diminuindo a explosão combinatorial. . . ∨ ¬Mn da forma: (c) f é uma função de seleção sse f mapeia cada cláusula objetivo em um literal da cláusula. ¬P 6e2 8. 7} 3) Resolução Linear A cláusula pai é inicialmente a negação da cláusula a ser provada e nos demais passos é o último resolvente. ∨ ¬Nm )θ Note que: û a cláusula A’ é denominada cláusula -pai e é sempre o último resolvente ou. 5. A aplicação desta estratégia funciona da seguinte forma: Sejam A’ uma cláusula objetivo. ∨ ¬Mk ∨ ¬N2 ∨ . tal que f(¬N1 ∨ ¬N2 ∨ . . g(x. w) ∨ P(u. pelo menos um dos pais faz parte do conjunto de suporte T. . y).

. Depende(x. P(A) 12.ü ü ü não há liberdade de escolha dos literais. . ¬R(A) 5. . utilizando as estratégias: (a) resolução por saturação. . . (b) resolução com conjunto de suporte. utilizando as estratégias: (a) resolução por saturação. P(x) ∨ R(x) 5 e 1 {} 7. (d) resolução linear de entrada. R(B) 5 e 1 {x/B} Não é mais possível avançar. Solução do exercício 1): (a) resolução por saturação: 1. Depende(x. .y) ∨ ¬Chama(x. . R(A) ∨ P(B) 7. .y). ∨ ¬Mn ≡ ← M1 ∧ M2 ∧ . ∧ Mn) (c) ¬M1 ∨ ¬M2 ∨ . chamado “cláusulas de Horn”. então tenta outra alternativa pegando o literal P(B) da cláusula 1. permitindo apenas cláusulas do tipo: ≡ L ← (a) L. Depende(x. P(x) ∨ R(x) ∨ P(B) 2. ¬P(A). P(A) ∨ R(B) 3.y) ∨ ¬Usa(x.E). ¬P(A) 4. ¬R(A) 5. R(A) 11. ¬P 6e2 8. Usa(B. P(A) 6 e 4 {x/A} Inteligência Artificial em Controle e Automação Álvaro Guarda 43 . R(B) 9.z) ∨ ¬Depende(z. o resolvente sempre é uma cláusula objetivo.y).y) }. ∧ Mn ≡ ¬∃ (M1 ∧ M2 ∧ . 6. R(A) 6 e 3 {x/A} 8. P(A) ∨ R(B) 3. ¬P(B) 6. P(A) ∨ P(B) 8. P(B) 10. (b) resolução com conjunto de suporte. . 7e1 Exercícios: 1) Prove P(B) com relação ao conjunto de cláusulas { P(x) ∨ R(x) ∨ P(B).B). esta estratégia utiliza um subconjunto da lógica de predicados. . ¬P(A) 4. (c) resolução linear.E) com relação ao conjunto de cláusulas { Chama(A. ∨ ¬Mn A seqüência de cláusulas geradas com esta estratégia para o problema anterior é: 5. 2) Prove o Depende(A. ∧ Mn (b) L ∨ ¬M1 ∨ ¬M2 ∨ . P(x) ∨ R(x) ∨ P(B) 2. P(A) ∨ R(B). ¬P∨¬Q 4 e 3 6. 1e3 1e4 1e5 3e7 5e6 5e7 5e9 {x/A} {x/A} {x/B} {} {} {} {} (b) resolução com conjunto de suporte: 1. ¬R(A)}. ¬P(B) 6. ≡ L ← M1 ∧ M2 ∧ . (e) resolução LSD. ¬Q 5e1 7. (c) resolução linear.y) ∨ ¬Chama(x.

y) 6. 24. . ¬Depende(A.. P(x) ∨ R(x) 5 e 1 {} 7. z/B} 2 e 4 {x/B.E) ∨ ¬Chama(A. y/E} 5 e 7 {z/A.A) ∨ ¬Depende(B. Usa(B.9.E) Depende(x.E) 3. y/E} 5 e 12 {z/A} 5 e 15 {z/A} 5 e 16 {z/x1.y) ∨ ¬Usa(x.z) ∨ ¬Depende(z. Depende(x.z) ∨ ¬Depende(z.E) ∨ ¬Chama(x. 17. 21.x1) Depende(x. 20. então tenta outra alternativa pegando o literal P(B) da cláusula 1. Depende(x.B) Depende(x.y) ∨ ¬Usa(x. 6.z) ¬Usa(A. ¬R(A) 5.A) ∨ ¬Chama(B.z) ∨ ¬Depende(z.A) ∨ ¬Usa(B.y) ¬Chama(A.y) ¬Chama(x1. 8.y) 5.B) ∨ ¬Chama(x. Depende(x. P(x) ∨ R(x) ∨ P(B) 2. (b) resolução com conjunto de suporte: 1.y) ∨ ¬Chama(x.y) 5. y/E} 4 e 8 {x/B} 5 e 6 {x/A.E) ¬Usa(B. 10.A) ¬Chama(B.y) ¬Usa(z.z) ∨ ¬Depende(z.B) 2.y) ∨ ¬Chama(x.y) Depende(x. 9.y) ∨ ¬Chama(z. y/E} 3 e 5 {x/z} 3 e 6 {x/A.y) ∨ ¬Chama(x. ¬Depende(A. x/x1. y/B} antes.E) ¬Chama(B. 13.y) ∨ ¬Chama(x.E) Inteligência Artificial em Controle e Automação Álvaro Guarda Depende(A. y/B} 5 e 8 {x/B} 5 e 8 {z/A} 5 e 9 {z/B.z) ∨ ¬Depende(z.y) ∨ Depende(A. 14. P(A) ∨ R(B) 3.y) ∨ ¬Chama(x.y) 6. a variável x da 17 foi renomeada para x1 44 .B) Depende(A. Depende(x. 7e4 {} Solução do exercício 2): (a) resolução por saturação: 1. (c) resolução linear: 1.y) Depende(x.y) ∨ ¬Chama(x. y/E} 3 e 8 {x/B} 4 e 5 {x/z} 4 e 6 {x/A. 22. 12. R(B) 10.y) Depende(x. R(B) 5 e 1 {x/B} Não é mais possível avançar.B) 2. Usa(B.A) 1 e 3 {x/A. Chama(A. R(A) 6 e 3 {x/A} 8. 15. 16. y/B} 1 e 5 {x/A.E) 3.z) ¬Chama(A. Depende(x.y) ∨ ¬Depende(B.y) 4.y) 4.y) ∨ ¬Chama(x. 23. Chama(A.y) ∨ ¬Chama(z. Depende(x. 18. ¬P(A) 4.E) 7. ¬P(B) 6 e 5 {x/B} 7e4 {} 6.y) Depende(B.y) ∨ Depende(A.z) ∨ ¬Chama(z. 19. 11.E) ¬Chama(z.y) ∨ Depende(A..B) ∨ ¬Chama(x.y/E} 5 e 17 {x1/z.

Chama(A. 16.B) ¬Depende(B.E) ¬Usa(A. Depende(x. 7. y/E} antes. a variável z da 5 foi renomeada para z1.z) ∨ ¬Chama(z. Inteligência Artificial em Controle e Automação Álvaro Guarda 45 .E) 7. ¬Chama(A. 13. 14.E) ¬Usa(B.E) ¬Chama(A. ¬Chama(A. Depende(x. y/E} {x1/z. para este problema. resolução linear de entrada e resolução LSD.y) ∨ ¬Chama(x. Os nodos da árvore de busca contêm o conjunto de cláusulas corrente. 9. a variável x da 4 foi renomeada para x1 {z/x1.z) ∨ ¬Chama(A. 20. a variável z da 9 foi renomeada para z1 {x/B.z) ∨ ¬Depende(z.z) ∨ ¬Depende(z.E) ¬Usa(B.y) 5.E) ∨ ¬Chama(A.x1) ∨ ¬Chama(A. 8. 19. z/B} {x/z.E) ¬Chama(x. Usa(B.E) ¬Chama(B.E) ¬Chama(A.z) ∨ ¬Depende(z.B) 2. 18.x) ∨ ¬Usa(z.y) 6. y/E} {x/B. têm a mesma solução: 1.E) ¬Chama(A.x) ∨ ¬Chama(x.y) ∨ ¬Usa(x. y/E} {x/B.E) 22.E) ¬Chama(A. 10.z1) ∨ ¬Depende(z1.E) ¬Chama(x.y) ∨ ¬Chama(x. 15. y/E} antes. y/E} {x/B} {x/A. y/E} {z/B} {z/x. y/E} {x/A.x) ∨ ¬Usa(x. e a x da 5 para x1 {} (c) resolução linear. y/E} antes.E) ∨ ¬Chama(A. y/E} {x/A.z) ∨ ¬Depende(z.z) ∨ ¬Chama(A. A Figura 25 apresenta a árvore de busca para o problema do exercício 1. y/E} {x/B} Não é mais possível avançar Não é mais possível avançar Não é mais possível avançar Árvore de Busca A escolha da estratégia de resolução define como é explorada a árvore de busca para encontrar a cláusula vazia.E) ¬Chama(B. y/E} {z/B} {x/B. {x/A. y/E} {z/x.x) ¬Chama(B. 10.E) ¬Depende(B.E) 3. ¬Depende(A.z) ∨ ¬Depende(z. ¬Chama(x. 12.E) 6e3 6e4 6e5 9e1 9e3 9e4 9e5 10 e 3 10 e 4 10 e 5 12 e 2 13 e 1 13 e 3 13 e 4 13 e 5 15 e 2 21. 8. 7.E) 6e3 6e4 6e5 7e1 8e3 8e4 9e2 {x/A. 17.A) ¬Chama(z. 9. sendo que a raiz contém o conjunto de cláusulas de entrada.E) ¬Depende(B. y/E} {x/B.x) ∨ ¬Chama(x1.E) ¬Chama(A. y/E} {x/A. y/E} {z1/x.y) 4. Depende(x. 9. y/E} {x/A.7. 11.E) ¬Usa(A.

Para as estratégias Linear. 6. P(x) ∨ R(x) ∨ P(B) P(A) ∨ R(B) ¬P(A) ¬R(A) ¬P(B) R(A) ∨ P(B) P(x) ∨ R(x) . Como a cláusula objetivo sempre participa na resolução das cláusulas. . P(x) ∨ R(x) ∨ P(B) 2. P(A) ∨ R(B) 3. P(A) ∨ R(B) 3. ¬P(B) 6. mas pode conter o conjunto de cláusulas de entrada por questões de clareza. P(x) ∨ P(B) 1. ¬P(A) 4. Árvore de Refutação A escolha da estratégia de resolução define como é explorada a árvore de busca para encontrar a cláusula vazia. P(x) ∨ R(x) ∨ P(B) 2. P(x) ∨ R(x) ∨ P(B) 2. 2. ¬R(A) 5. A Figura 26 apresenta a árvore de refutação para o problema do exercício 2 utilizando a estratégia de resolução LSD. 4. A árvore contendo apenas os nodos visitados durante o processo de busca da cláusula vazia é denominada árvore de refutação. P(x) ∨ R(x) ∨ P(B) 2. 6. P(x) ∨ R(x) ∨ P(B) P(A) ∨ R(B) ¬P(A) ¬R(A) ¬P(B) R(A) ∨ P(B) R(B) . ¬P(A) 4. 7. P(A) ∨ R(B) 3. 5. 5..1. P(x) ∨ R(x) ∨ P(B) P(A) ∨ R(B) ¬P(A) ¬R(A) ¬P(B) R(A) ∨ P(B) P(x) ∨ P(B) 1.. 1. 2. 3. ¬R(A) 5. A raiz normalmente contém apenas a cláusula objetivo (teorema negado). ¬P(A) 4.... ¬R(A) 5. 6. ¬P(A) 4. 3. R(A) ∨ P(B) 1 e 4 {x/A} 1.Árvore de busca. o seu número pode ser omitido nos arcos. ¬P(B) . 6. . Linear de Entrada e LSD a árvore pode ser simplificada colocando-se nos nodos apenas a cláusula objetivo corrente (cláusula pai). 4. ¬R(A) 1 e 3 {x/A} 1 e 4 {x/A} 1 e 5 {} 2 e 3 {} 1. 7. ¬P(B) 6... . P(x) ∨ R(x) ∨ P(B) 2. P(A) ∨ R(B) 3. ¬P(B) 6. 2. 3. Figura 25 .. P(x) ∨ R(x) 2 e 3 {} 1. ¬P(A) 4. R(B) 1 e 5 {} 1. Inteligência Artificial em Controle e Automação Álvaro Guarda 46 .... ¬R(A) 5. 5. 7.. 4. P(A) ∨ R(B) 3.

¬Usa(B. ¬Chama(B.E) 9. y/E} 9. y/E} 7. Inteligência Artificial em Controle e Automação Álvaro Guarda 47 .E) 7.z) ∨ ¬Depende(z. y/E} 4 {x/B.E) 1 {z/b} 8.E) 2 {x/B} 10.E) 4 {x/A. ¬Depende(B.E) 3 {x/A. y/E} 7. ¬Chama(A.Árvore de Refutação. y/E} 5 {x/A. Figura 26 . ¬Chama(A.6. ¬Usa(A. ¬Depende(A.E) 3 {x/B.

ý O conhecimento pode ser incompleto. Depois eles precisam de um mecanismo para explicar o que fizeram aos usuários que dele dependem. Sistemas Especialistas (SE) são sistemas de Inteligência Artificial. mais insatisfatória será a solução produzida.executa um plano para administrar um “remédio” prescrito. que emulam um especialista humano na resolução de um problema significativo em um domínio específico. o sistema infere possíveis problemas. ý Interpretação . Ao final da consulta esta informações são apagadas. ý Predição . Na verdade. e livre de detalhes de controle e implementação. ý Planejamento . o Motor de Inferência (Inference Engine) e a Interface com o Usuário. ý Controle .interpretação. Quase todos eles podem ser separados em três componentes distintos: a Base de Conhecimento.1.configura objetos sob restrições. ý Reparo . baseados em conhecimento. detecta resultados relevantes. Inteligência Artificial em Controle e Automação Álvaro Guarda Introdução aos Sistemas Especialistas 48 . 6. predição. Base de Conhecimento Consiste na parte central de um SE. O conhecimento pode ser privado. para aplicar aos problemas que têm diante de si. ý Explicam o raciocínio utilizado na resolução do problema. Assim. apresenta alternativas de projeto.infere mal-funções. em algum formalismo de representação de conhecimento disponível. os SE solucionam problemas que normalmente são solucionados por especialistas humanos. Os problemas com os quais lidam os sistemas especialistas são altamente diversificados. ele pode ser utilizado para resolver problemas de usuários não especialistas no assunto.projeta seqüência de ações. Quanto mais geral a classe de problemas que podem ser resolvidos por um sistema. Eles também precisam explorar um ou mais mecanismos de raciocínio. de forma declarativa. onde há dois momentos distintos: a construção e a utilização. obtido através de entrevistas com especialistas no assunto relativo ao problema. Características de SE ý Possuem conhecimento especializado em alta qualidade e quantidade. etc. Há questões gerais que surgem em vários domínios. depuração e reparo para deficiências de estudantes. Idealmente ela é composta de declarações. o qual deve dominar as ferramentas de desenvolvimento e as linguagens de representação de conhecimento. Quando o SE estiver em produção. ý O Banco de Conhecimento é independente da Estrutura de Controle. descrevendo o domínio da aplicação.infere conseqüências de situações. Os sistemas especialistas que fizeram mais sucesso comercialmente estão na classe de problemas em que dado um conjunto de fatos observados.6. O SE e seu Ambiente A Figura 27 mostra o ambiente de um SE. os sistemas especialistas precisam acessar uma substancial base de conhecimento do domínio da aplicação.compreende situações. ou público. Para solucionar tais problemas. que precisa ser criada de modo mais eficiente possível. subjetivo e inexato. geralmente extraída de um ou vários especialistas. Componentes Básicos de um SE Existe um consenso sobre a arquitetura geral de um sistema especialista. ý Instrução .prescreve “remédios” para mal -funções. É a representação do conhecimento no domínio no problema em questão. O profissional encarregado de construir um SE é o engenheiro de conhecimento. O termo especialista freqüentemente leva as pessoas a terem expectativas irrealistas do desempenho de um SE. Tipos de SE ý Classificação ý Diagnose . um SE trata de um determinado conhecimento específico sobre um domínio de problema. ý Incluem tratamento de incerteza. e monitoramento de comportamento de sistemas. É importante lembrar que o termo especialista originalmente representa uma limitação na capacidade de representação e armazenamento de conhecimento do sistema. ý Podem adquirir novos conhecimentos.diagnose. reparo. ý Projeto . ao contrário de um solucionador geral de problemas. Memória de Trabalho Armazena as informações fornecidas pelo usuário e todo o conhecimento inferido pelo sistema durante uma consulta. ý Depuração . obtido pela consulta em livros e revistas especializadas.

Arquitetura do Motor de Inferência Mecanismo de Inferência O mecanismo de inferência gera novas conclusões a partir da manipulação do conhecimento existente na base de conhecimento e na memória de trabalho. também chamado máquina de inferência. respostas e prover explicações requeridas pelo usuário Dois tipos de explicação que são freqüentemente fornecidas pelo SE são aquelas a perguntas do tipo Por que?. Em sistemas baseados em regras o mecanismo encontrado com mais freqüência é o “modus ponens”: se as premissas de uma regra são verdadeiras. se o formalismo de representação escolhido for regras de produção. A arquitetura do motor de inferência está intimamente relacionada com a linguagem de representação do conhecimento e inclui os elementos: Mecanismo de Inferência. assim as conclusões podem ser acrescentadas no conhecimento existente. O mecanismo depende da forma de representação de conhecimento. Estratégia de Controle.2. É chamado de motor de inferência porque ele usa o conhecimento da base e os fatos relativos a uma determinada consulta para obter conclusões. e precisa de um componente para gerenciar a interação entre o usuário e o sistema A interação básica numa sessão de uso de um SE consiste no sistema perguntar questões relevantes. Por exemplo. Conforme o exemplo mostrado na Figura 28. Uma das vantagens do “modus ponens” é a sua simplicidade. ou seja Como? 6. Inteligência Artificial em Controle e Automação Álvaro Guarda 49 . é responsável pela manipulação da base de conhecimento durante a resolução de problemas. os quais serão detalhados mais adiante. Métodos de tratamento da Incerteza e Métodos de tratamento de Conhecimento Incompleto. o motor de inferência irá necessariamente tomar a forma de um interpretador de regras. e explicações de como o sistema chegou a determinada conclusão.usuário ? Consulta SE Resposta especialistas engenheiro de conhecimento Figura 27 . então é pode-se acreditar que as suas conclusões também o são. o fato B é derivado a partir do fato A e da Regra A → B. Interface com o Usuário Todo sistema especialista é interativo. A natureza do motor de inferência irá depender do formalismo utilizado para representar a base de conhecimento e da estratégia de solução de problemas considerada apropriada pelo projetista do sistema.Ambiente de um SE Motor de Inferência O motor de inferência. apresentar conselhos. entretanto é importante ressaltar que ele não conclui todas as inferências válidas.

Inteligência Artificial em Controle e Automação Álvaro Guarda 50 ... Equivale à busca em espaço de estados. Figura 29 . Figura 28 . . A Figura 29 mostra um exemplo de encadeamento progressivo. nodos.. Se D ou E então B. Estratégia de Controle É composto por vários elementos: þ þ Modo de seleção de “peças” de conhecimento (regras.Exemplo de encadeamento progressivo. ”bottom -up”) As regras da base de conhecimento são selecionadas com base no conhecimento existente (fatos da base de conhecimento. e os nodos em branco são problemas em aberto. B. F.Exemplo de aplicação do “modus ponens” Em formalismos de representação do conhecimento orientados a objetos um dos mecanismos de inferência utilizados é a herança.... Obs. C. e ativadas para gerar novos fatos até encontrar a solução.é a direção em que é feita a busca em um espaço de soluções. ”data -driven”.: o usuário pode ser tratado como uma extensão do Banco de Conhecimento.. 4) D. e ativadas para gerar novos objetivos até encontrar a solução.A. 5) F. No início a regra 1 não é aplicável.. A → B. F. Se D ou E então B. . . comparando-se o lado esquerdo das regras (condições).) . onde os problemas (objetivos) são “quebrados” em subproblemas (novos objetivos). comparando-se o lado direito das regras (conclusões).. “forward”. A Figura 30 apresenta um exemplo de encadeamento regressivo. ”top -down”) As regras da base de conhecimento são selecionadas a partir dos objetivos. Se F e D então C. onde o estado é o banco de conhecimento. Modus Ponens A. Objetivo (problema inicial) A Se B e C então A. No capítulo sobre formas de representação conhecimento são estudadas outros mecanismos de inferência. D. Direção do raciocínio . roteiros. quadros. Equivale à busca por redução de problemas. talvez será no decorrer da pesquisa. onde os nodos da árvore de pesquisa em cinza são os problemas primitivos. informações do usuário e conhecimento já inferido). A → B. Banco de Conhecimento 1) Se B e C então A. Se F e D então C. B. F. ainda não resolvidos. . o Encadeamento regressivo (encadeamento para trás. Árvore de Pesquisa Se B e C então A.é feito através de casamento de padrões. . D. 2) Se D ou E então B. já resolvidos. 3) Se F e D então C. D. Se F e D então C. ”goal -directed”. Se D ou E então B. Os números associados aos arcos da árvore de pesquisa correspondem à aplicação das regras da base de conhecimento. No caso de regras é a direção como é feito o encadeamento das regras: o Encadeamento progressivo (encadeamento para frente. 2) 3) Se B e C então A.. “backward”.

Análise de diferença . D.pode ser: o em profundidade. Exemplo: ativação de um conjunto de regras e fatos específicos sob uma certa condição. Árvore de Pesquisa A B C D E ? F G ? Obs. o heurística. Inteligência Artificial em Controle e Automação Álvaro Guarda 51 . o em extensão. A escolha da direção do raciocínio depende de vários aspectos: o quantidade de fatos iniciais x quantidade de conclusões alternativas o quantidade média de regras elegíveis a cada ciclo o necessidade de processamento interativo o necessidade de justificar o resultado o natureza do problema: − deduzir conseqüências a partir de fatos. Se D ou E então B. conforme a tabela verdade abaixo.identifica regras que diminuem a diferença entre o conhecimento atual e o objetivo.Banco de Conhecimento Se B e C então A. ÿ ÿ ÿ Estratégia de Pesquisa . Objetivo (problema inicial) A. F.: o usuário pode ser tratado como uma extensão do Banco de Conhecimento. Métodos de tratamento de Conhecimento Incompleto O tratamento de conhecimento incompleto pode ser feito com a introdução da noção de valores “default” e com operações lógicas com o desconhecido. influindo no modo como o conhecimento deve ser tratado em alguma parte do raciocínio.Exemplo de encadeamento regressivo.é o conhecimento do especialista de como deve ser utilizado o conhecimento. Figura 30 . A B AeB A ou B ¬A F F V F F F V V F V F D V F D V F F F V V V F V V V D F D V D F D F D D V D D V D D D D D Figura 31 . Se F e G então C.Tabela verdade incluindo o valor desconhecido (D). Utilização de Meta-conhecimento . − comprovar hipóteses buscando indícios.

Se Se Se B B B A então B FC(80). Resultado do cálculo do FC das Conclusões Regra 1. 4. A e C então B FC(70). FC(B) 48 21 36 Formas de tratar a situação Forma a) Max b) Média c) Probabilidade FC(B) 48 35 74 Observação Como pode ser observado. FC(60).Escala do grau de certeza do conhecimento no MYCYN Forma de Inferência   Fator de certeza (FC) da conclusão de uma regra = (FC(conjunto de antecedentes) * FC(regra)) / 100   FC(conjunto de antecedentes) = min(FCs dos antecedentes) se antecedentes conjuntivos (unidos pelo “E”) ou = max(FCs dos antecedentes) se antecedentes disjuntivos (unidos pelo “OU”)   Várias regras inferem a mesma conclusão . as diferentes formas de tratar a situação apresentam uma grande variação. 6. 2. 3. conforme o exemplo apresentado na Figura 32. Alguns Exemplos de Sistemas Especialistas Álvaro Guarda Inteligência Artificial em Controle e Automação 52 .abaixo são apresentadas três formas de cálculo com um exemplo na figura Figura 33. A ou D então B FC(60).Métodos de tratamento da Incerteza O tratamento da incerteza lida com o raciocínio inexato e pode ser feito através da utilização de valores intermediários entre os valores verdadeiro e falso. Figura 33 . A forma clássica de implementação é feita pela quantificação do grau de certeza do conhecimento. 5.Exemplo de cálculo quando várias regras inferem a mesma conclusão. 2.3. FC(30). Fator de Certeza 100 80 60 30 20 0 -20 -40 -60 -80 -100 Significado Definitivamente certo Quase Certo Provável Há evidências Ignorado Há evidências contra Provavelmente não Quase certo que não Definitivamente não Figura 32 . FC(40). 3. a) FC(conclusão) = max(FCs das conclusões das regras) b) FC(conclusão) = média(FCs das conclusões das regras) c) FC(conclusão) = x + ((100 – x) * y / 100) se ambos (x e y) são positivos (técnicas probabilísticas) Banco de Conhecimento 1. 6.

cada regra contém duas estimativas de confiança. Foi criado inicialmente para diagnosticar e sugerir tratamento para doenças no sangue e desenvolvido na Universidade de Stanford. foi o primeiro programa a usar técnicas de aprendizagem para construir automaticamente regras para um sistema especialista.4. ele conseguia identificar as estruturas moleculares com precisão bastante alta. ele ilustra uma abordagem bastante diferente para sistemas especialistas (manipulação de probabilidades). Trata-se de um sistema que configura os sistemas DEC VAX.-4) há mineralização e textura favoráveis ao estágio propilítico. E o número de dispositivos que cada barramento massbus deve suportar é conhecido. despertou mais o interesse no mundo comercial. E há um drive de disco de porta única que ainda não foi atribuído a um barramento massbus. depois ele usava o encadeamento para frente (forward) para raciocinar sobre o regime de tratamento. O META-DENDRAL era capaz de induzir suas regras com base em um conjunto de dados sobre espectrometria de massa: desse modo. O MYCIN tenta atingir seu projeto de recomendar uma terapia para um determinado paciente encontrando primeiro a causa da doença do paciente. PROSPECTOR O PROSPECTOR é um sistema especialista que dá conselhos sobre a exploração de minerais. O MYCIN usa o encadeamento para trás (backward) para descobrir que organismos estavam presentes no sangue. mas influenciou enormemente a maioria dos sistemas especialistas que estavam por vir. Depois ele usa os lados esquerdos dessas regras (as precondições) para definir sub-objetivos cujos êxitos permitirão que as regras sejam invocadas. depois chamado XCON. Ferramentas de Desenvolvimento de Sistemas Especialistas Inteligência Artificial em Controle e Automação Álvaro Guarda 53 . que variam de -5 a 5. criado em 1978. Esses sub-objetivos são novamente casados com as regras. A principio era essencialmente um projeto acadêmico. um outro sistema clássico. e continuam fazendo. ele se propõe a resolver problemas de extrema dificuldade. o Ri. a partir de 1972. segundo. e suas precondições são usadas para estabelecer mais sub-objetivos. Ele criava regras para serem usadas pelo DENDRAL. XCON ou R1 Enquanto o MYCIN influenciava bastante o desenvolvimento de sistemas especialistas na área acadêmica. resolvendo de maneira bastante satisfatória os problemas para os quais eles foram criados. MYCIN O MYCIN foi um dos primeiros e mais conhecidos sistemas especialistas e é considerado um marco na IA. Na regra do PROSPECTOR mencionada. E não há nenhum drive de disco de porta única sem designação. ou em outras palavras. No PROSPECTOR. Foi criado no final da década de 70 pela SRI International. Alguns sistemas fizeram. A primeira indica até que ponto a presença da evidência descrita na condição da regra sugere a validade da conclusão da regra. muito sucesso comercialmente. Para atingir objetivos de nível mais alto do diagnóstico. 6. o número -4 indica que a ausência de evidência é fortemente desencorajadora para a conclusão. E o tipo de cabo necessário para conectar o drive de disco ao dispositivo anteriormente no barramento massbus é conhecido Então: atribua o drive ao barramento massbus DENDRAL O META-DENDRAL. o número 2 indica que a presença da evidência é suavemente encorajadora. Suas regras são do tipo: Se: o contexto mais atual é a distribuição de dispositivos barramento massbus. E há um barramento massbus ao qual foi atribuído pelo menos um drive de disco e que deve suportar drives adicionais. No exemplo anterior. É um sistema digno de ser mencionado pelas seguintes razões: primeiro. até que ponto a falta da evidência indica que a conclusão não é válida. As regras no PROSPECTOR são do tipo Se: magnetita ou pinta em forma disseminada ou em veios está presente Então: (2. cuja tarefa era determinar a estrutura de compostos químicos complexos. até mesmo os melhores especialistas disponíveis (geólogos principalmente) não executam essa tarefa com um alto grau de certeza. ele procura regras cujos lados direitos sugiram doenças.Os sistemas especialistas representam uma área onde a IA conseguiu bons resultados. A segunda estimativa de confiança mede até que ponto a evidência é necessária para a validade da conclusão.

depois de vários sistemas terem sido desenvolvidos. regras) combinadas com um interpretador dessas representações. ficou claro que esses sistemas tinham muito em comum. M1 FACILIDADE VELOCIDADE DE DESENVOLVIMENTO Figura 34 . uma das características importantes que uma ferramenta precisa ter é uma interface entre o sistema especialista. e oferecem código testado e depurado para implementar coisas úteis na construção de SE. Mais tarde. Eles em geral estão embutidos em programas aplicativos maiores. Mas. Lops. quadros. entretanto exige grande experiência em computação. devido ao fato de os sistemas serem construídos como um conjunto de representações declarativas (em sua maioria. As linguagens de alto nível são orientadas para a manipulação simbólica. sistemas de manutenção da verdade e uma série de outros mecanismos de raciocínio. ficou claro que as ferramentas dos sistemas especialistas precisavam fazer alguma coisa a mais. escrita com a ferramenta e que seja fácil de usar.Inicialmente. FLEXIBILIDADE AJUSTE LINGUAGENS DE ALTO NÍVEL Pascal Lisp Prolog Interlisp AMBIENTES OPS5 Kee. raciocínio e explicações. As primeiras ferramentas de sistemas especialistas ofereciam mecanismos para a representação do conhecimento. A Figura 34 classifica os diferentes software que podem ser utilizados no desenvolvimento de SE. correspondentes ao novo domínio do problema. em geral em E/SE. era possível separar o interpretador do conhecimento específico do domínio da aplicação e assim criar uni sistema que podia ser usado para elaborar novos sistemas especialistas através da adição de novos conhecimentos. Com essas ferramentas. Art FERRAMENTAS Emycin. Existem atualmente vários novas ferramentas comercialmente disponíveis. foram acrescentadas ferramentas para a aquisição de conhecimento. e um ambiente de programação maior e provavelmente mais convencional. a representação do conhecimento e o raciocínio são muito mais flexíveis do que nos primeiros sistemas especialistas criados.Software para o desenvolvimento de SE Inteligência Artificial em Controle e Automação Álvaro Guarda 54 . S1. As ferramentas já possuem uma forma de representação de conhecimento e uma máquina de inferência bem definidos. Os ambientes são um meio termo entre as linguagens de alto nível e as ferramentas. Os interpretadores resultantes são chamados de shell (ferramenta). um exemplo de ferramenta que teve grande influência é o EMYCIN (Empty MYCIN). assim são fáceis de utilizar e permitem uma grande velocidade de desenvolvimento. Em particular. facilitar a integração dos sistemas especialistas com outros tipos de programas. e esse acesso precisa ser controlado como em outros sistemas. dando flexibilidade e permitindo ajustar o SE às particularidades de cada domínio de problemas. acessar bancos de dados de corporações. por exemplo. cada sistema especialista era criado a partir do nada. Eles precisavam. Mas. que usam praticamente técnicas de programação convencional. No início. derivado do MYCIN. que servem de base para muitos dos sistemas especialistas que estão sendo desenvolvidos correntemente. permitindo que o pessoal envolvido se concentre na montagem da base de conhecimento. Elas tipicamente suportam regras. Então. com o aumento das experiências com esses sistemas para solucionar problemas do mundo real.

Eles normalmente não conseguem raciocinar sobre seu próprio escopo e restrições. Problemas Alguns dos principais problemas enfrentados pelos sistemas especialistas atuais são: ¡ Fragilidade: Como os sistemas especialistas só têm acesso a conhecimentos altamente específicos do domínio. suponha que cometamos um erro na entrada de dados para um sistema especialista médico e que descrevamos um paciente com 130 anos e 20 quilos. já que os valores não são muito plausíveis. que precisam estar dispostos a transferirem o seu conhecimento para o sistema. dificultando ainda mais a tarefa de lidar com a sua fragilidade. Embora ainda não exista nenhum sistema de aquisição de conhecimento totalmente automatizado. quando começaram os trabalhos sobre os sistemas que hoje conhecemos como especialistas. 6. que é então traduzido em regras. Isto contrasta com o conhecimento amplo e de difícil definição que chamamos de senso comum. ¡ A transferência de conhecimento ocorre gradualmente. ¡ Os sistemas bem-sucedidos têm muito conhecimento bem-definido sobre uma determinada área. de sistemas especialistas existentes.6. a aquisição ainda continua sendo um dos maiores obstáculos à aplicação da tecnologia dos sistemas especialistas a novos domínios. o MYCIN participou de um painel de especialistas para avaliar dez casos selecionados de meningite. ¡ Falta de Meta-conhecimento Os sistemas especialistas não têm conhecimentos muito sofisticados sobre sua própria operação.5. há muitos programas que interagem com os especialistas dos domínios para extrair conhecimento especializado com eficiência. obtendo resultados melhores do que qualquer um de seus concorrentes humanos. 6. Este processo é caro e lento. Ela pode variar de 40 regras a milhares delas. Estes programas oferecem suporte às seguintes atividades: ¡ Inserção de conhecimento. ¡ É possível extrair partes não-especificas do domínio. um engenheiro do conhecimento entrevista um especialista no domínio da aplicação para tentar extrair o conhecimento especialista. Conclusões Desde a metade da década de 60. sobre o qual sistemas especialistas específicos podem ser criados. As experiências obtidas com esses esforços sugerem as seguintes conclusões. eles não podem contar com conhecimentos mais genéricos quando a necessidade surge. através de muitas interações entre o especialista e o sistema. ¡ Aquisição de Conhecimento Apesar do desenvolvimento de ferramentas. Depois que o sistema inicial estiver pronto. Por exemplo. ¡ A quantidade de conhecimento exigida depende da tarefa. portanto vale a pena procurar maneiras mais automatizadas de construir bases de conhecimento especialistas. ¡ A escolha da estrutura de controle para um determinado sistema depende das características especificas do sistema. Alguns sistemas representam uma tentativa de remediar esse problema fornecendo um substrato de conhecimentos de senso comum. ¡ Um sistema especialista em geral é construído com a ajuda de um ou mais especialistas. e usá-las como ferramentas para a criação de novos sistemas e novos domínios. Uma coisa que podemos fazer é comparar esses sistemas com especialistas humanos em problemas do mundo real Por exemplo. A maioria dos sistemas não seria capaz de adivinhar que podemos ter invertido os dois campos. muito progresso foi feito na construção de tais programas. Álvaro Guarda Inteligência Artificial em Controle e Automação 55 . ¡ Validação: Medir o desempenho de um sistema especialista é difícil. ¡ Garantia de completeza da base de conhecimento. ele precisa ser iterativamente refinado até aproximar-se do nível de desempenho de um especialista. Aquisição de Conhecimento Como são construídos os sistemas especialistas? Tipicamente. porque não sabemos como quantificar o uso do conhecimento.6. e não de uma única técnica poderosa. ¡ Esses sistemas derivam sua potencialidade de uma grande quantidade de conhecimento especifico do domínio. Certamente é impossível apresentar provas formais de correção para sistemas especialistas.7. ¡ Manutenção da consistência da base de conhecimento. E mais fácil criar sistemas especialistas do que sistemas com senso comum. O especialista nunca fornece de pronto o conhecimento correto ou completo.

¢ ¢ ¢ Engenharia de Conhecimento 7. ¢ Estruturado Projeto planejado e realizado em etapas que partindo das especificações chega diretamente à versão operacional do sistema. porém alguns módulos ou funções são construídos utilizando prototipação. até que se torne funcional. 6 Implementação Estruturada Configuração Usuário Estudo / Viabilidade Projeto de Consolidação 2 4 Análise Projeto Estruturada Especificação Estruturado Estruturada Plano de Testes BD Lógico Módulos Estruturados BD Físico 7 Teste de Aceitação 3 Projeto da Base Dados Sistema de Produção Figura 35 . Programador. Os profissionais envolvidos são Especialista.7.DFD nível o do ciclo de vida de um projeto estruturado . ¢ Metodologias de Desenvolvimento Prototipação Construção incremental de protótipos do sistema. pois os métodos utilizados pelos especialistas são particulares e.2. Engenheiro de Conhecimento. Atividades em um Sistema com IA 5 Integração de Sistemas Plano de Treinamento e Reorganização 8 Análise do Hardware Interface com Usuário Entrada do Usuário 1 Integração de Sistemas Necessidades de Hardware Pedido ao Fabricante 7. ¢ Misto O sistema é desenvolvido de forma estruturada.1. O objetivo da Engenharia de Conhecimento é desenvolver sistemas de IA baseados em conhecimento através da modelagem dos processos cognitivos para resolução de problemas utilizados pelos especialistas em algum domínio. as atividades dependem do tipo e do domínio do problema. A Engenharia de Conhecimento é uma tarefa artesanal.

Iniciar a definição da Base de Conhecimento (viabilidade). £ £ £ £ £ Inteligência Artificial em Controle e Automação Álvaro Guarda 57 .DFD nível o do ciclo de vida de um projeto com IA Objetivos adicionais por fase 1. Levantamento Selecionar domínios apropriados para aplicações da IA. Figura 36 . Definir a abrangência e resultados. IA Sistema de Produção Projeto IA Especificação BC física 10 Projeto da BC Base de Conheciment o 9 Aquisição do Conhecim. Analisar a relação custo / benefício da aplicação ao domínio. Propor estratégias de curto e longo prazo para a integração da tecnologia de IA.5 Integração de Sistemas Plano de Treinamento e Reorganização 8 Análise do Hardware Pedido ao Fabricante Interface com Usuário Entrada do Usuário 1 Integração de Sistemas Necessidades de Hardware 6 Implementação Estruturada Configuração Usuário Estudo de Viabilidade Projeto de Consolidação Especificação 2 4 Estruturada Análise Projeto Estruturada Estruturado Especificação IA Módulos Estruturados BD Físico Plano de Testes 7 Teste de Aceitação Especificação BC lógica BD Lógico Módulo IA 3 Projeto da Base Dados 11 Projeto IA 12 Implement.

− Diagramas de fluxo de consulta. Especificar os requerimentos de interface com o usuário. − Tipo de comunicação. Identificar um problema e analisar as suas características. Inteligência Artificial em Controle e Automação Álvaro Guarda 58 . ¤ 4. Análise Estruturada Elaborar um conjunto de DFDs com descrições narrativas dos processos (tarefas do especialista) e um dicionário de dados. pois é mais fácil identificar um problema que seja adequado a uma ferramenta previamente selecionada do que o contrário. objetos. − Volume de alternativas de solução. Etapas na Construção de um pequeno SE Ainda não existe uma metodologia consolidada para a construção de SE.3. ¤ 7. − Formas de Inferência. 2. Implica em comprometer-se implicitamente com vários aspectos relacionados ao desenvolvimento de um SE. − Forma de Representação do Conhecimento: regras.2. ambiente ou ferramenta). Análise do Hardware 9. etc. Projetar o sistema. − Tipo de conhecimento que o sistema deverá incluir. ¤ ¤ ¤ 3. qualidade. Integração de Sistemas 6. − Descrição do sistema.corresponde ao tipo de problema que será solucionado. 1. As principais características a serem avaliadas são: − Tempo de solução. planejamento e projeto. 3. os aspectos são: − Paradigma de consulta . Teste de Aceitação 8. Projeto do Banco de Conhecimento Definir a forma de representar o conhecimento. o que implica fazer diversas entrevistas com os especialistas para identificar como eles trabalham ou raciocinam para resolver os problemas. entretanto abaixo são enumerados as etapas com alguns detalhes do processo de construção de um SE pequeno. − Tabelas. tratamento de dúvidas. É importante observar que na construção de um SE pequeno freqüentemente os passos 1 e 2 são invertidos. No caso de uma ferramenta. Projeto Estruturado Definir a forma de raciocínio. Definir a interface com o usuário. Selecionar um instrumento. − Interface com o usuário: tipo. sendo os principais: diagnóstico / prescrição. Implementação Codificação do conhecimento de acordo com o método da ferramenta. Especificar os requerimentos de desempenho. Aquisição do Conhecimento 7. Exige estudar e levantar o conhecimento que será utilizado pelo SE. Escolher o instrumento (linguagem. ¤ ¤ ¤ 5. etc. Esta etapa é a mais trabalhosa e demorada.

− Tipo de comunicação: o especialista apresenta uma proposta verbalmente ou por escrito.). − Incluir ou refinar os mecanismos de ajuda ou explicação. A interface possui também tratamento de dúvidas através de um mecanismo de explicação.. O problema é adequado à ferramenta que foi selecionada. pois um programa de treinamento ideal procura fazer com que se pratique as atividades previstas na tarefa. 5. A seguir são considerados os aspectos instrucionais e as restrições orçamentárias. A forma de representação do conhecimento é baseada em regras. Ao final são recomendados de um a três meios eficazes respeitando o custo. . − Volume de alternativas de solução: poucas alternativas. Para elaborar este diagrama é necessário entender como o especialista trabalha e identificar quais são e a ordem das perguntas que ele faz ao cliente para resolver o problema. A inferência é feita através de encadeamento regressivo das regras. O paradigma de consulta do Sinta é diagnóstico / prescrição. As características deste problema são: − Tempo de solução: até 30 minutos. entretanto permite que cada pergunta seja alterada. Esta atividade é importante porque serve para validar empiricamente o SE. permitindo a definição de fatores de certeza. − Incluir novas “peças” de conhecimento (regras. Manter e atualizar o sistema. é necessário estudar o assunto através de livros especializados e reunir-se com especialistas na área de treinamento para determinar os principais atributos da seleção de meios instrucionais. Exemplo de desenvolvimento de um protótipo de SE: Este exemplo foi desenvolvido até a quanta etapa. − Criar o banco de conhecimento. 1. é necessário entrar com valores inválidos e utilizar várias alternativas de resposta. A explicação padrão é a apresentação da linha de raciocínio utilizada que exigiu a consulta ao usuário. da ordem de dezenas de possibilidades. Inteligência Artificial em Controle e Automação Álvaro Guarda 59 . A interface com o usuário tem uma forma padrão de pergunta. O instrumento selecionado é o SINTA. o engenheiro de conhecimento pode incluir uma explicação não padrão. Segundo Tosti e Ball (em “A behavioral approach to instructional design and media selection”). A 0 apresenta um diagrama do fluxo de consulta sobre meios instrucionais. verificar e revisar o sistema até cumprir o seu papel. é necessário discutir os aspectos do problema de treinamento. . quando é necessário consultar o usuário sobre o valor de uma variável. Expandir. 6. − Tipo de conhecimento: o especialista utiliza regras e cálculos simples. 2. considerar como estes aspectos se relacionam com as características dos meios e indicar um ou mais meios instrucionais que resolvam o problema. uma ferramenta de desenvolvimento de SE bastante fácil de ser utilizada. portanto o protótipo apresenta várias deficiências que seriam corrigidas no decorrer da quinta etapa. Desenvolver um protótipo. Entretanto. o que exige conhecimento da sintaxe da linguagem de representação de conhecimento. O diagrama facilita a elaboração das tabelas e a construção da base de conhecimento. Identificar um problema e analisar as suas características. como “Por que?” ou indicar dúvida (incerteza). o Sinta não poderia ser utilizado. sendo que este paradigma pode ser utilizado na solução de uma gama bastante grande de problemas. Para problemas com um grau de complexidade grande. O problema que será utilizado no exemplo é a seleção de meios instrucionais adequados para diferentes tipos de treinamento. Assim. permitindo que o engenheiro de conhecimento se concentre na aplicação. − Incluir o tratamento de conhecimento incompleto. 3. o especialista começa perguntando sobre a tarefa que os treinandos cumprirão após o treinamento. − Verificar fazendo algumas consultas. No nosso caso. Projetar o sistema. O SE terá como objetivo aconselhar um cliente a respeito da seleção de meios instrucionais para um determinado treinamento. Selecionar um instrumento. Depois. Além de entrar com situações reais para verificar se as soluções apresentadas pelo sistema são válidas. − Incluir ou alterar o tratamento de incerteza. sobre como simular a execução da tarefa.4.

é possível identificar quantas situações diferentes existem.As tabelas servem para organizar o conhecimento que vai sendo levantado junto às fontes utilizadas. através da multiplicação dos números de alternativas (respostas) de cada fator: 4 x 2 x 6 x 2 x 4 x 3 = 1152. A Figura 39 faz uma análise levantando algumas das possíveis relações entre as ponderações apresentadas na Figura 38 e as recomendações que o especialista faria. A tabela da Figura 38 apresenta os principais fatores que o especialista leva em conta para decidir quais meios são recomendados. Tarefa Como simular a tarefa Considerações instrucionais Restrições orçamentárias 1 a 3 meios eficazes Figura 37 Fluxo de Consulta sobre meios instrucionais Inteligência Artificial em Controle e Automação Álvaro Guarda 60 . Se o especialista utilizar apenas estes fatores.

00) o Grande (mais de R$ 10.000.00) o Médio (até R$ 50.de trabalho ou tarefa ¥ Ponderações ¥ de ensino Realimentação Instrucional o Sim o Não Situação do Estímulo o Ambiental o Pictória o Simbólica o Verbal ¥ ¥ Duração do Estimulo o Breve o Persistente Modificação da Apresentação o por Resposta o por Módulo o por Curso o Nenhuma ¥ ¥ Resposta Apropriada o Oculta o Seletiva o Construída o Oral o Motora o Afetiva Orçamento de Treinamento o Pequeno (até R$ 10.Ponderações do modelo Tosti-Ball (simplificado) N° Situação do Duração do Resposta Realimentação Estímulo Estímulo Apropriada Instrucional 1 verbal 2 verbal 3 verbal 4 verbal simbólica pictória 5 verbal breve persistente breve breve breve breve breve persistente breve breve oculta seletiva construída oculta oculta oculta oral afetiva oral afetiva motora oculta todas não sim não não não sim sim não não sim Modificação da Apresentação nenhuma resposta módulo curso curso módulo módulo módulo módulo curso nenhuma resposta Orçamento de Treinamento pequeno pequeno médio médio médio pequeno médio médio grande grande pequeno médio grande Recomendações livro estudo pessoal aula aula com dispositivos videocassete prática com realimentação verbal prática com realimentação por vídeo Laboratório com experiências áudio cassete tutor humano pictória 6 verbal 7 verbal 8 ambiental 9 verbal 10 simbólica verbal Figura 39 .Análise matricial de escolha do meio instrucional Inteligência Artificial em Controle e Automação Álvaro Guarda 61 .000.00) Figura 38 .000.

. ambiental seletiva construída verbal atividade motora afetiva Figura 41 .. Inteligência Artificial em Controle e Automação Álvaro Guarda 62 . A resposta apropriada é ...Tabela de detalhamento da situação do estímulo. modelo físico estrutura objeto máquina instrumento pictória figura fotografia diagrama ilustração vista simbólica gráfico esquema números fórmulas verbal ouvir conversa diálogo leitura texto Figura 40 ... oculta quando envolve . ouvir ler observar meditar imaginar pensar múltipla escolha associação escrever desenhar datilografar dizer algo conversar falar cantar edificar montar mover construir organizar dançar emocionar-se simpatizar sentir mostrar afeição compreensivo manter a calma A situação de estímulo é ...Tabela de detalhamento da resposta apropriada.quando envolve .

REGRAS Regra 1 . o Sinta utiliza como padrão o inverso: o operador de disjunção possui maior precedência que o operador de conjunção.4. Na lógica o operador de conjunção (“E”) possui maior precedência que o operador de disjunção (“OU”). resultando nas regras de 1 a 10. então criou-se uma variável chamada “Recomendação” cujo domínio são as possíveis recomendações dos especialistas.Recomendação é aula SE situação do estímulo = verbal E duração do estímulo = breve E resposta apropriada = oculta E realimentação instrucional = não E modificação da apresentação = por curso E orçamento de treinamento = pequeno OU orçamento de treinamento = médio ENTÃO recomendação = aula Regra 4 . O Sinta exige que se defina as variáveis e os respectivos domínios antes de entrar com as regras.Recomendação é livro SE situação do estímulo = verbal E duração do estímulo = persistente E resposta apropriada = oculta E realimentação instrucional = não E modificação da apresentação = nenhuma E orçamento de treinamento = pequeno OU orçamento de treinamento = médio ENTÃO recomendação = livro Regra 2 . inicialmente foi utiliza a tabela da Figura 39. conforme a tabela da Figura 39. As tabelas da Figura 40 e da Figura 41 foram utilizadas para criar as demais regras: de 11 a 20. Esta etapa envolve criar o banco de conhecimento e verificar fazendo algumas consultas.Recomendação é estudo pessoal SE situação do estímulo = verbal E duração do estímulo = persistente E resposta apropriada = seletiva E resposta apropriada = construída E realimentação instrucional = sim E modificação da apresentação = por resposta OU modificação da apresentação = por módulo E orçamento de treinamento = pequeno ENTÃO recomendação = estudo pessoal Regra 3 . para facilitar a formação das regras.Recomendação é aula com dispositivos SE situação do estímulo = verbal OU situação do estímulo = simbólica OU situação do estímulo = pictória E duração do estímulo = breve E resposta apropriada = oculta E realimentação instrucional = não E modificação da apresentação = por curso Inteligência Artificial em Controle e Automação Álvaro Guarda 63 . Para se criar as regras. Desenvolver um protótipo. como listado abaixo. entretanto. O objetivo do SE é estabelecer uma ou mais recomendações.

Recomendação é áudio cassete SE situação do estímulo = verbal E duração do estímulo = breve E resposta apropriada = oculta E realimentação instrucional = não E modificação da apresentação = nenhuma E orçamento de treinamento = pequeno ENTÃO recomendação = audio cassete Regra 10 .Recomendação é laboratório com experiências SE situação do estímulo = ambiental E duração do estímulo = persistente E resposta apropriada = motora E realimentação instrucional = não E modificação da apresentação = por módulo OU modificação da apresentação = por curso E orçamento de treinamento = grande ENTÃO recomendação = laboratório com experiências Regra 9 .Recomendação é prática com realimentação verbal SE situação do estímulo = verbal E duração do estímulo = breve E resposta apropriada = verbal OU resposta apropriada = afetiva E realimentação instrucional = sim E modificação da apresentação = por módulo E orçamento de treinamento = pequeno OU orçamento de treinamento = médio ENTÃO recomendação = prática com realimentação verbal Regra 7 .E orçamento de treinamento = médio ENTÃO recomendação = aula com dispositivos Regra 5 .Recomendação é tutor humano Inteligência Artificial em Controle e Automação Álvaro Guarda 64 .Recomendação é videocassete SE situação do estímulo = verbal OU situação do estímulo = pictória E duração do estímulo = breve E resposta apropriada = oculta E realimentação instrucional = não E modificação da apresentação = por módulo E orçamento de treinamento = médio ENTÃO recomendação = videocassete Regra 6 .Recomendação é prática com realimentação por vídeo SE situação do estímulo = verbal E duração do estímulo = breve E resposta apropriada = verbal OU resposta apropriada = afetiva E realimentação instrucional = sim E modificação da apresentação = por módulo E orçamento de treinamento = médio OU orçamento de treinamento = grande ENTÃO recomendação = prática com realimentação por vídeo Regra 8 .

Situação de estímulo é pictória SE estímulo = figura OU estímulo = fotografia OU estímulo = diagrama OU estímulo = ilustração OU estímulo = vista OU estímulo = pictória ENTÃO situação do estímulo = pictória Regra 13 .Resposta apropriada é oculta SE resposta = ouvir OU resposta = ler OU resposta = observar OU resposta = meditar Inteligência Artificial em Controle e Automação Álvaro Guarda 65 .Situação de estímulo é simbólica SE estímulo = gráfico OU estímulo = esquema OU estímulo = números OU estímulo = fórmulas OU estímulo = simbólica ENTÃO situação do estímulo = simbólica Regra 14 .Situação de estímulo é verbal SE estímulo = ouvir OU estímulo = conversa OU estímulo = diálogo OU estímulo = leitura OU estímulo = texto OU estímulo = verbal ENTÃO situação do estímulo = verbal Regra 15 .SE situação do estímulo = simbólica OU situação do estímulo = verbal E duração do estímulo = breve E resposta apropriada = afetiva OU resposta apropriada = construída OU resposta apropriada = motora OU resposta apropriada = oculta OU resposta apropriada = seletiva OU resposta apropriada = verbal E realimentação instrucional = sim OU modificação da apresentação = por resposta E orçamento de treinamento = médio OU orçamento de treinamento = grande ENTÃO recomendação = tutor humano Regra 11 .Situação de estímulo é ambiental SE estímulo = modelo físico OU estímulo = estrutura OU estímulo = objeto OU estímulo = máquina OU estímulo = instrumento OU estímulo = ambiental ENTÃO situação do estímulo = ambiental Regra 12 .

Resposta apropriada é construída SE resposta = escrever OU resposta = desenhar OU resposta = datilografar ENTÃO resposta apropriada = construída Regra 18 . " "Exemplo: se a apresentação do conteúdo deve ser Inteligência Artificial em Controle e Automação Álvaro Guarda 66 .Resposta apropriada é seletiva SE resposta = múltipla escolha OU resposta = associação OU resposta = seletiva ENTÃO resposta apropriada = seletiva Regra 17 .Resposta apropriada é motora SE resposta = edificar OU resposta = montar OU resposta = mover OU resposta = construir OU resposta = organizar OU resposta = dançar OU resposta = atividade motora ENTÃO resposta apropriada = motora Regra 20 .Resposta apropriada é verbal SE resposta = dizer algo OU resposta = conversar OU resposta = falar OU resposta = cantar OU resposta = verbal ENTÃO resposta apropriada = verbal Regra 19 .Resposta apropriada é afetiva SE resposta = emocionar-se OU resposta = simpatizar OU resposta = sentir OU resposta = mostrar aveição OU resposta = comprensivo OU resposta = calma ENTÃO resposta apropriada = afetiva PERGUNTAS Variável:duração do estímulo Pergunta:"Qual é a duração do estímulo?" Variável:estímulo Pergunta:"Qual é a situação do estímulo que a pessoa receberá?" Variável:modificação da apresentação Pergunta:"Quando é feita a modificação da apresentação (se houver) ?" Motivo:"Informar se o modo de apresentação do conteúdo do "curso é alterado e em que momento isto é feito.OU resposta = imaginar OU resposta = pensar OU resposta = oculta ENTÃO resposta apropriada = oculta Regra 16 .

000."alterada conforme a resposta do aluno.000. Variável:orçamento de treinamento Pergunta:"Qual é o orçamento do treinamento?" Motivo:"Informe " ""pequeno" se será gasto menos de R$ 100. então escolha "a opção "por resposta".00 Variável:realimentação instrucional Pergunta:"Existe realimentação instrucional?" Variável:resposta Pergunta:"Qual é o tipo de resposta que a pessoa deve fornecer?" Inteligência Artificial em Controle e Automação Álvaro Guarda 67 .00 ""grande" se será gasto mais de R$ 1.00 ""médio" se será gasto menos de R$ 1.

Sign up to vote on this title
UsefulNot useful