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

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

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

• Contrafeito. conhecimento profundo. capacidade de se motivar. descrevendo apenas qualidades ou apresentando sinônimos. A habilidade de lidar com características avaliadas pela IE pode dar a verdadeira medida da inteligência humana: autocontrole. Para muitos cientistas. fazer uso de analogias. Tinha crises de vômito com medo da Teoria da Evolução. capacidade de se motivar. Abaixo são apresentadas algumas definições para as palavras que compõem o termo retirado do Dicionário Michaelis e outros. e existem outras esferas de discussão: Inteligência Artificial em Controle e Automação Álvaro Guarda 6 . perspicácia. • Habilidade em fazer determinada coisa. Inteligência • Faculdade de entender. compreender. não sabia administrar as suas finanças e vivia pedindo dinheiro aos amigos. Entretanto. fingido. pensar. persistência. Os grandes gênios da humanidade ajudaram a fixar na cultura ocidental um padrão de "homem inteligente". a inteligência passou a ser vista e discutida sob vários aspectos: • Inteligência racional (acadêmica): geralmente associada a aptidões lingüísticas e numéricas. intelecto. • Inteligência social : relações humanas. zelo. entender os outros. intencionalidade. Assim. • Habilidade mental medida pelo QI (capacidade de manipulação simbólica). Neste contexto surge a questão da necessidade e da possibilidade de se prover capacidades emocionais em máquinas. • Charles Darwin : Pesquisador compulsivo. A inteligência deve ser compreendida não apenas como aptidão para o manejo de símbolos e números. mas sobretudo como habilidade para interagir com o meio ambiente. • Inteligência corporal : relacionamento com o espaço (ex. • Facilidade de adaptação. raciocinar e interpretar. • Karl Max : Queria demolir o capitalismo. • Que envolve artifício. apesar de parecer que as definições apresentadas são suficientes. • Inteligência intra-pessoal : conhecer-se a si mesmo. • Pessoa de grande esfera intelectual.: Garrincha. • Intelectualidade. lidar com situações inesperadas. • Imitação. entendimento. Artificial • Produzido por arte ou indústria do homem e não por causas naturais. 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. era excessivamente rabugento. Caracterização 2. • Oposto de natural. como é formada e o que é necessário para que ela se manifeste. Hoje em dia as empresas estão valorizando muito essas capacidades em seus futuros empregados. • Sigmund Freud : Sofria do complexo de Édipo. Nem mesmo os pesquisadores em Psicologia Cognitiva sabem como a inteligência funciona. mas era um gastador inveterado. etc. • Tenta imitar o comportamento humano. Barishnikov). a definição de inteligência é superficial. postiço. Existem muitas discussões filosóficas sobre o assunto. era obcecado pela mãe. Desconsiderando esta questão. • Feito pelo homem. • Destreza mental. Discussão e Tentativa de Definição O termo “Inteligência Artificial” não é de fácil definição e há controvérsias entre vários pesquisadores. tinha síndrome de pânico. etc. • Faculdade ou capacidade de aprender. persistência. a inteligência está relacionada com vontade própria. metáforas e abstrações. • Inteligência emocional : autocontrole. este padrão apresenta alguns problemas: • Albert Einstein : Maltratava a mulher como uma escrava particular.2.1. zelo. Pelé. • Compreensão.

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

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

assinale insucesso. [N]) :. continue o passo 2. 2. ou seja. Para o problema da Figura 5 a consulta é expressa como a seguir: Inteligência Artificial em Controle e Automação Álvaro Guarda 12 .      (8) (7)  (3) (1)                                                 Figura 10 Árvore de pesquisa para o problema da Figura 5. A exploração dos caminhos alternativos pode ser feita através do retrocesso. <solução>). a solução pode ser o próprio estado final ou o caminho entre o estado inicial e o estado final. à medida que vai sendo executado. Naux). pare e retorne sucesso. pesquise(N. Se o estado inicial é um estado objetivo. A desvantagem desta implementação é que a mesma permite ciclos. A Figura 10 apresenta uma parte da árvore de busca para o problema da Figura 5. aqueles que estão mais distantes da raiz. [N | Caminho]):sucessor(N. pois deve visitar primeiro os nodos mais recentes. Busca em Profundidade A busca em profundidade explora um ramo da árvore de cada vez. pesquise(N. A consulta em Prolog tem a sintaxe pesquise(<início>. É necessário armazenar apenas o caminho que está sendo explorado e os caminhos já explorados podem ser descartados. b) Senão. pesquise(Naux. A estrutura de dados associada é uma pilha. portanto fácil de entender. Senão. Se não há mais sucessores.objetivo(N).1. faça o seguinte até o sucesso (ou insucesso): a) Gere um sucessor "E" do estado inicial. Quando se encontra o estado final o processo é interrompido com sucesso. chame BUSCA EM PROFUNDIDADE com E como estado inicial. utilizando o conjunto de operações da Figura 6. todos os nodos de um caminho da árvore são examinados antes dos nodos dos outros caminhos. Abaixo é apresentada uma implementação em Prolog bastante simples e. Este processo.3. c) Se sucesso então é retornado sucesso Senão. Algoritmo: 1. o que pode conduzir a pesquisa a um ramo sem saídas. No algoritmo abaixo não está previsto nenhum mecanismo de retrocesso. A solução <solução> é uma lista de estados. Dependendo do problema. 3.1. Caminho). partindo do estado <início> até um dos estados objetivos. vai gerando a árvore de busca.intermediários é feita até que se chegue a um estado objetivo.

Solução). extend( [Node | Path]. Solution). Solução) :. N. Solução) :sucessor(N. fim. Abaixo é apresentada uma implementação em Prolog. % Nodo não tem sucessores (bagof falhou!) 3. pare e retorne este estado iii) Senão. [Node | Path] )) ). profundidade([N | Caminho. Até que (um estado objetivo seja encontrado) ou (LISTA_DE_NODOS seja vazia) faça: a) Remova o primeiro elemento de LISTA_DE_NODOS e o chame "E". % breadthfirst( [ Path1. 3. b) Para cada maneira que cada regra combina com o estado descrito em E faça: i) Aplique a regra para gerar um novo estado. [] ). Esta situação é plausível em problemas cujo espaço de estados é infinito.3.3. pesquise(N. NewNode).4. ou seja. NewPaths) :bagof( [NewNode. Busca em Extensão (Largura) Todos os nodos de um nível da árvore são examinados antes dos nodos do nível seguinte. a. pois deve visitar primeiro os nodos mais antigos.1. Crie uma variável chamada "LISTA_DE_NODOS" e faça-a igual ao estado inicial. Solution): % Solution is an extension to a goal of one of paths breadthfirst( [ [Node | Path] | _]. Naux. not(member(Naux. NewPaths. []. extend( _.. Solution) :extend( Path. breadthfirst( Paths1.].3. append( Paths. [N | Caminho]) :.. ii) Se o novo estado é um estado objetivo. []]. ( sucessor( Node. Path2.objetivo(N). Node | Path]. N.1. Caminho)).1. NewPaths). N. aqueles mais próximos da raiz.2.3. Se LISTA_DE_NODOS estava vazia. Solução). Comparação: Busca em Profundidade x Busca em Extensão Busca em profundidade: Inteligência Artificial em Controle e Automação Álvaro Guarda 13 . not(member( NewNode. Busca em Profundidade Acíclica A implementação abaixo evita ciclos. Paths1). Solution): % Solution is a path (in reverse order) from Start to a goal solve( Start. !.profundidade([]. Solution). % solve( Start. profundidade(Caminho. Solução). profundidade(Caminho.-? pesquise([c. 3. Naux). Solution) :breadthfirst( [ [Start] ]. breadthfirst( [Path | Paths]. b]. adicione o novo estado ao final de LISTA_DE_NODOS. 2. Algoritmo: 1. A estrutura de dados associada é uma fila. NewPaths). . [Node | Path]) :goal( Node). Entretanto ainda podem existir na árvore de pesquisa ramos infinitos que não contenham a solução.

Assim os estado inicial e final podem ser representados como: Estado inicial : (1.3) move(1.1) (3.3. garante a obtenção da solução de menor caminho.1) (3.1). • É adequada quando existe solução na maioria dos ramos. • Consome muita memória. b) Operações Sintaxe: move (poste de origem.1. • Não é muito adequada quando o fator de ramificação é muito alto. 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 11.5.1) Figura 12 Árvore de pesquisa para o problema da Torre de Hanói. A Figura 12 apresenta a árvore de pesquisa deste problema. poste de destino) move (1.1) (2.3).2. Exemplo 2: Jogo dos 8 A Figura 13 mostra a representação gráfica para o problema do jogo dos 8.3) move(2. Estado final : (3.3) (2. pois pode explorar um caminho infinito que não contém a solução.3) move (3.2) move (1.1.2) Nesse caso devemos sempre observar as restrições do problema e a validade das operações. move(1.1.1) move(1. Média. pode achar uma solução sem examinar muito o espaço de estado.3.1) move (3.1.2) (1. pois exige armazenar muitos caminhos alternativos.1. Maior) Menor = Número do poste onde está a argola menor. • Requer menos memória. Estado Final a) Estados Sintaxe: (Menor. 3. não há garantias de encontra-la. 1 2 3 1 2 3 Estado Inicial Figura 11 Torre de Hanói.2) (2.1.1) move(1.1) move (2.1) move(3. Busca em Extensão: • Se houver solução.• Mesmo que haja uma solução. Inteligência Artificial em Controle e Automação Álvaro Guarda 14 .3) move (2. • Não corre o risco de examinar por longo tempo becos sem saída. • Por sorte.2) (3.3.1. Maior = Número do poste onde está a argola maior. Média = Número do poste onde está a argola média.

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

3] [1. Solubilidade dos nodos Um nodo é solúvel se: • É um problema primitivo. • Conjunto de operações de transformação de problemas.2. O espaço de busca é representado graficamente por um grafo E/OU. isto é.1.<PINO DE CHEGADA>] Problema inicial : [3.2] [1.2] [1.3] Problema primitivo : mover uma pilha de tamanho 1.3. conhecida). indicando que os nodos sucessores são problemas alternativos.3] [1.1.3] [2. Os nodos intermediários. [3.3. • Mover uma pilha de tamanho n-1 de J para K.3] [1. os nodos contêm a descrição dos problemas (subproblemas) e os arcos indicam relações entre os problemas.2] [1. sucessores de um determinado nodo. são do tipo OU.2.2. o problema de mover uma pilha de argolas de tamanho n>1 do pino I para o pino K pode ser substituído por 3 subproblemas: • Mover uma pilha de tamanho n-1 de I para J.1] [2. Neste grafo. • É um nodo "OU" onde pelo menos um dos sucessores é solúvel Um nodo é insolúvel se: • É um nodo terminal.3] [1.3] Figura 15 . PILHA>.1. J e K.2. • Mover uma pilha de tamanho 1 de I para K. Grafo E/OU A Figura 15 apresenta o grafo E/OU que é o espaço de busca para problemas representados por Redução de Problemas. ou do tipo E. como os problemas são decompostos.Grafo E/OU para o problema da Torre de Hanói. Representação do problema Sintaxe: [<TAM.1. Resolução de Problemas como Busca por Redução de Problemas Na resolução de problemas utilizando como enfoque a busca por redução de problemas.1. • É um nodo "OU" cujos sucessores são todos insolúveis. • Conjunto de problemas primitivos (problemas que têm solução imediata. indicando que os nodos sucessores são problemas conjuntivos. Inteligência Artificial em Controle e Automação Álvaro Guarda 16 . A solução é um conjunto de Problemas Primitivos encontrados a partir da aplicação das operações no problema inicial e nos subproblemas já gerados. Exemplo 1: Torre de Hanói A representação gráfica do problema da Torre de Hanói é apresentada na Figura 11. a idéia utilizada é a da decomposição de problemas em subproblemas com complexidade menor que a do problema original. • É um nodo "E" cujos sucessores são todos solúveis. As folhas da árvore podem ser problemas primitivos ou nodos terminais (problemas insolúveis).1. A busca é a construção sistemática do grafo E/OU através da aplicação das operações que vão decompondo os problemas.<PINO DE SAÍDA>. • É um nodo "E" onde pelo menos um dos sucessores é insolúvel. A modelagem do problema é feita através da definição dos seguintes elementos: • Descrição do problema inicial. Operação Para diferentes pinos I.1.

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

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

pode ser implementada da seguinte forma: quando o bloco tem a estrutura de apoio correta. daqueles recém gerados. neste problema em particular. 2.2.3. porém examina toda a vizinhança e seleciona o melhor. Esta nova função heurística permite que o processo de busca chegue a uma solução. some um ponto para cada bloco da estrutura de apoio. A heurística é aplicada localmente. Este método também é denominado busca do gradiente. que leve em conta o contexto global. O campo de ordenação é a nota resultante da avaliação da função heurística. a) Sucessor ← pior absoluto b) Para cada operador aplicável ao estado corrente. ou seja. 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 . i) aplique o operador e gere um novo estado. para cada bloco com estrutura de apoio incorreta subtraia um ponto. 3. A implementação pode ser feita ordenando-se o conjunto de nodos sucessores recém avaliados antes de incluí-los na pilha de nodos abertos. ii) Avalie o novo estado. Estado corrente ← Estado inicial. Subida da encosta para a trilha mais íngreme ("Stepest-Hill-Climbing") A idéia é a mesma do método anterior. não observando o contexto.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. conduz a busca a um máximo local. Uma função heurística melhor. A utilização desta função heurística. sendo a escolha baseada no resultado da aplicação 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. Repita até que estado corrente seja a solução ou não haja mudança no estado corrente. O motivo para este problema é que a heurística é local. Algoritmo: 1. sendo que deve ficar no topo da pilha o nodo com a melhor nota. o caminho a ser seguido é selecionado apenas entre os nodos recém gerados.

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

3). Exemplo: Achar o Menor Trajeto Representação em Prolog objetivo: goal(z).3).b. s(d. s(a.e.2).k. <nodo sucessor>. dependendo do problema. s(c. Inteligência Artificial em Controle e Automação Álvaro Guarda 21 .4).c. 1 a c f=5 f=7 b 4 2 3 e k f=6 f=7 c 5 6 d f=8 f=14 f=10 d z f=8 z f=16 f=10 z A solução encontrada pode eventualmente não ser o menor trajeto.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.d. 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. sintaxe das operações: s( <nodo>.z. s(a. <custo>) onde <custo> é a distância entre as cidades s(a. mas pode ser uma solução bastante aceitável.c. s(b.1). s(e.4).5).

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

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

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

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

score(1/2. score(1/1.1-S1.1/2]). T = temperatura.S3. _. % All squares done 3.2/3. mas sempre existe uma certa probabilidade de ocorrer uma transição para um estado de maior energia. [3.!.3.7-S7. fail % Backtrack to next square .!. onde apenas transições de baixo nível de energia são permitidas. Neste processo. 0):. k = constante de Boltzmann.2. score(3/1. S2). Têmpera Simulada ("Simulated Annealing") Método de busca inspirado no processo de temperar metais: inicia com uma temperatura elevada. 1/3.!.1]).S2. S is S1 + S2.2/1. 1). 0):.S8]):member(Y.2-S2. 3/2.3]). seq([Last]. 0):. 0):.1/3. [1.4-S4.S6. Tile2.S4. score(_.3/1. score(2/2. 0):.1/1. Tile2 | Tiles].!. showpos(P). % Display a solution path as a list of board positions showsol([]). 2).seq([Tilel.8-S8]). _.4.5-S5. 1/1. depois. S1).S7. S):score(Tilel. 2/1. showsol([P | L]):showsol(L). score(2/3. S). member(X.3/2. escreve a relação entre as unidades de energia e temperatura. true. calculada pela fórmula: p = e(-∆E/kT) onde. % Order of X-coordinates member(Tile-X/Y. gradualmente. score(1/3. as substâncias físicas tendem a acomodar-se em configurações de baixa energia. ∆E = |E' .6-S6. First. 0):. % Order of Y-coordinates nl.!. 3/1. First.E2| = mudança positiva de energia. score(3/2. % Tile on square X/Y [0-S0.3-S3. permitindo transições de alto nível de energia. seq( [Tile2 | Tiles]. 3/3. O objetivo é alcançar uma estrutura molecular com um mínimo de energia. 1/2. 2/3. a temperatura é resfriada até alcançar um estado sólido. write(Tile).S1.3/3. First. S):score(Last. score(3/3. nl.!. First.2. goal([2/2.!. % Display a board position showpos([S0. 0):. score(2/1. 0):.S5. write(' ---'). % 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 .!.

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

inventados por John Holland nos anos 60 e desenvolvidos por ele e seus alunos na Universidade de Michigan em meados de 1970. algoritmos genéticos e programação genética.3. Avalie Pop: para cada hipótese H pertencente a Pop. As principais técnicas que foram desenvolvidas são: programação evolucionista. A técnica mais conhecida são os algoritmos genéticos.3. Cada hipótese de solução (indivíduo) é representada por uma cadeia binária de tamanho fixo. entretanto o interesse na sua utilização cresceu muito nos meados da década de 80. também se baseia na genética. 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. Escolha um operador genético 3. calcule a sua aptidão f(H) 3.1. Aplique o operador genético sobre a(s) hipótese(s) selecionada(s) gerando nova(s) hipótese(s): Hnova W X'Y4`!aFbHcIX'aFdfehg 3. mutação e clonagem (ver anotações de aula). Retorne como resultado a hipótese com a maior aptidão de todas as gerações. Evolua a população Pop uma geração (faça até que satisfaça alguma condição de término) 3. Adicione a(s) hipótese(s) resultante(s) na nova população: NovaPop i prqts4u!v%q'wyx€ nova 3.1. Atualize a população: Pop ‚ prqts4u!v%q'w 3. Esta abordagem remonta o início da computação.2. Algoritmos Genéticos (AGs) Nesta técnica a analogia com os sistemas biológicos é mais forte. estratégia evolucionista. A seguir está técnica é vista com mais detalhes. Avalie Pop (população inicial): para cada hipótese H pertencente a Pop.4.contribuir para a próxima geração. pois. como se fosse a cadeia genética do indivíduo. Algoritmo algoritmo_genetico( TamPop) 1.2. Pop  !#"%$'&)(102&436587@9A7@9CBD7!EFHGI@9P@QR7HS58$'ET0R!U7!VD587 2.1. Crie a nova população NovaPop (faça até gerar completamente a nova população) 3.1.1.1. Inteligência Artificial em Controle e Automação Álvaro Guarda 28 . A criação dos indivíduos para a próxima geração é feita através de operações como cruzamento entre indivíduos. sistemas classificadores. calcule a sua aptidão f(H) 4. 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. além de ser baseado nos mecanismos de seleção natural. entre os anos 50 e 60. 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.

ƒ ƒ Formas de Representação do Conhecimento Sistemas de Produção Sistemas Baseados em Regras Álvaro Guarda Inteligência Artificial em Controle e Automação 29 . Um exemplo de sistema que foi desenvolvido nesta fase é o GPS (General Problem Solver). adquirir novos conhecimentos e fornecer “explicações”. Para permitir que os problemas sejam tratáveis em tempo hábil surgem os sistemas especialistas. correspondendo a um problema.Permite facilmente entender o conhecimento armazenado. 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. melhor a performance do sistema. dentre os quais. ƒ ƒ ƒ ƒ Propriedades de Sistemas de Representação do Conhecimento Adequação Representacional .Modelagem da realidade Inferência Fatos Conforme está esquematizado na Figura 22. Eficácia de Comunicação .2.1. buscava-se compreender e reproduzir a capacidade de raciocínio e de representação de problemas do homem. Os possíveis tipos de inferência que podem ser efetuados dependem da forma de representação do conhecimento. Nesta fase passou-se a utilizar os sistemas de produção e surgiram os sistemas baseados em conhecimento (cognitivos).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. ou seja. Adequação Inferencial . 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. possíveis soluções.Permite representar meta-conhecimento visando melhorar os mecanismos de inferência. A terceira fase iniciou-se a partir da percepção de que o conhecimento geral é muito extenso e pouco útil para problemas específicos. 4. REALIDADE FATOS’ FATOS’’ Modelagem Solução Representação do Conhecimento Figura 22 .Permite manipular estruturas representacionais gerando “novos” conhecimentos. 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. 4. Sistemas Baseados em Conhecimento A evolução da pesquisa em resolução de problemas pode ser dividida em três fases distintas. uma parte da realidade. Durante a primeira fase procurava-se imitar a capacidade do homem de resolver problemas. Eficácia Inferencial . Quanto maior a quantidade e a qualidade de conhecimento específico (relativo ao problema) embutido nestes sistemas.

Álvaro Guarda Inteligência Artificial em Controle e Automação 30 .. modificando-a. 2) resolução de conflitos – apenas uma regra de cada vez pode ser ativada e quando mais de uma regra é aplicável. 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. as regras que casarem são selecionadas. contém dados informados pelo usuário sobre o problema ou gerados pelas próprias regras durante a execução (estado).„ Lógica - „ „ „ „ „ 4. 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. 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. Base de Dados Estratégia de Controle Condição Condição º º º Ação Ação º º º Regras de Produção Condição Figura 23 .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. Convencional Não-monotônica Difusa ou nebulosa (“fuzzy”) Temporal Senso-comum . 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. interpretador de regras.3. Estratégia de Controle: também denominado. 3) ação – ativa as regras executando as ações (lado direito) das mesmas. sendo que a forma mais óbvia de se resolver um conflito é ativar a primeira regra que foi satisfeita. memória de trabalho ou contexto. Regras de Produção: conjunto de regras que operam sobre a base de dados. é o módulo responsável pela execução do sistema e pela identificação da solução sinalizando quando o sistema deve parar. simulando os processos mentais de raciocínio e utilização do conhecimento. o que normalmente altera o Banco de Dados. ocorre um conflito..

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

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. Inteligência Artificial em Controle e Automação Álvaro Guarda 32 . porém a grande maioria deles utiliza regras. No capítulo 6 os sistemas baseados em regras são aprofundados através do estudo dos SE.4. pois estes últimos representam um dos maiores marcos comercias na exploração da Inteligência Artificial. além de serem facilmente compreensíveis pelos usuários. 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. Sistemas Baseados em Regras Os sistemas baseados em regras surgiram a partir dos Sistemas de Produção e evoluíram utilizando resultados das pesquisas em lógica. Evidentemente os SE podem utilizar qualquer uma das formas de representação do conhecimento citadas anteriormente.

Q. programação em lógica com facilidades para processamento de restrições. uma regra de inferência particularmente adequada para a automação em computadores. − Acrescenta-se à teoria. Este esforço culminou.” “João é filho de Maria. porém em um sistema computacional a maneira clássica é feita por refutação: − Nega-se o teorema. De Morgan e outros). Pesquisas recentes envolvem a implementação de “const raint logic programming” (CLP). − Procura-se uma contradição. 5. 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. joão_homem. R. Davis. Breve Histórico A lógica foi intoduzida no século III AC por Aristóteles para representar os processos do raciocínio. a linguagem PLANNER.” “João é homem.” → → → chove. à à à Lógica Procura modelar formalmente o raciocínio humano. pode ser considerada a linguagem precursora da programação em lógica. (maiúsculas) Inteligência Artificial em Controle e Automação Álvaro Guarda 33 .5. Uma contradição. no trabalho de Robson.1. Pelo lado da inteligência artificial. Teoria + ¬ Teorema Contém ou Pode gerar Fato. ii) Variáveis : P. associando a lógica à matemática. joão_filho_maria. . gerando uma contradição. 5. 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.. com enfoque em filosofia. 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. Após os trabalhos de Herbrand em 1930. Lógica Proposicional A lógica proposicional é baseada em proposições. houve muitas pesquisas em prova de teoremas no início da década de 60 com os trabalhos de Prawitz. Roussel e Colmerauer em Marselha (implementação). Figura 24 . Gilmore. declarações que podem ser verdadeiras ou falsas. van Emden em Edinburgo (demonstração experimental). ¬ Fato. para fazer planejamento em robótica. Esquema geral de funcionamento: É estabelecida uma teoria (conjunto de axiomas) e procura-se provar se um determinado teorema é consistente com a teoria. Possui sintaxe e semântica bem definidas. conforme mostra a Figura 24. ou seja. No século XIX houve importantes avanços com o desenvolvimento da álgebra booleana (Boole. introduzindo a regra de resolução.. é a afirmação e a negação do mesmo fato. em 1965.2. desenvolvida por Hewitt em 1972. à Existem vários métodos para se provar um teorema. a teoria é uma base de conhecimento e o teorema uma consulta.Esquema de prova por refutação. Sintaxe a) Proposição simples (átomo) i) Constantes : “Está chovendo. Do ponto de vista de um sistema baseado em conhecimento.

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

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

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

. t2. então P ∧ Q. v) Conectivos lógicos : os mesmos da lógica proposicional : ¬ ∧ ∨ → vi) Quantificadores : ∀ universal e ∃ existencial. é formada com átomos ligados por conectivos lógicos e junto com quantificadores. tn) onde P é um predicado n-ário. . iv) Fórmula bem formada (FBF) : (1) um átomo é uma FBF . Teorema 2 A resolução é completa.. Semântica Na lógica de predicados a semântica é dada em cinco etapas : Inteligência Artificial em Controle e Automação Álvaro Guarda 37 . 5. : ∀x (P(x. é uma expressão da forma P(t1. b) Definições i) Termo : é definido como : (1) uma constante . t2. ii) Predicados : são relações entre os objetos do universo (inicia com maiúscula). então f(t1. . : Aridade é o número de elementos (argumentos) de um predicado. Q(f(y).. nõ’öI÷Døúù 1. iii) Variáveis : expressam genericamente elementos do universo (minúsculas). .. Pai(José. vii) Fórmula fechada (sentença): não possui variáveis livres. (3) se P e Q são FBF. tn são termos. Exemplos : P(x). iv) Funções : são mapeamentos de elementos do universo (minúsculas). Sintaxe a) Símbolos da linguagem i) Objetos : são os elementos do universo do discurso (inicia com maiúscula).. P ↔ Q são FBF . tn são termos.... z)) iii) Fórmula composta. isto é. BlocoB). ou simplesmente átomo. . (4) se P é uma FBF então ∀x P e ∃x P são FBF. ô ii) Fórmula atômica. Ex. P → Q. g(f(x). . Maria). (3) se f é uma função de aridade n e t1.: ñ ò deriva (deduz) pela aplicação de uma regra de inferência. Se S ñæó F então S ñ ò F.. t2.. vii) Símbolos auxiliares : parênteses. (2) uma variável . vírgula. .. t2. v) Escopo de quantificador : é a área de influência do quantificador. (2) se P é uma FBF então ¬P é uma FBF .. vi) Variável livre : variável que ocorre em uma FBF e não é quantificada. Obs.y) → ∃y (R(x. Sobre(BlocoA. : Homem(José). todas as conseqüências lógicas de um dado conjunto de fórmulas podem ser derivadas.. viii)Fórmula livre : possui variáveis livres. P ∨ Q. Proposição possui aridade 0.3. C.. − permite expressar declarações mais gerais. Lógica de Predicados É mais expressiva que a lógica proposicional: − permite descrever propriedades e relações de / entre objetos.Obs. Ex. tn) é um termo. y))) o y em negrito não é quantificado.

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

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

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

¬P∨¬Q∨R 7. Para evitar trabalho desnecessário. ¬Q∨R 1 e 3 11. utilizando-se pelo menos uma cláusula que não pertença ao conjunto de cláusulas original. ¬Tenta_assassinar(Marcos. aplicando o algoritmo de resolução a cláusula vazia é derivada e fica provado R. somente é possível derivar a cláusula vazia. ¬P∨R 2 e 3 2. ¬Homem(x4) ∨ ¬Soberano(y1) ∨ ¬Tenta_assassinar(x4. Como a variável do teorema está instanciada com César. Pompeano(Marcos) 3. y1) ∨ ¬Leal_a(x4. ¬Homem(Marcos) ∨ ¬Soberano(César) ∨ ¬Tenta_assassinar(Marcos. ¬R 1) Resolução por Saturação (exploração em extensão) Faz a seleção das cláusulas de maneira sistemática. ¬P 5e8 8. Soberano(César) 5. Inteligência Artificial em Controle e Automação Álvaro Guarda 41 . Abaixo é apresentada a seqüência de cláusulas geradas com esta estratégia para o problema anterior: 5. provando a inconsistência. selecionando as cláusulas que geram a cláusula vazia com o menor esforço. ¬Soberano(César) ∨ ¬Tenta_assassinar(Marcos. Tenta_assassinar(Marcos. y1/César} 14. César) 1 e 13 {} 15.1. R 5e6 7. Esta estratégia de seleção é completa. A forma mais rápida é usando a nossa inteligência. 5. R 1e5 3. César) 7 e 12 {x4/Marcos. ¬Pompeano(Marcos) ∨ Leal_a(Marcos. 8 e 15 {} A cláusula vazia foi derivada. César) 6. T contém inicialmente a cláusula a ser provada e a cada passo o resolvente é acrescentado a T. ¬P∨R 2e3 12. os resolventes que já estão presentes no conjunto de cláusulas não são acrescentados novamente. na ordem em que as mesmas aparecem. 5e9 9. César) 9 e 5 {x2/Marcos. ¬P∨Q. ¬P∨¬Q∨R} e o teorema R a ser provado. ¬P∨¬Q 3 e 4 13. ¬Romano(Marcos) ∨ Leal_a(Marcos. P 5. César) Resposta: 9. Veja o exemplo abaixo. sendo que as cláusulas selecionadas devem ter literais complementares. César) 2 e 11 {} 13. então está provado que Marcos odeia alguém. y1) 8. César) ∨ Odeia(x2. Estratégia de Resolução É a forma de escolha das cláusulas que serão “resolvidas”. Leal_a(x3. ¬Pompeano(x1) ∨ Romano(x1) 4. ¬Romano(x2) ∨ Leal_a(x2. César) 4 e 14 {} 16. Cláusulas: 1. As estratégi as serão apresentadas com exemplos da lógica proposicional. Definição: Um subconjunto T de um conjunto de cláusulas S é um conjunto de suporte de S se e somente se S . 4e6 4. f1(x3)) 7. Q 1e2 10.T é consistente. então Marcos odeia César.x) 10.4. mas ineficiente. ¬P 4e7 6. Leal_a(Marcos. ¬P∨Q 6. ¬Odeia(Marcos. Homem(Marcos) 2. Assim. ¬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. x/César} 11. César) 3 e 10 {x1/Marcos} 12. porém os conceitos são os mesmos para a lógica de predicados. Sejam a teoria {P.

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

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

Depende(x.y) ∨ ¬Chama(x.y) ¬Chama(A. ¬Depende(A.y) 5.y) ∨ Depende(A.B) Depende(A.A) ∨ ¬Chama(B.y) 6. 13.E) ∨ ¬Chama(x.E) ∨ ¬Chama(A.z) ∨ ¬Depende(z. 12. a variável x da 17 foi renomeada para x1 44 .B) Depende(x. então tenta outra alternativa pegando o literal P(B) da cláusula 1.9.y) 5.z) ∨ ¬Chama(z. 14. y/B} 1 e 5 {x/A. Depende(x.y) 4. ¬Depende(A.E) ¬Chama(z. ¬R(A) 5. . P(A) ∨ R(B) 3. 19. Depende(x.y) Depende(B.E) 7. 23.y) ∨ Depende(A.A) ¬Chama(B.y) ∨ ¬Usa(x.z) ∨ ¬Depende(z. P(x) ∨ R(x) ∨ P(B) 2. z/B} 2 e 4 {x/B.z) ∨ ¬Depende(z. 17.z) ∨ ¬Depende(z. Usa(B.y) Depende(x.y/E} 5 e 17 {x1/z.E) Inteligência Artificial em Controle e Automação Álvaro Guarda Depende(A.E) ¬Chama(B. R(B) 5 e 1 {x/B} Não é mais possível avançar.y) ∨ ¬Depende(B.y) Depende(x.E) ¬Usa(B. x/x1. y/E} 4 e 8 {x/B} 5 e 6 {x/A.y) ∨ ¬Chama(x.B) ∨ ¬Chama(x. 9. y/B} 5 e 8 {x/B} 5 e 8 {z/A} 5 e 9 {z/B.B) ∨ ¬Chama(x.B) 2. 8. P(x) ∨ R(x) 5 e 1 {} 7.y) ∨ ¬Chama(x. 16.x1) Depende(x. ¬P(B) 6 e 5 {x/B} 7e4 {} 6. ¬P(A) 4. (c) resolução linear: 1.y) ∨ ¬Chama(x.E) 3.y) ¬Chama(x1. 22. 7e4 {} Solução do exercício 2): (a) resolução por saturação: 1.. 21.y) ∨ Depende(A. Chama(A. 6. 15. (b) resolução com conjunto de suporte: 1. y/B} antes. Depende(x.y) ¬Usa(z.y) Depende(x. 18. Chama(A.z) ¬Chama(A.y) ∨ ¬Usa(x.y) ∨ ¬Chama(x. R(A) 6 e 3 {x/A} 8.B) 2. y/E} 5 e 12 {z/A} 5 e 15 {z/A} 5 e 16 {z/x1.A) ∨ ¬Depende(B.y) 4.E) 3. Usa(B. R(B) 10.z) ∨ ¬Depende(z.y) ∨ ¬Chama(z.y) ∨ ¬Chama(x.y) 6. 11.A) 1 e 3 {x/A.A) ∨ ¬Usa(B. 10. Depende(x.z) ¬Usa(A. y/E} 3 e 5 {x/z} 3 e 6 {x/A.. Depende(x.y) ∨ ¬Chama(z. 20. 24. y/E} 3 e 8 {x/B} 4 e 5 {x/z} 4 e 6 {x/A. y/E} 5 e 7 {z/A.E) Depende(x.y) ∨ ¬Chama(x.

E) ¬Depende(B.B) 2.y) ∨ ¬Chama(x. 16.z) ∨ ¬Depende(z. Usa(B. z/B} {x/z. y/E} {x1/z. y/E} {x/B} {x/A. 11.z) ∨ ¬Depende(z.y) ∨ ¬Chama(x. y/E} antes. 18. y/E} {x/B.x) ∨ ¬Chama(x. a variável z da 9 foi renomeada para z1 {x/B.E) 22.E) ∨ ¬Chama(A. y/E} {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.z) ∨ ¬Chama(A.x) ∨ ¬Usa(x.E) ¬Usa(A. Depende(x.E) 7. 10. 8. y/E} antes. 20.B) ¬Depende(B. y/E} {z/x.A) ¬Chama(z.y) 6. y/E} {x/A.E) ¬Usa(B. 9. têm a mesma solução: 1.7.E) ¬Usa(A. y/E} {z1/x. y/E} {x/A.E) 3. 15.z) ∨ ¬Depende(z.x) ∨ ¬Usa(z.E) ¬Chama(B.E) ¬Depende(B.z) ∨ ¬Chama(z.x) ¬Chama(B. Os nodos da árvore de busca contêm o conjunto de cláusulas corrente. 7.E) ¬Chama(x.E) ¬Usa(B. 14.z) ∨ ¬Depende(z. 17. y/E} {x/B. Chama(A. 9. 19. a variável x da 4 foi renomeada para x1 {z/x1. resolução linear de entrada e resolução LSD. 9.x) ∨ ¬Chama(x1. 8. 10. 13. 12.E) 6e3 6e4 6e5 7e1 8e3 8e4 9e2 {x/A.y) 4. sendo que a raiz contém o conjunto de cláusulas de entrada.E) ¬Chama(x. A Figura 25 apresenta a árvore de busca para o problema do exercício 1. y/E} {z/B} {z/x.E) ¬Chama(A. ¬Chama(A.E) ¬Chama(A. Depende(x. Depende(x. Inteligência Artificial em Controle e Automação Álvaro Guarda 45 . e a x da 5 para x1 {} (c) resolução linear.E) ¬Chama(A. 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. para este problema.E) ¬Chama(A. 7. ¬Chama(x.z1) ∨ ¬Depende(z1.E) ¬Chama(B.z) ∨ ¬Chama(A. ¬Depende(A. a variável z da 5 foi renomeada para z1.y) ∨ ¬Usa(x. y/E} {x/A. {x/A.x1) ∨ ¬Chama(A. y/E} antes. y/E} {x/B.y) 5. y/E} {z/B} {x/B.z) ∨ ¬Depende(z. ¬Chama(A.

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

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

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

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

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

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

6. 6. 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. Resultado do cálculo do FC das Conclusões Regra 1. 2. A forma clássica de implementação é feita pela quantificação do grau de certeza do conhecimento. Alguns Exemplos de Sistemas Especialistas Álvaro Guarda Inteligência Artificial em Controle e Automação 52 .abaixo são apresentadas três formas de cálculo com um exemplo na figura Figura 33. Figura 33 . 3.3. 3. FC(60). conforme o exemplo apresentado na Figura 32.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 . FC(40). Se Se Se B B B A então B FC(80). 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 . 2.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. A ou D então B FC(60). 5. FC(B) 48 21 36 Formas de tratar a situação Forma a) Max b) Média c) Probabilidade FC(B) 48 35 74 Observação Como pode ser observado. FC(30). as diferentes formas de tratar a situação apresentam uma grande variação. A e C então B FC(70).Exemplo de cálculo quando várias regras inferem a mesma conclusão. 4.

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

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

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

¢ ¢ ¢ Engenharia de Conhecimento 7. as atividades dependem do tipo e do domínio do problema.7. 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. até que se torne funcional.1.2. ¢ Metodologias de Desenvolvimento Prototipação Construção incremental de protótipos do sistema. ¢ Misto O sistema é desenvolvido de forma estruturada. 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 .DFD nível o do ciclo de vida de um projeto estruturado . Programador. A Engenharia de Conhecimento é uma tarefa artesanal. 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. porém alguns módulos ou funções são construídos utilizando prototipação. ¢ Estruturado Projeto planejado e realizado em etapas que partindo das especificações chega diretamente à versão operacional do sistema. Os profissionais envolvidos são Especialista. Engenheiro de Conhecimento. pois os métodos utilizados pelos especialistas são particulares e.

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

Identificar um problema e analisar as suas características. Teste de Aceitação 8. etc. Definir a interface com o usuário. − Volume de alternativas de solução. 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.3. os aspectos são: − Paradigma de consulta . Implica em comprometer-se implicitamente com vários aspectos relacionados ao desenvolvimento de um SE. Especificar os requerimentos de desempenho. 2. ¤ 4. As principais características a serem avaliadas são: − Tempo de solução. − Tipo de conhecimento que o sistema deverá incluir. − Diagramas de fluxo de consulta. Análise do Hardware 9. − Formas de Inferência. o que implica fazer diversas entrevistas com os especialistas para identificar como eles trabalham ou raciocinam para resolver os problemas. − Tabelas. Projetar o sistema. 3. − Descrição do sistema. Projeto do Banco de Conhecimento Definir a forma de representar o conhecimento. Implementação Codificação do conhecimento de acordo com o método da ferramenta. objetos. etc. Aquisição do Conhecimento 7. Escolher o instrumento (linguagem. pois é mais fácil identificar um problema que seja adequado a uma ferramenta previamente selecionada do que o contrário. sendo os principais: diagnóstico / prescrição. Projeto Estruturado Definir a forma de raciocínio. Esta etapa é a mais trabalhosa e demorada. − Interface com o usuário: tipo. − Forma de Representação do Conhecimento: regras. tratamento de dúvidas. ¤ ¤ ¤ 3. 1. Selecionar um instrumento.corresponde ao tipo de problema que será solucionado. Exige estudar e levantar o conhecimento que será utilizado pelo SE. Especificar os requerimentos de interface com o usuário. ¤ ¤ ¤ 5. ¤ 7.2. Integração de Sistemas 6. qualidade. planejamento e projeto. Etapas na Construção de um pequeno SE Ainda não existe uma metodologia consolidada para a construção de SE. No caso de uma ferramenta. ambiente ou ferramenta). Inteligência Artificial em Controle e Automação Álvaro Guarda 58 . − Tipo de comunicação. entretanto abaixo são enumerados as etapas com alguns detalhes do processo de construção de um SE pequeno.

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

é possível identificar quantas situações diferentes existem. 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 . A tabela da Figura 38 apresenta os principais fatores que o especialista leva em conta para decidir quais meios são recomendados. através da multiplicação dos números de alternativas (respostas) de cada fator: 4 x 2 x 6 x 2 x 4 x 3 = 1152. A Figura 39 faz uma análise levantando algumas das possíveis relações entre as ponderações apresentadas na Figura 38 e as recomendações que o especialista faria.As tabelas servem para organizar o conhecimento que vai sendo levantado junto às fontes utilizadas.

Análise matricial de escolha do meio instrucional Inteligência Artificial em Controle e Automação Álvaro Guarda 61 .000.00) o Médio (até R$ 50.000.00) o Grande (mais de R$ 10.000.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 .00) Figura 38 .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.

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

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

Recomendação é tutor humano Inteligência Artificial em Controle e Automação Álvaro Guarda 64 .Recomendação é videocassete SE situação do estímulo = verbal OU situação do estímulo = pictória E duração do estímulo = breve E resposta apropriada = oculta E realimentação instrucional = não E modificação da apresentação = por módulo E orçamento de treinamento = médio ENTÃO recomendação = videocassete Regra 6 .Recomendação é prática com realimentação 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 .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 .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 .E orçamento de treinamento = médio ENTÃO recomendação = aula com dispositivos Regra 5 .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 .

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 .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 .Situação de estímulo é pictória SE estímulo = figura OU estímulo = fotografia OU estímulo = diagrama OU estímulo = ilustração OU estímulo = vista OU estímulo = pictória ENTÃO situação do estímulo = pictória Regra 13 .Resposta apropriada é oculta SE resposta = ouvir OU resposta = ler OU resposta = observar OU resposta = meditar Inteligência Artificial em Controle e Automação Álvaro Guarda 65 .

Resposta apropriada é seletiva SE resposta = múltipla escolha OU resposta = associação OU resposta = seletiva ENTÃO resposta apropriada = seletiva Regra 17 .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 construída SE resposta = escrever OU resposta = desenhar OU resposta = datilografar ENTÃO resposta apropriada = construída Regra 18 .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 . " "Exemplo: se a apresentação do conteúdo deve ser Inteligência Artificial em Controle e Automação Álvaro Guarda 66 .OU resposta = imaginar OU resposta = pensar OU resposta = oculta ENTÃO resposta apropriada = oculta Regra 16 .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 .

00 ""grande" se será gasto mais de R$ 1.00 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 . Variável:orçamento de treinamento Pergunta:"Qual é o orçamento do treinamento?" Motivo:"Informe " ""pequeno" se será gasto menos de R$ 100."alterada conforme a resposta do aluno.000. então escolha "a opção "por resposta".00 ""médio" se será gasto menos de R$ 1.000.

Sign up to vote on this title
UsefulNot useful