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

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

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

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

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

Os métodos cegos fazem uma pesquisa sistemática do espaço de estados. [Paux | Resto]) :remove(Pilha. [Pilha | RestoEstado]. os estado podem ser representados como uma lista de pilhas. []. b.1.2.1.. [Paux | RestoEstado].. <bloco na base>]. . b. []. <bloco abaixo do topo>. RestoEstado). remove(Pilha. [Topo1 | Pilha2] | OutrasPilhas]) :remove([Topo1 | Pilha1]. []] ou [[]. []. c]. c]. c]. [[b. b. c]. [a]]). [b.. Uma implementação do conjunto de operações Figura 8. Figura 9 Entretanto. EstadoAux. . [a. []]). A cláusula abaixo é uma implementação para se identificar quando se atinge o objetivo. [[]. . c]]. então a representação final dos estados é [[<bloco no topo>. Implementação da Representação do Problema em Espaço de Estados A implementação da representação depende da linguagem. Resto). 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.. b. . b. A ação de percorrer o espaço de estados é feita de acordo com uma estratégia de controle que seleciona um estado e um operador que será aplicado ao estado para gerar os estados subseqüentes. <bloco na base>]].. b]. A aplicação dos operadores nos estados iniciais e Inteligência Artificial em Controle e Automação Álvaro Guarda 11 .. sucessor([[a. Em Prolog. © (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 ©  © ¨  ¨ ©  ¨ © ¨   © ¨ . remove(Pilha2. O(s) estado(s) sucessor(es) de um estado qualquer pode(m) ser definido(s) pela cláusula sucessor(<estado atual>. b. []]). Se houver no máximo três pilhas e uma pilha for representada também como uma lista. []].Em um outro exemplo. sucessor([[]. b. RestoEstado. 3. <bloco abaixo do topo>. Estado). []] ou [[]. [a]]). [<bloco no topo>. sucessor([[a. b. porém não utilizam nenhum conhecimento para guiar a busca. c]. [b. c]. Estado. sucessor([[]. o conjunto de operações da Figura 8 pode ser implementado como apresentado na Figura 9. Uma implementação mais econômica é apresentada abaixo: sucessor(Estado. as restrições são implicitamente representadas nas operações. EstadoAux). [Pilha1. [a. conforme a Figura 8..member([a. []] e o estado final pode ser representado como a lista [[a. objetivo(Estado) :.. remove(Pilha.. [a]. . esta implementação não é muito adequada porque exige escrever todas as configurações possíveis de pilhas. . 3. [[b.[a. Desta forma. Os dois principais métodos cegos são a “busca em profundidade” e a “busca em extensão”. sendo que o topo é primeiro elemento da lista. c]. [].3.. <estado sucessor>). c]. OutrasPilhas). © ¨  Figura 8 (30) Se estado atual é então o estado atual é alterado para Conjunto de operações onde as restrições estão implicitamente representadas. <bloco na base>]. no caso do problema da Figura 5. c]. c]. . [[a]. <bloco abaixo do topo>. []].[a. []]. o estado inicial do problema é representado como a lista [[c. c]. []]. []. a. Com esta sintaxe. []. [<bloco no topo>.

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

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

b) Operações Sintaxe: move (poste de origem. Média = Número do poste onde está a argola média.1) Figura 12 Árvore de pesquisa para o problema da Torre de Hanói.3. pode achar uma solução sem examinar muito o espaço de estado.1. Exemplo 2: Jogo dos 8 A Figura 13 mostra a representação gráfica para o problema do jogo dos 8.3. Inteligência Artificial em Controle e Automação Álvaro Guarda 14 .3). Outros Exemplos de Problemas e de Modelagem utilizando Espaço de Estados Exemplo 1: Torre de Hanói A representação gráfica do problema da Torre de Hanói é apresentada na Figura 11.2) (3.1) move (3.3.1. Estado final : (3.1.1) (2. • Não é muito adequada quando o fator de ramificação é muito alto.5. Assim os estado inicial e final podem ser representados como: Estado inicial : (1.1.2) Nesse caso devemos sempre observar as restrições do problema e a validade das operações.3) move (2.2.1. • Requer menos memória.1) (3. Média.2) (2.3) move (3.1) move(1. 1 2 3 1 2 3 Estado Inicial Figura 11 Torre de Hanói.1) (3. • É adequada quando existe solução na maioria dos ramos. 3. pois exige armazenar muitos caminhos alternativos. Busca em Extensão: • Se houver solução.2) move (1. poste de destino) move (1. move(1.3) move(1.1). • Por sorte.1.3) move(2.3) (2. • Não corre o risco de examinar por longo tempo becos sem saída. pois pode explorar um caminho infinito que não contém a solução.1) move(3. garante a obtenção da solução de menor caminho. não há garantias de encontra-la. Estado Final a) Estados Sintaxe: (Menor. Maior) Menor = Número do poste onde está a argola menor.• Mesmo que haja uma solução.1) move (2.1) move(1.2) (1. • Consome muita memória. Maior = Número do poste onde está a argola maior.1. A Figura 12 apresenta a árvore de pesquisa deste problema.

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

1. Inteligência Artificial em Controle e Automação Álvaro Guarda 16 . conhecida).3] [1.1. Grafo E/OU A Figura 15 apresenta o grafo E/OU que é o espaço de busca para problemas representados por Redução de Problemas. Representação do problema Sintaxe: [<TAM. [3.1.2] [1.2.3] [2. Solubilidade dos nodos Um nodo é solúvel se: • É um problema primitivo.2] [1. o problema de mover uma pilha de argolas de tamanho n>1 do pino I para o pino K pode ser substituído por 3 subproblemas: • Mover uma pilha de tamanho n-1 de I para J. • Conjunto de problemas primitivos (problemas que têm solução imediata. • É um nodo "OU" cujos sucessores são todos insolúveis.3] Problema primitivo : mover uma pilha de tamanho 1.3] [1. como os problemas são decompostos. • É um nodo "E" cujos sucessores são todos solúveis. O espaço de busca é representado graficamente por um grafo E/OU. isto é. a idéia utilizada é a da decomposição de problemas em subproblemas com complexidade menor que a do problema original. PILHA>. A busca é a construção sistemática do grafo E/OU através da aplicação das operações que vão decompondo os problemas. Neste grafo. Resolução de Problemas como Busca por Redução de Problemas Na resolução de problemas utilizando como enfoque a busca por redução de problemas. • Mover uma pilha de tamanho 1 de I para K. sucessores de um determinado nodo.2.2.3] [1.2] [1. indicando que os nodos sucessores são problemas alternativos.2.3] Figura 15 .<PINO DE CHEGADA>] Problema inicial : [3.1] [2. os nodos contêm a descrição dos problemas (subproblemas) e os arcos indicam relações entre os problemas. • É um nodo "OU" onde pelo menos um dos sucessores é solúvel Um nodo é insolúvel se: • É um nodo terminal. • Mover uma pilha de tamanho n-1 de J para K. J e K.3.1. A modelagem do problema é feita através da definição dos seguintes elementos: • Descrição do problema inicial. Os nodos intermediários.3] [1.Grafo E/OU para o problema da Torre de Hanói. • É um nodo "E" onde pelo menos um dos sucessores é insolúvel. A solução é um conjunto de Problemas Primitivos encontrados a partir da aplicação das operações no problema inicial e nos subproblemas já gerados.1. As folhas da árvore podem ser problemas primitivos ou nodos terminais (problemas insolúveis). são do tipo OU. indicando que os nodos sucessores são problemas conjuntivos.1.<PINO DE SAÍDA>. ou do tipo E. Exemplo 1: Torre de Hanói A representação gráfica do problema da Torre de Hanói é apresentada na Figura 11. • Conjunto de operações de transformação de problemas.3. Operação Para diferentes pinos I.1.

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

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

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

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

1).e.Operações: percorrer uma estrada até uma cidade vizinha Função Heurística (faz parte da modelagem do problema) f(x) = g(x) + h(x) onde g(x) = distância percorrida da cidade a até a cidade x (somatório dos números próximos às estradas) h(x) = distância em linha reta da cidade x até a cidade z (números em negrito.c.d.c. s(b. 1 a c f=5 f=7 b 4 2 3 e k f=6 f=7 c 5 6 d f=8 f=14 f=10 d z f=8 z f=16 f=10 z A solução encontrada pode eventualmente não ser o menor trajeto. s(a. Exemplo: Achar o Menor Trajeto Representação em Prolog objetivo: goal(z).2). mas pode ser uma solução bastante aceitável. s(d. s(c.z. sintaxe das operações: s( <nodo>. <custo>) onde <custo> é a distância entre as cidades s(a.3).k. 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.b. s(a.5).3). Inteligência Artificial em Controle e Automação Álvaro Guarda 21 . s(e.4).4). <nodo sucessor>. dependendo do problema.

bestfirst([2/2. 22 Inteligência Artificial em Controle e Automação Álvaro Guarda . ---a ---c ---d ---z Sol = [z.3/2. c. Sol). showsol(Solução). h(d. h(z.3/1. showsol(Sol). 3/1. h(k. 1/1. 3/1. 3/3. Funções heurísticas: g(x) é calculado a partir de <custo> h(x) é definido como abaixo h(b. 1/3.0). 2/3.7). h(e. 2/1.3/3. 3/2.2/1.6). a] Representação do Jogo dos 8 Definição do Problema 1 3 8 7 6 4 2 5 1 2 8 7 6 3 4 5 Representação em Prolog Posições das peças: coordenadas cartesianas X/Y Tabuleiro: Lista onde 1° elemento: 2° elemento: 3° elemento: .1). ?. 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. 1/3.1/3.bestfirst(a. h(c. 2/3. 1/1. Consulta e resultado: ?.2).z.1/1. Solução).s(k. 3/2.1/2]. 2/1.2).5).. 1/2] A cláusula showsol apresenta a solução como uma seqüência de posições do tabuleiro.. d. 9° elemento: 3 2 1 casa vazia peça 1 peça 2 peça 8 O estado inicial é representado como: [2/2. 3/3.2/3.

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

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

H):goal([Empty1 | GoalSquares]). % Manhattan distance = 1 swap(Empty. []. F).F):f(T. F). Squares.% Extract f-value f(l(_. min(X. Tile. [T1 | Ts1]):swap(Empty.! . D):mandist(Tile. F). D1). bestf([]. Tiles1). 9999). 1):swap(Empty. [Tile | Tiles1].X):X =< Y._). S):seq([First | OtherTiles]. totdist([Tile | Tiles]. bestf([T|_]. X1/Y1. [Tile | Ts]. Ts.!. Tile. Tiles. dif(A. Score): sequence score seq([First | OtherTiles].B. 0). [Empty | Ts]):mandist(Empty. % D is Manh. % seq(TilePositions. Y). GoalSquares. min(X. D is Dx + Dy. Dy). Tile. D is B-A. totdist(Tiles. Tile. Tile. D >= 0. between two squares % D is |A-B| % Heuristic estimate h is the sum of distances of each tile from its 'home' square plus 3 times 'sequence' score h([Empty | Tiles]. D).Y. S). totdist([]. [T1 | Ts]. 1). Square. Dx).F/_). First. SuccessorNode. % Sequence score H is D + 3*S. Cost) s([Empty | Tiles]. % Total distance from home squares seq(Tiles. D2). % All arc costs are 1 % Swap Empty and Tile in Tiles swap(Empty. X1. Ts1). D is D1 + D2. Y1. Y. Inteligência Artificial em Controle e Automação Álvaro Guarda 25 . totdist( Tiles.D):D is A-B. S). dist. % f-value of a leaf % f-value of a tree % Best f-value of a list of trees % No trees: bad f-value %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Procedimentos específicos para o jogo dos 8 % s( Node. mandist(X/Y. f(t(_. [Square | Squares]. D):dif(X. dif(Y.F/_.

showpos(P). score(_.2/1.S7. First. First. showsol([P | L]):showsol(L). 3/2.3/2.2-S2. % Display a solution path as a list of board positions showsol([]).3.5-S5.3/3.3/1. S):score(Last. 0):. score(1/3.4-S4. T = temperatura.S4. S2). S is S1 + S2.6-S6. goal([2/2. S):score(Tilel.2. % Display a board position showpos([S0. Neste processo. depois. mas sempre existe uma certa probabilidade de ocorrer uma transição para um estado de maior energia.S6.seq([Tilel. score(3/1.!. _. 2). k = constante de Boltzmann.S2. escreve a relação entre as unidades de energia e temperatura. S1). Têmpera Simulada ("Simulated Annealing") Método de busca inspirado no processo de temperar metais: inicia com uma temperatura elevada.S5. ∆E = |E' .2.!. First. score(2/2.E2| = mudança positiva de energia. member(X. 0):. 0):. Tile2. score(2/1. [1.S3. % Order of X-coordinates member(Tile-X/Y.1/3. as substâncias físicas tendem a acomodar-se em configurações de baixa energia. true. % Order of Y-coordinates nl. calculada pela fórmula: p = e(-∆E/kT) onde.S8]):member(Y.S1. onde apenas transições de baixo nível de energia são permitidas. gradualmente. First.8-S8]).!. S). 2/1. nl. 1/3. seq( [Tile2 | Tiles]. 1/1. score(2/3. score(3/2. permitindo transições de alto nível de energia. 1).!.!. % All squares done 3. score(3/3. O objetivo é alcançar uma estrutura molecular com um mínimo de energia.7-S7. % Tile on square X/Y [0-S0.!. 0):. % Tile in centre scores 1 % Proper successor scores 0 % Tiles out of sequence score 2 % Goal squares for tiles Inteligência Artificial em Controle e Automação Álvaro Guarda 26 . score(1/2. write(Tile).3-S3.!. 1/2. 2/3. Tile2 | Tiles].1]). _. 0):. fail % Backtrack to next square . 3/1.2/3.4.1/2]). [3. 0):.1/1.1-S1.3]). score(1/1. a temperatura é resfriada até alcançar um estado sólido. seq([Last]. 0):. 3/3. write(' ---'). 0):.!.

3. As técnicas estabelecem uma analogia onde um indivíduo é visto como sendo um candidato à solução de um problema. provavelmente será encontrado um mínimo local e não global. Valor inicial 2. Quando o dispositivo fica na vertical a esfera tende a acomodar-se ao fundo de um vale. Computação Evolucionista É um conjunto de técnicas de otimização inspiradas na teoria da evolução. 2. Retorne Melhor como resposta do problema. Melhor ← Estado Corrente 3. os valores energia e temperatura não têm o mesmo sentido que na física. resultando em indivíduos cada vez melhores. 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. 1] então Estado Corrente ← Novo Estado c) T ← cronograma 5. Estado Corrente ← Estado Inicial. 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 . A diferença de energia é medida pela diferença da aplicação da função-objetivo (função heurística) no estado corrente e no novo estado. Algoritmo: 1. A mudança de temperatura no decorrer do processo chama-se "cronograma de têmpera" e tem três componentes: 1. Valor da redução (quanto) A maneira como a temperatura diminui influencia no resultado do processo. Critério(s) para decidir quando a temperatura deve ser reduzida. 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. onde uma população de indivíduos evolui durante gerações devido à maior probabilidade daqueles mais aptos terem uma prole mais numerosa. T ← cronograma (inicio) 4. 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. se T esfriar muito rápido.No processo de resolução de problemas. Figura 21 Analogia: dispositivo onde uma esfera fica encerrada em uma caixa com vidro na face da frente e na face de trás e um elemento sólido formando uma curva. assim k deixa de ser necessário e o cálculo da probabilidade fica: p = e(-∆E/T). se T esfriar muito lentamente haverá muita perda de tempo.3. Uma temperatura alta equivale a agitar o dispositivo. 3.5. A principal idéia da teoria da evolução é a seleção natural. permitindo que a esfera suba colinas. Repita até que Estado Corrente seja a solução ou não haja mudança no Estado Corrente.

1. pois. calcule a sua aptidão f(H) 4. calcule a sua aptidão f(H) 3. A forma mais utilizada para a seleção dos indivíduos é baseada na probabilidade: a chance de um indivíduo ser selecionado é proporcional à sua aptidão. também se baseia na genética. 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. Algoritmo algoritmo_genetico( TamPop) 1.1.3. Avalie Pop (população inicial): para cada hipótese H pertencente a Pop. Evolua a população Pop uma geração (faça até que satisfaça alguma condição de término) 3.2. Escolha um operador genético 3. mutação e clonagem (ver anotações de aula). algoritmos genéticos e programação genética.1. Crie a nova população NovaPop (faça até gerar completamente a nova população) 3. Esta abordagem remonta o início da computação.1. sistemas classificadores. entre os anos 50 e 60.4.2. A criação dos indivíduos para a próxima geração é feita através de operações como cruzamento entre indivíduos. Inteligência Artificial em Controle e Automação Álvaro Guarda 28 . Retorne como resultado a hipótese com a maior aptidão de todas as gerações. Atualize a população: Pop ‚ prqts4u!v%q'w 3.1.contribuir para a próxima geração. Algoritmos Genéticos (AGs) Nesta técnica a analogia com os sistemas biológicos é mais forte. além de ser baseado nos mecanismos de seleção natural. 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. estratégia evolucionista. Adicione a(s) hipótese(s) resultante(s) na nova população: NovaPop i prqts4u!v%q'wyx€ nova 3. A seguir está técnica é vista com mais detalhes. As principais técnicas que foram desenvolvidas são: programação evolucionista. Cada hipótese de solução (indivíduo) é representada por uma cadeia binária de tamanho fixo.3. Pop  !#"%$'&)(102&436587@9A7@9CBD7!EFHGI@9P@QR7HS58$'ET0R!U7!VD587 2.1. inventados por John Holland nos anos 60 e desenvolvidos por ele e seus alunos na Universidade de Michigan em meados de 1970. Aplique o operador genético sobre a(s) hipótese(s) selecionada(s) gerando nova(s) hipótese(s): Hnova W X'Y4`!aFbHcIX'aFdfehg 3. como se fosse a cadeia genética do indivíduo. Avalie Pop: para cada hipótese H pertencente a Pop. entretanto o interesse na sua utilização cresceu muito nos meados da década de 80. A técnica mais conhecida são os algoritmos genéticos.

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

3) ação – ativa as regras executando as ações (lado direito) das mesmas.„ Lógica - „ „ „ „ „ 4. Base de Dados Estratégia de Controle Condição Condição º º º Ação Ação º º º Regras de Produção Condição Figura 23 . simulando os processos mentais de raciocínio e utilização do conhecimento. Raciocínio Probabilístico Árvores de Decisão Redes Semânticas Quadros (“frames”) Roteiros (“scripts”) Sistemas de Produção (SP) SP foram inicialmente propostos por Post em 1943 para modelar o processamento da informação a partir da noção estímulo/resposta. 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. memória de trabalho ou contexto. 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. as regras que casarem são selecionadas. sendo que a forma mais óbvia de se resolver um conflito é ativar a primeira regra que foi satisfeita. ocorre um conflito. 2) resolução de conflitos – apenas uma regra de cada vez pode ser ativada e quando mais de uma regra é aplicável. Regras de Produção: conjunto de regras que operam sobre a base de dados. Álvaro Guarda Inteligência Artificial em Controle e Automação 30 . contém dados informados pelo usuário sobre o problema ou gerados pelas próprias regras durante a execução (estado). Convencional Não-monotônica Difusa ou nebulosa (“fuzzy”) Temporal Senso-comum . o que normalmente altera o Banco de Dados. modificando-a. é o módulo responsável pela execução do sistema e pela identificação da solução sinalizando quando o sistema deve parar. Estratégia de Controle: também denominado. Este processo possui 3 fases: 1) casamento (“matching”) – seleciona as regras aplicáveis comparando as condições (lado esquerdo) das regras com o estado da Base de Dados.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. interpretador de regras...

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

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

Esquema de prova por refutação. Uma contradição. Q. a teoria é uma base de conhecimento e o teorema uma consulta. Davis. Breve Histórico A lógica foi intoduzida no século III AC por Aristóteles para representar os processos do raciocínio. com enfoque em filosofia. gerando uma contradição.5. joão_filho_maria. Possui sintaxe e semântica bem definidas. Gilmore. No século XIX houve importantes avanços com o desenvolvimento da álgebra booleana (Boole. é a afirmação e a negação do mesmo fato. 5.2.” “João é filho de Maria. programação em lógica com facilidades para processamento de restrições. Lógica Proposicional A lógica proposicional é baseada em proposições. Sintaxe a) Proposição simples (átomo) i) Constantes : “Está chovendo. Putnam e outros. ou seja. Teoria + ¬ Teorema Contém ou Pode gerar Fato. desenvolvida por Hewitt em 1972. − Procura-se uma contradição. introduzindo a regra de resolução. R. à Existem vários métodos para se provar um teorema. Pesquisas recentes envolvem a implementação de “const raint logic programming” (CLP). declarações que podem ser verdadeiras ou falsas. 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. 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. ¬ Fato. para fazer planejamento em robótica. Figura 24 .. no trabalho de Robson. associando a lógica à matemática. Roussel e Colmerauer em Marselha (implementação). . houve muitas pesquisas em prova de teoremas no início da década de 60 com os trabalhos de Prawitz.” “João é homem. pode ser considerada a linguagem precursora da programação em lógica. 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. Após os trabalhos de Herbrand em 1930. Do ponto de vista de um sistema baseado em conhecimento. 5. (maiúsculas) Inteligência Artificial em Controle e Automação Álvaro Guarda 33 . conforme mostra a Figura 24.1. uma regra de inferência particularmente adequada para a automação em computadores. à à à Lógica Procura modelar formalmente o raciocínio humano. porém em um sistema computacional a maneira clássica é feita por refutação: − Nega-se o teorema. De Morgan e outros). van Emden em Edinburgo (demonstração experimental). Pelo lado da inteligência artificial. em 1965. Esquema geral de funcionamento: É estabelecida uma teoria (conjunto de axiomas) e procura-se provar se um determinado teorema é consistente com a teoria. Este esforço culminou. a linguagem PLANNER.” → → → chove. − Acrescenta-se à teoria. ii) Variáveis : P.

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

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

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

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

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

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

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

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

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

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

¬R(A) 5.z) ∨ ¬Depende(z.A) ∨ ¬Chama(B.y) ∨ ¬Chama(x. .y) ∨ ¬Chama(x. 14. a variável x da 17 foi renomeada para x1 44 .y) ¬Chama(A.y) ∨ ¬Chama(z.y) 5.B) 2.9. 10. y/E} 4 e 8 {x/B} 5 e 6 {x/A.y) ∨ ¬Usa(x. Depende(x.z) ∨ ¬Depende(z. Depende(x. ¬Depende(A. Usa(B. então tenta outra alternativa pegando o literal P(B) da cláusula 1.y) ∨ ¬Chama(x. y/E} 5 e 12 {z/A} 5 e 15 {z/A} 5 e 16 {z/x1. ¬P(B) 6 e 5 {x/B} 7e4 {} 6. Usa(B. 21. Depende(x. 12.y) ∨ ¬Chama(x. y/B} antes. R(B) 5 e 1 {x/B} Não é mais possível avançar. 20. 11.y) Depende(x.z) ∨ ¬Chama(z. P(x) ∨ R(x) ∨ P(B) 2.E) ∨ ¬Chama(A. 24.z) ¬Usa(A.y) ∨ ¬Depende(B.y) 5.y) Depende(x. 16. 13.y) ∨ ¬Chama(x.z) ∨ ¬Depende(z.z) ∨ ¬Depende(z.y) 6.z) ∨ ¬Depende(z. 9.B) Depende(x.y) ∨ ¬Chama(z.y) ∨ Depende(A.y/E} 5 e 17 {x1/z.y) 4. 6. (b) resolução com conjunto de suporte: 1. y/E} 3 e 5 {x/z} 3 e 6 {x/A.y) ∨ Depende(A. P(A) ∨ R(B) 3.E) Depende(x. z/B} 2 e 4 {x/B.E) 3. R(B) 10. 17. Depende(x.B) ∨ ¬Chama(x.x1) Depende(x.y) ¬Chama(x1.E) ∨ ¬Chama(x. y/B} 1 e 5 {x/A. y/E} 3 e 8 {x/B} 4 e 5 {x/z} 4 e 6 {x/A. 18.B) Depende(A.E) 7.B) 2.B) ∨ ¬Chama(x. 22.A) ¬Chama(B.A) ∨ ¬Depende(B.E) ¬Chama(z.E) 3. 7e4 {} Solução do exercício 2): (a) resolução por saturação: 1. Depende(x.. (c) resolução linear: 1.A) 1 e 3 {x/A.z) ¬Chama(A. y/B} 5 e 8 {x/B} 5 e 8 {z/A} 5 e 9 {z/B. y/E} 5 e 7 {z/A.y) 4. Depende(x.y) ∨ ¬Chama(x.A) ∨ ¬Usa(B. ¬P(A) 4.y) Depende(x. ¬Depende(A..y) 6. 8. 19. Chama(A.y) ∨ ¬Usa(x. 15. x/x1.E) ¬Chama(B. P(x) ∨ R(x) 5 e 1 {} 7.y) ¬Usa(z.y) ∨ ¬Chama(x.y) ∨ Depende(A.y) Depende(B.E) ¬Usa(B. 23. R(A) 6 e 3 {x/A} 8.E) Inteligência Artificial em Controle e Automação Álvaro Guarda Depende(A. Chama(A.

z) ∨ ¬Depende(z. y/E} {x/A.E) ¬Chama(A.y) 5.E) ¬Chama(A. ¬Chama(x. 17. 9.x) ∨ ¬Usa(x. y/E} {x/A. 7. y/E} {x/A. Usa(B. 10.E) ∨ ¬Chama(A. y/E} antes. 9.x1) ∨ ¬Chama(A.x) ∨ ¬Usa(z.B) ¬Depende(B.z) ∨ ¬Chama(A. y/E} {z/x. a variável x da 4 foi renomeada para x1 {z/x1.E) ¬Usa(A.x) ∨ ¬Chama(x1. têm a mesma solução: 1.E) ¬Chama(x. y/E} {x/A.E) 6e3 6e4 6e5 9e1 9e3 9e4 9e5 10 e 3 10 e 4 10 e 5 12 e 2 13 e 1 13 e 3 13 e 4 13 e 5 15 e 2 21. Inteligência Artificial em Controle e Automação Álvaro Guarda 45 . 13. {x/A.A) ¬Chama(z. y/E} {x/B} {x/A.z) ∨ ¬Chama(z. 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.E) ¬Usa(B.y) 6. y/E} {z/B} {z/x. ¬Chama(A. 20. y/E} {x/B. Chama(A.z1) ∨ ¬Depende(z1.y) ∨ ¬Chama(x.E) ¬Usa(A.z) ∨ ¬Depende(z. 18. Depende(x. A Figura 25 apresenta a árvore de busca para o problema do exercício 1. 14.x) ∨ ¬Chama(x.z) ∨ ¬Depende(z.E) 6e3 6e4 6e5 7e1 8e3 8e4 9e2 {x/A.7.E) 3. ¬Chama(A.E) ¬Chama(x. 8.E) ¬Chama(A.E) ¬Chama(A.z) ∨ ¬Depende(z. y/E} {x/B. 15.B) 2. 9.y) 4. 7. y/E} {z/B} {x/B.E) ¬Depende(B.E) ∨ ¬Chama(A. a variável z da 9 foi renomeada para z1 {x/B.E) ¬Chama(A.z) ∨ ¬Chama(A. 10. z/B} {x/z. 16.E) ¬Usa(B. Depende(x.z) ∨ ¬Depende(z. resolução linear de entrada e resolução LSD. ¬Depende(A. y/E} {x1/z. 12. Depende(x.E) 7. a variável z da 5 foi renomeada para z1. y/E} antes.E) ¬Depende(B.E) 22.y) ∨ ¬Usa(x. y/E} antes. e a x da 5 para x1 {} (c) resolução linear. sendo que a raiz contém o conjunto de cláusulas de entrada. y/E} {z1/x. 19. 11. 8.y) ∨ ¬Chama(x.E) ¬Chama(B. Os nodos da árvore de busca contêm o conjunto de cláusulas corrente. y/E} {x/B. para este problema.x) ¬Chama(B.E) ¬Chama(B.

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

E) 4 {x/A. ¬Chama(B. ¬Usa(A. ¬Depende(A. ¬Depende(B.E) 2 {x/B} 10.6. Inteligência Artificial em Controle e Automação Álvaro Guarda 47 .Árvore de Refutação.z) ∨ ¬Depende(z.E) 3 {x/A. y/E} 4 {x/B. ¬Usa(B. Figura 26 . y/E} 5 {x/A.E) 1 {z/b} 8. y/E} 7.E) 9.E) 7. ¬Chama(A. y/E} 9. ¬Chama(A.E) 3 {x/B. y/E} 7.

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

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

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

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

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. Fator de Certeza 100 80 60 30 20 0 -20 -40 -60 -80 -100 Significado Definitivamente certo Quase Certo Provável Há evidências Ignorado Há evidências contra Provavelmente não Quase certo que não Definitivamente não Figura 32 .3. FC(30). 6. 3. Figura 33 .Escala do grau de certeza do conhecimento no MYCYN Forma de Inferência   Fator de certeza (FC) da conclusão de uma regra = (FC(conjunto de antecedentes) * FC(regra)) / 100   FC(conjunto de antecedentes) = min(FCs dos antecedentes) se antecedentes conjuntivos (unidos pelo “E”) ou = max(FCs dos antecedentes) se antecedentes disjuntivos (unidos pelo “OU”)   Várias regras inferem a mesma conclusão . 6. Resultado do cálculo do FC das Conclusões Regra 1. A ou D então B FC(60). as diferentes formas de tratar a situação apresentam uma grande variação. 2. FC(40). FC(60). A e C então B FC(70). Alguns Exemplos de Sistemas Especialistas Álvaro Guarda Inteligência Artificial em Controle e Automação 52 .Exemplo de cálculo quando várias regras inferem a mesma conclusão. a) FC(conclusão) = max(FCs das conclusões das regras) b) FC(conclusão) = média(FCs das conclusões das regras) c) FC(conclusão) = x + ((100 – x) * y / 100) se ambos (x e y) são positivos (técnicas probabilísticas) Banco de Conhecimento 1. 4. A forma clássica de implementação é feita pela quantificação do grau de certeza do conhecimento. conforme o exemplo apresentado na Figura 32. Se Se Se B B B A então B FC(80). 5. 3. FC(B) 48 21 36 Formas de tratar a situação Forma a) Max b) Média c) Probabilidade FC(B) 48 35 74 Observação Como pode ser observado.abaixo são apresentadas três formas de cálculo com um exemplo na figura Figura 33. 2.

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

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

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

as atividades dependem do tipo e do domínio do problema. Engenheiro de Conhecimento. 6 Implementação Estruturada Configuração Usuário Estudo / Viabilidade Projeto de Consolidação 2 4 Análise Projeto Estruturada Especificação Estruturado Estruturada Plano de Testes BD Lógico Módulos Estruturados BD Físico 7 Teste de Aceitação 3 Projeto da Base Dados Sistema de Produção Figura 35 . Programador.2.7.DFD nível o do ciclo de vida de um projeto estruturado . porém alguns módulos ou funções são construídos utilizando prototipação. 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. ¢ Estruturado Projeto planejado e realizado em etapas que partindo das especificações chega diretamente à versão operacional do sistema. Os profissionais envolvidos são Especialista. Atividades em um Sistema com IA 5 Integração de Sistemas Plano de Treinamento e Reorganização 8 Análise do Hardware Interface com Usuário Entrada do Usuário 1 Integração de Sistemas Necessidades de Hardware Pedido ao Fabricante 7. até que se torne funcional. ¢ Metodologias de Desenvolvimento Prototipação Construção incremental de protótipos do sistema.1. pois os métodos utilizados pelos especialistas são particulares e. ¢ Misto O sistema é desenvolvido de forma estruturada. A Engenharia de Conhecimento é uma tarefa artesanal. ¢ ¢ ¢ Engenharia de Conhecimento 7.

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

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

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

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. Se o especialista utilizar apenas estes fatores. através da multiplicação dos números de alternativas (respostas) de cada fator: 4 x 2 x 6 x 2 x 4 x 3 = 1152. Tarefa Como simular a tarefa Considerações instrucionais Restrições orçamentárias 1 a 3 meios eficazes Figura 37 Fluxo de Consulta sobre meios instrucionais Inteligência Artificial em Controle e Automação Álvaro Guarda 60 . A Figura 39 faz uma análise levantando algumas das possíveis relações entre as ponderações apresentadas na Figura 38 e as recomendações que o especialista faria. é possível identificar quantas situações diferentes existem.

000.000.00) o Médio (até R$ 50.Ponderações do modelo Tosti-Ball (simplificado) N° Situação do Duração do Resposta Realimentação Estímulo Estímulo Apropriada Instrucional 1 verbal 2 verbal 3 verbal 4 verbal simbólica pictória 5 verbal breve persistente breve breve breve breve breve persistente breve breve oculta seletiva construída oculta oculta oculta oral afetiva oral afetiva motora oculta todas não sim não não não sim sim não não sim Modificação da Apresentação nenhuma resposta módulo curso curso módulo módulo módulo módulo curso nenhuma resposta Orçamento de Treinamento pequeno pequeno médio médio médio pequeno médio médio grande grande pequeno médio grande Recomendações livro estudo pessoal aula aula com dispositivos videocassete prática com realimentação verbal prática com realimentação por vídeo Laboratório com experiências áudio cassete tutor humano pictória 6 verbal 7 verbal 8 ambiental 9 verbal 10 simbólica verbal Figura 39 .00) o Grande (mais de R$ 10.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.Análise matricial de escolha do meio instrucional Inteligência Artificial em Controle e Automação Álvaro Guarda 61 .00) Figura 38 .000.

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

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

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 .Recomendação é prática com realimentação por vídeo SE situação do estímulo = verbal E duração do estímulo = breve E resposta apropriada = verbal OU resposta apropriada = afetiva E realimentação instrucional = sim E modificação da apresentação = por módulo E orçamento de treinamento = médio OU orçamento de treinamento = grande ENTÃO recomendação = prática com realimentação por vídeo Regra 8 .Recomendação é prática com realimentação verbal SE situação do estímulo = verbal E duração do estímulo = breve E resposta apropriada = verbal OU resposta apropriada = afetiva E realimentação instrucional = sim E modificação da apresentação = por módulo E orçamento de treinamento = pequeno OU orçamento de treinamento = médio ENTÃO recomendação = prática com realimentação verbal Regra 7 .Recomendação é videocassete SE situação do estímulo = verbal OU situação do estímulo = pictória E duração do estímulo = breve E resposta apropriada = oculta E realimentação instrucional = não E modificação da apresentação = por módulo E orçamento de treinamento = médio ENTÃO recomendação = videocassete Regra 6 .Recomendação é tutor humano Inteligência Artificial em Controle e Automação Álvaro Guarda 64 .E orçamento de treinamento = médio ENTÃO recomendação = aula com dispositivos Regra 5 .

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 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 .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 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 simbólica SE estímulo = gráfico OU estímulo = esquema OU estímulo = números OU estímulo = fórmulas OU estímulo = simbólica ENTÃO situação do estímulo = simbólica Regra 14 .

" "Exemplo: se a apresentação do conteúdo deve ser Inteligência Artificial em Controle e Automação Álvaro Guarda 66 .Resposta apropriada é motora SE resposta = edificar OU resposta = montar OU resposta = mover OU resposta = construir OU resposta = organizar OU resposta = dançar OU resposta = atividade motora ENTÃO resposta apropriada = motora Regra 20 .Resposta apropriada é 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 construída SE resposta = escrever OU resposta = desenhar OU resposta = datilografar ENTÃO resposta apropriada = construída Regra 18 .OU resposta = imaginar OU resposta = pensar OU resposta = oculta ENTÃO resposta apropriada = oculta Regra 16 .Resposta apropriada é seletiva SE resposta = múltipla escolha OU resposta = associação OU resposta = seletiva ENTÃO resposta apropriada = seletiva Regra 17 .Resposta apropriada é 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.

000. então escolha "a opção "por resposta". Variável:orçamento de treinamento Pergunta:"Qual é o orçamento do treinamento?" Motivo:"Informe " ""pequeno" se será gasto menos de R$ 100.00 ""grande" se será gasto mais de R$ 1.000.00 ""médio" se será gasto menos de R$ 1.00 Variável:realimentação instrucional Pergunta:"Existe realimentação instrucional?" Variável:resposta Pergunta:"Qual é o tipo de resposta que a pessoa deve fornecer?" Inteligência Artificial em Controle e Automação Álvaro Guarda 67 ."alterada conforme a resposta do aluno.