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 termo “Inteligência Artificial” (IA) desperta interesse e muitas expectativas. 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 . permitindo que o aluno possa dar continuidade ao estudo da área e aplicar os conhecimentos adquiridos de forma autônoma. Período do entusiasmo Macsyma. Charmiak e McDermott. Entretanto. ou mais humildemente.1970 1970 . Mycin (ajudava a diagnosticar doenças no sangue. Assim. Dendral Período das Trevas Conscientização das limitações Período da renascença Hearsy. mas procurando dar uma visão abrangente da área e de suas aplicações. tinha 450 regras e fazia análise do sangue). etc.1980 1980 . freqüentemente equivocadas. 18/11/96). . Isto gera uma certa de desconfiança por parte de pesquisadores de outras áreas e acaba até prejudicando o desenvolvimento da IA. são abordados aspectos práticos. "O objetivo principal da IA é construir uma pessoa. Outros pontos são apresentados sem caráter formativo. "Um computador é inteligente se possui qualquer uma das habilidades mentais que fazem uma pessoa ser considerada inteligente" [Araribóia88]. 1. Em algumas partes do curso.1965 1965 . um animal". existe muito sensacionalismo sobre IA em revistas. a IA já desenvolveu muitas técnicas que são úteis nas mais diversas áreas: otimização. interessantes para a área de automação e controle. jogos. Prolog Período da associação Áreas de aplicação Período do empreendimento Popularização de SE Ferramentas e Ambientes 1975 . Alguns exemplos de afirmações exageradas são: Introdução   ¡ ¡ "O homem vai tentar reproduzir o computador à sua imagem".1. 1. datamining. Além do termo que é um tanto ambicioso. . jornais e inclusive em livros. como as expectativas não são realistas. tradução automática. 1. . processamento de imagens.2.1960 1960 . interface homem-máquina. Objetivos do Curso No curso alguns tópicos são estudados procurando aprofundar os aspectos importantes. fazendo experimentações e/ou implementando diversas técnicas. além do conhecimento teórico. Artigo "A revolução da IA" (Estado de Minas. Ao final do curso o aluno deverá dominar diversos pontos da IA clássica e conhecer razoavelmente bem alguns tópicos avançados em IA.3. . Evolução da Inteligência Artificial . . Prospector (fazia prospecção geológica). . os resultados que são obtidos na área freqüentemente são muito mais tímidos do que se esperava. .1975 Pré-IA Lisp Sistemas de Produção (evolução de sistemas genéricos).1..

¢ ¢ ¢ ¢ ¢ 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 1.4. Referências O conteúdo desta apostila é fortemente baseado na bibliografia básica do programa da disciplina. Inteligência Artificial em Controle e Automação Álvaro Guarda 5 . Elton Silva. CIC284 – Inteligência Artificial em Controle e Automação. Diversas partes do texto também foram baseadas no material de aula do Prof. [Nascimento00]. [Rich93] e [Mitchell97] e em alguns livros da bibliografia complementar como [Bratko90].

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

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

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

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

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

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

1. pois exige armazenar muitos caminhos alternativos.• Mesmo que haja uma solução. garante a obtenção da solução de menor caminho. 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 11.2) (1.1. pois pode explorar um caminho infinito que não contém a solução.3) move(1.3. Assim os estado inicial e final podem ser representados como: Estado inicial : (1.1) move (2. • Requer menos memória.2) Nesse caso devemos sempre observar as restrições do problema e a validade das operações. • Consome muita memória.1) move(1.1. A Figura 12 apresenta a árvore de pesquisa deste problema. poste de destino) move (1.1. 3. Média. Busca em Extensão: • Se houver solução.3) move (3.3).1) (3.1.5.1) move (3.1) Figura 12 Árvore de pesquisa para o problema da Torre de Hanói.2. b) Operações Sintaxe: move (poste de origem.1. Exemplo 2: Jogo dos 8 A Figura 13 mostra a representação gráfica para o problema do jogo dos 8.3) move(2. não há garantias de encontra-la.3) (2. move(1. Estado Final a) Estados Sintaxe: (Menor.3.1). Estado final : (3.2) (3. Maior) Menor = Número do poste onde está a argola menor.1) (3.3. Média = Número do poste onde está a argola média. pode achar uma solução sem examinar muito o espaço de estado. 1 2 3 1 2 3 Estado Inicial Figura 11 Torre de Hanói.1) (2.1. Inteligência Artificial em Controle e Automação Álvaro Guarda 14 .3) move (2.2) move (1.1) move(3. Maior = Número do poste onde está a argola maior. • Não corre o risco de examinar por longo tempo becos sem saída. • Não é muito adequada quando o fator de ramificação é muito alto.2) (2. • Por sorte.1) move(1. • É adequada quando existe solução na maioria dos ramos.

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

Os nodos intermediários.1. isto é. As folhas da árvore podem ser problemas primitivos ou nodos terminais (problemas insolúveis).2.3] [1.2.1. Neste grafo.3] [1.1.3. O espaço de busca é representado graficamente por um grafo E/OU. como os problemas são decompostos.<PINO DE CHEGADA>] Problema inicial : [3.2. os nodos contêm a descrição dos problemas (subproblemas) e os arcos indicam relações entre os problemas. • É um nodo "E" cujos sucessores são todos solúveis. A solução é um conjunto de Problemas Primitivos encontrados a partir da aplicação das operações no problema inicial e nos subproblemas já gerados. a idéia utilizada é a da decomposição de problemas em subproblemas com complexidade menor que a do problema original. • É um nodo "E" onde pelo menos um dos sucessores é insolúvel. 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. Resolução de Problemas como Busca por Redução de Problemas Na resolução de problemas utilizando como enfoque a busca por redução de problemas.2. Inteligência Artificial em Controle e Automação Álvaro Guarda 16 . Operação Para diferentes pinos I. indicando que os nodos sucessores são problemas alternativos. • É um nodo "OU" onde pelo menos um dos sucessores é solúvel Um nodo é insolúvel se: • É um nodo terminal.2] [1. Exemplo 1: Torre de Hanói A representação gráfica do problema da Torre de Hanói é apresentada na Figura 11.1.3] Figura 15 . • Mover uma pilha de tamanho 1 de I para K. A busca é a construção sistemática do grafo E/OU através da aplicação das operações que vão decompondo os problemas. Representação do problema Sintaxe: [<TAM. [3. Grafo E/OU A Figura 15 apresenta o grafo E/OU que é o espaço de busca para problemas representados por Redução de Problemas. • Conjunto de operações de transformação de problemas.1] [2. conhecida).3] [1.2] [1.1. ou do tipo E. indicando que os nodos sucessores são problemas conjuntivos. J e K. • Conjunto de problemas primitivos (problemas que têm solução imediata. PILHA>. • É um nodo "OU" cujos sucessores são todos insolúveis. sucessores de um determinado nodo. Solubilidade dos nodos Um nodo é solúvel se: • É um problema primitivo.<PINO DE SAÍDA>.3] [1. A modelagem do problema é feita através da definição dos seguintes elementos: • Descrição do problema inicial. • Mover uma pilha de tamanho n-1 de J para K. são do tipo OU.Grafo E/OU para o problema da Torre de Hanói.3] [2.1.3.3] Problema primitivo : mover uma pilha de tamanho 1.2] [1.

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

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

neste problema em particular. Estado corrente ← Estado inicial. A utilização desta função heurística. 3. Repita até que estado corrente seja a solução ou não haja mudança no estado corrente. pode ser implementada da seguinte forma: quando o bloco tem a estrutura de apoio correta. some um ponto para cada bloco da estrutura de apoio. porém examina toda a vizinhança e seleciona o melhor. Este método também é denominado busca do gradiente. Algoritmo: 1. ii) Avalie o novo estado. 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. ou seja. Uma função heurística melhor.2.3. sendo a escolha baseada no resultado da aplicação da função heurística. não observando o contexto. a) Sucessor ← pior absoluto b) Para cada operador aplicável ao estado corrente. 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 . conduz a busca a um máximo local. Isto corresponde à situação onde a vizinhança (sucessores) possui nota menor que o estado e não consegue encontrar uma solução. para cada bloco com estrutura de apoio incorreta subtraia um ponto. sendo que deve ficar no topo da pilha o nodo com a melhor nota. o caminho a ser seguido é selecionado apenas entre os nodos recém gerados. A heurística é aplicada localmente.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. como sugere a Figura 20. Esta nova função heurística permite que o processo de busca chegue a uma solução. 2. O campo de ordenação é a nota resultante da avaliação da função heurística. que leve em conta o contexto global. O motivo para este problema é que a heurística é local. daqueles recém gerados.

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

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

h(c.1/3. Sol). 1/3. 3/3.1/1. 3/2.s(k.2).5).3/1. 3/1. 1/3. 2/1.0). 9° elemento: 3 2 1 casa vazia peça 1 peça 2 peça 8 O estado inicial é representado como: [2/2. ?. 2/3. a] Representação do Jogo dos 8 Definição do Problema 1 3 8 7 6 4 2 5 1 2 8 7 6 3 4 5 Representação em Prolog Posições das peças: coordenadas cartesianas X/Y Tabuleiro: Lista onde 1° elemento: 2° elemento: 3° elemento: .3/3.2/1. 3/2. Solução). h(z. showsol(Sol). 3/3. showsol(Solução)..bestfirst([2/2. Consulta e resultado: ?.bestfirst(a. 1/2] A cláusula showsol apresenta a solução como uma seqüência de posições do tabuleiro. 2/1. h(k. c..1).2).2/3. 22 Inteligência Artificial em Controle e Automação Álvaro Guarda .1/2]. h(d.3/2. ---a ---c ---d ---z Sol = [z. 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: [2/2.6).z. 1/1. 3/1.7). h(e. Funções heurísticas: g(x) é calculado a partir de <custo> h(x) é definido como abaixo h(b. d. 2/3. 1/1.

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

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

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

_.S3. 1/3. showsol([P | L]):showsol(L). _. 2).6-S6. % Order of X-coordinates member(Tile-X/Y.S2. 3/3. goal([2/2. k = constante de Boltzmann. First.S8]):member(Y. seq([Last]. calculada pela fórmula: p = e(-∆E/kT) onde. First. member(X. 0):. escreve a relação entre as unidades de energia e temperatura. % Order of Y-coordinates nl. score(2/3.S4.S7. 0):. S). write(' ---'). S):score(Tilel. 0):. a temperatura é resfriada até alcançar um estado sólido.E2| = mudança positiva de energia.3]). T = temperatura. score(1/2.!.!.1/3. score(2/2. % Tile on square X/Y [0-S0.2-S2.4. write(Tile).S1. fail % Backtrack to next square . % All squares done 3.3/2. depois. 0):. S):score(Last. 2/3.!. S1).!. Tile2. score(_.2/1. permitindo transições de alto nível de energia. true.1]).3/3. [1. score(1/3. seq( [Tile2 | Tiles]. S2). First. % Display a board position showpos([S0. 0):. Neste processo.2. O objetivo é alcançar uma estrutura molecular com um mínimo de energia.1/1. gradualmente.2. S is S1 + S2. % Display a solution path as a list of board positions showsol([]). nl. Têmpera Simulada ("Simulated Annealing") Método de busca inspirado no processo de temperar metais: inicia com uma temperatura elevada. 1/1. as substâncias físicas tendem a acomodar-se em configurações de baixa energia. % 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 .3.1/2]).!. Tile2 | Tiles]. score(1/1. score(3/2.8-S8]).1-S1.3-S3.4-S4. First.!. showpos(P). score(3/3. 1/2.seq([Tilel. 3/2.!.2/3.5-S5.S5. [3. 0):. 1).3/1. 2/1. mas sempre existe uma certa probabilidade de ocorrer uma transição para um estado de maior energia. 0):.S6. 3/1.7-S7. score(3/1. ∆E = |E' . 0):.!. score(2/1. onde apenas transições de baixo nível de energia são permitidas.

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

1. como se fosse a cadeia genética do indivíduo. mutação e clonagem (ver anotações de aula).1. Inteligência Artificial em Controle e Automação Álvaro Guarda 28 . estratégia evolucionista. 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. Pop  !#"%$'&)(102&436587@9A7@9CBD7!EFHGI@9P@QR7HS58$'ET0R!U7!VD587 2.1. Algoritmos Genéticos (AGs) Nesta técnica a analogia com os sistemas biológicos é mais forte. também se baseia na genética. 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. Escolha um operador genético 3. Algoritmo algoritmo_genetico( TamPop) 1. A seguir está técnica é vista com mais detalhes. As principais técnicas que foram desenvolvidas são: programação evolucionista. A criação dos indivíduos para a próxima geração é feita através de operações como cruzamento entre indivíduos. entre os anos 50 e 60. Avalie Pop: para cada hipótese H pertencente a Pop. Esta abordagem remonta o início da computação. Crie a nova população NovaPop (faça até gerar completamente a nova população) 3.2. Retorne como resultado a hipótese com a maior aptidão de todas as gerações.2. calcule a sua aptidão f(H) 4. Evolua a população Pop uma geração (faça até que satisfaça alguma condição de término) 3.3. além de ser baseado nos mecanismos de seleção natural. pois.1. Avalie Pop (população inicial): para cada hipótese H pertencente a Pop. calcule a sua aptidão f(H) 3.3. inventados por John Holland nos anos 60 e desenvolvidos por ele e seus alunos na Universidade de Michigan em meados de 1970. Atualize a população: Pop ‚ prqts4u!v%q'w 3. Aplique o operador genético sobre a(s) hipótese(s) selecionada(s) gerando nova(s) hipótese(s): Hnova W X'Y4`!aFbHcIX'aFdfehg 3. A técnica mais conhecida são os algoritmos genéticos. sistemas classificadores.1.4.contribuir para a próxima geração.1. Adicione a(s) hipótese(s) resultante(s) na nova população: NovaPop i prqts4u!v%q'wyx€ nova 3. Cada hipótese de solução (indivíduo) é representada por uma cadeia binária de tamanho fixo. 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. entretanto o interesse na sua utilização cresceu muito nos meados da década de 80. algoritmos genéticos e programação genética.

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

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

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

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

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

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

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

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

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

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

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

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

Leal_a(x3. ¬P∨¬Q∨R} e o teorema R a ser provado.x) 10. P 5. ¬P∨Q 6. selecionando as cláusulas que geram a cláusula vazia com o menor esforço. As estratégi as serão apresentadas com exemplos da lógica proposicional. ¬Odeia(Marcos. x/César} 11. ¬Homem(x4) ∨ ¬Soberano(y1) ∨ ¬Tenta_assassinar(x4. Definição: Um subconjunto T de um conjunto de cláusulas S é um conjunto de suporte de S se e somente se S . porém os conceitos são os mesmos para a lógica de predicados. Cláusulas: 1. Homem(Marcos) 2. ¬P∨¬Q∨R 7. Leal_a(Marcos. ¬P∨Q. ¬Soberano(César) ∨ ¬Tenta_assassinar(Marcos. Veja o exemplo abaixo. então Marcos odeia César. A forma mais rápida é usando a nossa inteligência. Assim. ¬Pompeano(x1) ∨ Romano(x1) 4. aplicando o algoritmo de resolução a cláusula vazia é derivada e fica provado R. César) 9 e 5 {x2/Marcos.1. utilizando-se pelo menos uma cláusula que não pertença ao conjunto de cláusulas original. 8 e 15 {} A cláusula vazia foi derivada. César) 3 e 10 {x1/Marcos} 12. Estratégia de Resolução É a forma de escolha das cláusulas que serão “resolvidas”. Pompeano(Marcos) 3. sendo que as cláusulas selecionadas devem ter literais complementares. Soberano(César) 5. Inteligência Artificial em Controle e Automação Álvaro Guarda 41 . 4e6 4. ¬Romano(Marcos) ∨ Leal_a(Marcos.T é consistente. Esta estratégia de seleção é completa. César) Resposta: 9. T contém inicialmente a cláusula a ser provada e a cada passo o resolvente é acrescentado a T. Sejam a teoria {P. mas ineficiente. y1) ∨ ¬Leal_a(x4. ¬P 5e8 8.4. Abaixo é apresentada a seqüência de cláusulas geradas com esta estratégia para o problema anterior: 5. 5e9 9. então está provado que Marcos odeia alguém. ¬Q∨R 1 e 3 11. Para evitar trabalho desnecessário. César) ∨ Odeia(x2. César) 6. César) 4 e 14 {} 16. César) 1 e 13 {} 15. f1(x3)) 7. na ordem em que as mesmas aparecem. ¬P 4e7 6. César) 2 e 11 {} 13. R 1e5 3. Como a variável do teorema está instanciada com César. Tenta_assassinar(Marcos. somente é possível derivar a cláusula vazia. ¬R 1) Resolução por Saturação (exploração em extensão) Faz a seleção das cláusulas de maneira sistemática. R 5e6 7. y1/César} 14. ¬Romano(x2) ∨ Leal_a(x2. ¬Tenta_assassinar(Marcos. ¬P∨¬Q 3 e 4 13. 5. César) 7 e 12 {x4/Marcos. ¬P∨R 2e3 12. os resolventes que já estão presentes no conjunto de cláusulas não são acrescentados novamente. ¬P∨R 2 e 3 2. provando a inconsistência. y1) 8. ¬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. Q 1e2 10. ¬Homem(Marcos) ∨ ¬Soberano(César) ∨ ¬Tenta_assassinar(Marcos. ¬Pompeano(Marcos) ∨ Leal_a(Marcos.

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

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

Usa(B. z/B} 2 e 4 {x/B. (b) resolução com conjunto de suporte: 1. y/B} 5 e 8 {x/B} 5 e 8 {z/A} 5 e 9 {z/B.y) ∨ Depende(A.E) ∨ ¬Chama(x. 14. .y) ∨ ¬Depende(B.y) 4.A) ¬Chama(B. a variável x da 17 foi renomeada para x1 44 .B) ∨ ¬Chama(x.z) ∨ ¬Chama(z.E) Depende(x. 8.E) 3. 19.y) 5.y) Depende(x. Chama(A.y) ∨ ¬Chama(x. 9.y) ∨ Depende(A. ¬R(A) 5.9.y) ∨ ¬Chama(x.y) ∨ ¬Usa(x.E) ¬Chama(B. 10.y) 6.E) ¬Usa(B.B) ∨ ¬Chama(x.A) ∨ ¬Chama(B.y) ¬Usa(z. então tenta outra alternativa pegando o literal P(B) da cláusula 1.A) 1 e 3 {x/A.z) ∨ ¬Depende(z. ¬P(A) 4.z) ¬Usa(A.E) ∨ ¬Chama(A. P(x) ∨ R(x) 5 e 1 {} 7. Depende(x. y/E} 5 e 7 {z/A.y) ∨ ¬Chama(x.y) ¬Chama(x1.y) ∨ ¬Chama(x.y) ∨ ¬Chama(x.y/E} 5 e 17 {x1/z. 12.y) ¬Chama(A.y) 6.y) ∨ ¬Chama(z. 6.y) Depende(B.E) Inteligência Artificial em Controle e Automação Álvaro Guarda Depende(A. 15. Depende(x. Usa(B. 11. 21.B) Depende(A. y/E} 3 e 8 {x/B} 4 e 5 {x/z} 4 e 6 {x/A. (c) resolução linear: 1. 16.B) 2. R(A) 6 e 3 {x/A} 8. y/B} antes.y) 5. 20. Depende(x. 7e4 {} Solução do exercício 2): (a) resolução por saturação: 1. y/E} 5 e 12 {z/A} 5 e 15 {z/A} 5 e 16 {z/x1.B) Depende(x.E) 7.E) ¬Chama(z. 22.y) Depende(x. P(A) ∨ R(B) 3.A) ∨ ¬Usa(B. Depende(x.z) ∨ ¬Depende(z. x/x1.. y/E} 3 e 5 {x/z} 3 e 6 {x/A.z) ∨ ¬Depende(z.y) ∨ ¬Usa(x.x1) Depende(x.y) ∨ ¬Chama(x.y) ∨ ¬Chama(x. Depende(x. 17.z) ∨ ¬Depende(z. y/E} 4 e 8 {x/B} 5 e 6 {x/A. P(x) ∨ R(x) ∨ P(B) 2.A) ∨ ¬Depende(B. ¬P(B) 6 e 5 {x/B} 7e4 {} 6.y) ∨ Depende(A. y/B} 1 e 5 {x/A. R(B) 5 e 1 {x/B} Não é mais possível avançar. 18.E) 3.B) 2. R(B) 10. 23.y) 4. 24.y) Depende(x.. ¬Depende(A.z) ¬Chama(A. ¬Depende(A. Chama(A. 13.z) ∨ ¬Depende(z. Depende(x.y) ∨ ¬Chama(z.

x1) ∨ ¬Chama(A.E) ¬Usa(A.E) ¬Chama(x.E) ¬Chama(B. ¬Chama(A. Depende(x.E) ¬Chama(A. 13. sendo que a raiz contém o conjunto de cláusulas de entrada. 9. y/E} {z1/x.z) ∨ ¬Depende(z.E) ∨ ¬Chama(A.E) 6e3 6e4 6e5 7e1 8e3 8e4 9e2 {x/A.E) 3. y/E} {z/x.z1) ∨ ¬Depende(z1.x) ∨ ¬Usa(x.y) ∨ ¬Chama(x. 17. Chama(A. e a x da 5 para x1 {} (c) resolução linear.E) ¬Chama(x.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) ∨ ¬Chama(A. y/E} antes. 18.E) ¬Chama(A.z) ∨ ¬Depende(z. ¬Chama(x.E) ¬Chama(A.B) 2. 12.y) ∨ ¬Usa(x.E) ¬Chama(A.E) 22. 10. y/E} {z/B} {x/B.E) 7. a variável x da 4 foi renomeada para x1 {z/x1.E) ¬Usa(B. z/B} {x/z. têm a mesma solução: 1. 7. Usa(B.E) ¬Depende(B. Inteligência Artificial em Controle e Automação Álvaro Guarda 45 . 10.z) ∨ ¬Chama(A. y/E} {x/A. y/E} {x/A.y) ∨ ¬Chama(x. y/E} antes. a variável z da 9 foi renomeada para z1 {x/B.x) ∨ ¬Chama(x.E) ¬Chama(B. a variável z da 5 foi renomeada para z1.z) ∨ ¬Chama(z.x) ¬Chama(B. 19. 9. Depende(x. y/E} {x/A. y/E} {x/B} {x/A. 15.B) ¬Depende(B. para este problema.z) ∨ ¬Depende(z.E) ¬Chama(A. 14. y/E} {x/B. ¬Depende(A. 9. Depende(x.y) 4.7.y) 6.x) ∨ ¬Chama(x1. y/E} {z/B} {z/x. {x/A.E) ¬Usa(A.x) ∨ ¬Usa(z.y) 5. y/E} antes. resolução linear de entrada e resolução LSD. 8. 7. 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. 20. ¬Chama(A. Os nodos da árvore de busca contêm o conjunto de cláusulas corrente. y/E} {x/B. y/E} {x/A. 8. A Figura 25 apresenta a árvore de busca para o problema do exercício 1.E) ∨ ¬Chama(A. y/E} {x/B. 16.A) ¬Chama(z. y/E} {x1/z.E) ¬Depende(B.z) ∨ ¬Depende(z. 11.z) ∨ ¬Depende(z.E) ¬Usa(B.

. P(A) ∨ R(B) 3.. P(x) ∨ R(x) ∨ P(B) 2. ¬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. P(A) ∨ R(B) 3. 6. ¬P(A) 4. ¬P(B) 6. ¬R(A) 1 e 3 {x/A} 1 e 4 {x/A} 1 e 5 {} 2 e 3 {} 1. Como a cláusula objetivo sempre participa na resolução das cláusulas. Inteligência Artificial em Controle e Automação Álvaro Guarda 46 . 2. 5. P(x) ∨ R(x) ∨ P(B) 2. 6. . 1. 5. P(A) ∨ R(B) 3.. 5. P(x) ∨ R(x) 2 e 3 {} 1.Árvore de busca. P(x) ∨ P(B) 1.. ¬P(A) 4. P(A) ∨ R(B) 3. P(x) ∨ R(x) ∨ P(B) 2. 7.. ¬P(B) 6. o seu número pode ser omitido nos arcos. Linear de Entrada e LSD a árvore pode ser simplificada colocando-se nos nodos apenas a cláusula objetivo corrente (cláusula pai).. 2. 3.1. A raiz normalmente contém apenas a cláusula objetivo (teorema negado). P(A) ∨ R(B) 3. 2. 7. 7.. Árvore de Refutação A escolha da estratégia de resolução define como é explorada a árvore de busca para encontrar a cláusula vazia. ¬R(A) 5. ¬P(A) 4. R(B) 1 e 5 {} 1. ¬R(A) 5. A árvore contendo apenas os nodos visitados durante o processo de busca da cláusula vazia é denominada árvore de refutação. 3. P(x) ∨ R(x) ∨ P(B) P(A) ∨ R(B) ¬P(A) ¬R(A) ¬P(B) R(A) ∨ P(B) R(B) . A Figura 26 apresenta a árvore de refutação para o problema do exercício 2 utilizando a estratégia de resolução LSD. ¬P(B) . Figura 25 .. 4. R(A) ∨ P(B) 1 e 4 {x/A} 1. Para as estratégias Linear. 6... . mas pode conter o conjunto de cláusulas de entrada por questões de clareza. ¬P(B) 6. ¬R(A) 5. P(x) ∨ R(x) ∨ P(B) 2. 6. ¬P(A) 4.. 3. 4. P(x) ∨ R(x) ∨ P(B) 2. . P(x) ∨ R(x) ∨ P(B) P(A) ∨ R(B) ¬P(A) ¬R(A) ¬P(B) R(A) ∨ P(B) P(x) ∨ R(x) .. 4. ¬P(A) 4.

y/E} 7.E) 4 {x/A.E) 3 {x/A. Figura 26 .E) 1 {z/b} 8. y/E} 7.Árvore de Refutação. ¬Chama(B. ¬Depende(B. ¬Chama(A. y/E} 9. y/E} 5 {x/A. Inteligência Artificial em Controle e Automação Álvaro Guarda 47 . ¬Depende(A. y/E} 4 {x/B.E) 3 {x/B.z) ∨ ¬Depende(z.E) 9. ¬Chama(A. ¬Usa(B.E) 2 {x/B} 10. ¬Usa(A.E) 7.6.

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

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

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

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

6. Figura 33 . FC(40). as diferentes formas de tratar a situação apresentam uma grande variação. conforme o exemplo apresentado na Figura 32. FC(30). 4. 6. FC(60). 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 .Métodos de tratamento da Incerteza O tratamento da incerteza lida com o raciocínio inexato e pode ser feito através da utilização de valores intermediários entre os valores verdadeiro e falso. A ou D então B FC(60). Alguns Exemplos de Sistemas Especialistas Álvaro Guarda Inteligência Artificial em Controle e Automação 52 . 2.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 .3. a) FC(conclusão) = max(FCs das conclusões das regras) b) FC(conclusão) = média(FCs das conclusões das regras) c) FC(conclusão) = x + ((100 – x) * y / 100) se ambos (x e y) são positivos (técnicas probabilísticas) Banco de Conhecimento 1. A e C então B FC(70). 2. Se Se Se B B B A então B FC(80). 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. Resultado do cálculo do FC das Conclusões Regra 1. 5. 3. 3.Exemplo de cálculo quando várias regras inferem a mesma conclusão.abaixo são apresentadas três formas de cálculo com um exemplo na figura Figura 33. A forma clássica de implementação é feita pela quantificação do grau de certeza do conhecimento.

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

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

Isto contrasta com o conhecimento amplo e de difícil definição que chamamos de senso comum. já que os valores não são muito plausíveis.6. ¡ Validação: Medir o desempenho de um sistema especialista é difícil. quando começaram os trabalhos sobre os sistemas que hoje conhecemos como especialistas. Uma coisa que podemos fazer é comparar esses sistemas com especialistas humanos em problemas do mundo real Por exemplo. Certamente é impossível apresentar provas formais de correção para sistemas especialistas. 6. há muitos programas que interagem com os especialistas dos domínios para extrair conhecimento especializado com eficiência. ele precisa ser iterativamente refinado até aproximar-se do nível de desempenho de um especialista. dificultando ainda mais a tarefa de lidar com a sua fragilidade. muito progresso foi feito na construção de tais programas. O especialista nunca fornece de pronto o conhecimento correto ou completo. 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. E mais fácil criar sistemas especialistas do que sistemas com senso comum. porque não sabemos como quantificar o uso do conhecimento. ¡ A transferência de conhecimento ocorre gradualmente. através de muitas interações entre o especialista e o sistema. e não de uma única técnica poderosa. Este processo é caro e lento. ¡ Esses sistemas derivam sua potencialidade de uma grande quantidade de conhecimento especifico do domínio. Conclusões Desde a metade da década de 60. obtendo resultados melhores do que qualquer um de seus concorrentes humanos. Aquisição de Conhecimento Como são construídos os sistemas especialistas? Tipicamente. Eles normalmente não conseguem raciocinar sobre seu próprio escopo e restrições. Estes programas oferecem suporte às seguintes atividades: ¡ Inserção de conhecimento. ¡ A quantidade de conhecimento exigida depende da tarefa. Ela pode variar de 40 regras a milhares delas. e usá-las como ferramentas para a criação de novos sistemas e novos domínios. sobre o qual sistemas especialistas específicos podem ser criados. Por exemplo. ¡ Um sistema especialista em geral é construído com a ajuda de um ou mais especialistas. ¡ Falta de Meta-conhecimento Os sistemas especialistas não têm conhecimentos muito sofisticados sobre sua própria operação. ¡ Os sistemas bem-sucedidos têm muito conhecimento bem-definido sobre uma determinada área. 6. que é então traduzido em regras. ¡ É possível extrair partes não-especificas do domínio. Embora ainda não exista nenhum sistema de aquisição de conhecimento totalmente automatizado. ¡ Aquisição de Conhecimento Apesar do desenvolvimento de ferramentas. ¡ A escolha da estrutura de controle para um determinado sistema depende das características especificas do sistema. a aquisição ainda continua sendo um dos maiores obstáculos à aplicação da tecnologia dos sistemas especialistas a novos domínios. Alguns sistemas representam uma tentativa de remediar esse problema fornecendo um substrato de conhecimentos de senso comum. ¡ Manutenção da consistência da base de conhecimento. eles não podem contar com conhecimentos mais genéricos quando a necessidade surge. Depois que o sistema inicial estiver pronto. 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. de sistemas especialistas existentes. um engenheiro do conhecimento entrevista um especialista no domínio da aplicação para tentar extrair o conhecimento especialista. As experiências obtidas com esses esforços sugerem as seguintes conclusões. o MYCIN participou de um painel de especialistas para avaliar dez casos selecionados de meningite. que precisam estar dispostos a transferirem o seu conhecimento para o sistema. ¡ Garantia de completeza da base de conhecimento. portanto vale a pena procurar maneiras mais automatizadas de construir bases de conhecimento especialistas.7. A maioria dos sistemas não seria capaz de adivinhar que podemos ter invertido os dois campos. Álvaro Guarda Inteligência Artificial em Controle e Automação 55 .6.5.

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

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

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

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

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

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

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

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

Recomendação é tutor humano Inteligência Artificial em Controle e Automação Álvaro Guarda 64 .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 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 .E orçamento de treinamento = médio ENTÃO recomendação = aula com dispositivos Regra 5 .Recomendação é videocassete SE situação do estímulo = verbal OU situação do estímulo = pictória E duração do estímulo = breve E resposta apropriada = oculta E realimentação instrucional = não E modificação da apresentação = por módulo E orçamento de treinamento = médio ENTÃO recomendação = videocassete Regra 6 .Recomendação é prática com realimentação verbal SE situação do estímulo = verbal E duração do estímulo = breve E resposta apropriada = verbal OU resposta apropriada = afetiva E realimentação instrucional = sim E modificação da apresentação = por módulo E orçamento de treinamento = pequeno OU orçamento de treinamento = médio ENTÃO recomendação = prática com realimentação verbal Regra 7 .

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

000.00 Variável:realimentação instrucional Pergunta:"Existe realimentação instrucional?" Variável:resposta Pergunta:"Qual é o tipo de resposta que a pessoa deve fornecer?" Inteligência Artificial em Controle e Automação Álvaro Guarda 67 .00 ""médio" se será gasto menos de R$ 1.000. Variável:orçamento de treinamento Pergunta:"Qual é o orçamento do treinamento?" Motivo:"Informe " ""pequeno" se será gasto menos de R$ 100. então escolha "a opção "por resposta"."alterada conforme a resposta do aluno.00 ""grande" se será gasto mais de R$ 1.

Sign up to vote on this title
UsefulNot useful