01-Apostila - Inteligência Artificial em Controle e Automação

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

interessantes para a área de automação e controle. .1. um animal". . jogos. os resultados que são obtidos na área freqüentemente são muito mais tímidos do que se esperava. fazendo experimentações e/ou implementando diversas técnicas. Artigo "A revolução da IA" (Estado de Minas. Objetivos do Curso No curso alguns tópicos são estudados procurando aprofundar os aspectos importantes. . mas procurando dar uma visão abrangente da área e de suas aplicações. 1. ou mais humildemente. Evolução da Inteligência Artificial . processamento de imagens. Dendral Período das Trevas Conscientização das limitações Período da renascença Hearsy. Mycin (ajudava a diagnosticar doenças no sangue. Isto gera uma certa de desconfiança por parte de pesquisadores de outras áreas e acaba até prejudicando o desenvolvimento da IA. Assim.3.1965 1965 . tradução automática. permitindo que o aluno possa dar continuidade ao estudo da área e aplicar os conhecimentos adquiridos de forma autônoma.1970 1970 . Além do termo que é um tanto ambicioso. "Um computador é inteligente se possui qualquer uma das habilidades mentais que fazem uma pessoa ser considerada inteligente" [Araribóia88].1980 1980 . Ao final do curso o aluno deverá dominar diversos pontos da IA clássica e conhecer razoavelmente bem alguns tópicos avançados em IA. Prolog Período da associação Áreas de aplicação Período do empreendimento Popularização de SE Ferramentas e Ambientes 1975 . Outros pontos são apresentados sem caráter formativo.1. existe muito sensacionalismo sobre IA em revistas. como as expectativas não são realistas. são abordados aspectos práticos. etc. Entretanto. . jornais e inclusive em livros. . a IA já desenvolveu muitas técnicas que são úteis nas mais diversas áreas: otimização. Período do entusiasmo Macsyma.. "O objetivo principal da IA é construir uma pessoa. datamining. O termo “Inteligência Artificial” (IA) desperta interesse e muitas expectativas. Charmiak e McDermott. 1. tinha 450 regras e fazia análise do sangue). 1.1960 1960 .1975 Pré-IA Lisp Sistemas de Produção (evolução de sistemas genéricos). freqüentemente equivocadas. Alguns exemplos de afirmações exageradas são: Introdução   ¡ ¡ "O homem vai tentar reproduzir o computador à sua imagem". 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 . Em algumas partes do curso. além do conhecimento teórico.2. interface homem-máquina. . Prospector (fazia prospecção geológica). . 18/11/96).

[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 . Diversas partes do texto também foram baseadas no material de aula do Prof. [Nascimento00].4. Elton Silva. CIC284 – Inteligência Artificial em Controle e Automação. Referências O conteúdo desta apostila é fortemente baseado na bibliografia básica do programa da disciplina.

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

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

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

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

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

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

• Não é muito adequada quando o fator de ramificação é muito alto. Estado final : (3. • Consome muita memória. Busca em Extensão: • Se houver solução.1.2) (3.1) move(1. Maior) Menor = Número do poste onde está a argola menor.3).1. • Por sorte.3) move (3. Inteligência Artificial em Controle e Automação Álvaro Guarda 14 . Outros Exemplos de Problemas e de Modelagem utilizando Espaço de Estados Exemplo 1: Torre de Hanói A representação gráfica do problema da Torre de Hanói é apresentada na Figura 11.1) move (3. Média.3. • Requer menos memória.1) (3.3) move (2. 3.1) move(3. Média = Número do poste onde está a argola média.1. Exemplo 2: Jogo dos 8 A Figura 13 mostra a representação gráfica para o problema do jogo dos 8.1) (2. não há garantias de encontra-la. • Não corre o risco de examinar por longo tempo becos sem saída.3.1) Figura 12 Árvore de pesquisa para o problema da Torre de Hanói. garante a obtenção da solução de menor caminho.2) (1.2) move (1.3) (2. b) Operações Sintaxe: move (poste de origem. pois exige armazenar muitos caminhos alternativos.3) move(1.1.1) (3. Maior = Número do poste onde está a argola maior.1) move (2.2) Nesse caso devemos sempre observar as restrições do problema e a validade das operações.2. move(1.1) move(1. Assim os estado inicial e final podem ser representados como: Estado inicial : (1. pois pode explorar um caminho infinito que não contém a solução.3) move(2.1.• Mesmo que haja uma solução.2) (2. A Figura 12 apresenta a árvore de pesquisa deste problema. Estado Final a) Estados Sintaxe: (Menor.1.5. poste de destino) move (1.1.3. • É adequada quando existe solução na maioria dos ramos.1). pode achar uma solução sem examinar muito o espaço de estado. 1 2 3 1 2 3 Estado Inicial Figura 11 Torre de Hanói.

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

Exemplo 1: Torre de Hanói A representação gráfica do problema da Torre de Hanói é apresentada na Figura 11. 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. • É um nodo "E" onde pelo menos um dos sucessores é insolúvel.1. ou do tipo E. a idéia utilizada é a da decomposição de problemas em subproblemas com complexidade menor que a do problema original.<PINO DE CHEGADA>] Problema inicial : [3.2.3] Figura 15 .2. Grafo E/OU A Figura 15 apresenta o grafo E/OU que é o espaço de busca para problemas representados por Redução de Problemas. • Conjunto de problemas primitivos (problemas que têm solução imediata.1. • É um nodo "E" cujos sucessores são todos solúveis. [3.3.3] [2.1.3] [1. • Conjunto de operações de transformação de problemas. A solução é um conjunto de Problemas Primitivos encontrados a partir da aplicação das operações no problema inicial e nos subproblemas já gerados.2] [1. Os nodos intermediários.2] [1.Grafo E/OU para o problema da Torre de Hanói. Neste grafo. são do tipo OU.3] [1.1] [2.2. O espaço de busca é representado graficamente por um grafo E/OU. sucessores de um determinado nodo. • É um nodo "OU" cujos sucessores são todos insolúveis. • Mover uma pilha de tamanho n-1 de J para K. isto é.3. PILHA>. indicando que os nodos sucessores são problemas conjuntivos. Resolução de Problemas como Busca por Redução de Problemas Na resolução de problemas utilizando como enfoque a busca por redução de problemas. Representação do problema Sintaxe: [<TAM.1. A modelagem do problema é feita através da definição dos seguintes elementos: • Descrição do problema inicial. • É um nodo "OU" onde pelo menos um dos sucessores é solúvel Um nodo é insolúvel se: • É um nodo terminal.3] [1.2. Inteligência Artificial em Controle e Automação Álvaro Guarda 16 . A busca é a construção sistemática do grafo E/OU através da aplicação das operações que vão decompondo os problemas. J e K. conhecida). As folhas da árvore podem ser problemas primitivos ou nodos terminais (problemas insolúveis). os nodos contêm a descrição dos problemas (subproblemas) e os arcos indicam relações entre os problemas. indicando que os nodos sucessores são problemas alternativos.3] [1.1.1.2] [1.<PINO DE SAÍDA>.1. Operação Para diferentes pinos I. Solubilidade dos nodos Um nodo é solúvel se: • É um problema primitivo. como os problemas são decompostos.3] Problema primitivo : mover uma pilha de tamanho 1. • Mover uma pilha de tamanho 1 de I para K.

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

Se o estado sucessor tiver uma nota melhor. 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. ii) Se for melhor que o estado corrente então Estado corrente ← novo estado. esta medida consiste em uma estimativa da distância da solução. Freqüentemente. então ele passa a ser o estado corrente. Exemplo: Mundo dos Blocos A Figura 18 apresenta o problema no qual será aplicado o método da subida da encosta. Características: • Seleciona o primeiro vizinho que seja melhor. Estado corrente ← estado inicial 2. A maioria das regras dos Sistemas Especialistas pertence a essa classe. • É irrevogável (sem retrocesso). Função Heurística Nos métodos de busca. b) Avalie o novo estado. b) Heurística específica: Apresenta as convicções dos especialistas em uma determinada área. Os métodos que utilizam apenas heurísticas genéricas. Inteligência Artificial em Controle e Automação Álvaro Guarda 18 . Subida da encosta ("Hill-Climbing") A idéia deste método é maximizar a nota fornecida pela função heurística. são denominados métodos fracos e não são capazes de evitar a explosão combinatória. 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.1. 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.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. o conhecimento sobre o problema é utilizado para compor uma função heurística. 3. Algoritmo: 1. É extremamente eficiente se bem utilizada. úteis a muitos tipos de problemas. A árvore de busca é apresentada na Figura 19.3. Por exemplo. Com esta heurística os estados inicial e final recebem as notas: f(estado inicial) = 1 e f(estado meta) = 5. i) Se for a solução (um estado meta) retorne-o e encerre. • Problema: tende a convergir para uma solução que é um máximo local e não para o máximo global. no Jogo dos 8 a heurística pode ser o número de peças que estão fora do lugar. A busca é feita com a geração de um estado sucessor do estado corrente.

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

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

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

0).7).bestfirst(a. 3/3.3/2.6). h(z. Funções heurísticas: g(x) é calculado a partir de <custo> h(x) é definido como abaixo h(b.1/2].5). 2/1. 3/3. 2/3. Consulta e resultado: ?. h(k.3/1. h(d. 1/3. showsol(Sol). showsol(Solução). a] Representação do Jogo dos 8 Definição do Problema 1 3 8 7 6 4 2 5 1 2 8 7 6 3 4 5 Representação em Prolog Posições das peças: coordenadas cartesianas X/Y Tabuleiro: Lista onde 1° elemento: 2° elemento: 3° elemento: . 3/2.2). 3/1.s(k. 2/1. 3/1. 3/2. 22 Inteligência Artificial em Controle e Automação Álvaro Guarda . 1/1.1/1.1).2). 1/3. Sol). 1/2] A cláusula showsol apresenta a solução como uma seqüência de posições do tabuleiro.bestfirst([2/2.z... 9° elemento: 3 2 1 casa vazia peça 1 peça 2 peça 8 O estado inicial é representado como: [2/2. ---a ---c ---d ---z Sol = [z. 2/3. c.2/3. d.2/1. 1/1. h(e.1/3. h(c. Solução). 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: [2/2.3/3. ?.

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

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

! . % 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. F). totdist(Tiles. Squares. % seq(TilePositions. H):goal([Empty1 | GoalSquares]). Square.X):X =< Y. D is Dx + Dy. [Empty | Ts]):mandist(Empty. % All arc costs are 1 % Swap Empty and Tile in Tiles swap(Empty. S). SuccessorNode._). Inteligência Artificial em Controle e Automação Álvaro Guarda 25 . bestf([]. GoalSquares. S). F). bestf([T|_]. % Sequence score H is D + 3*S. 1). D1). Tiles. % D is Manh. between two squares % D is |A-B| % Heuristic estimate h is the sum of distances of each tile from its 'home' square plus 3 times 'sequence' score h([Empty | Tiles]. f(t(_. Tiles1). Tile.% Extract f-value f(l(_. Y1. totdist([]. Y. []. Score): sequence score seq([First | OtherTiles]. dif(Y. min(X. D):mandist(Tile.F/_. D >= 0. D2). dif(A. % Manhattan distance = 1 swap(Empty. Y).F/_). D). D is D1 + D2. % Total distance from home squares seq(Tiles. X1/Y1. S):seq([First | OtherTiles]. Tile. D is B-A. F). Tile. 9999). totdist( Tiles. D):dif(X. [Tile | Ts]. First. [Tile | Tiles1]. dist. Ts1). [Square | Squares].B. Dx). [T1 | Ts1]):swap(Empty.F):f(T.Y. Tile. Ts. 1):swap(Empty. 0). totdist([Tile | Tiles]. Dy).D):D is A-B.!. Cost) s([Empty | Tiles]. X1. [T1 | Ts]. mandist(X/Y. min(X. Tile.

% 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 .S5.6-S6. S1). escreve a relação entre as unidades de energia e temperatura.5-S5. S):score(Tilel.!.3/1.2.3/2.!. O objetivo é alcançar uma estrutura molecular com um mínimo de energia.!. member(X. score(1/2.E2| = mudança positiva de energia.1/2]). showpos(P). 0):. 3/1. score(2/1.2-S2. write(Tile). [3. 2). gradualmente. permitindo transições de alto nível de energia. S). score(3/3.S2.S3. score(_. calculada pela fórmula: p = e(-∆E/kT) onde. 1/3.1/1.!. % Tile on square X/Y [0-S0. % Order of Y-coordinates nl. 2/1. S):score(Last. 3/2.4-S4. showsol([P | L]):showsol(L). goal([2/2. 0):.!.!.3-S3. depois.!. score(1/1. score(3/2. % Display a solution path as a list of board positions showsol([]). score(2/3.3/3. [1. 0):.S1. 0):. Têmpera Simulada ("Simulated Annealing") Método de busca inspirado no processo de temperar metais: inicia com uma temperatura elevada. Tile2 | Tiles]. Tile2. true. score(3/1. mas sempre existe uma certa probabilidade de ocorrer uma transição para um estado de maior energia. seq([Last]. nl. write(' ---'). % Order of X-coordinates member(Tile-X/Y. 2/3.S8]):member(Y.7-S7. 0):.S4.2. First.1]). _.S6. 0):. score(1/3.1/3. score(2/2. 3/3.2/1.!.S7.1-S1. a temperatura é resfriada até alcançar um estado sólido. Neste processo. k = constante de Boltzmann. S is S1 + S2.8-S8]). ∆E = |E' . T = temperatura. seq( [Tile2 | Tiles]. fail % Backtrack to next square . as substâncias físicas tendem a acomodar-se em configurações de baixa energia. S2). 0):. First. 1/2.seq([Tilel. % Display a board position showpos([S0. % All squares done 3. 0):.3. 1/1. _.3]).4. First. 1).2/3. onde apenas transições de baixo nível de energia são permitidas. First.

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

Adicione a(s) hipótese(s) resultante(s) na nova população: NovaPop i prqts4u!v%q'wyx€ nova 3. como se fosse a cadeia genética do indivíduo.contribuir para a próxima geração.2. As principais técnicas que foram desenvolvidas são: programação evolucionista. Retorne como resultado a hipótese com a maior aptidão de todas as gerações. pois. Aplique o operador genético sobre a(s) hipótese(s) selecionada(s) gerando nova(s) hipótese(s): Hnova W X'Y4`!aFbHcIX'aFdfehg 3. 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. 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. calcule a sua aptidão f(H) 3. mutação e clonagem (ver anotações de aula).1.1.1. Crie a nova população NovaPop (faça até gerar completamente a nova população) 3.1. calcule a sua aptidão f(H) 4.1. A seguir está técnica é vista com mais detalhes. Pop  !#"%$'&)(102&436587@9A7@9CBD7!EFHGI@9P@QR7HS58$'ET0R!U7!VD587 2. inventados por John Holland nos anos 60 e desenvolvidos por ele e seus alunos na Universidade de Michigan em meados de 1970.2. A técnica mais conhecida são os algoritmos genéticos. também se baseia na genética.1.3. entre os anos 50 e 60. além de ser baseado nos mecanismos de seleção natural. Algoritmos Genéticos (AGs) Nesta técnica a analogia com os sistemas biológicos é mais forte. Avalie Pop (população inicial): para cada hipótese H pertencente a Pop. sistemas classificadores. Inteligência Artificial em Controle e Automação Álvaro Guarda 28 . 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. algoritmos genéticos e programação genética. Evolua a população Pop uma geração (faça até que satisfaça alguma condição de término) 3. Avalie Pop: para cada hipótese H pertencente a Pop. Atualize a população: Pop ‚ prqts4u!v%q'w 3. Cada hipótese de solução (indivíduo) é representada por uma cadeia binária de tamanho fixo. estratégia evolucionista. Escolha um operador genético 3.3. Algoritmo algoritmo_genetico( TamPop) 1. A criação dos indivíduos para a próxima geração é feita através de operações como cruzamento entre indivíduos. entretanto o interesse na sua utilização cresceu muito nos meados da década de 80. Esta abordagem remonta o início da computação.4.

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

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

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

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

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

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

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

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

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

. 7.... y)) fica ∀x P(x. c) Uma fórmula F na forma normal PRENEX está na Forma Normal Conjuntiva se a matriz M de F for da 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.. ∧ Fn em {F1. movendo os quantificadores ∀ para a esquerda da fórmula..As fórmulas não são equivalentes lógico.. ∀x2. Inteligência Artificial em Controle e Automação Álvaro Guarda 38 . Atribuir a cada proposição o valor v ou f. Leis de equivalência: distributivas e associativas..∨ Lm e cada Lj é um literal. então y pode ser funcionalmente dependente de x. ∨ Lm) onde cada Li (i =1.. Transforme a fórmula em forma normal PRENEX. xs (s≥0) são variáveis ocorrendo em (L1∨. . de modo que cada ¬ esteja restrito a um único átomo..∨ Lm). . Obs. n≥1) for uma disjunção de literais L1 ∨ L2 ∨ . ∃x P(x) fica P(C) onde C é uma constante não utilizada antes. ∧ Fn. Atribuir a cada função uma aplicação de Dn em D. 6. ∧ Fn.. onde cada Fi está na forma L1∨ L2∨. Qn xn M onde Qi (i =1.1) 2) 3) 4) 5) Definir um domínio de aplicação D.n. ∀x (∃y P(x. Desconsidere o prefixo e transforme a matriz em um conjunto de cláusulas substituindo fórmulas na forma F1 ∧ F2 ∧ . sem alterar a sua ordem relativa... b) Forma Normal PRENEX é quando uma FBF tem o seguinte formato : Q1 x1 . Leis de equivalência: negação dupla. porém F é SAT sse Fs é SAT.n. ∨ Lm.. 3.... Elimine os quantificadores existenciais através das funções de Skolen (skolenização)..y)) ∨ ¬R(x)) PRENEX ∀x ∃y ((¬P(x) ∨ Q(x..y)) ∧ (P(x) ∨ R(x))) Forma normal conjuntiva Algoritmo de transformação de uma FBF para a forma clausal: 1. g(x)) onde g é uma função não utilizada antes. denominado universo do discurso. f}...m.. F2. Morgan e dos quantificadores.. 2.y)) Não está na forma normal PRENEX devido à presença do quantificador existencial ∀x ∃y ∀z ((P(x) ∧ Q(x. 5. n≥0) é um dos quantificadores ∀ ou ∃.. Atribuir a cada variável livre um elemento do domínio D. Individualize as variáveis para que cada quantificador fique vinculado a uma variável única. Exemplos : ∀x (P(x) ∨ ∃y Q(x. e M é a fórmula onde os quantificadores ocorrem. onde cada Fi (i =1. : . Transforme-a para a forma normal conjuntiva: F1 ∧ F2 ∧ .. Reduza o escopo dos operadores de negação.. Elimine as implicações. m≥0) é um literal em que Li ≠ Lj (i ≠ j) e x1. Atribuir a cada predicado uma aplicação de Dm em {v...É utilizado x como argumento da função porque o escopo de x é maior. Fn}. Para isto utilize as leis de equivalência: F↔G ≡ (F→G) ∧ (G→F) e F→G ≡ ¬F ∨ G. ∀xs (L1∨ L2∨.. 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. onde as fórmulas Fi estão na forma disjuntiva..

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

O especialista nunca fornece de pronto o conhecimento correto ou completo. obtendo resultados melhores do que qualquer um de seus concorrentes humanos. portanto vale a pena procurar maneiras mais automatizadas de construir bases de conhecimento especialistas. Depois que o sistema inicial estiver pronto. 6. As experiências obtidas com esses esforços sugerem as seguintes conclusões. Uma coisa que podemos fazer é comparar esses sistemas com especialistas humanos em problemas do mundo real Por exemplo. E mais fácil criar sistemas especialistas do que sistemas com senso comum. ¡ A transferência de conhecimento ocorre gradualmente. Estes programas oferecem suporte às seguintes atividades: ¡ Inserção de conhecimento. Embora ainda não exista nenhum sistema de aquisição de conhecimento totalmente automatizado. ¡ A escolha da estrutura de controle para um determinado sistema depende das características especificas do sistema. ¡ Aquisição de Conhecimento Apesar do desenvolvimento de ferramentas. Eles normalmente não conseguem raciocinar sobre seu próprio escopo e restrições. Aquisição de Conhecimento Como são construídos os sistemas especialistas? Tipicamente. o MYCIN participou de um painel de especialistas para avaliar dez casos selecionados de meningite. 6. já que os valores não são muito plausíveis. ¡ É possível extrair partes não-especificas do domínio. através de muitas interações entre o especialista e o sistema. A maioria dos sistemas não seria capaz de adivinhar que podemos ter invertido os dois campos. ele precisa ser iterativamente refinado até aproximar-se do nível de desempenho de um especialista. um engenheiro do conhecimento entrevista um especialista no domínio da aplicação para tentar extrair o conhecimento especialista. que precisam estar dispostos a transferirem o seu conhecimento para o sistema. a aquisição ainda continua sendo um dos maiores obstáculos à aplicação da tecnologia dos sistemas especialistas a novos domínios. Alguns sistemas representam uma tentativa de remediar esse problema fornecendo um substrato de conhecimentos de senso comum. Este processo é caro e lento. muito progresso foi feito na construção de tais programas.5. ¡ Falta de Meta-conhecimento Os sistemas especialistas não têm conhecimentos muito sofisticados sobre sua própria operação. ¡ Garantia de completeza da base de conhecimento. Álvaro Guarda Inteligência Artificial em Controle e Automação 55 . sobre o qual sistemas especialistas específicos podem ser criados. ¡ Os sistemas bem-sucedidos têm muito conhecimento bem-definido sobre uma determinada área. Isto contrasta com o conhecimento amplo e de difícil definição que chamamos de senso comum. ¡ Validação: Medir o desempenho de um sistema especialista é difícil.7. há muitos programas que interagem com os especialistas dos domínios para extrair conhecimento especializado com eficiência. eles não podem contar com conhecimentos mais genéricos quando a necessidade surge. ¡ Manutenção da consistência da base de conhecimento. Por exemplo. ¡ Esses sistemas derivam sua potencialidade de uma grande quantidade de conhecimento especifico do domínio. dificultando ainda mais a tarefa de lidar com a sua fragilidade. porque não sabemos como quantificar o uso do conhecimento. e usá-las como ferramentas para a criação de novos sistemas e novos domínios. 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. Ela pode variar de 40 regras a milhares delas. Certamente é impossível apresentar provas formais de correção para sistemas especialistas. e não de uma única técnica poderosa. de sistemas especialistas existentes. que é então traduzido em regras. ¡ Um sistema especialista em geral é construído com a ajuda de um ou mais especialistas. 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.6. quando começaram os trabalhos sobre os sistemas que hoje conhecemos como especialistas. ¡ A quantidade de conhecimento exigida depende da tarefa. Conclusões Desde a metade da década de 60.6.

¢ Misto O sistema é desenvolvido de forma estruturada. as atividades dependem do tipo e do domínio do problema. ¢ Estruturado Projeto planejado e realizado em etapas que partindo das especificações chega diretamente à versão operacional do sistema. pois os métodos utilizados pelos especialistas são particulares e.2. ¢ ¢ ¢ Engenharia de Conhecimento 7. Engenheiro de Conhecimento. 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 . A Engenharia de Conhecimento é uma tarefa artesanal. Programador.1.7. 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. Os profissionais envolvidos são Especialista. ¢ Metodologias de Desenvolvimento Prototipação Construção incremental de protótipos do sistema. até que se torne funcional.DFD nível o do ciclo de vida de um projeto estruturado . 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.

IA Sistema de Produção Projeto IA Especificação BC física 10 Projeto da BC Base de Conheciment o 9 Aquisição do Conhecim. Iniciar a definição da Base de Conhecimento (viabilidade). Figura 36 . £ £ £ £ £ Inteligência Artificial em Controle e Automação Álvaro Guarda 57 . Definir a abrangência e resultados. 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 1.5 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. Levantamento Selecionar domínios apropriados para aplicações da IA. Propor estratégias de curto e longo prazo para a integração da tecnologia de IA.

objetos. ¤ 4.3. pois é mais fácil identificar um problema que seja adequado a uma ferramenta previamente selecionada do que o contrário. tratamento de dúvidas. Projeto do Banco de Conhecimento Definir a forma de representar o conhecimento. Análise Estruturada Elaborar um conjunto de DFDs com descrições narrativas dos processos (tarefas do especialista) e um dicionário de dados. o que implica fazer diversas entrevistas com os especialistas para identificar como eles trabalham ou raciocinam para resolver os problemas. Implica em comprometer-se implicitamente com vários aspectos relacionados ao desenvolvimento de um SE. − Volume de alternativas de solução. Teste de Aceitação 8. Análise do Hardware 9. sendo os principais: diagnóstico / prescrição. − Tabelas. ambiente ou ferramenta). É importante observar que na construção de um SE pequeno freqüentemente os passos 1 e 2 são invertidos. − Forma de Representação do Conhecimento: regras. planejamento e projeto. ¤ ¤ ¤ 5. 2. Aquisição do Conhecimento 7. etc. Selecionar um instrumento.2. − Descrição do sistema. etc. Projetar o sistema. Identificar um problema e analisar as suas características. Etapas na Construção de um pequeno SE Ainda não existe uma metodologia consolidada para a construção de SE. No caso de uma ferramenta. qualidade. Exige estudar e levantar o conhecimento que será utilizado pelo SE. ¤ ¤ ¤ 3. Implementação Codificação do conhecimento de acordo com o método da ferramenta. As principais características a serem avaliadas são: − Tempo de solução. 3. Projeto Estruturado Definir a forma de raciocínio. Especificar os requerimentos de desempenho. Integração de Sistemas 6. os aspectos são: − Paradigma de consulta . Esta etapa é a mais trabalhosa e demorada. ¤ 7. Inteligência Artificial em Controle e Automação Álvaro Guarda 58 . Especificar os requerimentos de interface com o usuário. Definir a interface com o usuário. − Formas de Inferência. 1. − Diagramas de fluxo de consulta. entretanto abaixo são enumerados as etapas com alguns detalhes do processo de construção de um SE pequeno. − Interface com o usuário: tipo.corresponde ao tipo de problema que será solucionado. − Tipo de comunicação. − Tipo de conhecimento que o sistema deverá incluir. Escolher o instrumento (linguagem.

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

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

00) Figura 38 .000.00) o Grande (mais de R$ 10.00) o Médio (até R$ 50.Análise matricial de escolha do meio instrucional Inteligência Artificial em Controle e Automação Álvaro Guarda 61 .Ponderações do modelo Tosti-Ball (simplificado) N° Situação do Duração do Resposta Realimentação Estímulo Estímulo Apropriada Instrucional 1 verbal 2 verbal 3 verbal 4 verbal simbólica pictória 5 verbal breve persistente breve breve breve breve breve persistente breve breve oculta seletiva construída oculta oculta oculta oral afetiva oral afetiva motora oculta todas não sim não não não sim sim não não sim Modificação da Apresentação nenhuma resposta módulo curso curso módulo módulo módulo módulo curso nenhuma resposta Orçamento de Treinamento pequeno pequeno médio médio médio pequeno médio médio grande grande pequeno médio grande Recomendações livro estudo pessoal aula aula com dispositivos videocassete prática com realimentação verbal prática com realimentação por vídeo Laboratório com experiências áudio cassete tutor humano pictória 6 verbal 7 verbal 8 ambiental 9 verbal 10 simbólica verbal Figura 39 .de trabalho ou tarefa ¥ Ponderações ¥ de ensino Realimentação Instrucional o Sim o Não Situação do Estímulo o Ambiental o Pictória o Simbólica o Verbal ¥ ¥ Duração do Estimulo o Breve o Persistente Modificação da Apresentação o por Resposta o por Módulo o por Curso o Nenhuma ¥ ¥ Resposta Apropriada o Oculta o Seletiva o Construída o Oral o Motora o Afetiva Orçamento de Treinamento o Pequeno (até R$ 10.000.000.

.quando envolve ... ambiental seletiva construída verbal atividade motora afetiva Figura 41 ... Inteligência Artificial em Controle e Automação Álvaro Guarda 62 .. ouvir ler observar meditar imaginar pensar múltipla escolha associação escrever desenhar datilografar dizer algo conversar falar cantar edificar montar mover construir organizar dançar emocionar-se simpatizar sentir mostrar afeição compreensivo manter a calma A situação de estímulo é .Tabela de detalhamento da situação do estímulo.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 .. A resposta apropriada é . oculta quando envolve ..

O Sinta exige que se defina as variáveis e os respectivos domínios antes de entrar com as regras. Desenvolver um protótipo.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 .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 . Na lógica o operador de conjunção (“E”) possui maior precedência que o operador de disjunção (“OU”). para facilitar a formação das regras. REGRAS Regra 1 . Esta etapa envolve criar o banco de conhecimento e verificar fazendo algumas consultas. como listado abaixo. resultando nas regras de 1 a 10. As tabelas da Figura 40 e da Figura 41 foram utilizadas para criar as demais regras: de 11 a 20. conforme a tabela da Figura 39.4. O objetivo do SE é estabelecer uma ou mais recomendações. então criou-se uma variável chamada “Recomendação” cujo domínio são as possíveis recomendações dos especialistas. inicialmente foi utiliza a tabela da Figura 39. o Sinta utiliza como padrão o inverso: o operador de disjunção possui maior precedência que o operador de conjunção.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 . entretanto. Para se criar as regras.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 laboratório com experiências SE situação do estímulo = ambiental E duração do estímulo = persistente E resposta apropriada = motora E realimentação instrucional = não E modificação da apresentação = por módulo OU modificação da apresentação = por curso E orçamento de treinamento = grande ENTÃO recomendação = laboratório com experiências Regra 9 .Recomendação é prática com realimentação 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 prática com realimentação verbal SE situação do estímulo = verbal E duração do estímulo = breve E resposta apropriada = verbal OU resposta apropriada = afetiva E realimentação instrucional = sim E modificação da apresentação = por módulo E orçamento de treinamento = pequeno OU orçamento de treinamento = médio ENTÃO recomendação = prática com realimentação verbal Regra 7 .E orçamento de treinamento = médio ENTÃO recomendação = aula com dispositivos Regra 5 .Recomendação é tutor humano Inteligência Artificial em Controle e Automação Álvaro Guarda 64 .Recomendação é áudio cassete SE situação do estímulo = verbal E duração do estímulo = breve E resposta apropriada = oculta E realimentação instrucional = não E modificação da apresentação = nenhuma E orçamento de treinamento = pequeno ENTÃO recomendação = audio cassete Regra 10 .Recomendação é 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 .

Situação de estímulo é pictória SE estímulo = figura OU estímulo = fotografia OU estímulo = diagrama OU estímulo = ilustração OU estímulo = vista OU estímulo = pictória ENTÃO situação do estímulo = pictória Regra 13 .Resposta apropriada é oculta SE resposta = ouvir OU resposta = ler OU resposta = observar OU resposta = meditar Inteligência Artificial em Controle e Automação Álvaro Guarda 65 .Situação de estímulo é 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 .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 simbólica SE estímulo = gráfico OU estímulo = esquema OU estímulo = números OU estímulo = fórmulas OU estímulo = simbólica ENTÃO situação do estímulo = simbólica Regra 14 .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 .

OU resposta = imaginar OU resposta = pensar OU resposta = oculta ENTÃO resposta apropriada = oculta Regra 16 .Resposta apropriada é seletiva SE resposta = múltipla escolha OU resposta = associação OU resposta = seletiva ENTÃO resposta apropriada = seletiva Regra 17 .Resposta apropriada é motora SE resposta = edificar OU resposta = montar OU resposta = mover OU resposta = construir OU resposta = organizar OU resposta = dançar OU resposta = atividade motora ENTÃO resposta apropriada = motora Regra 20 .Resposta apropriada é 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 . " "Exemplo: se a apresentação do conteúdo deve ser Inteligência Artificial em Controle e Automação Álvaro Guarda 66 .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 .

00 ""grande" se será gasto mais de R$ 1.00 ""médio" se será gasto menos de R$ 1.000."alterada conforme a resposta do aluno. então escolha "a opção "por resposta".000.00 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.

Sign up to vote on this title
UsefulNot useful