Inteligencia Artificial Simbolica 6 PP

Inteligncia Artificial Simblica
Ementa: Tcnicas de IA Aplicadas Resoluo de Problemas. IA Simblica Professor: Mauro Roisenberg mauro@inf.ufsc.br http://www.inf.ufsc.br/~mauro
1 (C) - Prof. Mauro Roisenberg 10/05/04
Tpicos
! ! ! ! ! ! ! ! !
Histrico, Conceitos, Teoria de Problemas Modelagem de Agentes Inteligentes Reviso de Lgica Representao de Conhecimento Mecanismos de Raciocnio Redes Neurais Artificiais Conexionismo e Resoluo de Problemas Sistemas Especialistas Outras Tcnicas de IA (Lgica Nebulosa, Computao Evolutiva, etc...)
10/05/04 2
(C) - Prof. Mauro Roisenberg
Avaliao
!
Introduo
!
2 Provas + n Trabalhos
MF=[(P1+P2)/2]x0,6 + [(T1+T2+...+Tn)/n]x0,4 MF>=6 : Aprovado 3 <= MF < 6 : Recuperao ndices Variveis MF < 3 : Reprovado
1.
Afinal, pr que estudamos Inteligncia Artificial???

No h nada a fazer...
Existem 3 tipos de problemas Os que no tm soluo.
Bibliografia
! ! ! ! !
2. Os que tm soluo algortmica 3. Os outros....

!
timo. Basta codificar os algoritmos...
Russel & Norvig Artificial Intelligence: A modern approach E. Rich & K. Knight Inteligncia Artficial J.M. Barreto Inteligncia Artificial: Uma abordagem hbrida G. Bittencourt Inteligncia Artificial: Ferramentas e teorias R. A. Rabuske Inteligncia Artificial
Aqueles em que a soluo algortmica tm complexidade NP-Completa; Aqueles que o Ser Humano capaz de resolver; ! Aqueles que os Seres Vivos so capazes de resolver. ! Jogar Xadrez, Jogar Futebol, Reconhecer Faces, Fazer Tradues, Procurar Comida, Reconhecer Letras, etc, etc...
AQUI QUE ENTRA A I.A.!!!!!

10/05/04
10/05/04
Histrico e Conceitos Bsicos

! !
1a. Pergunta: O que Inteligncia Artificial? Algumas Respostas:
7.
A automatizao das atividades que associamos com o pensamento humano, atividades tais como tomada de decises, resoluo de problemas, aprendizado,... (Bellman, 1978) O estudo de como fazer os computadores realizarem coisas que, hoje em dia so feitas melhores pelas pessoas. (Rich & Knight, 1991) O estudo das faculdades mentais atravs de modelos computacionais. (Charniak & McDermott, 1985) O ramo da cincia da computao que se ocupa da automatizao do comportamento inteligente. (Luger & Stubblefield, 1993) Sistemas que PENSAM Sistemas que PENSAM como HUMANOS RACIONALMENTE Sistemas que ATUAM como HUMANOS Sistemas que ATUAM RACIONALMENTE
10/05/04 5
POCA CONTEMPORNEA (1987- atual) (Logo no incio do perodo Gallant publica seu crebre artigo sobre sistemas especialistas conexionistas. Foi o ponto de partida para a unio das duas abordagens de IA, tornando a abordagem dirigida problemas a abordagem atual.)
Objetivo: Alargamento das aplicaes das IAs. Uso em tomografia, pesquisas em campos de petrleo, e bases de dados inteligentes. Metodologia e conquistas: Redes diretas como aproximador universal. Lgica nebulosa usada largamente em indstrias para controle inteligente. Sistemas especialistas se torna tecnologia dominada. Bons resultados em problemas mal definidos com sistemas usando hibridismo neural-nebuloso. Novo paradigma de programao: programao conexionista. Limitaes: Quem sabe??? Uma possibilidade uma grande expanso das bases de dados inteligentes.
10/05/04
UMA BOA DEFINIO A grande atividade da IA a soluo de problemas usando e manipulando conhecimento.

Formalmente a rea foi criada em 1956 quando o nome foi cunhado por John McCarthy no encontro do Darthmouth College, onde se reuniram os primeiros pesquisadores da rea. Entretanto, h mais de 2000 anos, filsofos, psiclogos e cientistas estudam como o ver, aprender, recordar e raciocinar pode ser realizado.

possvel dividir as fazes da histria da Inteligncia Artificial com os seguintes perodos: 1.

sobre os mecanismos da mente, nem sob o prisma fisiolgico nem psicolgico e por esta razo vai at 1875 quando Camilo Golgi visualizou o neurnio) Objetivo: Criar seres e mecanismos apresentando comportamento inteligente. Metodologia e conquistas: Mecanismos usando mecnica de preciso desenvolvida nos autmatos, mecanismos baseados e teares, etc. Apelo ao sobrenatural. Limitaes: Complexidade dos mecanismos, dificuldades de construo. Insucesso dos apelos ao sobrenatural.
POCA PR-HISTRICA (Nesta poca nada se conhecia
UM POUCO DE FILOSOFIA
Um dia ser possvel entender completamente a inteligncia humana? Crebro e mente so a mesma coisa? Existe a alma e o livre arbtrio?
10/05/04 7 (C) - Prof. Mauro Roisenberg 10/05/04 8
2.
POCA ANTIGA (1875-1943) (Modelo de Neurnio de McCulloch & Pitts)
3.

poca em que a lgica formal apareceu (Russel, Gdel,etc) bem como se passou a reconhecer o crebro como rgo responsvel pela inteligncia. Hilbert imaginava um mundo paradisaco, em que tudo poderia ser axiomatizado e reduzido Lgica. Entretanto assim como o final do sculo XIX viu o desmoronamento do mundo Euclidiano, Gdel abalou o mundo de Hilbert com seu teorema de incompletude da aritmtica. Foi a poca em que, tal como os filsofos gregos fizeram, so colocadas as bases da IAS e IAC, terminando com a publicao do trabalho de McCulloch e Pitts modelando o neurnio. Objetivo: Entender a inteligncia humana Metodologia e conquistas: Estudos da psicologia e de neurofisiologia. Nascimento da psicanlise. Limitaes: Grande distncia entre as conquistas da psicologia e da neurofisiologia.
10/05/04 9
POCA ROMNTICA (1943-1956) ( o otimismo desordenado, que tem um jovem rapaz romntico cr que tudo possvel. Acaba com a reunio no Darthmouth College)
Objetivo: Simular a inteligncia humana em situaes prdeterminadas. Metodologia e conquistas: Inspirao na natureza. Nascimento Ciberntico. Primeiros mecanismos imitando funcionamento de redes de neurnios. Primeiros programas imitando comportamento inteligente. Limitaes: Limitao das capacidades computacionais.
10/05/04
10
4.
! ! ! ! !

Tudo fcil e ser conseguido. Provadores Automticos de Teoremas. Acreditava-se na traduo automtica entre linguagens. Acreditava-se ser possvel construir um programa para resolver qualquer problema. Em alguns anos um computador ganharia o campeonato mundial de xadrez. Objetivo: Expandir ao mximo as aplicaes da IA tanto usando a abordagem simblica quanto a conexionista. Metodologia e conquistas: Perceptron. Primeiros sistemas especialistas usando a abordagem simblica. Grandes esperanas da IAS. Limitaes: Dificuldades em tcnicas de aprendizado de redes complexas; Subestimao da complexidade computacional dos problemas.
POCA BARROCA (1956-1969) (livro Perceptrons)
4.
!

Princpio da IA Simblica (IAS) Hiptese do Sistema de Smbolos Fsicos (Newell & Simon): A inteligncia o resultado da manipulao de smbolos que representam o mundo.
POCA BARROCA (1956-1969) (livro Perceptrons)
Princpio da IA Conexionista (IAC) Metfora Biolgica:
Se for construdo um modelo do crebro, este modelo apresentar um comportamento inteligente.
Subestimao da Complexidade Computacional:
Os problemas de IA so comumente de complexidade NPCompleta.
10/05/04
11
10/05/04
12
5.
!

Paralizao de quase todas as pesquisas em IA por falta de verbas. Acabou quando os japoneses anunciaram seus planos para a Quinta Gerao de Computadores e em outro ambiente Hopfield publica clebre artigo sobre redes neurais. Assim como a Idade Mdia da Histria da humanidade viu florescer idias novas, nesta poca no foi de total trevas. Nasceram as primeiras aplicaes dos conjuntos nebulosos de Zadeh, nascendo o controle inteligente com Mamdani. Alm disto os sistemas especialistas se firmaram com Shortliffe. Objetivo: Encontrar para a IA aplicaes prticas. Metodologia e conquistas: Sistemas especialistas. Aplicaes principalmente em laboratrios. Os computadores usados principalmente para aplicaes administrativas e numricas. Interesse dos fabricantes de computadores de desmistificar a mquina levando a pouco interesse em IA. Limitaes: Era necessrio muito conhecimento para tratar mesmo o mais banal problema de senso-comum; Interesses econmicos.
10/05/04 13
POCA DA TREVAS (1969-1981) (5a. Gerao)
6.
RENASCIMENTO (1981-1987) (Comeou a corrida para IA. Os resultados obtidos nas pocas anteriores atingiram o pblico em geral. Sistemas especialistas se popularizaram. Primeira conferncia internacional de Redes Neurais marca final do perodo).
Objetivo: Renascimento da IA, simblica e conexionista Metodologia e conquistas: Popularidade da linguagem Prolog, adotada pelos japoneses. Crescimento da importncia da Lgica. Proliferao de mquinas suportando ferramentas para IA. Sistemas Especialistas capazes de simular o comportamento de um especialista humano ao resolver problemas em um domno especfico. Alguns poucos pesquisadores continuaram seus trabalhos em RNAs, Grossberg, Kohonen, Widrow, Hinton, etc. No final do perodo, trabalhos de Hopfield, do grupo PDP, etc., criaram condies para a fase seguinte no que diz respeito s RNAs. Limitaes: a IAS e a IAC evoluindo separadamente.
10/05/04
14
Teste de Turing para a Inteligncia (1950)

!
Domnios de Aplicao
!
Resoluo de problemas (planejamento)
Viso de que computadores atuam como humanos.

Computador com as seguintes capacidades:
Processamento de linguagem natural; ! Representao de conhecimento; ! Raciocnio automtico; ! Aprendizado de mquina.
!
Quebra-cabea, jogos Problemas que requerem conhecimento especialista (diagnstico mdico, localizao de recursos minerais, configurao de computadores) Simulao qualitativa ou intuitiva Mecanismos de inferncia
Raciocnio por senso-comum Percepo (viso e fala)
Reconhecimento de objetos atravs de imagens Reconhecimento de voz ou identificao de imagens
10/05/04
15
10/05/04
16
Domnios de Aplicao
!
Processamento de linguagem natural

O que significa um conjunto de palavras Traduo de idiomas Acesso a dados em base de dados Knowledge Data Discovery
Teoria de Problemas
!
! !
Extrao de conhecimento Aprendizado
O que um PROBLEMA?
A IA se ocupa da resoluo de problemas, para tal necessrio conhecimento sobre o problema e tcnicas de manipular este conhecimento para obter a soluo. Resolver um problema diferente de ter um mtodo para resolv-lo. Antes de tentar buscar a soluo de um problema, deve-se responder as seguintes perguntas:
! ! !
Programao

Desenvolver sistema que melhorem seu desempenho atravs de experincias Desenvolver sistemas que auxiliem no aprendizado de alunos Desenvolvimento de shellspara sistemas especialistas Paralelizao de linguagens de IA Distribuio da resoluo de problemas Sistemas Multi-agentes
10/05/04 17
Exemplos:
Quais so os dados? Quais so as solues possveis? O que caracteriza uma soluo satisfatria?
As pontes de Knigsberg O tabuleiro de xadrez mutilado

10/05/04 18
Teoria de Problemas
As pontes de Knigsberg
!
Teoria de Problemas
Definio: Um problema um objeto matemtico P={D,R,q}, consistindo de dois conjuntos no vazios, D os dados e R os resultados possveis, e de uma relao binria qDxR,a condio que caracteriza uma soluo satisfatria, associando a cada elemento do conjunto de dados a soluo desejada. Exemplo: Um problema de diagnstico mdico
O conjunto de dados disponveis dD (observao da anamnese, sintomas, exames, etc.) R o conjunto de doenas possveis Soluo satisfatria: encontrar o par (d,r) onde rR o diagnstico correto.
O tabuleiro de xadrez mutilado

:: :::
!
A definio de um problema permite testar dr um certo elemento ou no soluo, mas no guia na busca deste elemento. q D R
(C) - Prof. Mauro Roisenberg 10/05/04 20
10/05/04
19
Teoria de Problemas
! 1.
Modos de definir uma FUNO PROBLEMA Por ENUMERAO EXAUSTIVA DECLARATIVAMENTE

!
Teoria de Problemas
! !
!
2.
Fornece-se todos os conjuntos de pares (dado, resultado).

Ex.:Agenda de telefone.
!
3.
Definir declarativamente um problema dar propriedades que devem ser satisfeitas pela soluo do problema.
Ex.: O av de algum aquela pessoa que pai do pai da pessoa.
Os modos de definir uma funo levam ao conceito de COMPUTABILIDADE Definio 1: Uma funo dita computvel se possvel calcular seu valor para todos os elementos de seu domnio de definio.
Ex1.: Equaes Diofantinas an+bn=cn n>=3 a, b, c Inteiros ! Ex2.: Problema da parada de um programa
!
Por um PROGRAMA (um algoritmo)

!
Um programa de computador define a carrespondncia entre dados e resultados sempre que ele pra, conseguindo chegar a uma soluo.
Ex.: Programa para declarao do imposto de renda.
! !
4.
Por EXEMPLOS
!
!
O problema no completamente definido para todo valor de seus dados. Conhece-se para um subconjunto.
Ex.: Ensinar a pegar uma bola atirada no ar.
10/05/04 21
COMPLEXIDADE Definio 2: A complexidade de um problema, com relao a um conjunto bem definido de recursos, definida como aquela que considera o modo mais parcimonioso de uso de recursos conhecidos para a soluo do problema.
(C) - Prof. Mauro Roisenberg 10/05/04
Dado um programa e um conjunto de dados infinito, impossvel ter um outro programa que decida se o primeiro programa vai conseguir para para todos os dados.
22
Teoria de Problemas
! !
! !
Se a computabilidade diz respeito existncia de soluo para um problema, a complexidade se refere a quantidade de recursos necessrios para resolv-los. Um mesmo problema pode ter complexidade diferente, dependendo da tcnica que se utiliza para resolv-lo. Definio 3: Um problema dito NP-Completo quando no se conhece algoritmo de ordem polinomial capaz de resolv-lo. HEURSTICAS Definio 4: Conjunto de regras e mtodos que conduzem descoberta, inveno e resoluo de problemas. O papel das heursticas - boa soluo
Ex.: Problema do caixeiro-viajante resolvido de maneira algortmica.
Teoria de Problemas
Estratgias Bsicas para Resolver Problemas - As estratgias constituem os modos bsicos de raciocnio para resolver problemas. Pela definio do problema, o qual se apresenta como uma funo, estes modos de raciocnio devem se adaptar ao modo que a funo foi definida. 1. Por enumerao exaustiva: o conhecimento necessrio para resolver o problema est na enumerao. 2. Declarativamente: leva freqentemente a problemas de busca. Utilizar um mtodo de busca em que, por passos sucessivos se aproxima da soluo, usando algumas vezes tcnicas sem grande justificativa terica. ESTA A ABORDAGEM DA IA SIMBLICA! 3. Por exemplos: Se o problema foi definido por exemplos, se dever usar um mtodo para aproximar a funo. ESTA A ABORDAGEM DA IA CONEXIONISTA!
Na IA as heursticas so as tcnicas que possibilitam tratar problemas NP-Completos e buscar algoritmos de ordem mnima para problemas polinomiais.
10/05/04 23
ALGUNS PROBLEMAS CLSSICOS

10/05/04
Missionrios e canibais; Torres de Hani; Baldes de gua; Jogo do Oito; Reconhecimento de Caracteres, Previso, etc.
24
Agentes Inteligentes
! !
Uma Ferramenta para Anlise de Sistemas Inteligentes sensores O que um agente???

!
!
Um agente algo que percebe seu ambiente atravs de sensores e atua no ambiente atravs de atuadores.
atuadores
Especificar que aes um agente deve tomar em resposta a qualquer seqncia de percepes, leva ao projeto de um agente ideal.
Medida de Desempenho
!
Ambiente
!
Segurana, velocidade, destino, conforto, etc... Observvel, determinstico, episdico, esttico,... Rodas, ps, vdeos, mensagens, etc... Imagens, gps, teclados, mensagens, encoders, ultra-som,...
O que um agente racional???
Agente Humano, Agente Animal, Agente Robtico, Agente em Software, Termostatos, etc... A Funo Agente mapeia dados da percepo para aes.
Atuadores
!
O objetivo da IA, segundo Russel & Norvig projetar agentes que faam um bom trabalho agindo no seu ambiente. O princpio bsico da utilizao de agentes que eles devem saber das coisas (know things). Um agente racional ideal aquele que, para cada possvel seqncia de percepo, realiza uma ao que maximiza seu desempenho (mapeamento ideal), tendo como base as evidncias fornecidas pela seqncia de percepes e pelos conhecimentos previamente existentes no agente.
10/05/04 25
Sensores
!
A noo de agente pretende ser uma ferramenta para anlise de sistemas inteligentes, no uma caracterizao absoluta que divide o mundo em agentes e no-agentes.
Exemplos: Aspirador de p, Agente de busca na Internet, Agente de auxlio a aprendizagem, Agente de auxlio ao diagnstico mdico, etc...
10/05/04
26
!
Tipos de Agentes
Software Agents
!
!
O que um Agente Autnomo?

Agentes Autnomos so sistemas computacionais que operam em ambientes dinmicos e imprevisveis. Eles interpretam dados obtidos pelos sensores que refletem eventos ocorridos no ambiente e executam comandos em atuadores que produzem efeitos no ambiente. O grau de autonomia de um agente est relacionado capacidade de decidir por si s como relacionar os dados dos sensores com os comandos aos atuadores em seus esforos para atingir seus objetivos, satisfazer motivaes, etc...
Hardware Agents
!
Agentes so considerados entidades computacionais baseadas na idia de que os usurios necessitam apenas especificar um objetivo em alto nvel ao invs de utilizar instrues explcitas, deixando as questes de como e quando agir a cargo do agente. Aplicaes: Interfaces Amigveis, Cartografia, Auxlio ao Ensino, Auxlio ao Diagnstico Mdico. Agentes que operam em ambientes fsicos (AGVs, Robs, Embedded Systems, etc.) Agentes Fsicos capazes de detectar mudanas ambientais e, atravs da reavaliao de seus objetivos encontrar uma nova seqncia de aes capazes de persegui-los, sem que esta seqncia tivesse sido prevista.
10/05/04
27
10/05/04
28
Agentes Reflexivos
!
Agentes Reflexivos
No tem memria. Quando cessa a percepo, cessa a ao.
Agentes Reflexivos
! !
If car-in-front-is-braking (brake-light on) then initiate-braking
function SIMPLE) returns action SIMPLE-REFLEXREFLEX-AGENT (percept (percept) static: static: rules, a set of conditioncondition-action rules state := INTERPRETINTERPRET-INPUT(percept) rule := RULERULE-MATCH(state, state, rules) action := RULERULE-ACTION[rule] return action
10/05/04
29
10/05/04
30
Agentes com Estados Internos

!
Agentes com Estados Internos
Agentes Com Estados Internos

! !
Como o mundo evolui O que as aes provocam no mundo function REFLEX) returns REFLEX-AGENTAGENT-WITHWITH-STATE (percept (percept) action static: state, uma descrio do estado corrente do mundo rules, a set of conditioncondition-action rules state := UPDATEUPDATE-STATE(state, state, percept) rule := RULERULE-MATCH(state, state,rules) action := RULERULE-ACTION[rule] state := UPDATEUPDATE-STATE(state, state,action) return action
Guarda informaes que no so percebidas no momento
31
10/05/04
32
Agentes com Metas
Metas Busca e Planejamento so subcampos da IA cujo objetivo achar seqncias de aes que conduzam ao objetivo do agente.
Agentes baseados em Utilidade
Utilidade uma funo que mapeia um estado em um nmero real que descreve o grau de felicidade associado ao estado. Permite decises racionais em casos em que o objetivo tem algum problema; Quando existem objetivos conflitantes (p.ex.: velocidade e segurana); Quando existem vrios objetivos, a utilidade diz qual tentar alcanar primeiro.
10/05/04
33
10/05/04
34
Agentes baseados em Utilidade
Propriedades dos Ambientes

!
Acessvel x Inacessvel
Determinstico x No-Determinstico
se o aparato sensor fornece acesso a uma descrio completa do ambiente. se o prximo estado do ambiente pode ser completamente determinado pelo estado atual do ambiente e pelas aes selecionadas pelo agente. a experincia do agente dividida em episdios. Cada episdio consiste na percepo do agente e na sua ao. No existe passado nem futuro. se o ambiente se altera enquanto o agente est pensando, ento o ambiente dinmico para o agente. se existe um nmero finito de diferentes percepes e aes possveis, ento o ambiente discreto.
10/05/04 36
Episdico x No-Episdico
Esttico x Dinmico
Discreto x Contnuo
10/05/04
35
Propriedades dos Ambientes

Ambiente Xadrez com Relgio Xadrez sem Relgio Poker Gamo Dirigir Taxi Diagnstico Mdico Anlise de Imagens Rob Manipulador Controlador de Refin. Tutor Interativo Ling. Acessvel SIM SIM NO SIM NO NO SIM NO NO NO Determinstico Episdico SIM SIM NO NO NO NO SIM NO NO NO NO NO NO NO NO NO SIM SIM NO NO Esttico SEMI SIM SIM SIM NO NO SEMI NO NO NO Discreto SIM SIM SIM SIM NO NO NO NO NO SIM
Resoluo de Problemas
J vimos o que um problema. Vamos agora buscar mecanismos para represent-lo e resolv-lo, utilizando as tcnicas da IA, ou seja, usando e manipulando CONHECIMENTO ! O Estudo do Conhecimento ! Resoluo de Problemas por Busca ! Representao de Conhecimento
!
10/05/04
37
10/05/04
38
!
!
O Estudo do Conhecimento
Uma teoria em IA consiste na especificao do conhecimento necessrio a uma entidade cognitiva. O que uma ENTIDADE COGNITIVA?
!
O conhecimento central para a tarefa inteligente e na IAS, para que esta tarefa ocorra so necessrios: Base de Conhecimentos:
Uma BASE DE CONHECIMENTOS Um MOTOR DE INFERNCIA
o mecanismo inteligente que permite entre outras atividades: soluo de problemas, uso de linguagem, tomada de decises, percepo, etc... Na abordagem da IA Simblica, a simulao da capacidade cognitiva requer conhecimento declarativo (definio declarativa da funo) e algum tipo de raciocnio. Alm disso, a evoluo dos estados de conhecimento de um agente pode ser descrita em forma de linguagem (lgica ou natural).
Motor de Inferncia:
Contm a informao especfica sobre o domnio e ser to complexa quanto for o domnio e a capacidade cognitiva a ser simulada. Mecanismo que manipula a Base de Conhecimentos e gera novas conhecimentos.
10/05/04 40
10/05/04
39
Mtodos de Busca
!
Mtodos de Busca
! !
A maioria dos problemas interessantes de IA no dispe de solues algortmicas. Porm:
Diante da falta de soluo algortmica vivel, o nico mtodo de soluo possvel a BUSCA.
So solucionveis por seres humanos e, neste caso, sua soluo est associada inteligncia; Formam classes de complexidade varive existindo desde pequenos problemas triviais (jogo da velha) at instncias extremamente complexas (xadrez); So problemas de conhecimento total, isto , tudo o que necessrio para solucion-los conhecido, o que facilita sua formalizao. Suas solues tm a forma de uma seqncia de situaes legais e as maneiras de passar de uma situao para outra so em nmero finito e conhecidas.
Agentes de Resoluo de Problemas Decidem o que fazer pela busca de aes que levem a estados desejveis
estado inicial operadores teste de meta funo de custo de caminho
Desempenho da Busca
Encontra uma soluo? uma boa soluo?
!
Qual o custo da busca?

!
Custo do caminho
Custo total=Custo da busca + custo do caminho
Tempo e memria
10/05/04
41
10/05/04
42
Mtodos de Busca
!
Mtodos de Busca
!
Exemplo: Jogo do Oito
Exemplo: Jogo do Oito

Estados: local de cada uma das peas e do espao Operadores: mover o espao para cima, para baixo,esquerda ou direita. Teste de meta: dado na figura Custo do caminho: 1 para cada movimento
10/05/04
43
10/05/04
44
Mtodos de Busca
!
Estratgias de Busca
Critrios
! ! ! !
Busca Cega (Blind (Blind Search ou Uninformed Search) Search)

!
Completude Complexidade de Tempo Complexidade de Espao Otimizao
Tipos de Busca Cega

Busca Busca Busca Busca Busca Busca
Uma estratgia de busca dita cega se ela no leva em conta informaes especficas sobre o problema a ser resolvido. em largura pelo custo uniforme em profundidade em profundidade limitada por aprofundamento iterativo bidirecional
Mtodos
! !
Busca Cega - No existe informao Busca Heurstica - Faz uso de informao
10/05/04
45
10/05/04
46
Busca Cega Busca em Largura

!
Busca em Largura (ou Amplitude)

Consiste em construir uma rvore de estados a partir do estado inicial, aplicando a cada momento, todas as regras possveis aos estados do nvel mais baixo, gerando todos os estados sucessores de cada um destes estados. Assim, cada nvel da rvore completamente construdo antes de qualquer nodo do prximo nvel seja adicionado rvore

!
!
Exemplo: Um balde de 4 litros e um balde de 3 litros. Inicialmente vazios. Estado Final: um dos baldes com 2 litros de gua.
listaDeNs(0) r1 listaDeNs(1) r2 (4,0) r3 r5 (0,0) r2 (0,3) r1 r4 r7 listaDeNs(3)
(4,3) (0,0) (1,3)
(4,3) (0,0) (3,0)
listaDeNs(2) = [(0,3),(4,3),(0,0),(1,3)]
(0,3) (4,0) (4,0) (0,3) (4,3) (0,3) (1,0) (4,0) (0,3) (4,0) (0,3) (4,0)(3,3)
(C) - Prof. Mauro Roisenberg 10/05/04 47 (C) - Prof. Mauro Roisenberg 10/05/04 48

!

Caractersticas: Completa e tima
! !

Anlise de Complexidade Tempo e Memria

! ! ! ! !
Se existe soluo, esta ser encontrada; A soluo encontrada primeiro ser a de menor profundidade. Seja um fator de ramificao b. Nvel 0: 1 n Nvel 1: b ns Nvel 2: b2 ns Nvel 3: b3 ns Nvel d (soluo) bd ns
10/05/04
Depth 0 2 4 6 8 10 12 14
49
Nodes 1 111 11,111 106 108 1010 1012 1014
Time 1 millisecond .1 seconds 11 seconds 18 minutes 31 hours 128 days 35 years 3500 years
10/05/04
Memory 100 bytes 11 kilobytes 1 megabyte 111 megabytes 11 gigabytes 1 terabyte 111 terabytes 11,111 terabytes
50
Busca Cega Mtodo do Custo Uniforme

!
Mtodo do Custo Uniforme
Busca Cega Busca em Profundidade

!
Busca em Profundidade
Exemplo: Problema de Rota entre S e G

S 1 S A 0 A 1 10 B 5 C 15 S S 5 B A 1 G 11 10/05/04 B 5 C 15 A 1 G 11
Supondo que exista um custo do caminho associado a cada n percorrido e que se deseje achar o caminho de custo mnimo. Neste caso, o algoritmo anterior modificado para expandir primeiro o n de menor custo.
S
Procurar explorar completamente cada ramo da rvore antes de tentar o ramo vizinho.
15
B 5 G 10
C 15
51
10/05/04
52

!
!

!
!
Exemplo: Um balde de 4 litros e um balde de 3 litros. Inicialmente vazios. Estado Final: um dos baldes com 2 litros de gua. O que acontece quando nenhuma regra pode ser aplicada, ou a rvore atinge uma profundidade muito grande sem que tenha encontrado uma soluo?
Neste caso ocorre o BACJTRACKING, ou seja, o algoritmo volta atrs e tenta outro caminho. Considere o seguinte sistema de produo: E={0,1,2,3,4,5} e0=0 F={3} R={ r1=(x|x >= 1 e x <= 2)->(2*x) r2=(x| Par(x))->(x+1)}
Caractersticas: No Completa e No tima

!

! ! !
Se admitir estados repetidos ou um nvel mximo de profundidade, pode nunca encontrar a soluo. A soluo encontrada primeiro poder no ser a de menor profundidade. O algoritmo no encontra necessariamente a soluo mais prxima, mas pode ser MAIS EFICIENTE se o problema possui um grande nmero de solues ou se a maioria dos caminhos pode levar a uma soluo. Seja m a profundidade mxima e um fator de ramificao b. Tempo: bm Memria: b.m
10/05/04
10/05/04
53
54
Busca Cega Busca por Aprofundamento Iterativo

!
Busca por Aprofundamento Iterativo
Busca Cega Busca Bidirecional

!
Busca Bidirecional
Teste de todos os possveis limites com busca por profundidade limitada. Em geral o melhor mtodo quando o espao de busca grande e a profundidade desconhecida.
!
Anlise de Complexidade
A idia deste mtodo de busca procurar simultaneamente para a frente a partir do estado inicial e para trs a partir do estado final, e parar quando as duas buscas se encontrarem no meio. Nem sempre isto possvel, para alguns problemas os operadores no so reversveis, isto , no existe a funo predecessora e portanto no possvel fazer a busca para trs. Comparando com um mtodo de busca em largura, o tempo e o espao para a busca proporcional a 2bd/2, onde d o nvel onde est a soluo e b o fator de ramificao da rvore. Exemplo: Para b=10 e d=6, na busca em largura seriam gerados 1.111.111 ns, enquanto que na busca bidirecional seriam gerados 2.222 ns.
10/05/04 56
10/05/04
55
Busca Cega Busca Bidirecional Comparao entre os Mtodos de Busca
Busca Heurstica (Informed (Informed Search) Search)

!
Os mtodos de busca vistos anteriormente fornecem uma soluo para o problema de achar um caminho at um n meta. Entretanto, em muitos casos, a utilizao destes mtodos impraticvel devido ao nmero muito elevado de ns a expandir antes de achar uma soluo. Para muitos problemas, possvel estabelecer princpios ou regras prticas para ajudar a reduzir a busca. A tcnica usada para melhorar a busca depende de informaes especiais acerca do problema em questo. Chamamos a este tipo de informao de INFORMAO HEURSTICA e os procedimentos de busca que a utilizam de MTODOS DE BUSCA HEURSTICA.
10/05/04 58
10/05/04
57

! !
1.
A informao que pode compor uma informao heurstica o Custo do Caminho. O CUSTO DO CAMINHO pode ser composto pelo somatrio de dois outros custos:
O custo do caminho do estado inicial at o estado atual que est sendo expandido (funo g); e Uma estimativa do custo do caminho do estado atual at o estado meta (funo heurstica h).
2.
!
A filosofia geral que move a busca heurstica : O MELHOR PRIMEIRO. Isto , no processo de busca deve-se primeiro expandir o n mais desejvel segundo uma funo de avaliao.
10/05/04
59
10/05/04
60

!
Busca Gulosa (Greedy (Greedy Search) Search)
Busca Gulosa (Greedy Search)

Semelhante busca em profundidade com backtracking. Tenta expandir o n que parece mais prximo ao n meta com base na estimativa feita pela funo heurstica h. No caso do mapa da Romnia, h(n) a distncia em linha reta de n at Bucareste.
10/05/04
61
10/05/04
62
Busca Gulosa (Greedy (Greedy Search) Search)

!
Busca A* (A estrela)
! !
Anlise de Complexidade
completa se no admitir estados repetidos; Tempo: O(bm), mas uma boa heurstica pode reduzir drasticamente o tempo; Espao: O(bm), todos os ns so mantidos na memria; No garante a soluo tima.
! ! !
Filosofia: procurar evitar expandir ns que j so custosos. um mtodo de busca que procura otimizar a soluo, considerando todas as informaes disponveis at aquele instante, no apenas as da ltima expanso. Todos os estados abertos at determinado instante so candidatos expanso. Combina, de certa forma, as vantagens tanto da busca em largura como em profundidade Busca onde o n de menor custo aparente na fronteira do espao de estados expandido primeiro.
f(n) = g(n) + h(n) onde
g(n) = custo do caminho do n inicial at o n n. h(n) = custo do caminho estimado do n n at o n final. f(n) = custo do caminho total estimado.
10/05/04
63
10/05/04
64
! !
A* expande o n de menor valor de f a cada instante. A* deve usar uma heurstica admissvel, isto , h(n)h*(n) onde h*(n) o custo real para ir de n at o n final.
Admissibilidade de A*
Teorema da Admissibilidade de A*
Diz-se que um mtodo de busca ADMISSVEL se ele sempre encontra uma soluo e se esta soluo a de menor custo. A busca em largura admissvel. O mesmo no ocorre com a busca em profundidade. A busca A* tima, isto , sempre encontra o caminho de menor custo at a meta.
! !
Quanto mais admissvel a heurstica, menor o custo da busca. Exemplo: Para o jogo do oito
h1(n): nmero de peas fora do lugar h2(n): distncia Manhattan (nmero de casas longe da posio final em cada direo)
Busca Subida da Encosta (Hill climbing) climbing)

!
SUBIDA DA ENCOSTA
a estratgia mais simples e popular. Baseada na Busca em Profundidade. um mtodo de busca local que usa a idia de que o objetivo deve ser atingido com o menor nmero de passos. A idia heurstica que lhe d suporte a de que o nmero de passos para atingir um objetivo inversamente proporcional ao tamanho destes passos. Empregando uma ordenao total ou parcial do conjunto de estados, possvel dizer se um estado sucessor leva para mais perto ou para mais longe da soluo. Assim o algoritmo de busca pode preferir explorar em primeiro lugar os estados que levam para mais perto da soluo.
10/05/04
67
10/05/04
68

!
SUBIDA DA ENCOSTA

!
H duas variaes do mtodo: a Subida de Encosta SIMPLES e a Subida de Encosta PELA TRILHA MAIS NGREME. SUBIDA DE ENCOSTA SIMPLES: Vai examinando os sucessores do estado atual e segue para o primeiro estado que for maior que o atual. SUBIDA DE ENCOSTA PELA TRILHA MAIS NGREME: Examina TODOS os sucessores do estado atual e escolhe entre estes sucessores qual o que est mais prximo da soluo. Este mtodo no assegura que se atinja o ponto mais alto da montanha. Ele assegura somente que atingido um ponto mais alto do que seus vizinhos, ento encontramos uma boa soluo local.
10/05/04 69
Exemplo
Achar o ponto mximo da funo f(x)=x2+30x+10 no intervalo [0,100].
! ! ! ! ! !
r+1=(x|x<100)->(x+1) r-1=(x|x>0)->(x-1) r+4=(x|x<97)->(x+4) r-4=(x|x>3)->(x-4) r+16=(x|x<85)->(x+16) r-16=(x|x>15)->(x-16)

17(231) r-1 14(234) r+4 19(219)
0(10) r+1 1(39) r+1 15(235) r-4 11(219) r-1 r+4 20(210) r+16 31(-20)
70
r+4 4(114)
r+16 16(234) r+16 32(-50)
r-4 12(226)
10/05/04
Busca por Tmpera Simulada (Simulated Annealing) Annealing)

!
TMPERA SIMULADA adequado a problemas nos quais a subida de encosta encontra muitos plats e mximos locais. No utiliza backtracking e No garante que a soluo encontrada seja a melhor possvel. Pode ser utilizado em problemas NP-completos. inspirado no processo de tmpera do ao. Temperaturas so gradativamente abaixadas, at que a estrutura molecular se torne suficientemente uniforme.
Busca por Tmpera Simulada (Simulated Annealing) Annealing)

A idia permitir maus movimentos que com o tempo vo diminuindo de freqncia e intensidade para poder escapar de mximos locais. O que o algoritmo de tmpera simulada faz atribuir uma certa energia inicial ao processo de busca, permitindo que, alm de subir encostas, o algoritmo seja capaz de descer encostas e percorrer plats se a energia for suficiente.
Posio final sem vento Posio final com vento controlado

10/05/04 72
Posio inicial
(C) - Prof. Mauro Roisenberg 10/05/04 71 (C) - Prof. Mauro Roisenberg
Jogos
! !
Os jogos tem atrado a ateno da humanidade, s vezes de modo alarmante, desde a antiguidade. O que o torna atraente para a IA que uma abstrao da competio (guerra), onde se idealizam mundos em que agentes agem para diminuir o ganho de outros agentes. Alm disso, os estados de um jogo so facilmente representveis (acessveis) e a quantidade de aes dos agentes normalmente pequena e bem definida. A presena de um oponente torna o problema de deciso mais complicado do que os problemas de busca, pois introduz incertezas, j que no sabemos como o oponente ir agir. Geralmente o oponente tentar, na medida do possvel, fazer o movimento menos benfico para o adversrio.
10/05/04
Jogos
!

! !
Jogos so, geralmente, problemas muito difceis de resolver.

Xadrez difcil porque muito estados Fator de ramificao 35 Geralmente 50 movimentos para cada jogador 35100 estados ou ns
Limites de tempo penalizam a ineficincia; No possvel fazer a busca at o fim, de modo que devemos fazer o melhor possvel baseados na experincia passada. Deste modo, jogos so muito mais parecidos com problemas do Mundo Real do que os problemas Clssicos vistos at agora.
73
10/05/04
74
Jogos
!
Jogos de Duas Pessoas
Jogos
Jogos como um tipo de problema de busca:
Existem dois jogadores: MAX e MIN (MAX comea jogando). O estado inicial; Um conjunto de operadores; Teste de Fim de Jogo (estados finais); Funo de Utilidade (payoff) d um resultado numrico para o resultado ou conseqncia de um jogo.
Estratgia
!
Problemas de busca: seqncia de movimentos que levam a um estado meta MIN NO DESEJA QUE MAX ganhe; MAX achar estratgia que leve a vitria independentemente dos movimentos de MIN.
10/05/04
75
10/05/04
76
Jogos
!
1 o.
Exemplo: Algoritmo MINMAX
Jogos
!
1. 2. 3.
Gerar toda a rvore do jogo; Aplicar a funo utilidade a cada n terminal; Usar a utilidade dos ns terminais para determinar a utilidade dos ns um nvel acima: a) Quando acima a vez de MIN fazer um movimento, escolher o que levaria para o retorno mnimo b) Quando acima a vez de MAX fazer um movimento, escolher o que levaria para o retorno mximo 4. Continuar calculando os valores das folhas em direo ao n raiz; 5. Eventualmente alcanado o n raiz nesse ponto MAX escolhe o movimento que leva ao maior valor.
77 (C) - Prof. Mauro Roisenberg 10/05/04 78
1o. Exemplo: Algoritmo MINMAX
10/05/04
Jogos
!
Decises Imperfeitas
Jogos
!
Algoritmo MINIMAX deve procurar at alcanar um n terminal. Usualmente isso no prtico (complexidade O(bm) Sugesto:
Funo de Avaliao
Retorna uma estimativa da utilidade do jogo a partir de uma dada posio; EX: xadrez:
http://caissa.onenet.net/chess/texts/Shortcut
! !
Parar a busca num tempo aceitvel; A funo utilidade substituda por uma funo de avaliao heurstica (EVAL), que retorna uma estimativa da utilidade esperada do jogo em uma dada posio; Teste terminal por um teste de corte.
Deve coincidir com a funo de utilidade nos ns terminais; No deve ser difcil de calcular; Deve refletir as chances reais de ganhar.
10/05/04
79
10/05/04
80
Jogos
!
Poda Alfa-Beta
Processo de eliminar ramos da rvore sem examin-los. MINIMAX em profundidade
Representao de Conhecimento
!
Eficincia depende da ordem em que os sucessores so examinados.
A manipulao do conhecimento exige, antes, formas de representao. Esta representao deve ser suficientemente rica e completa para evitar falhas evidentes de entendimento pelo motor de inferncia. Exemplo: Gato um: ser vivo + mamfero + raas + etc. Conhecimento pode ser definido como a informao armazenada, ou os modelos usados por pessoas ou mquinas para predizer, interpretar e responder apropriadamente ao mundo exterior.
Logo: leo, rato, co, etc gato.
10/05/04
81
10/05/04
82
!
importante distinguir: FORMA e CONTEDO.

Exemplo: Um texto que usa a linguagem natural como recurso de representao pode ter, tambm seu contedo sintetizado atravs de outros recursos, como, por exemplo a lgica de predicados. O contedo o mesmo, as formas de representao diferentes facilitam a manipulao por diferentes agentes (computador, ser humano)
!
Conceitos Bsicos
Base de Conhecimento: o repositrio de procedimentos, heursticas, dados, etc., que compe o conhecimento. Assemelha-se a um banco de dados no sentido de que exige manuteno (atualizaes, inseres e delees) mas o acesso a uma informao mais elaborado. Engenheiro do Conhecimento: o profissional de cincia da computao responsvel pela implantao da base de conhecimento. um profissional com slidos conhecimentos em tcnicas de IA. Especialista do Domnio: um profissional altamente capacitado no domnio para o qual estamos desenvolvendo a aplicao. Supre o engenheiro do conhecimento com os procedimentos (formais e heursticas) necessrios construo da base de conhecimento.
10/05/04
10/05/04
83
84
!
Conceitos Bsicos
!
Inferncia: processo pelo qual deduzimos novas informaes a partir das existentes na base de conhecimento. Se a informao no estiver explicitamente na base, a inferncia necessria. Existe um compromisso entre a quantidade de conhecimento armazenada explicitamente na base de conhecimento e a atividade de inferncia.
!
Conceitos Bsicos
!
Inferncia Indutiva: a partir de fatos experimentais que comprovam que a cada vez que a validade de P(a) verificada, verifica-se a validade de Q(a) (mas no o contrrio), para diferentes elementos a, pode-se inferir por induo que vlido.
Inferncia Dedutiva: a partir de elementos de conhecimento representados em forma lgica, utiliza-se uma regra de inferncia vlida para inferir um novo elemento. Algumas regras de inferncia utilizadas em lgica so: Modus Ponens, Modus Tollens, Silogismo Hipottico, etc. Inferncia Abdutiva : a partir de um conhecimento geral da forma x P(x)Q(x), e tendo por objetivo provar Q(a), toma-se por hiptese que a razo pela qual Q(a) se verifica a validade de P(a).
!
Caractersticas Essenciais
!
Caractersticas Desejveis
Consistncia: No armazena informaes conflitantes. Completude: No apresenta lacunas no conhecimento armazenado. Todo o conhecimento necessrio para a resoluo do problema est explicitamente armazenado ou pode ser determinado via inferncia. Coerncia: No existem ilhas isoladas de conhecimento no se relacionam com o restante do conhecimento armazenado. Redundncia: A mesma unidade de conhecimento armazenada de forma duplicada.
10/05/04 87
Boas representaes explicitam as coisas importantes. Revelam restries naturais, facilitando algumas classes de computaes. So concisas, necessitando apenas de recursos mnimos e sendo ao mesmo tempo ainda eficientes quando efetuam inferncias. Podem ser rapidamente recuperadas e armazenadas. Informaes raramente usadas so abordadas e recuperadas apenas quando necessrias. Permitem uma aquisio fcil e so legveis pelo especialista, quando for o caso. Permitem a aplicao dos mecanismos de inferncia necessrios.
10/05/04
88
!
!
Principais Formas de Representao de Conhecimento

Sistemas de Produo Redes Semnticas Quadros (Frames) e Roteiros (Scripts) Lgica
Sistemas ou Regras de Produo
Foram concebidas por Emil Post (1943) quando demonstrou que um procedimento computvel pode ser modelado como um sistema de produo. Muito utilizada nas dcadas de 50 e 60. o formalismo mais difundido de representao de conhecimento. Consiste em transformar o problema em um grafo de estados. Este grafo deve possuir um estado inicial e deve-se ter uma forma de identificar um estado final quando algum for atingido. Um Sistema de Produo definido como uma tupla SP=<R,E,e0,F>, onde R um conjunto de regras, E um conjunto de estados, e0 o estado inicial e F o conjunto de estados finais.
10/05/04 90
10/05/04
89
Sistemas de Produo
Uma Regra de Produo constituda por um par <p,f>, onde p:E{V,F} e f:EE. O elemento p o padro da regra, e f constitui a operao. Gera normalmente estruturas do tipo: ! SE <estado> ENTO <ao> onde:
!
Sistemas de Produo
!
EXEMPLO: Problema dos Dois Baldes de gua
<estado> ou <condio>: estabelece um teste cujo resultado depende do estado atual da base de conhecimento. Tipicamente o teste verifica a presena ou no de certas informaes na base. <ao>: altera o estado atual da base de conhecimento, adicionando, modificando ou removendo unidades de conhecimento presentes na base. Pode acarretar tambm efeitos externos base, como por exemplo a escrita de uma mensagem no vdeo.
Enunciado do problema: Voc recebe dois baldes de gua, um de quatro litros e outro de trs litros. Nenhum deles possui qualquer marcao de medida. H uma torneira que pode ser utilizada para encher os baldes de gua. Como colocar exatamente dois litros d'gua dentro do balde de quatro litros? Conjunto de Estados: O espao de estados para este problema pode ser modelado como o conjunto de pares ordenados de nmeros naturais (x,y) tal que x = 0, 1, 2, 3 ou 4 e y = 0, 1, 2 ou 3, onde x representa a quantidade de gua no balde de 4 litros, e y representa a quantidade de gua no balde de 3 litros. Estado Inicial: O estado inicial do problema o estado no qual ambos os baldes esto vazios: (0,0). Estado Final: O conjunto de estados finais constitudo por todos os estados onde a quantidade de gua no primeiro balde 2, ou seja: (2,n), onde n = 0, 1, 2 ou 3.
10/05/04 92
10/05/04
91
Sistemas de Produo
!
Sistemas de Produo
!
r1 r2 r3 r4 r5 r6 r7 r8
Um possvel conjunto de regras para este problema seria:

(x,y|x<4)(4,y) Encher o balde de 4 litros (x,y|y<3) (x,3) Encher o balde de 3 litros (x,y|x>0)(0,y) Esvaziar o balde de 4 litros no cho (x,y|y>0) (x,0) Esvaziar o balde de 3 litros no cho (x,y|x+y>4)(4,y-(4-x)) Despejar gua do balde de 3 litros dentro do balde de 4 litros at que este esteja cheio (x,y|x+y>3)(x-(3-y),3) Despejar gua do balde de 4 litros dentro do balde de 3 litros at que este esteja cheio (x,y|x+y4 e y>0) (x+y,0) Despejar toda a gua do balde de 3 litros dentro do balde de 4 litros (x,y|x+y3 e x>0)(0,x+y) Despejar toda a gua do balde de 4 litros dentro do balde de trs litros
A modelagem de um problema como um sistema de produo consiste apenas em definir o espao de estados e as regras. Este processo dificilmente poderia ser feito automaticamente. Como na programao tradicional, trata-se de um processo de modelagem de uma realidade perceptvel utilizando uma ferramenta forma definida. Mas, UMA VEZ ESTABELECIDO O MODELO, O PROCESSO PODE SER LIBERADO PARA A MQUINA E ESTA ENCONTRAR SOZINHA A SOLUO.
Uma soluo possvel para o problema seria aplicar em seqncia as regras r2, r9, r2, r7, r5 e r9. Esta soluo no a nica POSSVEL. Alm disso, no foi mostrado como a soluo foi encontrada. Este exatamente o ponto onde entram os ALGORITMOS DE BUSCA no Espao de Estados.
10/05/04
93
Sistemas de Produo
! 1.
Sistemas de Produo
! 2.
Outros Exemplos: Problema dos Missionrios e Canibais

O estado inicial (3,3,0,0,0) e o nico estado final (0,0,3,3,1). ! As regras so todas de movimentao de no mximo 2 pessoas de uma margem a outra do rio. Assim, pode-se movimentar dois canibais, dois missionrios, um canibal e um missionrio, apenas um canibal ou apenas um missionrio, tanto da margem original para a margem oposta quanto viceversa. ! Tem-se assim 10 regras possveis, das quais uma mostrada a seguir: RMM->Se(m1,c1,m2,c2,0|(m1>=2) e [m1-2>=c1) ou (m1-2=0)] e (m2+2>=c2)) Ento (m1-2,c1,m2+2,c2,1) ! Exerccio: Ache as outras regras. !
Outros Exemplos: O problema das Trs Jarras

! H trs jarras de vinho com capacidade para oito, cinco e trs litros. A jarra maior maior est cheia de vinho e as outras esto completamente vazias. Queremos dividir o vinho em pores iguais entre as duas primeiras jarras de modo que cada uma fique com 4 litros. Exerccio: Ache as regras deste sistema de produo. IF
1. 2. 3.
!
3.
MYCIN
!
A infeco principalmente por bactrias, e O local da cultura um dos locais esterelizados, e O local suspeito de entrada do organismo p trato gastrointestinal Existe uma evidncia sugestiva (0.7) de bacteride.
10/05/04 96
Then
!
Sistemas de Produo
! 4.
Outros Exemplos: DENDRAL

! IF
!
Sistemas de Produo
! 5.JOGO
Outros Exemplos: DA PILHA DE PALITOS

RULE computer-move ; IF ; It is the computers's move, and ; The pile size is greater than 1, and ; The computer's response is available ; THEN ; Remove unneeded information, and ; Compute the new pile size, and ; Print the number of sticks left in the stack, and ; Update the pile size, and ; Trigger the human players move
10/05/04 98
1. 2. 3. 4.
O espectro para s molculas apresenta dois picos de massas X1 e X2, tal que: X1+X2=M+28, e X1-28 um pico alto, e X2-28 e um pico alto, e Pelo menos X1 ou X2 so altos, A molcula contm um grupo cetona.
Then
!
; RULE good-human-move ; IF ; There is a pile of sticks, and ; The human has chosen how many sticks to take, and ; It is the human's move, and ; The human's choice is valid ; THEN ; Remove unneeded information, and ; Compute the new pile size, and ; Update the pile size, and ; Print the number of sticks left in the stack, and ; Trigger the computer player's turn
97 (C) - Prof. Mauro Roisenberg
10/05/04
Sistemas de Produo
!
Sistemas de Produo
!
VANTAGENS
Modularidade: podem ser considerados como peas independentes. Novas regras podem ser acrescentadas ao conjunto j existente sem maiores preocupaes. Naturalidade: pode ser considerada uma forma natural de pensar a descrio de conhecimentos. Uniformidade: todas as regras so escritas seguindo o mesmo padro. Permite que pessoas no familiarizadas com o sistema possam tambm analisar seu contedo.
DESVANTAGENS
Opacidade: difcil verificar a completeza destes sistemas, bem como verificar os possveis fluxos de processamento. Ineficincia: resulta particularmente do nmero de regras a combinar e tambm do esforo do matching necessrio ao suporte de execuo das regras. (matching entende-se como a verificao das regras que se aplicam ao estado do problema) No raciocinam em vrios nveis. No sabem como e quando violam suas prprias regras. No tem acesso ao raciocnio que est por trs das regras.
10/05/04
99
10/05/04
100
!
Redes Semnticas
!

Redes Semnticas
! !
Redes Semnticas Elementares
Consiste em um conjunto de nodos conectados por um conjunto de arcos.
Originalmente foram usadas para suporte a linguagem natural. Em 1968 Ross Quillian as usou para representar modelos psicolgicos de memria humana chamado memrias semnticas.
Os nodos, em geral, representam objetos. Os arcos representam relaes binrias entre os objetos.
Usa-se nodos para representar substantivos, adjetivos, pronomes e nomes prprios. Os arcos so reservados basicamente para representar verbos transitivos e preposies. Exemplo: O co corre atrs do gato
Co1
Corre atrs de
Gato1
Pode-se generalizar tambm a relao entre eles, representando os indivduos especficos com nodos annimos e indicando a incluso destes indivduos em sua respectiva classe, atravs da relao -um.
10/05/04 102
10/05/04
101
Redes Semnticas
!

Redes Semnticas
!
Redes Semnticas Elementares

Relaes de incluso entre classes so representadas por relaes subclasse-de. Os nodos rotulados representam classes genricas, enquanto que os nodos annimos representam indivduos especficos. Para saber se um nodo representa uma instncia, s observar se ele est na origem de algum arco do tipo um.
Redes Semnticas com Valores de Verdade

Pode ser necessrio representar fatos dos quais no se conhece o valor de verdade, ou mesmo, fatos que sabemos serem falsos. Uma maneira de faz-lo rotulando cada nodo-predicadocom um valor VERDADEIRO, FALSO ou DESCONHECIDO. Armirio Fraga disse que no vazou informaes previlegiadas. Dizer ato de Armrio F. agente assunto valor verdade Vazar ato de objeto NO Informaes valor verdade agente
10/05/04
Mamfero
Subclasse de
Subclasse de
Co
um
Gato
Corre atrs de
10/05/04
um
VERD.
DESC.
104
103
!
Quadros (Frames ) (Frames)

! !
Quadros (Frames) e Roteiros (Scripts)

Os Quadros ou Cenrios (Frames), e sua variao, os roteiros (Scripts), foram introduzidos para permitir a expresso das estruturas internas dos objetos, mantendo a possibilidade de representar herana de propriedades. As pessoas, ao enfrentarem uma nova situao, guardam o repertrio do comportamento para situaes similares. Algum que j assistiu alguma vez a um juri popular sabe que tipo de quadro ir encontrar se for a outro. (juiz, auxiliar de justia, ru, advogado de defesa, promotor, etc.) Idias fundamentais introduzidas por Marvin Minksy em 1975 (A framework to represent knowledge). Est na origem das idias que levaram s linguagens de programao orientadas a objetos.
! !
Um quadro consiste em um conjunto de atributos (slots) que atravs de seus valores, descrevem as caractersticas do objeto representado pelo quadro. Os valores atribudos aos atributos podem ser, alm dos valores do objeto em particular, valores default, ponteiros para outros quadros, e conjuntos de regras de procedimento que podem ser implementados. Se os valores dos atributos forem apontadores para outros quadros, cria-se uma rede de dependncias entre os quadros. Os conjuntos de procedimentos indicam que procedimento deve ser executado quando certas condies forem satisfeitas, por exemplo: ao ser criado o atributo, ao ser lido o valor do atributo, ao ser modificado o valor do atributo, ou ao ser destrudo o valor do atributo.
10/05/04
105
10/05/04
106

!

!
! !
Os quadros tambm so organizados em uma hierarquia de especializao, criando outra dimenso de dependncia entre eles (herana). Permite a especificao de propriedades de uma classe de objetos atravs da declarao de que esta classe uma subclasse de outra que goza da propriedade em questo. O processo de herana e instanciao favorece a reutilizao de cdigo evitando definies repetitivas e aproveitando funes de acesso definidas para as facetas se-lido, seescrito, se-necessrio, etc Deve-se notar que as estruturas de quadros so ativas, pois sua manipulao causa o disparo automtico das facetas. So teis para domnio de problemas onde a forma e o contedo do dado desempenham um papel importante na soluo do problema.
Exemplo
Quadro: Cadeira
! ! !
! !
Slot: nmero de pernas - inteiro (default: 4) Slot: tipo-de-encosto - curvo, reto, no-tem (default: curvo) Slot: tipo-de-assento - redondo, anatmico, reto (default: anatmico) Slot: nmero-de-braos - 2,1,0 (default: 0) Slot: cor - preta, branca, incolor, azul (default: incolor)
Quadro: Cadeira-do-Renato -UM Cadeira

! ! ! ! !
Slot: nmero de pernas - 4 Slot: tipo-de-encosto - (default: curvo) Slot: tipo-de-assento - redondo Slot: nmero-de-braos - 0 Slot: cor - (default: incolor)
10/05/04 108
10/05/04
107
Roteiros (Scripts)
! ! ! !
Roteiros (Scripts)
!
! !
So estruturas semelhantes aos quadros que descrevem seqncias estereotipadas de eventos em contextos particulares. A principal diferena que se pode estabelecer em relao aos quadros fica a nvel das estruturas adotadas. Os eventos descritos formam uma cadeia causal. O incio da cadeia o conjunto de condies de entrada que permite a possibilidade de ocorrncia do primeiro evento do roteiro. O fim da cadeia o conjunto de resultados que permitir a ocorrncia de eventos posteriores. O raciocnio com roteiros serve especialmente para verificar se determinado evento ocorreu e tambm para verificar a relao entre os eventos, o que pode ser conseguido pelo exame da cadeia causal.
Exemplo
Roteiro: comer-em-restaurante Apoio: (restaurante, dinheiro, alimento, menu, mesas, cadeiras) Funes: (pessoas com fome, encontro de pessoas) Ponto-de-vista: (pessoas com fome) Tempo-de-ocorrncia: (tempo-de-operao do restaurante) Lugar-de-ocorrncia: (localizao do restaurante)
Seqncia-de-eventos primeiro : Inicie o roteiro entrada-no-restaurante ento: Se (h-convite-para-sentar ou reservas) ento siga roteiro orientao-do-garom ento: siga roteiro aguarde-sentado ento: siga roteiro solicite-comida ento: siga roteiro comer, a menos que haja uma longa espera, caso em que seguir o roteiro sai-dorestaurante-furioso
10/05/04
109
!
Lgica
!
Lgica e Representao do Conhecimento

Estudo das regras do raciocnio vlido. Pode ser usada para representar conhecimento. O formalismo lgico parece atraente, pois, recorrendo-se deduo matemtica somos capazes de derivar novos conhecimentos a partir de outros j existentes.
Lgica dos Predicados

A capacidade de representao da lgica das proposies pequena, a lgica dos predicados apresenta uma capacidade bastante ampliada neste sentido. A lgica dos predicados inclui funes, variveis, quantificadores e predicados. indecidvel, ou seja, existem procedimentos que encontraro a prova de um teorema proposto, se de fato houver o teorema, mas no h a garantia de parar se a afirmao proposta no for um teorema. Pode tambm ser usada para representar conhecimento. Seja o exemplo: (x,y,z)(filho(x,y) (filho(y,z) neto(x,z)) Esta fbf encerra o que se pode chamar de regra. Esta regra suposta verdadeira no mundo considerado. Pode-se interpretar a regra como a definio de neto na nossa linguagem.
10/05/04 112
Lgica das Proposies

Proposies so afirmaes que admitem um valor lgico, verdadeiro ou falso. Seja, por exemplo, uma fbf do clculo proposicional:
!
cor(gato,preto).
Pode ter valor verdadeiro ou falso dependendo se o gato em questo ou no preto. Na representao do conhecimento, ela representa um fato e suposta verdadeira no mundo que representa.
10/05/04 111
Lgica
!
Lgica
! ! ! ! ! !
A lgica separa entre si a representao e o procedimento, tornando difcil incluir aspectos heursticos. Isto faz com que sua aplicao a problemas grandes complique. A representao de conhecimento usando Lgica usa fbfs da Lgica de Primeira Ordem e a todas elas dado o valor de verdade verdadeiro, formando uma base de regras e fatos e constituindo a Base de Conhecimentos. Um mecanismo externo a esta base ir manipul-la, com regras de inferncia (ex. modus ponens) para resolver o problema desejado.
Calabar foi enforcado; Getlio foi presidente; Todo traidor enforcado; Todos os ndios eram selvagens; Tiradentes no era ndio; Tiradentes foi considerado traidor.
-Enforcado(Calabar); -presidente(Getlio); - x traidor(x) enforcado(x); - x ndio(x) selvagem(x); - ndio(Tiradentes); -traidor(Tiradentes).
! !
As representaes ocasionaram a perda de informaes, como o caso dos tempos das ocorrncias dos fatos. Podemos inferir que Tiradentes foi enforcado, mas no podemos inferir que Calabar era um traidor.
10/05/04
113
10/05/04
114
Lgica Clssica
!
Lgica Clssica
!
Introduo
Importncia como teoria matemtica. Adequada como mtodo de representao de conhecimento. O SISTEMA FORMAL MAIS SIMPLES DE QUE APRESENTA UMA TEORIA SEMNTICA INTERESSANTE DO PONTO DE VISTA DA REPRESENTAO DO CONHECIMENTO. Ainda hoje grande parte da pesquisa em IA est ligada direta ou indiretamente Lgica.
Introduo
De maneira geral um sistema lgico consiste em um conjunto de frmulas e um conjunto de regras de inferncia. As frmulas so sentenas pertencentes a uma linguagem formal cuja sintaxe dada. A parte de lgica que estuda os valores de verdade chamada teoria de modelos. Uma regra de inferncia uma regra sinttica que quando aplicada repetidamente a uma ou mais frmulas verdadeiras gera apenas novas frmulas verdadeiras. A seqncia de frmulas geradas atravs da aplicao de regras de inferncia sobre um conjunto de inicial de frmulas chamada de prova. A parte de lgica que estuda as provas chamada teoria de provas.
10/05/04
10/05/04
115
116
Lgica Clssica
!
Lgica Clssica
!
Introduo
Gdel e Herbrand na dcada de 30 mostraram que que qualquer frmula verdadeira pode ser provada. Church e Turing em 1936 mostraram que no existe um mtodo geral capaz de decidir, em um nmero finito de passos, se uma frmula verdadeira. Um dos primeiros objetivos da IA foi a Prova Automtica de Teoremas, a partir da segunda metade da dcada de 60, sendo que a partir da a lgica passou a ser estudada com mtodo computacional para a soluo de problemas. O mtodo explora o fato de expresses lgicas poderem ser colocadas em formas cannicas (apenas com operadores e, ou e no). O resultado permite a manipulao computacional bastante eficiente.
Introduo
Teoria da Resoluo de Robinson - 1965. Transforma a expresso a ser provada para a forma normal conjuntiva ou forma clausal. Existe uma regra de inferncia nica, chamada regra da resoluo.Utiliza um algoritmo de casamento de padres chamado algoritmo de unificao. Base para a Linguagem Prolog. Recentemente Lgicas No-Padro ou No-Clssicas tem sido cada vez mais utilizadas, no somente em IA. Lgica Temporal tem sido utilizada em estudos de programas concorrentes. Em IA estas lgicas vem sendo usadas para tratamento de impreciso, informaes incompletas e evoluo com o tempo em que evolui o programa de IA.
10/05/04
117
10/05/04
118
Lgica Proposicional
!
Lgica Proposicional
!
Introduo
A Lgica das Proposies se interessa pelas SENTENAS DECLARATIVAS, as PROPOSIES, que podem ser Verdadeiras ou Falsas. No mbito da IA, a lgica permite a representao de conhecimento e o processo de raciocnio para um sistema inteligente. Como uma linguagem para representao de conhecimento no computador, ela deve ser definida em dois aspectos, A SINTAXE e a SEMNTICA. A SINTAXE de uma linguagem descreve as possveis configuraes que podem constituir sentenas. A SEMNTICA determina os fatos do mundo aos quais as sentenas se referem., ou seja, ou sistema acredita na sentena correspondente.
10/05/04
Sintaxe do Clculo Proposicional

Elementos Vlidos:
!
Letras Sentenciais P, Q, R, S, T, A1, b3, C, etc. Negao no o caso que (~) () Conjuno e (&) (^) Disjuno ou (V) Condicional ou implicao: se ...ento () () Bicondicional: se e somente se () () (, )
Conectivos ou Operadores Lgicos:

! ! ! ! !
Parnteses
!
119
10/05/04
120
Lgica Proposicional
!
Lgica Proposicional
!
Sintaxe do Clculo Proposicional Tendo j apresentado a lista de smbolos primitivos, quanto a combinao deles, h apenas 3: 1. Uma letra sentencial sozinha gramaticalmente correta ou uma frmula bem formada. 2. Se qualquer frmula A (tal como (PVQ) bem formada, ento tambm o sua negao ~A (~(PVQ) neste caso). 3. Se A e B so frmulas bem formadas, ento tambm o so (A ^ B), (A V B) e (AB).
Semntica do Clculo Proposicional
Uma fbf pode ter uma interpretao a qual define a semntica da linguagem. Uma interpretao pode ser considerada como um mapeamento do conjunto das fbfs para um conjunto de valores de verdade {V, F} ou {Verdadeiro, Falso}. Smbolos Proposicionais Smbolos constantes
podem ter qualquer significado verdadeiro: como o mundo falso: como o mundo no
! !
Sentenas complexas: o significado derivado das partes Conectivos: podem ser pensados como funes nas quais entram dois valores verdade e sai um
10/05/04 122
10/05/04
121
Lgica Proposicional
!
Semntica do Clculo Proposicional
Lgica Proposicional
!
TABELA VERDADE
P V V F F Q V F V F P F F V V PQ V F F F PVQ V V V F PQ V F V V PQ V F F V
Tabelas Verdade
Elas fornecem um teste rigoroso e completo para a validade ou invalidade de formas de argumento da lgica proposicional, alm de se constituir em um algoritmo. Quando existe um algoritmo que determina se as formas de argumento expressveis em um sistema formal so vlidas ou no, esse sistema dito DECIDVEL. Desta forma, elas garantem a decidibilidade da lgica proposicional. Uma forma de argumento vlida se e somente se todas as suas instncias so vlidas. Uma instncia de uma forma vlida se impossvel que a sua concluso seja falsa enquanto as suas premissas so verdadeiras. Se a forma for vlida, ento qualquer instncia dela deve ser igualmente vlida. Da podemos utilizar a Tabela-Verdade para estabelecer a validade no s de argumentos, mas tambm de argumentos especficos.
10/05/04
10/05/04
123
124
Lgica Proposicional
!
Traduzindo fatos do mundo real para proposies
Lgica Proposicional
!
Tabela-Verdade
P F F F F V V V V Q F F V V F F V V R F V F V F V F V
Voc no pode andar de patins se voc tem menos do que 1,20 m a no ser que voc tenha mais do que 16 anos.
Definindo:
! ! !
Exemplo: Encontrar a proposio que traduz a seguinte declarao do mundo real-
A sentena pode ser escrita formalmente como:

!
P=voc pode andar de patins Q=voc tem menos de 1,2 metros R=voc tem mais de 16 anos (Q ^ ~R) ~P
~P ~R (Q ^ ~R) V V F V F F V V V V F F F V F F F F F V V F F F
(Q ^ ~R)~P V V V V V V F V
10/05/04
125
10/05/04
126
Lgica Proposicional
!
Tabelas Verdade para Formas de Argumento
Lgica Proposicional
!
Tabelas Verdade
Tabelas-Verdade podem ser usadas, no apenas para definir a semntica do conectivos, mas tambm para testar a validade de sentenas. ! A Rainha ou a Princesa comparecer cerimnia. ! A Princesa no comparecer. ! Logo, a Rainha comparecer. R V P, P R
P V V F F R V F V F P F F V V RVP V V V F
10/05/04
Uma sentena pode ser verdadeira ou falsa dependendo da semntica e do estado do mundo. Raciocnio ou Inferncia Sentenas vlidas ou necessariamente verdadeiras
processo pelo qual concluses so alcanadas
As Tabelas-Verdade garantem a decidibilidade da lgica proposicional, porm elas so enfadonhas e ineficazes(NPCOMPLETAS) para um nmero muito grande de frmulasatmicas.
R V F V F
((RVP)^ P)R V V V V
127
verdadeira baixo todas as possveis interpretaes do mundo Ex.: Hoje vai chover ou hoje no vai chover.
10/05/04 128
Lgica Proposicional
! 1.
Regras de Inferncia Modus Ponens (MP)
Lgica Proposicional
4.
Eliminao da Conjuno (Ê)

De uma conjuno podemos inferir qualquer uma de suas sentenas. A ^ B ]- A

2.
De um condicional e seu antecedente, podemos inferir o seu conseqente. A B, A ]- B
5.
Introduo da Disjuno (vI)

De uma fbf A, podemos inferir a disjuno de A com qualquer fbf. A ]- A v B
Eliminao da Negao (~E)

De uma fbf ~(~A), podemos inferir A. ~(~A) ]- A
3.
Introduo da Conjuno (Î)

De quaisquer fbfs A e B podemos inferir A ^ B. A, B ]- A ^ B
6.
Eliminao da Disjuno (vE)

De fbfs da forma A v B, AC e B C, podemos inferir C.
10/05/04
129
10/05/04
130
Lgica Proposicional
7. 8.
Lgica Proposicional
2.
9.
10.
Introduo do Bicondicional (I) De quaisquer fbfs da forma AB e B A, podemos inferir A B. Eliminao do Bicondicional (E) De uma fbf da forma A B, podemos inferir AB e B A. Prova do Condicional (PC) Dada uma derivao de uma fbf B a partir de uma hiptese A, podemos descartar a hiptese e inferir AB. A Prova do Condicional tambm chamada Teorema da Deduo e normalmente utilizada se o conseqente da forma AB. Reduo ao Absurdo (RAA) Dada uma derivao de uma contradio a partir de uma hiptese A, podemos descartar a hiptese e inferir ~A.
10/05/04 131
! Regras Derivadas de Inferncia Modus Tollens (MT) 1.

De fbfs da forma A B e ~B, infere-se ~A.
Silogismo Hipottico (SH)

De fbfs da forma A B e B C, infere-se AC.
3.
Regra da Absoro (ABS)

De fbfs da forma AB, infere-se A(A^B).
4.
Regra do Dilema Construtivo (DC)

De fbfs da forma A v B, AC e B D, infere-se C v D.
5.
Regra da Repetio (RE)

De fbf da forma A, infere-se A.
6.
Regra do Silogismo Disjuntivo (SD)

De fbfs da forma A v B e ~A, infere-se B.
10/05/04 132
Lgica Proposicional
! rvore de Refutao
So uma outra maneira de garantir a decidibilidade da Lgica Proposicional. REGRAS PARA RVORE DE REFUTAO 1. Inicia-se colocando-se as PREMISSAS e a NEGAO DA CONCLUSO. 2. Aplica-se repetidamente uma das regras a seguir: 2.1. Negao (): Se um ramo aberto contm uma frmula e sua negao, coloca-se um X no final do ramo, de modo a representar um ramo fechado.
(A idia encontrar contradies de modo a poder concluir a validade da concluso.)
Lgica Proposicional
! rvore de Refutao
2.2. Negao Negada ( ): Se um ramo aberto contm uma frmula no ticada da forma , tica-se e escreve-se no final de cada ramo aberto que contm ticada. 2.3. Conjuno (): Se um ramo aberto contm uma frmula no ticada da forma , tica-se, e escreve-se e no final de cada ramo aberto que contm ticada.
P A rvore de refutao est COMPLETA, isto , com todos os ramos fechados, logo, a busca de uma refutao para o argumento de negar a concluso falhou, pois s encontrou CONTRADIES, e portanto, a FORMA VLIDA.
PQ 1. P Q 2. P 3. P
(um ramo termina se ele se fecha ou se as frmulas que ele contm so apenas frmulas-atmicas ou suas negaes, tal que mais nehuma regra se aplica s suas frmulas. Desta forma tem-se um ramo fechado, que indicado por um X, enquanto o ramo aberto no representado por um X.) (C) - Prof. Mauro Roisenberg 10/05/04
133
4. Q 5. P 6. X
1 1 2 3
10/05/04
134
Lgica Proposicional
! rvore de Refutao
2.4. Conjuno Negada ( ): Se um ramo aberto contm uma frmula no ticada da forma (), tica-se, () e BIFURCA-SE o final de cada ramo aberto que contm ( ) ticada, no final do primeiro ramo se esreve e no final do segundo ramo se escreve .
PQ
Lgica Proposicional
! rvore de Refutao
2.5. Disjuno (v): Se um ramo aberto contm uma frmula no ticada da forma v, tica-se, v e BIFURCA-SE o final de cada ramo aberto que contm v ticada, no final do primeiro ramo se esreve e no final do segundo ramo se escreve .
P v Q, P " 1. 2. " 3. Q (1 ) 4.
(P Q)
" 1. " 2.
(P Q)
( P Q)
Q
PvQ P Q Q (3 )
3.
P (1 )
4. P (2 ) " Q (2 ) Q (4 ) 5. X (3,4 )
" P (2 ) Q (2 )
P (4 )
X (3,4 )
5.
P (1 v)
Q (1 v)
O exemplo acima nos mostra que h dois ramos abertos, conseqentemente a frmula invlida, o que significa que estes ramos so contra-exemplos.
O exemplo acima nos mostra que h dois ramos abertos, conseqentemente a frmula invlida, o que significa que estes ramos so contra-exemplos.
Lgica Proposicional
! rvore de Refutao
2.6. Condicional (): Se um ramo aberto contm uma frmula no ticada da forma , tica-se, e BIFURCA-SE o final de cada ramo aberto que contm ticada, no final do primeiro ramo se esreve e no final do segundo ramo se escreve .
P Q, Q R, P R P Q Q R P R Como a rvore completa est fechada, a refutao empreendida falha e a forma vlida.
Lgica Proposicional
! rvore de Refutao
2.7. Disjuno Negada ( v): Se um ramo aberto contm uma frmula no ticada da forma (v), tica-se, (v) e ESCREVE-SE e no final de cada ramo aberto que contm (v) ticada.
P Q " 1. " 2. 3. 4. P Q (P v Q) PvQ
" 1. " 2. 3. 4.
P (2 v) Q (2 v)
Q (1 ) X (4,5 )
5. P (1 ) 6. X (3,5 ) 7. 8.
Q (1 v) Q (2 ) X (5,7 )
10/05/04
5. P (1 ) 6.
R (2 ) X (4,7 )
137
O ramo aberto indica que a forma invlida

138
Lgica Proposicional
! rvore de Refutao
2.8. Condicional Negado ( ): Se um ramo aberto contm uma frmula no ticada da forma (), tica-se, ( ) e ESCREVE-SE e no final de cada ramo aberto que contm () ticada.
PQ
" 1. " 2. 3. 4. P Q (P Q) P (2 ) Q (2 ) PQ
Lgica Proposicional
! rvore de Refutao
2.9. Bicondicional (): Se um ramo aberto contm uma frmula no ticada da forma , tica-se, e BIFURCA-SE o final de cada ramo aberto que contm ticada, no final do primeiro ramo se esreve e e no final do segundo ramo se escreve e . 2.10. Bicondicional Negado ( ): Se um ramo aberto contm uma frmula no ticada da forma ( ), tica-se, ( ) e BIFURCA-SE o final de cada ramo aberto que contm ( ) ticada, no final do primeiro ramo se esreve e e no final do segundo ramo se escreve e .
P Q, P Q
5. " P (1 ) 6. P (5 )
Q (1 )
Os ramos abertos indica que a forma invlida

(C) - Prof. Mauro Roisenberg 10/05/04 139 (C) - Prof. Mauro Roisenberg 10/05/04 140
Lgica de Primeira Ordem

! Introduo
A Lgica das Proposies tem um poder de representao limitado. Na Lgica Proposicional se utiliza apenas sentenas completas, isto , as proposies para representar o conhecimento sobre o Mundo. A Lgica de Primeira Ordem ou Lgica dos Predicados, ou Clculo dos Predicados, uma extenso da Lgica das Proposies em que se consideram variveis e quantificadores sobre as variveis. A Lgica dos Predicados se preocupa em introduzir noes lgicas para expressar qualquer conjunto de fatos atravs de Classes de Atributos e de Quantificadores.

! Introduo
! ! ! !
Lgica de Primeira Ordem considera o mundo com:

Objetos (casas, cores, etc.) Relaes (maior que, dentro, tem cor, etc.) Propriedades (vermelho, redondo, etc.) Funes (pai de, melhor amigo, etc.)
10/05/04
141
10/05/04
142

! Quantificadores:
So operadores lgicos que em vez de indicarem relaes entre sentenas, expressam relaes entre conjuntos designados pelas classes de atributos lgicos. Quantificador Universal ():
! Este tipo de quantificador formado pelas expresses todo e nenhum. Este tipo de quantificador formado pelas expresses existe um, existe algum, pelo menos um ou para algum.

! Quantificadores: Exemplos:
!
Todo homem mortal, ou seja, qualquer que seja x (do Universo), se x Homem, ento x Mortal.
Nenhum homem vegetal, ou sejam qualquer que seja x, se x Homem, em x NO Vegetal.
x (H(x)M(x)).
Quantificador Existencial ():

!
Pelo menos um homem inteligente, ou seja, existe pelo menos um x em que x seja Homem e x seja Inteligente.
x(H(x) ^ I(x))
x (H(x)~V(x)).
10/05/04
143
10/05/04
144

!
Variveis:

!
Letras Nominais:
Designam objetos desconhecidos do Universo. Algum. So normalmente representados por letras minsculas de u a z. Designam objetos conhecidos do Universo. Joo, Pedro, etc. So normalmente representados por letras minsculas de a a t. Descrevem alguma coisa ou caracterstica de um ou mais objetos. So normalmente denotados por letras maisculas. Joo ama Maria: A(a,b) Joo ama algum: xA(a,x) Joo ama todo mundo: x A(a,x)
10/05/04 145
Regras de Inferncia para o Clculo de Predicados
Predicados:
Ex.: ~F(a) v xF(x), xF (x)P ]- F(a) P. ! Prova: ~F(a) v xF(x) Premissa 1. xF (x)P Premissa 2. F(a) Hiptese 3. ~~F(a) 3 DN 4. xF(x) 1,3 SD 5. P 2,5 MP 6. F(a) P 3,6 PC 7.
Todas as regras definidas no Clculo Proposicional continuam vlidas no Clculo de Predicados, apenas referenciando-as para os quantificadores.
10/05/04
146

! 1. 2. 3. 4. Intercmbio de Quantificadores ~(x ~F(x)) = xF(x) ~(x F(x)) = x~F(x) x ~F(x) = ~(xF(x)) x F(x) = ~(x~F(x))

!
um smbolo que se adiciona ao Clculo de Predicados com o propsito de expressar o fato de dois termos se referirem ao mesmo objeto, ou seja, idntico a ou a mesma coisa que. Exemplos:
O Pai de Joo Henrique. ! Pai_de(Joo)= Henrique Pai de Joo e Henrique se referem ao mesmo objeto. O Pai de Joo tambm Av de Pedro. ! Pai_de(Joo) = Av_de(Pedro)
Igualdade ou Identidade
x GostarPagar(x,Impostos) x GostarPagar(x,Impostos) Como na verdade uma conjuno sobre o universo de objetos e o uma disjuno, no surpreendente que eles obedeam as Lei de De Morgan.
10/05/04
148

!
1.

Eliminao Universal (EU)

!
2. Introduo do Existencial (IE)
De uma fbf quantificada universalmente x F(x), inferese uma fbf da forma F(a), a qual resulta de se substituir cada ocorrncia da varivel x em F por uma letra nominal a. De uma fbf F contendo uma letra nominal a, infere-se uma fbf da forma xF(x), onde F(x) o resultado de se substituir uma ou mais ocorrncias de a em F por uma varivel x QUE NO OCORRA em F. a pode ocorrer em uma hiptese no utilizada ainda, ou em uma premissa, normalmente a um termo independente (ground term); IE permite introduzir somente um quantificador existencial por vez e somente do lado esquerdo da frmula.
10/05/04 149
3. Eliminao do Existencial (EE)

De uma fbf quantificada existencialmente xF(x) podemos inferir F(a), contanto que a letra nominal NO OCORRA em F(x), NEM EM QUALQUER HIPTESE, NEM EM QUALQUER PASSO ANTERIOR DA DERIVAO.
Exemplo:
A lei diz que crime um Americano vender armas a naes hostis. O Nao Iraque, um inimigo da Amrica, possui alguns msseis, e todos os seus msseis foram vendidos a ele pelo coronel West, que um Americano.
10/05/04 150
1.
Exemplo:
10. 11. 12. 13. 14. 15. 16. 17. 18. 19.
2. 3. 4. 5. 6. 7. 8. 9.
x,y,zAmericano(x)Ârma(y)^Nao(z)^Hostil(z)^ Vender(x,y,z) Criminoso(x) xPossui(Iraque,x) ^ Mssil(x) xPossui(Iraque,x) ^ Mssil(x) Vender(West,Iraque,x) xMssil(x) Arma(x) xInimigo(Amrica,x) Hostil(x) Americano(West) Nao(Iraque) Inimigo(Iraque,Amrica) Nao(Amrica)
Prova
Possui(Iraque,M1) ^ Mssil(M1) - 2 EE Possui(Iraque,M1) - 10 Ê Mssil(M1) - 10 Ê Mssil(M1) Arma(M1) - 4 EU Arma(M1) - 12,13 MP Possui(Iraque,M1) ^ Mssil(M1) Vender(West,Iraque,M1)3EU Vender(West,Iraque,M1) - 11,12 MP Americano(West)Ârma(M1)^Nao(Iraque)^Hostil(Iraque)^ Vender(West,Iraque,M1) Criminoso(West) 1 EU Inimigo(Amrica,Iraque) Hostil(Iraque) - 5 EU Hostil(Iraque) - 8,18 MP
10/05/04
151
10/05/04
152
Prova

20. Americano(West)Ârma(M1)^Nao(Iraque)^Hostil(Iraque)^ Vender(West,Iraque,M1)- 6,14,7,19,16 Î 21. Criminoso(West) - 20,17 MP

!
rvores de Refutao
Se formularmos o processo de achar uma prova como um processo de busca, ento esta prova a soluo de um problema de busca:
Estado Inicial = Base de Conhecimento (sentenas 1 9) Operadores = regras de inferncia aplicveis Estado Final = Base de Conhecimento contendo a sentena Criminoso(West)
Isto muito difcil pois a soluo est na profundidade 12 e o fator de ramificao bastante grande. Porque?
So uma generalizao da tcnica utilizada na Lgica Proposicional. A tcnica de rvore de refutao generalizada incorpora as regras da lgica proposicional e acrescenta 6 novas regras para inferir em sentenas que contm quantificadores e o predicado de identidade. Algumas rvores do clculo dos predicados empregam somente as regras do clculo proposicional. NO CLCULO DE PREDICADOS, AS RVORES DE REFUTAO NO APRESENTAM UMA LISTA COMPLETA DE CONTRA-EXEMPLOS, MAS SIM, UM MODELO DE UNIVERSO QUE CONTM EXATAMENTE OS OBJETOS MENCIONADOS PELO NOME NO RAMO.
10/05/04 154
10/05/04
153
rvores de Refutao
x P(x) x P(x) x G(x) x G(x) x P(x)

rvores de Refutao
!
x P(x) x G(x), x G(x) " 1. 2. 3.
1. Quantificao Universal ():
4. x P(x) 1 x G(x) 1 5. X 3,4 X 2,4
Se uma frmula bem formada do tipo aparece num ramo aberto e se uma constante (ou letra nominal) que ocorre numa fbf naquele ramo, ento ESCREVE-SE / (o resultado de se substituir todas as ocorrncias em por ) no final do ramo. Se nehuma fbf contendo uma letra nominal aparece no ramo, ento escolhemos uma letra nominal e ESCREVESE / no final do ramo. Em cada caso, NO TICAMOS .
A rvore de refutao est COMPLETA, isto , com todos os ramos fechados, logo, a busca de uma refutao para o argumento de negar a concluso falhou, pois s encontrou CONTRADIES, e portanto, a FORMA VLIDA.
10/05/04
155
10/05/04
156

rvores de Refutao

1. Quantificao Universal ():

1. 2. 3. " 4. 5. x (P(x) G(x)), x P(x) x (P(x) G(x)) x P(x) G(a) P(a) G(a) 1 P(a) 2 G(a) 4 G(a)
rvores de Refutao
!
2. Quantificao Existencial Negada ( ): Se uma frmula bem formada no ticada da forma aparece num ramo aberto, tica-se a frmula e ESCREVE-SE no final de cada ramo aberto que contm a fbf ticada.
x (P(x) G(x)), G(x) P(a) x (P(x) G(x)) G(x) A rvore de refutao est COMPLETA, P(a) isto , com todos os ramos fechados, 2 logo, a busca de uma refutao para o x G(x) G(a) 4 argumento de negar a concluso falhou, P(a) G(a) 1 pois s encontrou CONTRADIES, e portanto, a FORMA VLIDA. G(a) 6
6. P(a) 4 7. X 5,6
X 3,6
A rvore de refutao est COMPLETA, isto , com todos os ramos fechados, logo, a busca de uma refutao para o argumento de negar a concluso falhou, pois s encontrou CONTRADIES, e portanto, a FORMA VLIDA.
1. " 2. 3. " 4. 5. " 6.
7. P(a) 6 8. X 3,7
X 5,7
10/05/04 158

rvores de Refutao

3. Quantificao Universal Negada ( ): Se uma frmula bem formada no ticada da ! forma aparece num ramo aberto, tica-se a frmula e ESCREVE-SE no final de cada ramo aberto que contm a fbf ticada.
" 1. " 2. 3. " 4. 5. " 6. 7. 8. 9. x (y P(x,y)) x (y P(y,x)) x (y P(x,y)) x (y P(y,x)) y P(a,y) 1 x ( y P(y,x)) 2 y P(y,b) 4 y P(y,b) 5 P(a,b) 6 P(a,b) 3 X 7,8 A frmula testada vlida
rvores de Refutao
!
4. Quantificao Existencial (): Se uma frmula bem formada no ticada da forma aparece num ramo aberto, tica-se a frmula e escolhe-se uma letra nominal QUE NO APARECEU NAQUELE RAMO e ESCREVE-SE / (o resultado de se substituir todas as ocorrncias em por ) no final do ramo.
" 1. " 2. 3. " 4. 5. x x P(x) x P(x) x P(x) P(a) x P(x) P(b) P(x)
1 2 4
A frmula testada INVLIDA POR HAVER RAMOS ABERTOS (linha 5)

159 (C) - Prof. Mauro Roisenberg 10/05/04 160
10/05/04

rvores de Refutao

5. Identidade (=): Se uma frmula do tipo = aparece num ramo ! aberto e se uma outra fbf contendo ou aparece no ticada naquele ramo, ento escrevemos no final do ramo qualquer fbf que no esteja no ramo, que o resultado de se substituir uma ou mais ocorrncias de qualquer uma dessas letras nominais pela outra em . No se tica = nem . !
1. 2. " 3. 4. 5. 6. a=b P(a,b) P(b,a) a=b A frmula testada vlida (P(a,b) P(b,a)) (P(a,a) P(a,a)) 1,2 = P(a,a) 3 P(a,a) 3 X 4,5
10/05/04 161
rvores de Refutao
!
Identidade Negada (=): Fechamos qualquer ramo aberto no qual uma fbf do tipo ( = ) ocorra.
a=b b=a a=b (b = a) (a = a) X
1. 2. " 3. 4.
1,2 = 3=
A frmula testada vlida
10/05/04
162
Prova Automtica de Teoremas

A capacidade de se demonstrar teoremas uma das partes integrantes da inteligncia humana. Este tipo de prova foi pesquisada e desenvolvida a partir da segunda metade dos anos 60. A partir da introduo, por Robinson e Smullyan, em 1960,de procedimentos eficientes para demonstrao automtica de teoremas por computador, a lgica passou a ser estudada tambm como mtodo computacional para a soluo de problemas. Uma das reas que mais faz uso desta tcnica a dos Sistemas Especialistas (SEs). O objetivo principal da Prova Automtica de Teoremas provar que uma frmula (teorema) conseqncia lgica de outras frmulas.
10/05/04 163
Os mtodos adotados normalmente no utilizam a prova direta (atravs de regras de inferncia), mas sim a PROVA POR REFUTAO (prova indireta), demonstrando que a negao da frmula leva a inconsistncias. SE A NEGAO DE UM TEOREMA FALSA, ENTO ELE SER VERDADEIRO. Os procedimentos de prova exploram o fato de expresses lgicas (frmulas) poderem ser colocados em formas cannicas, isto , apenas com os operadores e, ou e no. O mtodo da prova por refutao aplicado lgica de primeira ordem muito conveniente e com seu emprego no haver perda de generalidade, porm, exige-se que as frmulas estejam na forma de clusulas.
10/05/04 164
A TEORIA DA RESOLUO, proposta por Robinson em 1965 a partir dos trabalhos de Herbrand, Davis e Putnam, parte da transformao da frmula a ser provada para a forma cannica conhecida como forma clausal. O mtodo baseado em uma regra de inferncia nica, chamada REGRA DA RESOLUO, e utiliza intensivamente um algoritmo de casamento de casamento de padres chamado ALGORITMO DE UNIFICAO. O fato de ser possvel associar uma semntica operacional a um procedimento de prova automtica de teoremas permitiu a definio de uma linguagem de programao baseada em lgica, a linguagem PROLOG. Ainda hoje a rea de prova automtica de teoremas permanece bastante ativa, sendo objeto de diversas conferncias internacionais.
10/05/04 165

Algumas Definies
PROVA: a demonstrao de que um teorema (ou frmula) verdadeiro. FORMA NORMAL CONJUNTIVA: quando uma frmula F for composta de uma conjuno de outras frmulas (F1 ^ F2 ^ ... ^ Fn). FORMA NORMAL DISJUNTIVA: quando uma frmula F for composta de uma disjuno de outras frmulas (F1 v F2 v ... v Fn). FORMA NORMAL PRENEX: quando numa frmula F, na lgica de primeira ordem, todos os quantificadores existentes prefixam a frmula, isto , se e somente se estiver na forma Q1x1...Qnxn(M). Onde: Qixi = xi ou xi, e (M) = uma frmula que no contenha quantificadores.
10/05/04 166

!
Procedimento para Obteno da Forma Normal Prenex 1. Eliminar os conectivos lgicos e usando as seguintes leis: F G = (F G) ^ (G F) ! (F G) = F v G ! 2. Repetir o uso das seguintes leis: F =F ! (F v G) = F ^ G ! (F ^ G) = F v G ! (xF(x)) = x( F(x)) ! ( x F(x)) = x( F(x) ! Estas leis so utilizadas para trazer os sinais de negao para antes dos tomos. 3. Padronizar as variveis, se necessrio, de modo que cada quantificador possua sua prpria varivel.
10/05/04 167

!
Procedimento para Obteno da Forma Normal Prenex 4. Usar as leis abaixo de forma a mover os quantificadores para a esquerda da frmula para obter a Forma Normal PRENEX. Qx F(x) v G = Qx (F(x) v G) ! Qx F(x) ^ G = Qx (F(x) ^ G) ! x F(x) ^ x G(x) = x (F(x) ^ G(x)) ! x F(x) v x G(x) = x (F(x) v G(x)) ! Q1x F(x) v Q2x G(x) = Q1x Q2z(F(x) v G(z)) ! Q3x F(x) ^ Q4x G(x) = Q3x Q4z(F(x) ^ G(z)) ! EXEMPLO 1 x P(x) x Q(x) x P(x) x Q(x) = x P(x) v x Q(x) ! x ( P(x)) v x Q(x) ! x ( P(x) v Q(x)) !
10/05/04 168

!
Procedimento para Obteno da Forma Normal Prenex EXEMPLO 2 x y (( z (P(x,z) ^ P(y,z)) u Q(x,y,u)) = x y ( ( z (P(x,z) ^ P(y,z))) v u Q(x,y,u)) = ! x y (z ( P(x,z) v P(y,z))) v u Q(x,y,u)) = ! x y z u ( P(x,z) v P(y,z) v Q(x,y,u)) !

!
10/05/04
169
onde f(x) tem por nico propsito garantir que existe algum valor (y) que depende de x pois est dentro do seu escopo. No entanto, se o quantificador existencial no residir no escopo do quantificador universal, como em y x P(x,y), a varivel quantificada existencialmente ser substituda por uma constante x P(x,a) que assegure sua existncia, assim como sua independncia de qualquer outra varivel. (C) - Prof. Mauro Roisenberg
!
Eliminao dos quantificadores existenciais (Skolemizao ou Funes de Skolem) Quando uma frmula est na forma normal Prenex, pode-se eliminar os quantificadores existenciais por uma funo, se as variveis estiverem no escopo do quantificador universal; caso estejam fora, substitui-se por uma constante. As constantes e funes usadas para substituir as variveis existenciais so chamadas constante e funes de Skolem Ex.: x y P(x,y) Skolemizando: x P(x,f(x))
10/05/04
170

!
Procedimento para Obteno da Forma Clausal Clusula uma disjuno de literais 1. Passar para a forma normal PRENEX. 2. Skolemizar as variveis quantificadas existencialmente. 3. Abandona-se os quantificadores pr-fixados. EXEMPLO x y (( z (P(x,z) ^ P(y,z)) u Q(x,y,u)) = x y ( ( z (P(x,z) ^ P(y,z))) v u Q(x,y,u)) = ! x y (z ( P(x,z) v P(y,z))) v u Q(x,y,u)) = ! x y z u ( P(x,z) v P(y,z) v Q(x,y,u)) ! x y z ( P(x,z) v P(y,z) v Q(x,y,f(x,y,z))) ! P(x,z) v P(y,z) v Q(x,y,f(x,y,z)) ! que perfeitamente equivalente frmula original.
10/05/04 171

!
Resoluo: Um Procedimento Completo de Inferncia Seria til, do ponto de vista computacional, que tivssemos um procedimento de prova que realizasse, em uma nica operao, a variedade de processos envolvidos no raciocnio, com declaraes da lgica dos predicados. Este procedimento a RESOLUO, que ganha sua eficincia por operar em declaraes que foram convertidas forma clausal, como mostrado anteriormente. A Resoluo produz provas por REFUTAO, ou seja, para provar uma declarao (mostrar que ela vlida), a resoluo tenta demonstrar que a negao da declarao produz uma contradio com as declaraes conhecidas (no possvel de ser satisfeita).
10/05/04 172

!
Resoluo: Um Procedimento Completo de Inferncia A BASE DA RESOLUO um processo interativo onde, em cada passo, duas clusulas, denominadas clusulas paternas, so comparadas (resolvidas), resultando em uma nova clusula, dela inferida. A nova clusula representa maneiras em que as duas clusulas paternas interagem entre si.

!
Resoluo: Um Procedimento Completo de Inferncia A BASE DA RESOLUO Exemplo: Inverno v Vero ! Inverno v Frio ! As duas clusulas devero ser verdadeiras (embora paream independentes, so realmente conjuntas). Agora, observamos que apenas um entre Inverno ! e Inverno ser verdadeiro, em qualquer ponto. Se Inverno for verdadeiro, ento Frio tambm dever ser, para garantir a verdade da segunda clusula. Se Inverno for verdadeiro, ento tambm Vero dever ser, para garantir a verdade da primeira clusula.
10/05/04 174
10/05/04
173

!
Resoluo: Um Procedimento Completo de Inferncia Assim, dessas duas clusulas, podemos deduzir que Vero v Frio ! Esta a deduo feita pelo procedimento de ! resoluo. A resoluo opera tirando suas clusulas que contenham cada uma, o mesmo literal, neste exemplo Inverno. O literal dever ocorrer na forma positiva numa clusula e na forma negativa na outra. O resolvente obtido combinando-se todos os literais das duas clusulas paternas, exceto aqueles que se cancelam. Se a clusula produzida for vazia, ento foi encontrada uma CONTRADIO, o que valida a frmula.
10/05/04 175

!
Na Lgica Proposicional, o procedimento para produzir uma prova pela resoluo da proposio S, com relao a um conjunto de axiomas F, o seguinte: 1. Converter todas as proposies de F em clusulas. 2. Negar S e converter o resultado em clusulas. Acrescente-as ao conjunto de clusulas obtidas no passo 1.
RESOLUO NA LGICA PROPOSICIONAL
10/05/04
176

!
RESOLUO NA LGICA PROPOSICIONAL 3. Repetir at que seja encontrada uma contradio ou no se possa fazer progresso: 3.1. Escolher duas clusulas, que sero chamadas clusulas pais. 3.2. Resolva-as. A clusula resultante, denominada resolvente, ser a disjuno de todos os literais de ambas as clusulas pais, com a seguinte exceo: Se houver qualquer par de literais L e L, tal que uma das clusulas pais contenha L e a outra L, ento elimine tanto L como L do resolvente. 3.3. Se o resolvente for uma clusula vazia, ter sido encontrada uma contradio. Se no for, acrescente-o ao conjunto de clusulas disponveis para o procedimento.
10/05/04 177

!
RESOLUO NA LGICA PROPOSICIONAL EXEMPLO: P, (P ^ Q) R, S v T Q , T| R Primeiro convertemos os axiomas em clusulas. ! 1. P 2. PvQvR 3. SvQ 4. TvQ 5. T 6. R Comeamos ento a escolher a par de clusulas ! para resolver. Embora qualquer par de clusulas possa ser resolvido, apenas aqueles pares que contenham literais complementares produziro um resolvente com possibilidade de produzir uma clusula vazia.
10/05/04 178

!
RESOLUO NA LGICA PROPOSICIONAL EXEMPLO: P, (P ^ Q) R, S v T Q , T| R Comeamos por resolver com a clusula R, pois ! ela uma das clusulas que devero estar envolvidas na contradio que estamos tentando encontrar.
1. P 2. PvQvR 3. SvQ 4. TvQ 5. T 6. R -----------------------------------------7. PvQ (2 e 6) 8. Q (1 e 7) 9. T (4 e 8) 10. VAZIA (5 e 9)
10/05/04

!
RESOLUO NA LGICA DOS PREDICADOS Na Lgica Proposicional fcil determinar que dois literais no possam ser verdadeiros ao mesmo tempo. (Simplesmente procure L e L) Na Lgica dos Predicados este processo de casamento (matching) mais complicado.Por exemplo Homem(Henry) e Homem(Henry) uma contradio, enquanto que Homem(Henry) e Homem(Spot) no o . Assim, para determinar contradies, precisamos de um procedimento de matching que compare dois literais e descubra se existe um conjunto de substituies que os torne idnticos. O ALGORITMO DE UNIFICAO um procedimento recursivo direto que faz exatamente isto.
10/05/04 180
179

!
O ALGORITMO DE UNIFICAO

!
Para apresentar a unificao, consideramos as frmulas como lista em que o primeiro elemento o nome do predicado e os elementos restantes so os argumentos. Para tentar unificar dois literais, primeiro conferimos se seus primeiros elementos so iguais. Caso contrrio no h meio de serem unificados, independentemente de seus argumentos. Se o primeiro casar, podemos continuar com o segundo e assim por diante. Constantes, funes e predicados diferentes no podem casar, os idnticos podem. Uma varivel pode casar com outra varivel, ou com qualquer constante, funo ou expresso de predicados.
10/05/04 181
TentarAssassinar (Marco Cesar) TentarAssassinar (Marco (Soberanode (Roma)))
UNIFICA (L1, L2) 1. Se L1 ou L2 for um tomo, ento faa o seguinte: 1.1. Se L1 e L2 forem idnticos, retornar NIL 1.2. Caso contrrio, se L1 for uma varivel, faa 1.2.1. Se L1 ocorrer em L2, retornar F; 1.2.2. Caso contrrio, retornar (L2/L1) 1.3. De outro modo, se L2 for uma varivel, faa 1.3.1. Se L2 ocorrer em L1, retornar F; 1.2.2. Caso contrrio, retornar (L1/L2) 1.4. Caso contrrio, retornar F. 2. Se comprimento(L1) no for igual a comprimento(L2) retornar F. 3. Designar a SUBST o valor NIL. (ao final do procedimento, SUBST conter todas as substituies utilizadas para unificar L1 e L2).
10/05/04 182

!
UNIFICA (L1, L2)

!
RESOLUO NA LGICA DE PREDICADOS
4. Para i=1 at o nmero de elementos de L1, faa: 4.1. Chame UNIFICA com o i-simo elemento de L1 e o i-simo elemento de L2, colocando o resultado em S. 4.2. Se S = F, retornar F. 4.3. Se S no for igual a NIL, faa: 4.3.1. Aplicar S tanto ao final de L1 como de L2. 4.3.2. SUBST := APPEND(S,SUBST) 4.3.3. Retornar SUBST
Duas frmulas-atmicas so contraditrias se uma delas puder ser unificada com o no da outra. Assim, por exemplo, Homem(x) e Homem(Spot) podem ser unificados. Isto corresponde intuio que diz que no pode ser verdadeiro para todos os x, que Homem(x) se houver conhecimento de haver algum x, digamos Spot, para o qual Homem(x) falso. Na lgica de predicados utilizaremos o algoritmo de unificao para localizar pares de frmulasatmicas que se cancelem.
10/05/04
183
10/05/04
184

!
RESOLUO NA LGICA DE PREDICADOS 1. Converter todas as declaraes de F em clusulas. 2. Negar S e converter o resultado em clusulas. Acrescent-las ao conjunto de clusulas obtidas em 1. 3. Repetir at que uma contradio seja encontrada, e nenhum progresso possa ser feito, ou at que se tenha gasto um quantidade pr-determinada de esforo: 3.1. Escolher duas clusulas e cham-las de clusulas pais.

!
RESOLUO NA LGICA DE PREDICADOS 3.2. Resolv-las. O resolvente ser a disjuno de todos os literais de ambas as clusulas pais com as substituies apropriadas realizadas, ressalvando-se o seguinte: 3.2.1. Se houver um par de literais T1 e T2 tal que uma das clusulas pais contenha T1 e a outra contenha T2, e ainda se T1 e T2 forem unificveis, ento nem T1 nem T2 devem aparecer no resolvente. 3.2.2. Chamaremos T1 e T2 literais complementares. Utilize a substituio produzida pela unificao para criar o resolvente.
10/05/04
185
10/05/04
186

!
RESOLUO NA LGICA DE PREDICADOS 3.2. Resolv-las. O resolvente ser a disjuno de todos os literais de ambas as clusulas pais com as substituies apropriadas realizadas, ressalvando-se o seguinte: 3.2.1. Se houver um par de literais T1 e T2 tal que uma das clusulas pais contenha T1 e a outra contenha T2, e ainda se T1 e T2 forem unificveis, ento nem T1 nem T2 devem aparecer no resolvente. 3.2.2. Chamaremos T1 e T2 literais complementares. Utilize a substituio produzida pela unificao para criar o resolvente. 3.3. Se o resolvente for uma clusula vazia, ento foi encontrada uma contradio. Se no for, acrescente-o ao conjunto de clusulas disponveis para o procedimento.
10/05/04 187

!
RESOLUO NA LGICA DE PREDICADOS Se a escolha de clusulas a resolver em cada passo for feita de maneira sistemtica, o procedimento de resoluo encontrar uma contradio, se ela existir. Isto contudo, poder levar muito tempo. Existem estratgias opcionais para acelerar o processo.
!
Resolver apenas pares de clusulas que contenham literais complementares, pois somente essas resolues produzem clusulas novas mais difceis de satisfazer que seus pais. Eliminar clusulas do tipo tautologias e clusulas que estejam includas em outras clusulas (P v Q includa por P). Sempre que possvel, resolver com uma das clusulas que estamos tentando refutar ou com uma clusula gerada por uma resoluo com tal clusula. Sempre que possvel, dar preferncia a clusulas com um nico literal.
10/05/04 188

!
1. 2. 3. 4. 5. 6. 7.
EXEMPLO: Homem(Marco) Pompeiano(Marco) x Pompeiano(x) Romano(x) Soberano(Cesar) x Romano(x) (LealA(x,Cesar) v Odiar(x,Cesar)) xy LealA(x,y) x y (Homem(x) ^ Soberano(y)) (~TentarAssassinar(x,y) v ~LealA(x,y)) 8. TentarAssassinar(Marco,Cesar) Logo, Odiar(Marco, Cesar)

!

EXEMPLO:
!
1. 2. 3. 4. 5. 6. 7. 8. 9.
!
Homem(Marco) Pompeiano(Marco) Pompeiano(x1) v Romano(x1) Soberano(Cesar) Romano(x2) v LealA(x2,Cesar) v Odiar(x2,Cesar)) LealA(x3,f(x3)) Homem(x4) v Soberano(y1) v ~TentarAssassinar(x4,y1) v LealA(x4,y1) TentarAssassinar(Marco,Cesar) Odiar(Marco, Cesar)
Primeiro convertemos os axiomas em clusulas.
Comeamos ento a escolher o par de clusulas para resolver
10/05/04
189
10/05/04
190

!
Raciocnio Inferencial
!
EXEMPLO: 10. Romano(Marco) v LealA(Marco,Cesar) (SUBST(Marco,x2) em 5 e 9) 11. Pompeiano(Marco) v LealA(Marco,Cesar) (SUBST(Marco,x1 em 3 e 10) 12. LealA(Marco,Cesar) (2 e 11) 13. Homem(Marco) v Soberano(Cesar) v TentarAssassinar(Marco,Cesar) (SUBST(Marco,x4) e SUBST(Cesar,y1) em 7 e 12) 14. Soberano(Cesar) v TentarAssassinar(Marco,Cesar) (1 e 13) 15. TentarAssassinar(Marco,Cesar) (4 e 14) 16. VAZIA (8 e 15)
As principais caractersticas do motor de inferncia disponvel em shells para sistemas especialistas dizem respeito s seguintes funcionalidades:
Mtodo de Raciocnio, Estratgia de Busca, Resoluo de Conflito e Representao de Incerteza e Impreciso.
Estas caractersticas compem o Mecanismo de Raciocnio do Sistema Especialista.
10/05/04
191
10/05/04
192
!
Definio
!
Modo de Raciocnio
! !
aquele que se baseia em regras vlidas de inferncia. Pode ser aplicado em sistemas que adotam a representao do conhecimento sob a forma de regras de produo (os sistemas de produo) ou sob a forma de lgica. Existem basicamente dois modos de raciocnio:
Raciocnio para a Frente
Raciocnio para a Frente ou Forward Chaining, e Raciocnio para Trs ou Backward Chaining.
10/05/04
Consiste em comear com fatos encontrados em uma base de conhecimentos e manipul-los com as regras (de inferncia) tentando chegar a uma concluso. tambm chamado de raciocnio dirigido por dados (data driven). A parte esquerda da regra (os antecedentes ou estado) comparada com a descrio da situao atual contida na memria de trabalho. As regras que satisfazem a esta descrio tem a sua parte direita (ao ou novo estado) executada, o que, em geral, significa a introduo d novos fatos na memria de trabalho.
193
10/05/04
194
!
Raciocnio para a Frente

REGRAS 1. A C ! 2. B D ! 3. C ^ D E ! MEMRIA DE TRABALHO AeB ! ------------C por 1 ! D por 2 ! E por 3 !
!
Exemplo:
Raciocnio para Trs
Comea usando a concluso e tenta provar se so verdadeiras ou falsas as premissas. tambm chamado de raciocnio dirigido por objetivos (goal driven). O comportamento do sistema controlado por uma lista de objetivos. Um objetivo por ser satisfeito diretamente por um elemento da memria de trabalho, ou podem existir regras que permitam inferir algum dos objetivos correntes, isto , que contenham uma descrio deste objetivo em suas partes direitas. As regras que satisfazem esta condio tm as instncias correspondentes s suas partes esquerdas adicionadas lista de objetivos correntes.
10/05/04 196
10/05/04
195
!
Raciocnio para Trs
!
Caso uma destas regras tenha todas as suas condies satisfeitas diretamente pela memria de trabalho, o objetivo em sua parte direita tambm adicionado memria de trabalho. Um objetivo que no possa ser satisfeito diretamente pela memria de trabalho, nem inferido atravs de uma regra, abandonado. Quando o objetivo inicial satisfeito, ou no h mais objetivos, o processamento termina.
Raciocnio para Trs
O encadeamento para trs destaca-se em problemas nos quais h um grande nmero de concluses que podem ser atingidas, mas o nmero de meios pelos quais elas podem ser alcanadas no grande (um sistema de regras de alto grau de fan out), e em problemas nos quais no se pode reunir um nmero aceitvel de fatos antes de iniciar-se a busca por respostas. O encadeamento para trs tambm mais intuitivo para o desenvolvedor, pois fundamentada na recurso, um meio elegante e racional de programao, para onde a prpria Programao em Lgica se direcionou.
10/05/04 198
10/05/04
197
!
Raciocnio para Trs

REGRAS 1. A C ! 2. B D ! 3. C ^ D E !
! !
Exemplo:
MEMRIA DE TRABALHO AeB ! LISTA DE OBJETIVOS E ! ------------C e D por 3 ! C por 1 e A na M.T. ! D por 2 e B na M.T. !
O tipo de encadeamento normalmente definido de acordo com o tipo de problema a ser resolvido. Problemas de planejamento, projeto e classificao tipicamente utilizam encadeamento para a frente, Problemas de diagnstico, onde existem apenas apenas algumas concluses possveis mas um grande nmero de estados iniciais, utilizam encadeamento para trs.
10/05/04
199
10/05/04
200
! ! !
Uma caracterstica importante do modo de raciocnio se refere monotonicidade ou no do mtodo de inferncia. Sistemas monotnicos no permitem a reviso de fatos, Sistemas no monotnicos permitem a alterao dinmica dos fatos e, portanto, quando um fato verdadeiro torna-se falso, todas as concluses baseadas neste fato tambm devem tornar-se falsas.
Lgicas NoNo-Clssicas e Tratamento de Incertezas

!
Uma das caractersticas da lgica clssica o axioma do terceiro excludo, isto , no existe uma terceira alternativa para um valor verdade alm do par {Verdadeiro, Falso}. No mundo real, comum que os conhecimentos disponveis no sejam nem absolutamente verdadeiros nem absolutamente falsos, podendo ser, por exemplo paradoxais, incertos, desconhecidos, indeterminados, verdadeiros em geral, verdadeiros com uma certa probabilidade, etc. Para estender a lgica clssica, necessrio alterar o conjunto de valores verdade.
10/05/04
201
10/05/04
202

!

!
Dois tipos de formalismos foram propostos: valores verdade numricos (probabilidade, lgica nebulosa, teoria das possibilidades, etc.) valores verdade simblicos (3, 4 ou mais valores verdade)
Lgica Multivalores Valores de Verdade SIMBLICOS Uma lgica com trs valores de verdade admite um valor de verdade que representa um valor entre verdadeiro e falso. A interpretao deste terceiro valor difere nas diversas lgicas pode indicar um estado de parcial ignorncia; ! pode indicar a impossibilidade de se atribuir ! verdadeiro ou falso; pode indicar a falta de sentido de se atribuir ! verdadeiro ou falso.
10/05/04
203
Lgicas NoNo-Clssicas
!
Lgica Multivalores
!
LGICA DE KLEENE Concebida originalmente para acomodar declaraes matemticas no decididas. O terceiro valor de verdade ou u de undecided (no decidido), indica que no se sabe se verdadeiro ou falso. No admite a interpretao de que no verdadeiro nem falso. As tabelas verdade propostas por Kleene so:
F V ^ V F V V F F v V F V V V V F V F V V V V F F V V
Lgica Multivalores
LGICA DE KLEENE O valor de verdade indecidido indica este estado de ignorncia, de maneira que quando uma frmula lgica pode ter seu valor de verdade decidido, a despeito desta ignorncia, este valor deve ser adotado, assim: ! V v = V e F ^ = F, mas ! V ^ = e F v =
V F
F F
10/05/04
205
10/05/04
206
!
Lgica Multivalores
!
LGICA DE LUKASIEWICZ Lukasiewicz usa ou i para terceiro valor de verdade (i de indeterminate). Sua lgica foi desenvolvida para lidar com afirmaes incertas futuras, ou seja, a existncia de proposies contingentes sobre o futuro. De acordo com sua interpretao, tais proposies no so nem verdadeiras nem falsas, mas (metafisicamente) indeterminadas.
Lgica Multivalores
LGICA DE LUKASIEWICZ H uma diferena em relao interpretao de u de Kleene. O i no resultante da falta de informao, mas sim do impedimento de se poder fazer uma avaliao conclusiva para verdadeiro ou falso. Algo que ainda no ocorreu menos real do que algo verdadeiro ou falso.
10/05/04
207
10/05/04
208
!
Lgica Multivalores
!
LGICA DE LUKASIEWICZ A base da filosofia que suporta a lgica de Lukasiewicz aristotlica, ou seja, considerar algo futuro como verdadeiro ou falso adotar o fatalismo, doutrina que prega que o futuro pr-determinado. A nica diferena entre as tabelas verdade das lgicas de Kleene e Lukasiewicz o valor de , que para Kleene e para Lukasiewicz V. As tabelas verdade propostas por Kleene so:
F V ^ V F V V F F v V F V V V V F V F V V V V F F V V V
209
Lgica Multivalores
V F
F F
LGICA DE BOCHVAR O objetivo de Bochvar ao propor uma lgica de trs valores verdade foi o tratamento formal dos paradoxos semnticos. ! Paradoxo do Cretense - Um cretense afirma que todos os cretenses so mentirosos. ! Esta sentena falsa. O terceiro valor de verdade de Bochvar corresponde a uma proposio paradoxal m (de meaningless). Ao contrrio de u e de i, que correspondem a um grau de informao menor que verdadeiro ou falso, o valor de verdade paradoxal ao mesmo tempo verdadeiro e falso.
10/05/04 210
10/05/04
! Lgica Multivalores LGICA DE BOCHVAR Os operadores e ^ propostos por Bochvar so idnticos aos de Kleene e Lukasiewicz, mas os operadores v e so distintos.
!
Lgica Multivalores
LGICA DE BOCHVAR De certa maneira, o valor verdade paradoxal tem um carter contagioso tornando paradoxal qualquer frmula onde um elemento seja paradoxal.
v V F m V V V m F m V F m V V V m F F V m m m m m
F m m
10/05/04
211
10/05/04
212
LGICA DE BELNAP As lgicas de Kleene (1952), Lukasiewicz (1920) e Bochvar (1939) so anteriores ao incio da IA. Em 1977, Belnap props uma lgica de 4 valores verdade, projetada especificamente para servir como base para um sistema computacional de perguntas e respostas capaz de, mesmo em face de contradies, continuar a gerar respostas compatveis com as informaes anteriormente armazenadas. O conjunto de valores verdade o seguinte: B = {{}, {V}, {F}, {V,F}} onde os valores tem as seguintes interpretaes: {} = desconhecido {V} = absolutamente verdadeiro {F} = absolutamente falso {V,F} = contraditrio (C) - Prof. Mauro Roisenberg
10/05/04 213
! Lgica
Multivalores
!
Lgicas No Monotnicas
Frmulas quantificadas universalmente na lgica de predicados so vlidas para qualquer elemento do domnio, sem nenhuma exceo. Certas situaes do mundo real (percepo, ambigidade, senso comum, causalidade ou predio) so a tal ponto complexas, que qualquer conhecimento sobre elas ser inevitavelmente incompleto. Um formalismo para raciocinar neste tipo de situao deve admitir expresses que sejam vlidas em geral e capazes de reconhecer e assimilar excees quando necessrio. Neste caso, corre-se o risco de retirar concluses anteriores face a novas informaes, o que caracteriza a nomonoticidade.
10/05/04 214
!
Lgica No Monotnicas
Tratamento de Incertezas
!
EXEMPLO Todo pssaro pode voar. Tweety pode voar? Na ausncia de informaes contrrias um pssaro normal voa - Logo, Tweety voa. Mas descobre-se que Tweety um pinguim (pinguins no so pssaros normais no que se refere capacidade de voar) - Logo, Tweety no voa. Mas descobre-se que Tweety um pinguim do planeta Krypton e que ele no um pssaro ou um pinguim normal, e que no planeta Krypton pinguins voam - Logo, Tweety voa. Mas descobre-se ...
10/05/04 215
A imperfeio da informao geralmente conhecida na literatura de sistemas baseados em conhecimento de incerteza. No entanto, este termo muito restritivo; o que se convenciona chamar de tratamento de incerteza pode, na verdade, estar endereando outras imperfeies da informao, com impreciso, conflito, ignorncia parcial, etc.
10/05/04
216
! ! ! ! ! ! ! !
! !
Informao perfeita: O filme comea s 18h 15 min. Informao imprecisa: O filme comea entre 8h e 9h. Informao incerta: Eu acho que o filme comea s 8h. Informao vaga: O filme comea l pelas 8h. Informao probabilista: provvel que o filme comece s 8h. Informao possibilista: possvel que o filme comece s 8h. Informao inconsistente: Maria disse que o filme comea s 8h mas Joo disse que ele comea s 10h. Informao incompleta: Eu no sei a que horas o filme comea, mas normalmente neste cinema os filme comeam s 8h. Ignorncia Total: Eu no fao a menor idia do horrio do filme.
10/05/04 217
As informaes podem variar de perfeitas a completamente imperfeitas. Mesmo lidando diariamente com este tipo de informaes, conseguimos tomar decises razoveis. O mesmo deveria ocorrer com sistemas baseados em conhecimento, em face de informaes imperfeitas.
10/05/04
218
!
Sabemos que o conhecimento humano no determinstico. No h especialista que sempre se encontre em condies de afirmar determinada concluso com certeza absoluta. Graus de confiana so freqentemente atribudos s suas respostas, principalmente quando existe mais de uma. Este, sem dvida, um dos mais fortes pontos crticos na elaborao de uma representao computacional do saber humano. Vejamos a dificuldade em representar a confiabilidade das informaes:
!
Para cada um dos tipos de informao existem modelos formais (e tambm informais) para tratamento.
Especialistas humanos no se sentem confortveis em pensar em termos de probabilidade. Suas estimativas no precisam corresponder quelas definidas matematicamente; Tratamentos rigorosamente matemticos de probabilidade utilizam informaes nem sempre disponveis ou simplificaes que no so claramente justificveis em aplicaes prticas.
10/05/04 219
A informao de conotao probabilista pode tratada pela teoria de probabilidades e pela teoria da crena ou evidncia (tambm conhecida como Dempster-Schafer). A informao imprecisa, de carter possibilista e/ou vaga pode ser tratada pela teoria dos conjuntos nebulosos, rough sets ou teoria das possibilidades. Informaes inconsistentes e/ou incompletas podem ser tratadas por lgicas no clssicas (Belnap, Lucaziewicz,etc).
10/05/04
220
Fatores de Certeza
!
O primeiro sistema a utilizar-se dos fatores de certeza foi o MYCIN, para recomendar terapias apropriadas para pacientes com infeco bacteriolgicas; O Fator de Certeza (FC) foi originalmente definido como a diferena entre a crena e a descrena: FC[H, E] = MC[H, E] MD[H, E]
FC[H, E] FC na hiptese H dada evidncia E MC[H, E] medida de crena em H dado E MD[H,E] medida de descrena em H dado E
10/05/04 221
Fatores de Certeza Utilidade

! !
um mecanismo simples para combinar crena e descrena em um nmero; Pode ser usado para um conjunto de hipteses em ordem de importncia.
Por exemplo, se um paciente tem certos sintomas os quais sugerem diversas doenas possveis, a doena com um alto FC poderia ser a primeira a ser investigada pelos testes ordenados;
! ! !
10/05/04
222

!
O FC indica a rede de crena em uma hiptese sobre alguma evidncia. Um FC positivo significa que a evidncia suporta a hiptese desde que MC>MD. Um FC=1 significa que a evidncia definitivamente prova a hiptese. Um FC=0 significa:

!
1.
que no existe evidncia ou ela irrelevante (MC=MD=0) ou 2. A crena cancelada pela descrena pois as duas so igualmente fortes ou fracas (MC=MD0).
O FC negativo significa que a evidncia favorece a negao da hiptese, desde que MC<MD (i.e. , existem mais razes para a descrena em uma hiptese do que para a crena nela); Por exemplo, um FC=-70% significa que a descrena 70% maior do que a crena, e vice-versa; entretanto, diferentes valores de MC e MD levam a um mesmo valor de FC: FC = 0,80 = 0,80 0 FC = 0,80 = 0,95 0,15
10/05/04 224

Caractersticas
Variaes Certeza das Hipteses Verdadeiras P(H|E) = 1 Certeza das Hipteses Falsas P(~H|E) = 1 Perda de Evidncia P(H|E) = P(H)
Valores
0 MC 1 0 MD 1 -1 FC 1 MC = 1 MD = 0 FC = 1 MC = 0 MD = 1 FC = -1 MC = 0 MD = 0 FC = 0
225
A combinao de evidncias requer regras como as dadas a seguir: Certeza do Evidncia, E Antecedente min[FC(H,E1), E1 e E2 FC(H,E2)] max[FC(H,E1), E1 ou E2 FC(H,E2)] E -FC(H,E) Podemos criar ainda expresses mais complexas:
!
E = (E1E2E3)(E4E5) E = max[min(E1,E2,E3), min(E4,E5)]

Fatores de Certeza
!
Fatores de Certeza
!
A frmula fundamental para o FC de uma regra Se E ento H dado pela frmula: FC(H,e) = FC(H,E)*FC(E,e) FC(E,e) o fator de certeza da evidncia E baseada na evidncia incerta e; FC(H,E) o fator de certeza da hiptese supondo que a evidncia E conhecida com certeza, quando FC(E,e) = 1; FC(H,e) o FC da hiptese baseada na incerteza da evidncia e.
Por exemplo, tem-se a regra A^B^CD com uma evidncia de 0,7 (tambm chamado de fator de atenuao): FC(D,E) = FC(H,ABC) = 0,7 Seja e a evidncia observada que dirige a concluso de que as Ei so conhecidas com certeza, suponha que: FC(A,e) = 0,5 FC(B,e) = 0,6 FC(C,e) = 0,3
10/05/04
10/05/04
227
228
Fatores de Certeza
Logo: FC(E,e) = FC(ABC,e) FC(E,e) = min[FC(A,e), FC(B,e), FC(C,e)] FC(E,e) = 0,3 ! O fator de certeza da concluso : FC(D,E) = FC(D,E)*FC(D,e) = 0,7*0,3 = 0,21
!
Fatores de Certeza Consideraes

!
Ainda que o MYCIN tenha tido sucesso em diagnstico, existem dificuldade com os fundamentos tericos dos FCs. A maior vantagem dos FC foi a simples computao pela qual a incerteza seria propagada no sistema. Concluso: no existe uma tcnica, ou forma de raciocnio melhor que outros. Dependendo do problema a ser resolvido, existem escolhas mais razoveis.
10/05/04 230
10/05/04
229
Raciocnio Probabilstico
! !
!
O Raciocnio Probabilstico talvez o mais antigo que trata com mecanismos de incerteza. Apia-se em informaes probabilsticas sobre fatos de um domnio e chega a uma concluso a respeito de um novo fato, concluso esta, que fica associada a uma probabilidade. Quando se fala de probabilidade neste contexto, no se faz referncia a nmeros, e sim, a um tipo de raciocnio. Exemplo: A chance de que um paciente portador da doena D apresente no futuro prximo o sintoma S p. A verdade desta afirmao no o valor preciso de p, mas um valor de crena do mdico.
10/05/04 231
! !
A teoria da probabilidade adota a frase epistmica ...posto que C conhecido como uma primitiva da linguagem. Sintaticamente isto denotado por: P(A | C) = p onde A uma dada proposio. Esta frase combina as noes de conhecimento e crena pela atribuio A de um grau de crena p, dado o conhecimento de C. C chamado de contexto da crena em A, e a notao P(A | C) chamada Probabilidade Condicional de Bayes. O teorema de Bayes prov a base para o tratamento da imperfeio da informao. Ele computa a probabilidade de um dado evento, dado um conjunto de observaes.
10/05/04 232
!
Seja:
Exemplo:
Suponhamos que no meio da noite dispare o alarme contra ladres da nossa casa. Queremos ento saber quais so as chances de que esteja havendo uma tentativa de roubo. Suponhamos que existam 95% de chances de que o alarme dispare quando uma tentativa de roubo ocorre, que em 1% das vezes o alarme dispara por outros motivos, e que em nosso bairro existe uma chance em 10.000 de uma dada casa ser roubada em um dado dia. Temos ento: P(alarme | roubo) = 0,95 P(alarme | ~roubo) = 0,01 P(roubo) = 0,0001 Ento P(roubo | alarme) = 0,00941 = 0,9%
O teorema de Bayes formulado como: P(Hi | E) = P(E | Hi).P(Hi) P(E | Hj).P(Hj) (C) - Prof. Mauro Roisenberg
!
10/05/04
P(Hi | E) a probabilidade de que a hiptese Hi seja verdadeira dada a evidncia E. P(E | Hi) a probabilidade que a evidncia E ser observada se a hiptese Hi for verdadeira. P(Hi) a probabilidade a priori que a hiptese Hi veradeira na ausncia de qualquer evidncia especfica. K o nmero de hipteses possveis
233
Este valor pode ser intuitivamente entendido quando verificamos que as chances de haver um roubo e o alarme tocar (0,000095) so muito pequenas em relao s chances de haver um alarme falso.
10/05/04
234
! ! ! !
Hoje em dia se fala da probabilidade subjetiva. Ela trata com eventos que no tem uma base histrica sobre a qual se possa extrapolar. A probabilidade subjetiva uma crena ou opinio expressa como uma probabilidade. Exemplo:
Em SE para diagnstico mdico, um evento poderia ser: e a proposio :
! !
! !
E = O paciente est coberto com manchas vermelhas A = O paciente tem sarampo.
A probabilidade condicional P(A | E) no uma probabilidade no sentido clssico ou freqencista. Ela pode ser interpretada como o grau de crena que A verdadeiro dado o evento E.
10/05/04
235
A obteno das probabilidades das hipteses Hi e as condicionais P(Hi | E) considerado uma tarefa difcil porque as pessoas no sabem estimar probabilidades. No entanto, as estimativas necessrias de probabilidade so feitas pelo especialista a partir de seu conhecimento e experincia no domnio pesquisado. A base de conhecimento tem que ser completa. Isto , todas as evidncias relevantes s hipteses consideradas devem estar explcitas na base de conhecimento. Em probabilidade parte-se do fato que as evidncias so independentes. Isto nem sempre verdadeiro no caso das doenas, posto que alguns sintomas poderiam ser evidncia de outros. (C) - Prof. Mauro Roisenberg
10/05/04 236
Atualmente existem shells para o desenvolvimento de Sistemas Especialistas com raciocnio probabilista, dentre eles tem-se o SPIRIT, o HUGIN e o NETICA. Dificuldades com o Mtodo Bayesiano
Raciocnio por Crena

!
Raciocnio por Crena

!
Baseia-se essencialmente nos trabalhos feitos originalmente por Dempster, que tentou modelar a incerteza por uma faixa de probabilidades, mais do que um simples nmero probabilstico. Shafer estendeu e refinou o trabalho de Dempster. A teoria de Dempster-Shafer supe que existe um conjunto fixo de elementos mutuamente exclusivos e exaustivos, chamado meio e simbolizado por : = {1, 2, 3, , n}
10/05/04 237
! !
O meio o conjunto de objetos que so de interesse, por exemplo: = {avio,submarino,trem,nibus} Como os elementos so mutuamente exclusivos (um trem no um avio) e o meio exaustivo, pode existir somente um subconjunto para cada pergunta do sistema; Pergunta: Qual deles transporte terrestre? Resposta: Um subconjunto de , {3,4} = {trem, nibus}
10/05/04 238
Raciocnio por Crena

! !
Raciocnio por Crena

! !
Assim, cada subconjunto de pode ser interpretado como uma possvel resposta a uma pergunta. Desde que os elementos so mutuamente exclusivos e o meio exaustivo, pode existir somente um subconjunto com a resposta correta. Neste modelo, a informao fornecida por uma fonte de conhecimento a respeito do valor real de uma varivel x, definida em um universo de discurso , codificada sob a forma de um corpo de evidncia sobre .
10/05/04 239
Um corpo de evidncia caracterizado por um par (F,m), onde F uma famlia de subconjuntos de e m uma funo de massa. A funo m definida para todos os elementos de e todos os seus subconjuntos. Onde m um valor que mede a quantidade de crena corretamente atribuda a um subconjunto de . Se contm n elementos, ento existem 2n subconjuntos de . Entretanto muitos destes subconjuntos no tem significado para o domnio do problema (e portanto o valor de m a eles associado ser 0). A teoria de Dempster-Shafer no fora crenas pelo desconhecimento de uma hiptese. Em vez disso a quantidade designada somente aos subconjuntos do meio aos quais deseja-se designar crena.
10/05/04 240
Raciocnio por Crena

Seja um conjunto = {A, B, C} Suponha-se que feita uma pergunta sobre o conjunto surge uma evidncia de 0,7 que a resposta encontra-se sobre os elementos A e C; temos ento: m1 ({A, C}) = 0,7 O restante da crena designada ao meio.
Raciocnio por Crena

Crena designada ao meio: m1() = 1 0,7 = 0,3 Note que a crena designada ao meio diferente da descrena em relao ao fato (algo como m1({A, C})). Isso acontece porque a crena designada ao meio inclui todo o meio , ou seja, {A,B,C}; A crena do meio no necessariamente precisa ser 1, como na teoria da probabilidade.
10/05/04
241
242
Raciocnio por Crena - Exemplo

!

!
Inicia-se um universo exaustivo de hipteses mutuamente exclusivas: = {artrite, lupus, poliartrite, gota} A meta anexar aos elementos de algum valor de crena. Nem todas as evidncias sustentam diretamente elementos isolados. Em geral elas sustentam grupos de elementos (subconjuntos);
Por exemplo: febre pode sustentar {artrite, lupus} e erupes sustentam {lupus}; Como os elementos so mutuamente exclusivos, as evidncias em favor de um podem afetar a crena em outros; Inicialmente no se tem nenhuma informao sobre como escolher entre as quatro hipteses (ou seja, no se tem nenhuma evidncia) ento m() = 1 o que significa que todos os outros valores so 0;
10/05/04 244
10/05/04
243

!

!
O valor real pode ser de um dos elementos: artrite (A), lupus (L), poliartrite (P) ou gota (G); Mas no se tem informaes que permitam atribuir crena a algum deles (entretanto tem-se a certeza de que a resposta est em algum lugar deste conjunto); Supondo que surgiram evidncias de febre, o que sugeriu, com fator de crena 0,6 que o diagnstico correto {A, L} (lupus ou artrite);
10/05/04 245
Temos ento os seguinte fatores: m1({A, L}) = 0,6 m1() = 0,4 Outro sintoma (evidncia) apresentado pelo paciente: erupes. Esta sugere com crena de 0,8 que o diagnstico seria lupus ({L}) temos o segundo fator de crena, dado por m2: m2({L}) = 0,8 m2 () = 0,2
10/05/04
246

As evidncias podem ser combinadas numa soma ortogonal que calculada pela somatria do produto das interseces m.
Valores de m m1({A, L}) = 0,6 m1() = 0,4 m2({L}) = 0,8 {L} = 0,48 {L} = 0,32 m2() = 0,2 {A, L} = 0,12 () = 0,08

Vamos supor que surja uma terceira evidncia conflitante: m3({P}) = 0,95 e m() = 0,05
m1m2 ({L}) m1m2 ({A, L}) = 0,8 = 0,12 {} = 0,76 {L} = 0,04 {} = 0,114 {A, L} = 0,006
Valores de m m3({P}) = 0,95 m3() = 0,05
m1m2 () = 0,08 {P} = 0,076 () = 0,004
m3({L}) = m1m2({L}) = 0,48 + 0,32 = 0,80 m3({A, L}) = m1m2({A, L}) = 0,12 m3() = m1m2() = 0,08 (no crena)
O conjunto nulo, { {}, ocorre porque {P} e {L} no t tm elementos comuns, assim como entre {P} e {A, L}
m1m2m3({P}) = 0,076 m1m2m3({L}) = 0,04 m1m2m3({A, L}) = 0,006 m1m2m3() = 0,004 m1m2m3({}) = 0, pela definio do conjunto vazio ! A soma de todos os m: m1m2m3(X) = 0,076+0,04+0,006+0,004 = 0,126

!
Uma soma de 1 requerida desde que as evidncias combinadas seja um m vlido (como retiramos os valores para o conjunto vazio, todas as demais evidncias so vlidas). Como a soma menor que 1, preciso fazer uma normalizao, que nada mais do que uma regra de 3 que diz a soma de todos os m est para 100 assim como cada combinao de m est para x; Calculamos assim, proporcionalmente, os novos valores normalizados dos ms:
10/05/04
249
10/05/04
250

m1m2m3({P}) = 0,603 m1m2m3({L}) = 0,317 m1m2m3({A, L}) = 0,0476 m1m2m3() = 0,0031
!
Raciocnio por Crena Dificuldades

! !
Nota-se que a existncia da evidncia de {P} prejudicou a crena em {L}, o que de fato era esperado.
A normalizao pode levar a resultados opostos s expectativas; Acontece porque a normalizao ignora a crena de que um objeto considerado no existe, ou seja, a soluo deve estar no conjunto. Um exemplo citado por Zadeh o da crena de dois mdicos, A e B, em uma doena de um paciente.
10/05/04
10/05/04
251
252
Raciocnio por Crena Dificuldades

!
As crenas so: ma(meningite) = 0,99 ma(tumor cerebral) = 0,01 mb(traumatismo) = 0,99 mb(tumor cerebral) = 0,01 Os mdicos diferem grandemente no problema principal, mas a regra de Dempster valoriza a opinio comum, resultando 1 para o tumor cerebral. O resultado inesperado e contra a nossa intuio.
10/05/04 253
Onde obter mais informaes

Outras sesses de treinamento Liste os livros, os artigos, as fontes eletrnicas ! Servios de consultoria, outras fontes
! !
10/05/04
254

Inteligencia Artificial Simbolica 6 PP

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Inteligencia Artificial Simbolica 6 PP

Enviado por

Direitos autorais:

Formatos disponíveis

Inteligncia Artificial Simblica

(C) - Prof. Mauro Roisenberg

Afinal, pr que estudamos Inteligncia Artificial???

Existem 3 tipos de problemas Os que no tm soluo.

2. Os que tm soluo algortmica 3. Os outros....

timo. Basta codificar os algoritmos...

AQUI QUE ENTRA A I.A.!!!!!

(C) - Prof. Mauro Roisenberg

(C) - Prof. Mauro Roisenberg

Histrico e Conceitos Bsicos

1a. Pergunta: O que Inteligncia Artificial? Algumas Respostas:

Histrico e Conceitos Bsicos

(C) - Prof. Mauro Roisenberg

(C) - Prof. Mauro Roisenberg

Histrico e Conceitos Bsicos

possvel dividir as fazes da histria da Inteligncia Artificial com os seguintes perodos: 1.

Histrico e Conceitos Bsicos

POCA PR-HISTRICA (Nesta poca nada se conhecia

(C) - Prof. Mauro Roisenberg

Histrico e Conceitos Bsicos

POCA ANTIGA (1875-1943) (Modelo de Neurnio de McCulloch & Pitts)

Histrico e Conceitos Bsicos

(C) - Prof. Mauro Roisenberg

(C) - Prof. Mauro Roisenberg

Histrico e Conceitos Bsicos

POCA BARROCA (1956-1969) (livro Perceptrons)

Histrico e Conceitos Bsicos

POCA BARROCA (1956-1969) (livro Perceptrons)

Princpio da IA Conexionista (IAC) Metfora Biolgica:

Se for construdo um modelo do crebro, este modelo apresentar um comportamento inteligente.

Subestimao da Complexidade Computacional:

Os problemas de IA so comumente de complexidade NPCompleta.

(C) - Prof. Mauro Roisenberg

(C) - Prof. Mauro Roisenberg

Histrico e Conceitos Bsicos

POCA DA TREVAS (1969-1981) (5a. Gerao)

Histrico e Conceitos Bsicos

(C) - Prof. Mauro Roisenberg

(C) - Prof. Mauro Roisenberg

Teste de Turing para a Inteligncia (1950)

Resoluo de problemas (planejamento)

Viso de que computadores atuam como humanos.

Raciocnio por senso-comum Percepo (viso e fala)

Reconhecimento de objetos atravs de imagens Reconhecimento de voz ou identificao de imagens

(C) - Prof. Mauro Roisenberg

(C) - Prof. Mauro Roisenberg

Processamento de linguagem natural

Extrao de conhecimento Aprendizado

As pontes de Knigsberg O tabuleiro de xadrez mutilado

(C) - Prof. Mauro Roisenberg

(C) - Prof. Mauro Roisenberg

O tabuleiro de xadrez mutilado

(C) - Prof. Mauro Roisenberg

Modos de definir uma FUNO PROBLEMA Por ENUMERAO EXAUSTIVA DECLARATIVAMENTE

Fornece-se todos os conjuntos de pares (dado, resultado).

Por um PROGRAMA (um algoritmo)

(C) - Prof. Mauro Roisenberg

(C) - Prof. Mauro Roisenberg

ALGUNS PROBLEMAS CLSSICOS

(C) - Prof. Mauro Roisenberg

Uma Ferramenta para Anlise de Sistemas Inteligentes sensores O que um agente???

O que um agente racional???

(C) - Prof. Mauro Roisenberg