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

1960 1960 . Objetivos do Curso No curso alguns tópicos são estudados procurando aprofundar os aspectos importantes. além do conhecimento teórico. Artigo "A revolução da IA" (Estado de Minas. etc. Entretanto.1980 1980 . Assim.1.1. interessantes para a área de automação e controle. 1. Evolução da Inteligência Artificial . interface homem-máquina. Alguns exemplos de afirmações exageradas são: Introdução   ¡ ¡ "O homem vai tentar reproduzir o computador à sua imagem". mas procurando dar uma visão abrangente da área e de suas aplicações. fazendo experimentações e/ou implementando diversas técnicas. Charmiak e McDermott. "Um computador é inteligente se possui qualquer uma das habilidades mentais que fazem uma pessoa ser considerada inteligente" [Araribóia88]. freqüentemente equivocadas. 1. permitindo que o aluno possa dar continuidade ao estudo da área e aplicar os conhecimentos adquiridos de forma autônoma. Dendral Período das Trevas Conscientização das limitações Período da renascença Hearsy. existe muito sensacionalismo sobre IA em revistas. . tinha 450 regras e fazia análise do sangue). Em algumas partes do curso. .3. . . como as expectativas não são realistas. Prospector (fazia prospecção geológica). 1. os resultados que são obtidos na área freqüentemente são muito mais tímidos do que se esperava. Mycin (ajudava a diagnosticar doenças no sangue. jogos. ou mais humildemente. processamento de imagens.2. são abordados aspectos práticos. . Ao final do curso o aluno deverá dominar diversos pontos da IA clássica e conhecer razoavelmente bem alguns tópicos avançados em IA. Prolog Período da associação Áreas de aplicação Período do empreendimento Popularização de SE Ferramentas e Ambientes 1975 . O termo “Inteligência Artificial” (IA) desperta interesse e muitas expectativas. .. um animal". Além do termo que é um tanto ambicioso. tradução automática. 18/11/96). "O objetivo principal da IA é construir uma pessoa. 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 . Isto gera uma certa de desconfiança por parte de pesquisadores de outras áreas e acaba até prejudicando o desenvolvimento da IA. a IA já desenvolveu muitas técnicas que são úteis nas mais diversas áreas: otimização.1970 1970 . datamining. jornais e inclusive em livros. Período do entusiasmo Macsyma. Outros pontos são apresentados sem caráter formativo. .1965 1965 .1975 Pré-IA Lisp Sistemas de Produção (evolução de sistemas genéricos).

4. [Rich93] e [Mitchell97] e em alguns livros da bibliografia complementar como [Bratko90]. CIC284 – Inteligência Artificial em Controle e Automação. Referências O conteúdo desta apostila é fortemente baseado na bibliografia básica do programa da disciplina.¢ ¢ ¢ ¢ ¢ 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. [Nascimento00]. Inteligência Artificial em Controle e Automação Álvaro Guarda 5 . Elton Silva. Diversas partes do texto também foram baseadas no material de aula do Prof.

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

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

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

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

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

pesquise(N. NewNode). N. Solução). Path2. Solução) :.3. Se LISTA_DE_NODOS estava vazia. append( Paths. Naux. []]. ii) Se o novo estado é um estado objetivo.-? pesquise([c. ou seja. [Node | Path] )) ). N.]. b) Para cada maneira que cada regra combina com o estado descrito em E faça: i) Aplique a regra para gerar um novo estado. breadthfirst( [Path | Paths]. Solution) :breadthfirst( [ [Start] ]. % breadthfirst( [ Path1. profundidade(Caminho. Busca em Extensão (Largura) Todos os nodos de um nível da árvore são examinados antes dos nodos do nível seguinte. profundidade([N | Caminho. breadthfirst( Paths1. aqueles mais próximos da raiz.objetivo(N). not(member( NewNode. Solution): % Solution is a path (in reverse order) from Start to a goal solve( Start. [] ).profundidade([]. N. NewPaths). Solution). 3. b]. .3. Solução). Node | Path]. not(member(Naux. Solution): % Solution is an extension to a goal of one of paths breadthfirst( [ [Node | Path] | _]. 3.3. 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". Busca em Profundidade Acíclica A implementação abaixo evita ciclos.2. Solution). 2. pois deve visitar primeiro os nodos mais antigos. ( sucessor( Node. NewPaths. Solução). Abaixo é apresentada uma implementação em Prolog. Solução) :sucessor(N. Comparação: Busca em Profundidade x Busca em Extensão Busca em profundidade: Inteligência Artificial em Controle e Automação Álvaro Guarda 13 . profundidade(Caminho. Naux). A estrutura de dados associada é uma fila. % Nodo não tem sucessores (bagof falhou!) 3. [N | Caminho]) :. pare e retorne este estado iii) Senão. Entretanto ainda podem existir na árvore de pesquisa ramos infinitos que não contenham a solução. !. []. Paths1).4. % solve( Start. fim. Algoritmo: 1. extend( _. Solution) :extend( Path. Crie uma variável chamada "LISTA_DE_NODOS" e faça-a igual ao estado inicial.3. Caminho)). NewPaths). a. Esta situação é plausível em problemas cujo espaço de estados é infinito. adicione o novo estado ao final de LISTA_DE_NODOS.. NewPaths) :bagof( [NewNode..1. extend( [Node | Path].1.1. [Node | Path]) :goal( Node).

não há garantias de encontra-la.2) Nesse caso devemos sempre observar as restrições do problema e a validade das operações. 3.1) move(3.3) move(1. Maior = Número do poste onde está a argola maior. Inteligência Artificial em Controle e Automação Álvaro Guarda 14 .1). garante a obtenção da solução de menor caminho. • É adequada quando existe solução na maioria dos ramos.3) (2. • Requer menos memória.1.1) move (3. Estado Final a) Estados Sintaxe: (Menor. • Não é muito adequada quando o fator de ramificação é muito alto.1.1) move(1.3) move (2. A Figura 12 apresenta a árvore de pesquisa deste problema. • Consome muita memória.1) (3. Busca em Extensão: • Se houver solução.1.2.1) move (2. Estado final : (3. pois exige armazenar muitos caminhos alternativos.2) move (1.2) (2.1.• Mesmo que haja uma solução. • Por sorte. Maior) Menor = Número do poste onde está a argola menor.1) Figura 12 Árvore de pesquisa para o problema da Torre de Hanói.3. • Não corre o risco de examinar por longo tempo becos sem saída. Média = Número do poste onde está a argola média.3) move (3.2) (3. 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. b) Operações Sintaxe: move (poste de origem. Assim os estado inicial e final podem ser representados como: Estado inicial : (1.1. poste de destino) move (1.1. move(1. Média.3.1) (3. Exemplo 2: Jogo dos 8 A Figura 13 mostra a representação gráfica para o problema do jogo dos 8.3). pois pode explorar um caminho infinito que não contém a solução. 1 2 3 1 2 3 Estado Inicial Figura 11 Torre de Hanói.1) move(1. pode achar uma solução sem examinar muito o espaço de estado.3.2) (1.1.1) (2.3) move(2.5.

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

Representação do problema Sintaxe: [<TAM. Solubilidade dos nodos Um nodo é solúvel se: • É um problema primitivo.<PINO DE CHEGADA>] Problema inicial : [3. • É um nodo "OU" cujos sucessores são todos insolúveis.3] [1.3] [1. indicando que os nodos sucessores são problemas alternativos. Operação Para diferentes pinos I. Grafo E/OU A Figura 15 apresenta o grafo E/OU que é o espaço de busca para problemas representados por Redução de Problemas. 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. Resolução de Problemas como Busca por Redução de Problemas Na resolução de problemas utilizando como enfoque a busca por redução de problemas.3. O espaço de busca é representado graficamente por um grafo E/OU.3] Figura 15 .3] [1.2. são do tipo OU.<PINO DE SAÍDA>. ou do tipo E. • É um nodo "OU" onde pelo menos um dos sucessores é solúvel Um nodo é insolúvel se: • É um nodo terminal. • Mover uma pilha de tamanho 1 de I para K. os nodos contêm a descrição dos problemas (subproblemas) e os arcos indicam relações entre os problemas.2] [1. [3.1. como os problemas são decompostos.3] [2. a idéia utilizada é a da decomposição de problemas em subproblemas com complexidade menor que a do problema original.Grafo E/OU para o problema da Torre de Hanói. J e K.2.1. PILHA>.3] [1. • É um nodo "E" onde pelo menos um dos sucessores é insolúvel. Neste grafo. A busca é a construção sistemática do grafo E/OU através da aplicação das operações que vão decompondo os problemas. indicando que os nodos sucessores são problemas conjuntivos.2] [1. • Conjunto de operações de transformação de problemas. Exemplo 1: Torre de Hanói A representação gráfica do problema da Torre de Hanói é apresentada na Figura 11.2.1.1. As folhas da árvore podem ser problemas primitivos ou nodos terminais (problemas insolúveis). Inteligência Artificial em Controle e Automação Álvaro Guarda 16 . • Mover uma pilha de tamanho n-1 de J para K.1. conhecida).1] [2. sucessores de um determinado nodo.3] Problema primitivo : mover uma pilha de tamanho 1. A modelagem do problema é feita através da definição dos seguintes elementos: • Descrição do problema inicial.2] [1. isto é.2. Os nodos intermediários.1. • É um nodo "E" cujos sucessores são todos solúveis. A solução é um conjunto de Problemas Primitivos encontrados a partir da aplicação das operações no problema inicial e nos subproblemas já gerados.1. • Conjunto de problemas primitivos (problemas que têm solução imediata.3.

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

A maioria das regras dos Sistemas Especialistas pertence a essa classe.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. i) Se for a solução (um estado meta) retorne-o e encerre. b) Avalie o novo estado. o conhecimento sobre o problema é utilizado para compor uma função heurística.3. A busca é feita com a geração de um estado sucessor do estado corrente. A árvore de busca é apresentada na Figura 19. Função Heurística Nos métodos de busca. Se o estado sucessor tiver uma nota melhor. Por exemplo. são denominados métodos fracos e não são capazes de evitar a explosão combinatória.1. Estado corrente ← estado inicial 2. 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. 3. no Jogo dos 8 a heurística pode ser o número de peças que estão fora do lugar. b) Heurística específica: Apresenta as convicções dos especialistas em uma determinada área. É extremamente eficiente se bem utilizada. Algoritmo: 1. então ele passa a ser o estado corrente. 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. • É irrevogável (sem retrocesso). Características: • Seleciona o primeiro vizinho que seja melhor. 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. Subida da encosta ("Hill-Climbing") A idéia deste método é maximizar a nota fornecida pela função heurística. úteis a muitos tipos de problemas. ii) Se for melhor que o estado corrente então Estado corrente ← novo estado. • Problema: tende a convergir para uma solução que é um máximo local e não para o máximo global. esta medida consiste em uma estimativa da distância da solução. Os métodos que utilizam apenas heurísticas genéricas. Inteligência Artificial em Controle e Automação Álvaro Guarda 18 . Exemplo: Mundo dos Blocos A Figura 18 apresenta o problema no qual será aplicado o método da subida da encosta. Freqüentemente. Com esta heurística os estados inicial e final recebem as notas: f(estado inicial) = 1 e f(estado meta) = 5.

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

O nodo aberto com a melhor nota é escolhido para a expansão. 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 . 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. 3.3. isto é. Exemplo: Achar o Menor Trajeto Definição do Problema: Procurar o menor trajeto. • Problema: tende a convergir para uma solução que é um máximo local e não para o máximo global. • É irrevogável (sem retrocesso). desde que seja melhor que o estado corrente. o caminho a ser seguido é selecionado entre todos os nodos abertos até o momento. Busca pela melhor escolha ("Best-First") A heurística é aplicada globalmente. ou uma alternativa aceitável.• Seleciona o melhor vizinho. entre a cidade a e a cidade z.3.

e. dependendo do problema.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.c.z.b.d.3).c. 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(a. <custo>) onde <custo> é a distância entre as cidades s(a. s(b. sintaxe das operações: s( <nodo>. <nodo sucessor>. mas pode ser uma solução bastante aceitável. s(d. Exemplo: Achar o Menor Trajeto Representação em Prolog objetivo: goal(z).4).5).k. s(e. 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.1).4). s(c.3).2). s(a. Inteligência Artificial em Controle e Automação Álvaro Guarda 21 .

2/3.3/1. h(e.1/3.2). Solução). 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]. 1/3. Funções heurísticas: g(x) é calculado a partir de <custo> h(x) é definido como abaixo h(b.2/1. 3/1.bestfirst([2/2.1).6).3/2. d. showsol(Sol). 3/2. 3/1.z. 3/2. 1/1. 9° elemento: 3 2 1 casa vazia peça 1 peça 2 peça 8 O estado inicial é representado como: [2/2.7).s(k.0). 2/1. 22 Inteligência Artificial em Controle e Automação Álvaro Guarda . ?. 2/1. showsol(Solução).1/1. 3/3. 3/3. Consulta e resultado: ?.bestfirst(a.5). c. 1/3. h(z. h(c. 1/1. 2/3. h(d. h(k.3/3. 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. Sol).. ---a ---c ---d ---z Sol = [z.2).2/3.. 1/2] A cláusula showsol apresenta a solução como uma seqüência de posições do tabuleiro.

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

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

Tiles. D is D1 + D2. Tile. [Tile | Tiles1]. D is Dx + Dy. D1). % 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. dist. [Tile | Ts]. 1). Tile. H):goal([Empty1 | GoalSquares]). totdist([Tile | Tiles].Y. Tile. 0). % seq(TilePositions.X):X =< Y. D is B-A. totdist([]. [Square | Squares].F):f(T. [T1 | Ts]. X1/Y1. min(X. % Manhattan distance = 1 swap(Empty. S):seq([First | OtherTiles]. Tiles1). f(t(_. dif(Y. min(X. GoalSquares. 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]. Tile. [T1 | Ts1]):swap(Empty. F). Square. D). SuccessorNode. [Empty | Ts]):mandist(Empty.% Extract f-value f(l(_. 1):swap(Empty.F/_). Dy). S). Tile.! . Dx). D >= 0. D):dif(X. X1. Ts. mandist(X/Y. Cost) s([Empty | Tiles]. Y1. Inteligência Artificial em Controle e Automação Álvaro Guarda 25 . bestf([T|_]. 9999). []. dif(A. % Sequence score H is D + 3*S.D):D is A-B. % D is Manh. totdist( Tiles. totdist(Tiles. Ts1)._). Y). D2).B. Squares. First. bestf([]. F).!. D):mandist(Tile. S). F).F/_. Score): sequence score seq([First | OtherTiles]. % All arc costs are 1 % Swap Empty and Tile in Tiles swap(Empty. % Total distance from home squares seq(Tiles. Y.

Neste processo.!.S7. Tile2. 0):. First. O objetivo é alcançar uma estrutura molecular com um mínimo de energia. _. S2).1/2]). score(3/2. score(2/3.5-S5.!.3/3. 1). write(Tile).!. S):score(Last. score(1/2.4-S4. score(2/2.2/1. 1/2. [3.6-S6. fail % Backtrack to next square .S6. 1/3. % Display a board position showpos([S0.S3.8-S8]). 0):.!. T = temperatura.S2. 0):. 0):.!. S is S1 + S2. seq( [Tile2 | Tiles]. 3/1.S8]):member(Y. escreve a relação entre as unidades de energia e temperatura.3.E2| = mudança positiva de energia. 1/1. true.1/3. score(2/1. 0):. score(1/1. ∆E = |E' .3-S3.7-S7. 0):. permitindo transições de alto nível de energia. 3/2. First. Tile2 | Tiles]. mas sempre existe uma certa probabilidade de ocorrer uma transição para um estado de maior energia.1]). % Order of Y-coordinates nl.S1. % Order of X-coordinates member(Tile-X/Y. member(X. 0):. onde apenas transições de baixo nível de energia são permitidas. score(_.3/2. _.!. write(' ---'). 2/1. 0):.2-S2. First.1-S1.seq([Tilel.4. a temperatura é resfriada até alcançar um estado sólido. nl.S4. score(1/3. seq([Last]. calculada pela fórmula: p = e(-∆E/kT) onde. showpos(P). as substâncias físicas tendem a acomodar-se em configurações de baixa energia.3]). 2). score(3/3.!. % All squares done 3. Têmpera Simulada ("Simulated Annealing") Método de busca inspirado no processo de temperar metais: inicia com uma temperatura elevada. goal([2/2. First. k = constante de Boltzmann. gradualmente.3/1. % Display a solution path as a list of board positions showsol([]).2. S):score(Tilel.1/1.2. 3/3. showsol([P | L]):showsol(L). 2/3.S5. S1). [1. S). % 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 . score(3/1.2/3.!. depois. % Tile on square X/Y [0-S0.

Valor da redução (quanto) A maneira como a temperatura diminui influencia no resultado do processo. Melhor ← Estado Corrente 3. Computação Evolucionista É um conjunto de técnicas de otimização inspiradas na teoria da evolução. resultando em indivíduos cada vez melhores. 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 . Valor inicial 2.3. onde uma população de indivíduos evolui durante gerações devido à maior probabilidade daqueles mais aptos terem uma prole mais numerosa. A mudança de temperatura no decorrer do processo chama-se "cronograma de têmpera" e tem três componentes: 1. Retorne Melhor como resposta do problema. A diferença de energia é medida pela diferença da aplicação da função-objetivo (função heurística) no estado corrente e no novo estado. Algoritmo: 1. 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. assim k deixa de ser necessário e o cálculo da probabilidade fica: p = e(-∆E/T). T ← cronograma (inicio) 4. os valores energia e temperatura não têm o mesmo sentido que na física. 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. se T esfriar muito lentamente haverá muita perda de tempo. provavelmente será encontrado um mínimo local e não global. 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.No processo de resolução de problemas. Quando o dispositivo fica na vertical a esfera tende a acomodar-se ao fundo de um vale. permitindo que a esfera suba colinas. 2. Uma temperatura alta equivale a agitar o dispositivo. se T esfriar muito rápido.5. 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. A principal idéia da teoria da evolução é a seleção natural. As técnicas estabelecem uma analogia onde um indivíduo é visto como sendo um candidato à solução de um problema. Critério(s) para decidir quando a temperatura deve ser reduzida. 3. 1] então Estado Corrente ← Novo Estado c) T ← cronograma 5. Repita até que Estado Corrente seja a solução ou não haja mudança no Estado Corrente. Estado Corrente ← Estado Inicial. 3.

Esta abordagem remonta o início da computação. como se fosse a cadeia genética do indivíduo.3. A criação dos indivíduos para a próxima geração é feita através de operações como cruzamento entre indivíduos.contribuir para a próxima geração. Inteligência Artificial em Controle e Automação Álvaro Guarda 28 . mutação e clonagem (ver anotações de aula). Pop  !#"%$'&)(102&436587@9A7@9CBD7!EFHGI@9P@QR7HS58$'ET0R!U7!VD587 2. 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. entretanto o interesse na sua utilização cresceu muito nos meados da década de 80.1. Avalie Pop: para cada hipótese H pertencente a Pop.2. Algoritmo algoritmo_genetico( TamPop) 1. Cada hipótese de solução (indivíduo) é representada por uma cadeia binária de tamanho fixo. calcule a sua aptidão f(H) 4.1.1. As principais técnicas que foram desenvolvidas são: programação evolucionista. além de ser baseado nos mecanismos de seleção natural.1. estratégia evolucionista. Evolua a população Pop uma geração (faça até que satisfaça alguma condição de término) 3. Aplique o operador genético sobre a(s) hipótese(s) selecionada(s) gerando nova(s) hipótese(s): Hnova W X'Y4`!aFbHcIX'aFdfehg 3. Atualize a população: Pop ‚ prqts4u!v%q'w 3.3. Crie a nova população NovaPop (faça até gerar completamente a nova população) 3. Escolha um operador genético 3.2. inventados por John Holland nos anos 60 e desenvolvidos por ele e seus alunos na Universidade de Michigan em meados de 1970. A seguir está técnica é vista com mais detalhes. 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. Retorne como resultado a hipótese com a maior aptidão de todas as gerações. 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. também se baseia na genética.1. algoritmos genéticos e programação genética. Avalie Pop (população inicial): para cada hipótese H pertencente a Pop. calcule a sua aptidão f(H) 3. sistemas classificadores. Adicione a(s) hipótese(s) resultante(s) na nova população: NovaPop i prqts4u!v%q'wyx€ nova 3. pois.1. Algoritmos Genéticos (AGs) Nesta técnica a analogia com os sistemas biológicos é mais forte. A técnica mais conhecida são os algoritmos genéticos. entre os anos 50 e 60.4.

correspondendo a um problema. Um exemplo de sistema que foi desenvolvido nesta fase é o GPS (General Problem Solver). possíveis soluções. REALIDADE FATOS’ FATOS’’ Modelagem Solução Representação do Conhecimento Figura 22 .Permite facilmente entender o conhecimento armazenado. Sistemas Baseados em Conhecimento A evolução da pesquisa em resolução de problemas pode ser dividida em três fases distintas.4. O grande problema desta abordagem é a explosão combinatória quando se tenta resolver problemas mais complexos.Permite representar todos os tipos de conhecimento necessários ao domínio do problema que se quer solucionar. Durante a primeira fase procurava-se imitar a capacidade do homem de resolver problemas. A terceira fase iniciou-se a partir da percepção de que o conhecimento geral é muito extenso e pouco útil para problemas específicos. Para permitir que os problemas sejam tratáveis em tempo hábil surgem os sistemas especialistas. 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. ou seja. Eficácia Inferencial . adquirir novos conhecimentos e fornecer “explicações”. 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.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 . Adequação Inferencial . Nesta fase passou-se a utilizar os sistemas de produção e surgiram os sistemas baseados em conhecimento (cognitivos). 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.1. buscava-se compreender e reproduzir a capacidade de raciocínio e de representação de problemas do homem. dentre os quais. Quanto maior a quantidade e a qualidade de conhecimento específico (relativo ao problema) embutido nestes sistemas. uma parte da realidade.Modelagem da realidade Inferência Fatos Conforme está esquematizado na Figura 22.2. ƒ ƒ ƒ ƒ Propriedades de Sistemas de Representação do Conhecimento Adequação Representacional . 4. Os possíveis tipos de inferência que podem ser efetuados dependem da forma de representação do conhecimento. Eficácia de Comunicação .Permite manipular estruturas representacionais gerando “novos” conhecimentos. melhor a performance do sistema.

„ Lógica - „ „ „ „ „ 4. Base de Dados Estratégia de Controle Condição Condição º º º Ação Ação º º º Regras de Produção Condição Figura 23 .. é o módulo responsável pela execução do sistema e pela identificação da solução sinalizando quando o sistema deve parar. interpretador de regras. Convencional Não-monotônica Difusa ou nebulosa (“fuzzy”) Temporal Senso-comum . 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. Estratégia de Controle: também denominado. Regras de Produção: conjunto de regras que operam sobre a base de dados. simulando os processos mentais de raciocínio e utilização do conhecimento. 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. Álvaro Guarda Inteligência Artificial em Controle e Automação 30 . 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. 3) ação – ativa as regras executando as ações (lado direito) das mesmas. ocorre um conflito.3. contém dados informados pelo usuário sobre o problema ou gerados pelas próprias regras durante a execução (estado). 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.. as regras que casarem são selecionadas. o que normalmente altera o Banco de Dados. modificando-a.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. sendo que a forma mais óbvia de se resolver um conflito é ativar a primeira regra que foi satisfeita. memória de trabalho ou contexto.

Assim. Estratégia de Controle: f testar as condições das regras em ordem arbitrária até que uma seja satisfeita. o estado inicial (as duas jarras vazias) é representado como (0. y) | x > 0 Ô ÎfÏÑÐtÕ -d) 4) (x. y) | x > 0 Ô Î{ÖIÐtÕDÓ ÎfÏÑÐIÖ6Ó 6) (x. Regras de Produção: ÇÉÈ4ÊtËDÌ 1) (x. y) | y < 3 Í ÎfÏÑÐDÒDÓ ÎfÏ -d. Base de Dados: Par de valores (x. 0) e o estado final como (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. Além disso. Pode-se colocar ou retirar água das jarras. y) | x+y >= 4 e y > 0 Ô ÎÉ×4ÐtÕ -(4-x)) ÎfÏ -(3-y). y) | y > 0 Ô 7) (x. f repetir indefinidamente. permitindo que se chegue à solução. y) 3) (x. y) | y > 0 Ô 5) (x. y) | x+y <= 4 e y > 0 Ô 10) (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. Comutativo .… … Parcialmente Comutativo – se a aplicação de uma seqüência particular de regras transforma o estado x no estado y. 3) 8) (x. y) | x+y >= 3 e x > 0 Ô ÎfÏ}ØÑÕ}ÐIÖ6Ó 9) (x. é desejável inserir regras adicionais. y) Þ Ù{ÜIÛ'ß6Ý Deve ser definido um número mínimo de regras que modele adequadamente o problema.é um sistema que é monotônico e parcialmente comutativo. O objetivo deste problema é. y) | x < 4 Ä 2) (x. 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. tendo-se duas jarras. uma com capacidade de 3 litros e a outra de 4 litros. que representem “atalhos” na procura da solução. y). então qualquer permutação dessas regras que seja viável também transforma o estado x no estado y. porém os únicos volumes conhecidos são os das capacidades das jarras. chegar-se a um volume de dois litros na jarra de 3 litros. º º º Inteligência Artificial em Controle e Automação Álvaro Guarda 31 . 2). f executar a ação correspondente. 2) Ô 12) (2. mais especializadas. y) | x+y <= 3 e x > 0 Ô Î{ÖIÐ6Ï}ØÑÕDÓ ÙÉÚ1ÛIÜ6Ý 11) (0. o resultado será impresso.

Evidentemente os SE podem utilizar qualquer uma das formas de representação do conhecimento citadas anteriormente. A maior aplicação dos sistemas baseados em regras são os Sistemas Especialistas (SE). Isto acontece porque a maioria do conhecimento utilizado em problemas de IA é diretamente representável em expressões gerais de implicação. pois estes últimos representam um dos maiores marcos comercias na exploração da Inteligência Artificial. porém a grande maioria deles utiliza regras. No capítulo 6 os sistemas baseados em regras são aprofundados através do estudo dos SE. Inteligência Artificial em Controle e Automação Álvaro Guarda 32 . além de serem facilmente compreensíveis pelos usuários. As regras têm a forma geral se <condições> então <conclusões> e os mecanismos de inferência utilizados para gerarem novos fatos são baseados na lógica.4.4. Sistemas Baseados em Regras Os sistemas baseados em regras surgiram a partir dos Sistemas de Produção e evoluíram utilizando resultados das pesquisas em lógica.

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

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

Fn}. ¬coriza ∨ resfriado. denotada por F áãâ G.. F ≡ G equivale a F Exemplo äæå G e G äæå F. coriza. temos ω(G) = v.. ∧ Fn) = v. então basta que apenas um deles seja verdadeiro: ¬garganta_inflamada. para o qual ω(F1∧F2∧ . Teorema (consulta): gripe. (4) ¬coriza ∨ resfriado. ¬doi_corpo ∨ resfriado. (2) ¬ garganta_inflamada ∨ ¬resfriado ∨ gripe.. F2. ¬resfriado Álvaro Guarda Inteligência Artificial em Controle e Automação 35 . ¬gripe.. Prova por refutação: èêé Teoria + negação do teorema: (1) (2) (3) (4) (5) (6) garganta_inflamada.. ç ç ç Teoria (conjunto de axiomas ou Base de Conhecimento): (1) garganta_inflamada. (3) ¬doi_corpo ∨ resfriado. como os seus elementos estão unidos por “ ∨”.. (5) coriza. ¬ garganta_inflamada ∨ ¬resfriado ∨ gripe. n ≥1. (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.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. se para cada interpretação ω.

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

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

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

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

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

1. somente é possível derivar a cláusula vazia. Homem(Marcos) 2. ¬Homem(Marcos) ∨ ¬Soberano(César) ∨ ¬Tenta_assassinar(Marcos. Cláusulas: 1. ¬Q∨R 1 e 3 11. 4e6 4. César) 4 e 14 {} 16. ¬P∨¬Q 3 e 4 13. aplicando o algoritmo de resolução a cláusula vazia é derivada e fica provado R.x) 10. ¬Pompeano(x1) ∨ Romano(x1) 4. R 5e6 7. y1) ∨ ¬Leal_a(x4. x/César} 11. ¬P∨¬Q∨R} e o teorema R a ser provado. Soberano(César) 5. ¬P∨R 2e3 12. César) 3 e 10 {x1/Marcos} 12. Como a variável do teorema está instanciada com César. ¬P 4e7 6.4. 8 e 15 {} A cláusula vazia foi derivada. utilizando-se pelo menos uma cláusula que não pertença ao conjunto de cláusulas original. selecionando as cláusulas que geram a cláusula vazia com o menor esforço. na ordem em que as mesmas aparecem. ¬P∨Q.T é consistente. ¬P∨Q 6. César) 2 e 11 {} 13. ¬R 1) Resolução por Saturação (exploração em extensão) Faz a seleção das cláusulas de maneira sistemática. T contém inicialmente a cláusula a ser provada e a cada passo o resolvente é acrescentado a T. y1) 8. Esta estratégia de seleção é completa. ¬Romano(x2) ∨ Leal_a(x2. ¬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. César) ∨ Odeia(x2. então está provado que Marcos odeia alguém. Q 1e2 10. César) 9 e 5 {x2/Marcos. Assim. Veja o exemplo abaixo. Definição: Um subconjunto T de um conjunto de cláusulas S é um conjunto de suporte de S se e somente se S . ¬P∨R 2 e 3 2. então Marcos odeia César. P 5. César) 6. As estratégi as serão apresentadas com exemplos da lógica proposicional. Estratégia de Resolução É a forma de escolha das cláusulas que serão “resolvidas”. porém os conceitos são os mesmos para a lógica de predicados. ¬Homem(x4) ∨ ¬Soberano(y1) ∨ ¬Tenta_assassinar(x4. Abaixo é apresentada a seqüência de cláusulas geradas com esta estratégia para o problema anterior: 5. ¬Tenta_assassinar(Marcos. ¬P 5e8 8. César) Resposta: 9. Leal_a(Marcos. Tenta_assassinar(Marcos. 5. Inteligência Artificial em Controle e Automação Álvaro Guarda 41 . f1(x3)) 7. mas ineficiente. provando a inconsistência. os resolventes que já estão presentes no conjunto de cláusulas não são acrescentados novamente. ¬Odeia(Marcos. A forma mais rápida é usando a nossa inteligência. Leal_a(x3. César) 7 e 12 {x4/Marcos. Sejam a teoria {P. Pompeano(Marcos) 3. sendo que as cláusulas selecionadas devem ter literais complementares. ¬Romano(Marcos) ∨ Leal_a(Marcos. ¬Pompeano(Marcos) ∨ Leal_a(Marcos. R 1e5 3. Para evitar trabalho desnecessário. ¬P∨¬Q∨R 7. 5e9 9. ¬Soberano(César) ∨ ¬Tenta_assassinar(Marcos. y1/César} 14. César) 1 e 13 {} 15.

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

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

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

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

3. ¬P(B) . 6. ¬P(B) 6. P(x) ∨ R(x) ∨ P(B) 2. P(x) ∨ R(x) ∨ P(B) P(A) ∨ R(B) ¬P(A) ¬R(A) ¬P(B) R(A) ∨ P(B) R(B) . ¬R(A) 5.Árvore de busca.. 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.. P(x) ∨ R(x) ∨ P(B) 2. Para as estratégias Linear. P(x) ∨ P(B) 1.. 6. 5. ¬P(B) 6.. P(x) ∨ R(x) 2 e 3 {} 1. 2. ¬P(A) 4. . 5. A raiz normalmente contém apenas a cláusula objetivo (teorema negado). A árvore contendo apenas os nodos visitados durante o processo de busca da cláusula vazia é denominada árvore de refutação. ¬R(A) 5. P(A) ∨ R(B) 3. mas pode conter o conjunto de cláusulas de entrada por questões de clareza. P(x) ∨ R(x) ∨ P(B) 2. 7. R(B) 1 e 5 {} 1. P(A) ∨ R(B) 3.. ¬P(A) 4. P(x) ∨ R(x) ∨ P(B) 2. Como a cláusula objetivo sempre participa na resolução das cláusulas. Linear de Entrada e LSD a árvore pode ser simplificada colocando-se nos nodos apenas a cláusula objetivo corrente (cláusula pai).. 7. 3. R(A) ∨ P(B) 1 e 4 {x/A} 1. ¬R(A) 5... 6. 2.1. 4.. 7. 2. Inteligência Artificial em Controle e Automação Álvaro Guarda 46 . 3. Figura 25 . ¬P(A) 4. ¬R(A) 1 e 3 {x/A} 1 e 4 {x/A} 1 e 5 {} 2 e 3 {} 1. ¬R(A) 5. . P(A) ∨ R(B) 3. o seu número pode ser omitido nos arcos. 4. 1. ¬P(A) 4. 5. P(A) ∨ R(B) 3. . ¬P(B) 6. P(A) ∨ R(B) 3. 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) P(x) ∨ R(x) .. 4.. Árvore de Refutação A escolha da estratégia de resolução define como é explorada a árvore de busca para encontrar a cláusula vazia. A Figura 26 apresenta a árvore de refutação para o problema do exercício 2 utilizando a estratégia de resolução LSD. ¬P(A) 4.

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

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

entretanto é importante ressaltar que ele não conclui todas as inferências válidas. 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. apresentar conselhos.Ambiente de um SE Motor de Inferência O motor de inferência. o fato B é derivado a partir do fato A e da Regra A → B. se o formalismo de representação escolhido for regras de produção. Inteligência Artificial em Controle e Automação Álvaro Guarda 49 . e explicações de como o sistema chegou a determinada conclusão. 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. Estratégia de Controle. é responsável pela manipulação da base de conhecimento durante a resolução de problemas. O mecanismo depende da forma de representação de conhecimento. Conforme o exemplo mostrado na Figura 28. então é pode-se acreditar que as suas conclusões também o são. Em sistemas baseados em regras o mecanismo encontrado com mais freqüência é o “modus ponens”: se as premissas de uma regra são verdadeiras. Uma das vantagens do “modus ponens” é a sua simplicidade. Interface com o Usuário Todo sistema especialista é interativo. 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.usuário ? Consulta SE Resposta especialistas engenheiro de conhecimento Figura 27 . A arquitetura do motor de inferência está intimamente relacionada com a linguagem de representação do conhecimento e inclui os elementos: Mecanismo de Inferência. ou seja Como? 6. 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?. os quais serão detalhados mais adiante. o motor de inferência irá necessariamente tomar a forma de um interpretador de regras. Métodos de tratamento da Incerteza e Métodos de tratamento de Conhecimento Incompleto. Por exemplo. É chamado de motor de inferência porque ele usa o conhecimento da base e os fatos relativos a uma determinada consulta para obter conclusões. assim as conclusões podem ser acrescentadas no conhecimento existente.2.

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

Utilização de Meta-conhecimento . Árvore de Pesquisa A B C D E ? F G ? Obs. F. 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. − comprovar hipóteses buscando indícios.Banco de Conhecimento Se B e C então A. Análise de diferença .Tabela verdade incluindo o valor desconhecido (D).é o conhecimento do especialista de como deve ser utilizado o conhecimento.Exemplo de encadeamento regressivo. Se D ou E então B. Se F e G então C. Inteligência Artificial em Controle e Automação Álvaro Guarda 51 . Objetivo (problema inicial) A. D.: o usuário pode ser tratado como uma extensão do Banco de Conhecimento. influindo no modo como o conhecimento deve ser tratado em alguma parte do raciocínio.pode ser: o em profundidade. ÿ ÿ ÿ Estratégia de Pesquisa . conforme a tabela verdade abaixo.identifica regras que diminuem a diferença entre o conhecimento atual e o objetivo. o heurística. Figura 30 . Exemplo: ativação de um conjunto de regras e fatos específicos sob uma certa condição. 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 . 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. o em extensão.

A ou D então B FC(60).abaixo são apresentadas três formas de cálculo com um exemplo na figura Figura 33.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 . 6. as diferentes formas de tratar a situação apresentam uma grande variação. 4. FC(60). 6.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.3. 5. 3. 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. Alguns Exemplos de Sistemas Especialistas Álvaro Guarda Inteligência Artificial em Controle e Automação 52 . conforme o exemplo apresentado na Figura 32. Se Se Se B B B A então B FC(80). 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. FC(40). A forma clássica de implementação é feita pela quantificação do grau de certeza do conhecimento. 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 . 3. 2. Resultado do cálculo do FC das Conclusões Regra 1. Figura 33 .Exemplo de cálculo quando várias regras inferem a mesma conclusão. A e C então B FC(70). FC(30). 2.

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

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

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

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. 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 . pois os métodos utilizados pelos especialistas são particulares e.DFD nível o do ciclo de vida de um projeto estruturado . porém alguns módulos ou funções são construídos utilizando prototipação.1. Os profissionais envolvidos são Especialista.7. até que se torne funcional.2. ¢ Estruturado Projeto planejado e realizado em etapas que partindo das especificações chega diretamente à versão operacional do sistema. ¢ Misto O sistema é desenvolvido de forma estruturada. 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. Programador. ¢ Metodologias de Desenvolvimento Prototipação Construção incremental de protótipos do sistema. Engenheiro de Conhecimento. as atividades dependem do tipo e do domínio do problema. ¢ ¢ ¢ Engenharia de Conhecimento 7. A Engenharia de Conhecimento é uma tarefa artesanal.

Analisar a relação custo / benefício da aplicação ao domínio. £ £ £ £ £ 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 1.5 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. 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. Levantamento Selecionar domínios apropriados para aplicações da IA. Figura 36 . Propor estratégias de curto e longo prazo para a integração da tecnologia de IA. Iniciar a definição da Base de Conhecimento (viabilidade).

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

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

através da multiplicação dos números de alternativas (respostas) de cada fator: 4 x 2 x 6 x 2 x 4 x 3 = 1152.As tabelas servem para organizar o conhecimento que vai sendo levantado junto às fontes utilizadas. A tabela da Figura 38 apresenta os principais fatores que o especialista leva em conta para decidir quais meios são recomendados. 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. Se o especialista utilizar apenas estes fatores. 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 . é possível identificar quantas situações diferentes existem.

00) Figura 38 .00) o Médio (até R$ 50.Análise matricial de escolha do meio instrucional Inteligência Artificial em Controle e Automação Álvaro Guarda 61 .000.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 .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$ 10.000.000.00) o Grande (mais de R$ 10.

.quando envolve ... ambiental seletiva construída verbal atividade motora afetiva Figura 41 . A resposta apropriada é .Tabela de detalhamento da situação do estímulo. oculta quando envolve .Tabela de detalhamento da resposta apropriada.. Inteligência Artificial em Controle e Automação Álvaro Guarda 62 ..... 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 . 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 .

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 . resultando nas regras de 1 a 10. como listado abaixo. para facilitar a formação das regras. inicialmente foi utiliza a tabela da Figura 39. Esta etapa envolve criar o banco de conhecimento e verificar fazendo algumas consultas. REGRAS Regra 1 . entretanto. Na lógica o operador de conjunção (“E”) possui maior precedência que o operador de disjunção (“OU”). então criou-se uma variável chamada “Recomendação” cujo domínio são as possíveis recomendações dos especialistas. O objetivo do SE é estabelecer uma ou mais recomendações.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. o Sinta utiliza como padrão o inverso: o operador de disjunção possui maior precedência que o operador de conjunção.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.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 . As tabelas da Figura 40 e da Figura 41 foram utilizadas para criar as demais regras: de 11 a 20. conforme a tabela da Figura 39. Desenvolver um protótipo.4.

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 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 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 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 .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 .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 .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 .

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.Resposta apropriada é seletiva SE resposta = múltipla escolha OU resposta = associação OU resposta = seletiva ENTÃO resposta apropriada = seletiva Regra 17 .OU resposta = imaginar OU resposta = pensar OU resposta = oculta ENTÃO resposta apropriada = oculta Regra 16 .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 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 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 .

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 ""médio" se será gasto menos de R$ 1."alterada conforme a resposta do aluno. Variável:orçamento de treinamento Pergunta:"Qual é o orçamento do treinamento?" Motivo:"Informe " ""pequeno" se será gasto menos de R$ 100.000.000.00 ""grande" se será gasto mais de R$ 1.

Sign up to vote on this title
UsefulNot useful