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

"O objetivo principal da IA é construir uma pessoa. processamento de imagens.2. jogos. 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 . "Um computador é inteligente se possui qualquer uma das habilidades mentais que fazem uma pessoa ser considerada inteligente" [Araribóia88]. permitindo que o aluno possa dar continuidade ao estudo da área e aplicar os conhecimentos adquiridos de forma autônoma.1. . . tradução automática. Mycin (ajudava a diagnosticar doenças no sangue. Ao final do curso o aluno deverá dominar diversos pontos da IA clássica e conhecer razoavelmente bem alguns tópicos avançados em IA. 1. são abordados aspectos práticos. Artigo "A revolução da IA" (Estado de Minas. Em algumas partes do curso. fazendo experimentações e/ou implementando diversas técnicas.1970 1970 . Charmiak e McDermott.1960 1960 . a IA já desenvolveu muitas técnicas que são úteis nas mais diversas áreas: otimização. interessantes para a área de automação e controle. tinha 450 regras e fazia análise do sangue). existe muito sensacionalismo sobre IA em revistas. Prospector (fazia prospecção geológica). Dendral Período das Trevas Conscientização das limitações Período da renascença Hearsy. além do conhecimento teórico. Prolog Período da associação Áreas de aplicação Período do empreendimento Popularização de SE Ferramentas e Ambientes 1975 . jornais e inclusive em livros. os resultados que são obtidos na área freqüentemente são muito mais tímidos do que se esperava. . Outros pontos são apresentados sem caráter formativo. datamining. Além do termo que é um tanto ambicioso. Objetivos do Curso No curso alguns tópicos são estudados procurando aprofundar os aspectos importantes. como as expectativas não são realistas. freqüentemente equivocadas. . Período do entusiasmo Macsyma. 18/11/96). .1.1975 Pré-IA Lisp Sistemas de Produção (evolução de sistemas genéricos).3. etc.1980 1980 .1965 1965 . 1. um animal". O termo “Inteligência Artificial” (IA) desperta interesse e muitas expectativas. Assim.. ou mais humildemente. Isto gera uma certa de desconfiança por parte de pesquisadores de outras áreas e acaba até prejudicando o desenvolvimento da IA. . Entretanto. Alguns exemplos de afirmações exageradas são: Introdução   ¡ ¡ "O homem vai tentar reproduzir o computador à sua imagem". interface homem-máquina. Evolução da Inteligência Artificial . mas procurando dar uma visão abrangente da área e de suas aplicações. . 1.

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

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

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

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

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

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

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

1) (3.3.3). • Não corre o risco de examinar por longo tempo becos sem saída.1) move (2. A Figura 12 apresenta a árvore de pesquisa deste problema.1) (3.5.1. Assim os estado inicial e final podem ser representados como: Estado inicial : (1.2.2) (1. poste de destino) move (1. b) Operações Sintaxe: move (poste de origem. Inteligência Artificial em Controle e Automação Álvaro Guarda 14 . Média = Número do poste onde está a argola média.3) move (3.3.1) move (3. Maior = Número do poste onde está a argola maior. • É adequada quando existe solução na maioria dos ramos. Exemplo 2: Jogo dos 8 A Figura 13 mostra a representação gráfica para o problema do jogo dos 8.1.2) (3. 3. • Consome muita memória.1.1) move(1. pois exige armazenar muitos caminhos alternativos. pois pode explorar um caminho infinito que não contém a solução. • Por sorte. não há garantias de encontra-la. Outros Exemplos de Problemas e de Modelagem utilizando Espaço de Estados Exemplo 1: Torre de Hanói A representação gráfica do problema da Torre de Hanói é apresentada na Figura 11.1. 1 2 3 1 2 3 Estado Inicial Figura 11 Torre de Hanói. Maior) Menor = Número do poste onde está a argola menor.1).1) (2. pode achar uma solução sem examinar muito o espaço de estado.1.• Mesmo que haja uma solução. Estado final : (3. • Requer menos memória.1) move(1.1. Média. • Não é muito adequada quando o fator de ramificação é muito alto. garante a obtenção da solução de menor caminho.1) move(3.3) move(1.1) Figura 12 Árvore de pesquisa para o problema da Torre de Hanói.3) move(2.2) (2. move(1.3.2) move (1.1.3) move (2. Estado Final a) Estados Sintaxe: (Menor.2) Nesse caso devemos sempre observar as restrições do problema e a validade das operações.3) (2. Busca em Extensão: • Se houver solução.

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

2.Grafo E/OU para o problema da Torre de Hanói.1. isto é.3. Operação Para diferentes pinos I. Solubilidade dos nodos Um nodo é solúvel se: • É um problema primitivo. Grafo E/OU A Figura 15 apresenta o grafo E/OU que é o espaço de busca para problemas representados por Redução de Problemas.3] [1.1. indicando que os nodos sucessores são problemas conjuntivos.2. • É um nodo "E" cujos sucessores são todos solúveis. • É um nodo "E" onde pelo menos um dos sucessores é insolúvel. [3.1] [2.2.1. o problema de mover uma pilha de argolas de tamanho n>1 do pino I para o pino K pode ser substituído por 3 subproblemas: • Mover uma pilha de tamanho n-1 de I para J.1.3] [1. A busca é a construção sistemática do grafo E/OU através da aplicação das operações que vão decompondo os 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. indicando que os nodos sucessores são problemas alternativos. • É um nodo "OU" cujos sucessores são todos insolúveis. A modelagem do problema é feita através da definição dos seguintes elementos: • Descrição do problema inicial.1. a idéia utilizada é a da decomposição de problemas em subproblemas com complexidade menor que a do problema original. • Conjunto de problemas primitivos (problemas que têm solução imediata. • Mover uma pilha de tamanho 1 de I para K.3] Problema primitivo : mover uma pilha de tamanho 1. • É um nodo "OU" onde pelo menos um dos sucessores é solúvel Um nodo é insolúvel se: • É um nodo terminal.3] [1. Representação do problema Sintaxe: [<TAM. Exemplo 1: Torre de Hanói A representação gráfica do problema da Torre de Hanói é apresentada na Figura 11.1.<PINO DE SAÍDA>.2] [1.3] [1.2] [1. Neste grafo. • Mover uma pilha de tamanho n-1 de J para K. como os problemas são decompostos. Resolução de Problemas como Busca por Redução de Problemas Na resolução de problemas utilizando como enfoque a busca por redução de problemas. conhecida).3] Figura 15 . os nodos contêm a descrição dos problemas (subproblemas) e os arcos indicam relações entre os problemas.3.2. As folhas da árvore podem ser problemas primitivos ou nodos terminais (problemas insolúveis). O espaço de busca é representado graficamente por um grafo E/OU. • Conjunto de operações de transformação de problemas. PILHA>. são do tipo OU. Os nodos intermediários. J e K. Inteligência Artificial em Controle e Automação Álvaro Guarda 16 .3] [2. ou do tipo E.<PINO DE CHEGADA>] Problema inicial : [3. sucessores de um determinado nodo.1.

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

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

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

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

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

showsol(Sol). 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: .2/1. 1/2] A cláusula showsol apresenta a solução como uma seqüência de posições do tabuleiro. h(z.2).1).1/1. 1/3.bestfirst([2/2. h(e.bestfirst(a. h(d.. 2/3. 22 Inteligência Artificial em Controle e Automação Álvaro Guarda . 2/1. h(k.0). Consulta e resultado: ?. 3/1.z.7).3/2. 9° elemento: 3 2 1 casa vazia peça 1 peça 2 peça 8 O estado inicial é representado como: [2/2. Funções heurísticas: g(x) é calculado a partir de <custo> h(x) é definido como abaixo h(b. 3/3..3/1. d.6).2/3. 1/1. ?. 3/2. 3/2. 1/1. 3/3. showsol(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. Sol).2).s(k. Solução).1/2]. 2/1. h(c. ---a ---c ---d ---z Sol = [z. c. 2/3.1/3. 3/1. 1/3.3/3.5).

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

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

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

% Display a board position showpos([S0. escreve a relação entre as unidades de energia e temperatura. member(X. true.1/3.!. 1/1. score(2/3. score(_.4.!. S is S1 + S2. 0):. 2/3. score(1/2.1]).!. k = constante de Boltzmann.1/2]).!. 3/1. Tile2 | Tiles]. % All squares done 3.4-S4.2.2-S2. depois.1-S1. mas sempre existe uma certa probabilidade de ocorrer uma transição para um estado de maior energia. T = temperatura.S7. _.2/1. calculada pela fórmula: p = e(-∆E/kT) onde. 0):. seq([Last]. % Display a solution path as a list of board positions showsol([]). as substâncias físicas tendem a acomodar-se em configurações de baixa energia.seq([Tilel.S5. 0):. write(' ---'). % Order of Y-coordinates nl. score(3/1. score(2/2.2/3. nl.S2. First. S):score(Last. 0):. 3/3.3/2.!. S1). write(Tile). Tile2.S4. goal([2/2. Têmpera Simulada ("Simulated Annealing") Método de busca inspirado no processo de temperar metais: inicia com uma temperatura elevada.S3. 0):. 1/2.1/1. S2). seq( [Tile2 | Tiles].3/1. First. O objetivo é alcançar uma estrutura molecular com um mínimo de energia.3-S3.!. First. [3.S1.7-S7. 2/1.6-S6. showpos(P).S6. Neste processo. S).S8]):member(Y. 2). 0):. score(2/1.3/3. ∆E = |E' . 3/2.5-S5. % 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 . % Tile on square X/Y [0-S0.2.3. fail % Backtrack to next square .!.8-S8]). S):score(Tilel. _. 0):. 1/3.3]). score(1/3. 1). score(3/3. % Order of X-coordinates member(Tile-X/Y. a temperatura é resfriada até alcançar um estado sólido. score(3/2. score(1/1. permitindo transições de alto nível de energia. showsol([P | L]):showsol(L). [1.E2| = mudança positiva de energia. gradualmente.!. First. onde apenas transições de baixo nível de energia são permitidas. 0):.

Computação Evolucionista É um conjunto de técnicas de otimização inspiradas na teoria da evolução. 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. os valores energia e temperatura não têm o mesmo sentido que na física. 3.No processo de resolução de problemas. A principal idéia da teoria da evolução é a seleção natural. A diferença de energia é medida pela diferença da aplicação da função-objetivo (função heurística) no estado corrente e no novo estado. A mudança de temperatura no decorrer do processo chama-se "cronograma de têmpera" e tem três componentes: 1. Repita até que Estado Corrente seja a solução ou não haja mudança no Estado Corrente. assim uma população de soluções é melhorada durante um certo número de gerações até chegar a uma solução ótima ou que um outro critério de parada seja satisfeito. resultando em indivíduos cada vez melhores. Estado Corrente ← Estado Inicial. Critério(s) para decidir quando a temperatura deve ser reduzida. se T esfriar muito lentamente haverá muita perda de tempo. permitindo que a esfera suba colinas. onde uma população de indivíduos evolui durante gerações devido à maior probabilidade daqueles mais aptos terem uma prole mais numerosa.3. As técnicas estabelecem uma analogia onde um indivíduo é visto como sendo um candidato à solução de um problema. 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. provavelmente será encontrado um mínimo local e não global. Valor inicial 2. Valor da redução (quanto) A maneira como a temperatura diminui influencia no resultado do processo. 3.5. assim k deixa de ser necessário e o cálculo da probabilidade fica: p = e(-∆E/T). se T esfriar muito rápido. 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 . Uma temperatura alta equivale a agitar o dispositivo. 1] então Estado Corrente ← Novo Estado c) T ← cronograma 5. a) Escolha um operador que ainda não tenha sido aplicado ao Estado Corrente e aplique-o para produzir um Novo Estado b) Analise o Novo Estado i) Se for a solução (um estado meta) retorne-o e encerre. Algoritmo: 1. Retorne Melhor como resposta do problema. Quando o dispositivo fica na vertical a esfera tende a acomodar-se ao fundo de um vale. T ← cronograma (inicio) 4.

além de ser baseado nos mecanismos de seleção natural. Retorne como resultado a hipótese com a maior aptidão de todas as gerações. Algoritmos Genéticos (AGs) Nesta técnica a analogia com os sistemas biológicos é mais forte. Esta abordagem remonta o início da computação. mutação e clonagem (ver anotações de aula).1. entretanto o interesse na sua utilização cresceu muito nos meados da década de 80. Escolha um operador genético 3.2. Selecione hipóteses (a quantidade depende do operador a ser aplicado) probabilidade de que uma hipótese H seja selecionada: p(H i ) = H ∈Pop f (H i ) ∑ f (H ) 3. A seguir está técnica é vista com mais detalhes. Inteligência Artificial em Controle e Automação Álvaro Guarda 28 . Aplique o operador genético sobre a(s) hipótese(s) selecionada(s) gerando nova(s) hipótese(s): Hnova W X'Y4`!aFbHcIX'aFdfehg 3.4. As principais técnicas que foram desenvolvidas são: programação evolucionista. Pop  !#"%$'&)(102&436587@9A7@9CBD7!EFHGI@9P@QR7HS58$'ET0R!U7!VD587 2.2. inventados por John Holland nos anos 60 e desenvolvidos por ele e seus alunos na Universidade de Michigan em meados de 1970. pois. Evolua a população Pop uma geração (faça até que satisfaça alguma condição de término) 3. calcule a sua aptidão f(H) 3. Cada hipótese de solução (indivíduo) é representada por uma cadeia binária de tamanho fixo.1. Atualize a população: Pop ‚ prqts4u!v%q'w 3. calcule a sua aptidão f(H) 4. 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. estratégia evolucionista.contribuir para a próxima geração.1.1. entre os anos 50 e 60. Avalie Pop: para cada hipótese H pertencente a Pop. Adicione a(s) hipótese(s) resultante(s) na nova população: NovaPop i prqts4u!v%q'wyx€ nova 3.1. A técnica mais conhecida são os algoritmos genéticos. como se fosse a cadeia genética do indivíduo. algoritmos genéticos e programação genética. Avalie Pop (população inicial): para cada hipótese H pertencente a Pop. sistemas classificadores. Crie a nova população NovaPop (faça até gerar completamente a nova população) 3. A forma mais utilizada para a seleção dos indivíduos é baseada na probabilidade: a chance de um indivíduo ser selecionado é proporcional à sua aptidão. também se baseia na genética. Algoritmo algoritmo_genetico( TamPop) 1.1.3.3. A criação dos indivíduos para a próxima geração é feita através de operações como cruzamento entre indivíduos.

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

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

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

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

. Teoria + ¬ Teorema Contém ou Pode gerar Fato.” “João é homem. com enfoque em filosofia. Pesquisas recentes envolvem a implementação de “const raint logic programming” (CLP). Do ponto de vista de um sistema baseado em conhecimento. Q. desenvolvida por Hewitt em 1972.” “João é filho de Maria. De Morgan e outros). Davis. associando a lógica à matemática. houve muitas pesquisas em prova de teoremas no início da década de 60 com os trabalhos de Prawitz. Após os trabalhos de Herbrand em 1930. Esquema geral de funcionamento: É estabelecida uma teoria (conjunto de axiomas) e procura-se provar se um determinado teorema é consistente com a teoria. 5. 5. R. . A programação em lógica surgiu no início da década de 70 como resultado direto de pesquisas nas áreas de prova automática de teoremas e de inteligência artificial. programação em lógica com facilidades para processamento de restrições. − Acrescenta-se à teoria. Lógica Proposicional A lógica proposicional é baseada em proposições. introduzindo a regra de resolução.Esquema de prova por refutação. Breve Histórico A lógica foi intoduzida no século III AC por Aristóteles para representar os processos do raciocínio.” → → → chove. − Procura-se uma contradição. a linguagem PLANNER. Pelo lado da inteligência artificial.. a teoria é uma base de conhecimento e o teorema uma consulta.5.2. em 1965. Roussel e Colmerauer em Marselha (implementação). Putnam e outros. conforme mostra a Figura 24. Este esforço culminou. No século XIX houve importantes avanços com o desenvolvimento da álgebra booleana (Boole. A teoria pode ser vista como um conjunto de declarações que modela um problema e o teorema como uma afirmação que deve ser provada em relação à teoria. joão_filho_maria. ¬ Fato. no trabalho de Robson. Figura 24 . ii) Variáveis : P. declarações que podem ser verdadeiras ou falsas. ou seja. joão_homem. à Existem vários métodos para se provar um teorema. gerando uma contradição. Possui sintaxe e semântica bem definidas. uma regra de inferência particularmente adequada para a automação em computadores.1. (maiúsculas) Inteligência Artificial em Controle e Automação Álvaro Guarda 33 . Sintaxe a) Proposição simples (átomo) i) Constantes : “Está chovendo. van Emden em Edinburgo (demonstração experimental). à à à Lógica Procura modelar formalmente o raciocínio humano. porém em um sistema computacional a maneira clássica é feita por refutação: − Nega-se o teorema. Os pesquisadores que desenvolveram no início da década de 70 a idéia de utilizar a lógica como linguagem de programação foram Kowalski na Universidade de Edinburgo (lado teórico). para fazer planejamento em robótica. Gilmore. Uma contradição. é a afirmação e a negação do mesmo fato. pode ser considerada a linguagem precursora da programação em lógica.

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

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

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

z)) iii) Fórmula composta. Obs. : ∀x (P(x. Exemplos : P(x). viii)Fórmula livre : possui variáveis livres. v) Conectivos lógicos : os mesmos da lógica proposicional : ¬ ∧ ∨ → vi) Quantificadores : ∀ universal e ∃ existencial. Teorema 2 A resolução é completa. t2. Lógica de Predicados É mais expressiva que a lógica proposicional: − permite descrever propriedades e relações de / entre objetos. Pai(José. v) Escopo de quantificador : é a área de influência do quantificador. t2. ô ii) Fórmula atômica. . : Homem(José).. Se S ñæó F então S ñ ò F... tn são termos. Ex. 5. Q(f(y). .y) → ∃y (R(x. . P → Q. BlocoB).. Proposição possui aridade 0. Sintaxe a) Símbolos da linguagem i) Objetos : são os elementos do universo do discurso (inicia com maiúscula). P ↔ Q são FBF . Semântica Na lógica de predicados a semântica é dada em cinco etapas : Inteligência Artificial em Controle e Automação Álvaro Guarda 37 . (3) se P e Q são FBF. é formada com átomos ligados por conectivos lógicos e junto com quantificadores. P ∨ Q. − permite expressar declarações mais gerais. tn) onde P é um predicado n-ário.. é uma expressão da forma P(t1. (3) se f é uma função de aridade n e t1. (2) uma variável . Ex..... C.Obs. vi) Variável livre : variável que ocorre em uma FBF e não é quantificada. b) Definições i) Termo : é definido como : (1) uma constante . y))) o y em negrito não é quantificado.: ñ ò deriva (deduz) pela aplicação de uma regra de inferência. vii) Símbolos auxiliares : parênteses. então f(t1. (4) se P é uma FBF então ∀x P e ∃x P são FBF. ou simplesmente átomo. iv) Fórmula bem formada (FBF) : (1) um átomo é uma FBF . Maria).. tn) é um termo. iii) Variáveis : expressam genericamente elementos do universo (minúsculas). ii) Predicados : são relações entre os objetos do universo (inicia com maiúscula). vii) Fórmula fechada (sentença): não possui variáveis livres. t2. : Aridade é o número de elementos (argumentos) de um predicado. g(f(x). então P ∧ Q. t2. Sobre(BlocoA. todas as conseqüências lógicas de um dado conjunto de fórmulas podem ser derivadas. nõ’öI÷Døúù 1.3. vírgula. isto é.. ... iv) Funções : são mapeamentos de elementos do universo (minúsculas). . tn são termos.. . (2) se P é uma FBF então ¬P é uma FBF .

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

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

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

y1/César} 14. ¬Tenta_assassinar(Marcos. Como a variável do teorema está instanciada com César. Inteligência Artificial em Controle e Automação Álvaro Guarda 41 . 4e6 4. ¬P 5e8 8. ¬R 1) Resolução por Saturação (exploração em extensão) Faz a seleção das cláusulas de maneira sistemática. Sejam a teoria {P. então Marcos odeia César. César) 4 e 14 {} 16. na ordem em que as mesmas aparecem. ¬Pompeano(Marcos) ∨ Leal_a(Marcos. Para evitar trabalho desnecessário. ¬Homem(Marcos) ∨ ¬Soberano(César) ∨ ¬Tenta_assassinar(Marcos. A forma mais rápida é usando a nossa inteligência. x/César} 11. ¬P∨Q 6. César) 3 e 10 {x1/Marcos} 12. César) Resposta: 9. utilizando-se pelo menos uma cláusula que não pertença ao conjunto de cláusulas original. porém os conceitos são os mesmos para a lógica de predicados. ¬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. y1) 8. f1(x3)) 7. Esta estratégia de seleção é completa. sendo que as cláusulas selecionadas devem ter literais complementares. então está provado que Marcos odeia alguém. 5. Q 1e2 10.1. ¬P∨R 2 e 3 2. Tenta_assassinar(Marcos. Pompeano(Marcos) 3. As estratégi as serão apresentadas com exemplos da lógica proposicional. ¬Q∨R 1 e 3 11.x) 10. ¬P 4e7 6. César) 1 e 13 {} 15. aplicando o algoritmo de resolução a cláusula vazia é derivada e fica provado R. César) 9 e 5 {x2/Marcos. Cláusulas: 1. Abaixo é apresentada a seqüência de cláusulas geradas com esta estratégia para o problema anterior: 5. ¬P∨¬Q∨R} e o teorema R a ser provado.T é consistente.4. ¬P∨R 2e3 12. y1) ∨ ¬Leal_a(x4. 5e9 9. Leal_a(x3. ¬Soberano(César) ∨ ¬Tenta_assassinar(Marcos. provando a inconsistência. ¬P∨¬Q∨R 7. ¬Homem(x4) ∨ ¬Soberano(y1) ∨ ¬Tenta_assassinar(x4. César) 2 e 11 {} 13. ¬Odeia(Marcos. César) 6. ¬Pompeano(x1) ∨ Romano(x1) 4. Soberano(César) 5. ¬Romano(x2) ∨ Leal_a(x2. T contém inicialmente a cláusula a ser provada e a cada passo o resolvente é acrescentado a T. Definição: Um subconjunto T de um conjunto de cláusulas S é um conjunto de suporte de S se e somente se S . ¬Romano(Marcos) ∨ Leal_a(Marcos. César) ∨ Odeia(x2. Estratégia de Resolução É a forma de escolha das cláusulas que serão “resolvidas”. R 5e6 7. os resolventes que já estão presentes no conjunto de cláusulas não são acrescentados novamente. Leal_a(Marcos. somente é possível derivar a cláusula vazia. P 5. ¬P∨¬Q 3 e 4 13. mas ineficiente. César) 7 e 12 {x4/Marcos. ¬P∨Q. 8 e 15 {} A cláusula vazia foi derivada. Homem(Marcos) 2. Veja o exemplo abaixo. selecionando as cláusulas que geram a cláusula vazia com o menor esforço. Assim. R 1e5 3.

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

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

¬R(A) 5.E) ∨ ¬Chama(A. ¬P(B) 6 e 5 {x/B} 7e4 {} 6.B) ∨ ¬Chama(x.y) Depende(B.y) ∨ ¬Chama(x. z/B} 2 e 4 {x/B.E) 7. y/E} 4 e 8 {x/B} 5 e 6 {x/A.z) ∨ ¬Depende(z. 12. y/E} 5 e 12 {z/A} 5 e 15 {z/A} 5 e 16 {z/x1.z) ∨ ¬Depende(z. 23. R(B) 10.9.B) Depende(x.y) ∨ ¬Chama(x. 18.B) ∨ ¬Chama(x.y) Depende(x. Usa(B.y) Depende(x.B) Depende(A.y) 6.E) Depende(x.y) ¬Usa(z.y) ∨ Depende(A. 14..y) ∨ ¬Chama(x.y) Depende(x. (b) resolução com conjunto de suporte: 1.E) Inteligência Artificial em Controle e Automação Álvaro Guarda Depende(A. (c) resolução linear: 1.z) ∨ ¬Depende(z.y) ∨ Depende(A. y/B} 1 e 5 {x/A. 16.E) 3.y) ∨ ¬Chama(z.y) ∨ ¬Depende(B.y) ∨ ¬Chama(x. R(A) 6 e 3 {x/A} 8. y/E} 3 e 5 {x/z} 3 e 6 {x/A. y/E} 5 e 7 {z/A. Depende(x. ¬Depende(A.y) ∨ ¬Chama(x. Depende(x.y) ∨ ¬Usa(x. Chama(A. 7e4 {} Solução do exercício 2): (a) resolução por saturação: 1. 10. 11. 8.y) 5.z) ¬Usa(A.A) ¬Chama(B. 21. Depende(x. P(A) ∨ R(B) 3.E) ¬Chama(B. P(x) ∨ R(x) 5 e 1 {} 7. 20.y) ∨ ¬Chama(x. y/B} antes.y) ∨ ¬Chama(x.A) ∨ ¬Depende(B.y) 5. .E) ¬Chama(z.z) ∨ ¬Depende(z.E) ¬Usa(B. Depende(x. x/x1.E) ∨ ¬Chama(x.x1) Depende(x.A) ∨ ¬Usa(B.y) 4.z) ∨ ¬Chama(z. 19.y) ¬Chama(A.y) ∨ ¬Chama(z. 9. Usa(B.A) ∨ ¬Chama(B. Depende(x. P(x) ∨ R(x) ∨ P(B) 2. Chama(A. y/E} 3 e 8 {x/B} 4 e 5 {x/z} 4 e 6 {x/A.y) 6. y/B} 5 e 8 {x/B} 5 e 8 {z/A} 5 e 9 {z/B.y/E} 5 e 17 {x1/z. 13.z) ∨ ¬Depende(z.E) 3.A) 1 e 3 {x/A.y) ∨ Depende(A. a variável x da 17 foi renomeada para x1 44 . Depende(x. então tenta outra alternativa pegando o literal P(B) da cláusula 1..y) 4. ¬P(A) 4.z) ¬Chama(A. R(B) 5 e 1 {x/B} Não é mais possível avançar.y) ¬Chama(x1. 22. 6.y) ∨ ¬Usa(x. 17. 15.B) 2.B) 2. ¬Depende(A. 24.

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

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

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

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

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

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

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

Fator de Certeza 100 80 60 30 20 0 -20 -40 -60 -80 -100 Significado Definitivamente certo Quase Certo Provável Há evidências Ignorado Há evidências contra Provavelmente não Quase certo que não Definitivamente não Figura 32 . 3. A ou D então B FC(60). A e C então B FC(70). Alguns Exemplos de Sistemas Especialistas Álvaro Guarda Inteligência Artificial em Controle e Automação 52 . 6. FC(60). 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. 2. 4. Resultado do cálculo do FC das Conclusões Regra 1. Figura 33 .3. FC(30).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.Exemplo de cálculo quando várias regras inferem a mesma conclusão. as diferentes formas de tratar a situação apresentam uma grande variação. 3. A forma clássica de implementação é feita pela quantificação do grau de certeza do conhecimento. Se Se Se B B B A então B FC(80). conforme o exemplo apresentado na Figura 32.Escala do grau de certeza do conhecimento no MYCYN Forma de Inferência   Fator de certeza (FC) da conclusão de uma regra = (FC(conjunto de antecedentes) * FC(regra)) / 100   FC(conjunto de antecedentes) = min(FCs dos antecedentes) se antecedentes conjuntivos (unidos pelo “E”) ou = max(FCs dos antecedentes) se antecedentes disjuntivos (unidos pelo “OU”)   Várias regras inferem a mesma conclusão . FC(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. 6.abaixo são apresentadas três formas de cálculo com um exemplo na figura Figura 33. 2. FC(40). 5.

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

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

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

¢ Estruturado Projeto planejado e realizado em etapas que partindo das especificações chega diretamente à versão operacional do sistema. ¢ ¢ ¢ Engenharia de Conhecimento 7. ¢ Metodologias de Desenvolvimento Prototipação Construção incremental de protótipos do sistema. 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. até que se torne funcional. A Engenharia de Conhecimento é uma tarefa artesanal. 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 7.2. porém alguns módulos ou funções são construídos utilizando prototipação. as atividades dependem do tipo e do domínio do problema. 6 Implementação Estruturada Configuração Usuário Estudo / Viabilidade Projeto de Consolidação 2 4 Análise Projeto Estruturada Especificação Estruturado Estruturada Plano de Testes BD Lógico Módulos Estruturados BD Físico 7 Teste de Aceitação 3 Projeto da Base Dados Sistema de Produção Figura 35 . Programador.7.1.DFD nível o do ciclo de vida de um projeto estruturado . Os profissionais envolvidos são Especialista. Engenheiro de Conhecimento. pois os métodos utilizados pelos especialistas são particulares e. ¢ Misto O sistema é desenvolvido de forma estruturada.

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

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

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

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

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

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

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

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

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

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

00 ""grande" se será gasto mais de R$ 1. Variável:orçamento de treinamento Pergunta:"Qual é o orçamento do treinamento?" Motivo:"Informe " ""pequeno" se será gasto menos de R$ 100. então escolha "a opção "por resposta".00 ""médio" se será gasto menos de R$ 1."alterada conforme a resposta do aluno.000.000.00 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 .