Speciális szabályalapú következtetés
III. Szabályalapú logikai következtetés
Gregorics Tibor
Ismeretalapú modellezés
Mikor alkalmazható a modus ponens (mikor illeszthető egymáshoz két formula) és mi a következménye ? – Ha pq és pqr akkor r (alaki azonosság) – Ha (pq) és pqr akkor r (logikai ekvivalencia) – Ha pq és pr akkor rq (formula részéhez) Elsőrendű formulák esetében az illesztésnél változóhelyettesítésre is szükség lehet. – Ha yP(f(y)) és x(P(x)Q(x)) akkor Q(f(y)). Formai megkötéseket tehetünk a formulák alakjára, hogy az illeszthetőséget könnyen el lehessen dönteni: alaki azonossággal+változó helyettesítéssel Ez azonban a teljesség rovására mehet. Gregorics Tibor
Ismeretalapú modellezés
Ismeretalapú modellezés
2
Az illesztések egyszerű vizsgálata érdekében a speciális alakú axiómákat és célállítást használunk, miközben törekszünk az állítások eredeti alakjának megőrzésére ÉS/VAGY formájú (ÉVF) kifejezések – literálok; – AB, AB alakú formulák, ahol az A és B maguk is ÉVF kifejezések.
Gregorics Tibor
Ismeretalapú modellezés
4
Visszafelé haladó szabályalapú reprezentáció
Tény: – univerzálisan kvantált ÉVF kifejezés Szabályok: – LW alakú univerzálisan kvantált kifejezések, ahol L egy literál, a W pedig ÉVF kifejezés Cél: – L1 … Ln alakú egzisztenciálisan kvantált kifejezés, ahol L1, … ,Ln literálok. Gregorics Tibor
Ismeretalapú modellezés
1. Reprezentáció
3
Előre haladó szabályalapú reprezentáció
Gregorics Tibor
1
Illesztés a modus ponens-nél
Ismeretek (tények, szabályok, cél) elsőrendű logikai formulák. Ezek az állítások eredeti formájukat megőrzik, ami másodlagos vezérlési stratégiaként épül be a következtetésbe. Cél: A1, … , An C tételek bizonyítása, de válaszadásra is alkalmas, amennyiben a kérdést (ki, mit, hol, mikor, mennyiért) egy xP(x) alakú (van-e egyáltalán válasz a kérdésre) célállítással helyettesítjük. Bizonyítás: állítások sorozata, ahol az utolsó állítás a célállítás és amelyben minden állítás – vagy egy tény, – vagy pedig a sorozat megelőző állításaiból és egy szabályból vezethető le a modus ponens alapján. Iránya: előre vagy visszafelé haladó
Tény: – L1 … Ln alakú univerzálisan kvantált kifejezés, ahol L1, … ,Ln literálok. Szabályok: WL alakú univerzálisan kvantált kifejezések, ahol L egy literál, a W pedig ÉVF kifejezés Cél: – egzisztenciálisan kvantált ÉVF kifejezés
5
Gregorics Tibor
Ismeretalapú modellezés
6
1
A formulák átalakítása a Skolem normál formára hozáshoz hasonlóan megy
Akadályok Előre haladó
Szabályokban visszaállítjuk a főimplikációt – (minden más implikációt eliminálunk) Célállítást fordítva Skolemizáljuk – Az univerzális kvantoroktól szabadulunk meg Nem alkalmazzuk a disztributív törvényeket – Emiatt nem tudjuk a lehető legáltalánosabb változó-átnevezést alkalmazni, csak főkonjunkciós tényezőnként.
– –
Gregorics Tibor
Ismeretalapú modellezés
Több tényből könnyű egyet csinálni Nem megfelelő alakú tény esetén (L1…Li)…(Lo …Lz) Nem megfelelő alakú szabály
L1 L2 W helyett L1 W és L2 W L1 L2 W ?
– –
Gregorics Tibor
7
2. Gráfreprezentáció
Visszafelé haladó
Több tényből könnyű egyet csinálni Nem megfelelő alakú cél esetén (L1…Li)…(Lo…Lz) Nem megfelelő alakú szabály
W L1 L2 helyett WL1 és WL2 W L1 L2 ? Ismeretalapú modellezés
8
Illesztés ÉS/VAGY gráfba rajzolása Tény: P(a)Q(b) Szabály: P(x)R(x)S(x) Cél: R(z)Q(y)
A megcélzott logikai következtetést egy alkalmas gráfbeli út megkeresésének problémájává fogalmazzuk át. A logikai reprezentációnak egy ÉS/VAGY gráfot feleltetünk meg, amelynek hiperútja egy-egy bizonyítást szimbolizál.
P(a)Q(b)
P(a) xa P(x)
A „vagy” művelet ÉS kapcsolatot indukál
Q(b) yb Q(y)
L, L’W, L =L’ W
R(a) R(x) L, L =L’ L’
S(a) S(x)
Az „és” művelet VAGY kapcsolatot indukál
z a R(z)
Gregorics Tibor
Ismeretalapú modellezés
Gregorics Tibor
9
P(x)Q(y) Az „és” művelet ÉS kapcsolatot indukál
P(x) xx1 P(x1)
Q(y) yb Q(b)
W, WL’, L =L’ L
R(x1) L’, L =L’ L Gregorics Tibor
x1a
S(x1)
A „vagy” művelet VAGY kapcsolatot indukál
10
Előre haladó szabályalapú gráfreprezentáció
Illesztés ÉS/VAGY gráfba rajzolása Tény: Q(b)R(a) Szabály: R(x)S(x)P(x) Cél: P(x)Q(y)
Ismeretalapú modellezés
olyan (R,s,T), ahol R=(N,A) egy ÉS/VAGY gráf, amelyet a tény ÉS/VAGY gráfjából kiindulva építhetünk fel úgy, hogy az összes lehetséges módon illesztjük a szabályokat és a célliterálokat, s - tényállítást szimbolizáló csúcs, T - célliterálokat szimbolizáló csúcsok.
R(a) Ismeretalapú modellezés
11
Gregorics Tibor
Ismeretalapú modellezés
12
2
Visszafelé haladó szabályalapú gráfreprezentáció
Megjegyzés A reprezentációs gráf mindig egy fa. Egy szabály illetve (cél/tény) literál többször is illeszthető. A logikai levezetés (bizonyítás) egy megoldásgráfként (sT hiperút) jelenik meg a gráfban. Nem minden megoldásgráf jelent levezetést.
olyan (R,s,T), ahol R=(N,A) egy ÉS/VAGY gráf, amelyet a cél ÉS/VAGY gráfjából kiindulva építhetünk fel úgy, hogy az összes lehetséges módon illesztjük a szabályokat és a tényliterálokat, s - célállítást szimbolizáló csúcs, T - tényliterálokat szimbolizáló csúcsok.
Gregorics Tibor
Ismeretalapú modellezés
Gregorics Tibor
13
Ellentmondásos levezetés Tény: A(x)B(x)
A(x)B(x)
A(x) xa A(a)
Gregorics Tibor
B(x)
xb B(b)
Ismeretalapú modellezés
Ha 1, … , m helyettesítések konzisztensek, akkor nem írnak elő ugyanarra a változóra olyan {xti} helyettesítéseket, amelyek termjei nem egyesíthetőek:
Gregorics Tibor
Ismeretalapú modellezés
o o
17
16
A reprezentációs gráfban történő irányított út (megoldási gráf) keresése visszalépéses kereséssel o
Az egyesítő helyettesítés független az 1, … , m helyettesítések sorrendjétől. A helyes levezetés egy ellentmondásmentes illesztőhelyettesítéseket tartalmazó megoldásgráf. Az EK-t válaszadásra is felhasználhatjuk.
Ismeretalapú modellezés
3. Következtetés
={xa} és ={ya} konzisztens ={xy} és ={xa, yb} inkonzisztens
Gregorics Tibor
Az 1, … , m helyettesítések (i={vi1ti1, … ,vinitini}) konzisztensek (ellentmondásmentesek), ha a V=< v11 , … , vmnm > és T=< t11 , … , tmnm > sorozatok egyesíthetők. A V és T legáltalánosabb egyesítőhelyettesítését az 1, … , m helyettesítések egyesítő kompozíciójának (EK) nevezzük.
15
Megjegyzés
14
Konzisztencia és az egyesítő kompozíció
Cél: A(a)B(b)
Ismeretalapú modellezés
Globális munkaterületen a startcsúcsából induló hiperút Szabályok: az illesztések illetve a visszalépés Visszalépéses vezérlési stratégia • Másodlagos stratégiák: formulák alakjának felhasználása • Heurisztikák
A talált megoldási gráf konzisztenciájának ellenőrzése Gregorics Tibor
Ismeretalapú modellezés
18
3
Példa
Tény vagy szabály?
Tomi és Misi tagjai az alpinisták klubjának. Egy klubtag síelő vagy hegymászó. Nincs olyan hegymászó, aki szeretné az esőt. A havat minden síelő szereti. Tomi szereti az esőt és a havat. Misi mindenben ellentétesen vélekedik, mint Tomi.
•
Nem egyértelmű esetek
•
x(H(x)Sz(x,eső)) helyett x(H(x) Sz(x,eső) ) y (Sz(Tomi,y) Sz(Misi,y) ) y (Sz(Tomi,y) Sz(Misi,y) )
• •
Ki az a klubtag, aki hegymászó, de nem síelő?
Gregorics Tibor
Ismeretalapú modellezés
Egyértelmű esetek
A(Tomi) A(Misi) Sz(Tomi,eső) Sz(Tomi,hó) x (A(x) S(x) H(x) ) x (S(x) Sz(x,hó) )
•
•
Gregorics Tibor
19
Ismeretalapú modellezés
Szabályok formája
Gregorics Tibor
Ismeretalapú modellezés
Válasz
szabály szétbontása – x (A(x) S(x) H(x ) ) helyett x (A(x) S(x) H(x) ) x (A(x) H(x) S(x) ) szabály átformálása (kontrapozitív alak) – y (Sz(Tomi,y) Sz(Misi,y) ) mellett y (Sz(Misi,y) Sz(Tomi,y) )
21
Kérdés: Ki az az x személy, aki A(x) H(x) S(x) Cél: x ( A(x) H(x) S(x) )
Gregorics Tibor
Következtetési irány megválasztása
Tény:
Szabály:
–
– – – – – –
20
Ismeretalapú modellezés
22
Tény illesztése a szabály illesztése előtt
A(Tomi) A(Misi) Sz(Tomi,eső) Sz(Tomi,hó) A(x) H(x) S(x)
A(x) S(x) H(x) A(x) H(x) S(x) S(x) Sz(x,hó) H(x) Sz(x,eső) Sz(Tomi,y) Sz(Misi,y) Sz(Tomi,y) Sz(Misi,y)
A(x)
S(x)
{xTomi} A(Tomi) tény
Cél: A(x) H(x) S(x) Gregorics Tibor
H(x)
Ismeretalapú modellezés
23
Gregorics Tibor
A(Misi) 1. szabály
kontrapozitív 3. szabály
Ismeretalapú modellezés
24
4
Példa folytatása {x2x}
A(x) H(x) S(x) A(x)
H(x) {x1x}
{xTomi} A(Tomi)
S(x)
H(x1)
{xMisi, yhó} Sz(Misi,y)
A(x)
Ismeretalapú modellezés
V=<x, x1, x | x2 , y, x, x2, y, x | x2, y1, x, x21, y1, x > T=
25
Gregorics Tibor
S(x) H(x) {x1x} ={ x/T, x1 /x } H(x1)
A(x)
{xTomi}
={ x/T, x1 /x }
S(x)
Ismeretalapú modellezés
A(x) H(x) S(x)
Sz(x,hó) {xMisi, yhó} Sz(Misi,y) = ?
A(x) {xTomi} A(Tomi)
H(x1) S(Tomi)
Ismeretalapú modellezés
27
Gregorics Tibor
Ismeretalapú modellezés
Additív módon számolt aktuális egyesítő kompozíció – Az aktuális hiperút konzisztenciáját vizsgáljuk. •
A(x) H(x) S(x)
Ha ellentmondásos, akkor visszalépünk. Ha nem (van EK), tovább lépünk; ezután elég a soron következő illesztő helyettesítés és a korábban talált EK konzisztenciáját megvizsgálni. (additív számolás)
A(x) {xTomi} A(Tomi)
Aktuális EK tárolása minden csúcsnál. Változó behelyettesítés a hiperút párhuzamos ágain – Egy változóra vonatkozó helyettesítést, nemcsak az illesztés alatt, hanem az aktuális hiperútban mindenhol érvényesítjük. – Változó helyettesítés előtti állapot hisztorizálása. Gregorics Tibor
Ismeretalapú modellezés
28
Példa folytatása: visszalépések
Folyamatos konzisztencia ellenőrzés
•
Sz(Tomi,hó) ?
A(Tomi)
Gregorics Tibor
{x2Tomi} S(x2)
H(x) H(Tomi) S(x) S(Tomi) {x1Tomi}
A(Tomi)
Sz(Tomi,hó)
A(Tomi)
26
Ellentmondás korai felismerése 2.
{x2x} ={ x/T, x1 /x, x2x } A(x) H(x) S(x) S(x2)
A(x) {xTomi} = {x/T} A(Tomi)
x21,y1
A(Tomi)
Ellentmondás korai felismerése 1. =Ø
S(x)
x2,y
Sz(Tomi,hó)
Gregorics Tibor
A(Tomi)
Sz(Tomi,hó)
A(Tomi)
S(x)
H(x)
A(x) Sz(x,hó)
S(x)
A(x)
A(x) H(x) S(x)
S(x2)
H(x1)
{xTomi}
Ismétlődő szabálykapcsolat-gráf
S(x) S(Tomi) H(x) H(Tomi) {x1Tomi}
A(Tomi)
H(x1)
{x2Tomi} S(x2) Sz(Tomi,hó) ?
S(Tomi)
A(Tomi) 29
Gregorics Tibor
Ismeretalapú modellezés
30
5
Példa folytatása a sorozatos visszalépések után {x2Misi} S(x2)
A(x) H(x) S(x) A(x)
{xMisi}
A(Misi)
Másodlagos stratégiai elemek
H(x1)
Sz(Misi,y)
o o
Következtetési irány megválasztása Szabályalkalmazások iránya Tény illesztése a szabály illesztése előtt
Folyamatos konzisztencia ellenőrzés Illesztő helyettesítés iránya: fentről lefelé Ismétlődő szabálykapcsolat-gráf
S(Misi)
Sz(Tomi,hó) A(Misi)
Szabályok jellemző alakja o
Sz(Misi,hó) {yhó}
{x1Misi}
A(Misi)
S(x) S(Misi)
H(x) H(Misi)
V=< x, x1, x, x2, y, x> T=<M, x, M, x, hó, M>
Gregorics Tibor
Sz(Tomi,hó)
Ismeretalapú modellezés
31
Gregorics Tibor
Ismeretalapú modellezés
Sorrendi heurisztikák
Kiértékelő függvény – az adott pillanatban illeszthető literálok (tények illetve szabályok) rangsorolására Meta-szabály – az adott pillanatban illeszthető literálok (tények illetve szabályok) rangsorolására
1. Példa Azt a literált válasszuk, amelyikhez a legkevesebb féle illesztést alkalmazhatjuk! Tény: képviselők, ácsok, szülő-gyerek párok Cél: Szülő(y,x) Ács(y) Képviselő(x) Szülő(y,x)
Gregorics Tibor
Ismeretalapú modellezés
33
1. Példa Szülő(u,v)
Szülő(a,v)
Szülő(u,a)
Szülő(a,b)
1 000 000
12
2
1
Ács(u)
Ács(a)
10 000
1
Képviselő(u) Képviselő(a) 350 Gregorics Tibor
Képviselő(x) Ismeretalapú modellezés
Lehetséges próbálkozások száma a Szülő, Ács, Képviselő rögzített illesztési sorrendje mellett: Szülő, Ács, Képviselő: 1 000 000*1*1 Ács, Képviselő, Szülő: 10 000*350*1 Ács, Szülő, Képviselő: 10 000*12*1 Képviselő, Ács, Szülő: 350*10 000*1 Képviselő, Szülő, Ács: 350*2*1
Ács(y) Ács(b)
Képviselő(x)
1 0002000
101000
350
Gregorics Tibor
?
Ács(b)
34
1. Példa
Szülő(y,x) Szülő(y,a)
Szülő(b,a) 35
Ács(y)
Gregorics Tibor
y/b
1 Ismeretalapú modellezés
32
x/a
Képviselő(a) Ismeretalapú modellezés
36
6
2. Példa Mindig a fontosabb szabályt illesszük!
4. A SZK nem teljes módszer
A reprezentáció korlátjai miatt – Nem minden logikai reprezentáció írható át csak előre vagy csak visszafelé haladó szabály alakúra
A következtetés korlátjai miatt – Nem minden tétel vezethető le szabályalapú következtetéssel. LL
Ha az alábbi szabályok közül mindkettő illeszthető
(Milyen irányú az L1 L2 L3 L4 szabály?)
1. „ha a betegnek leállt a szíve, akkor szívmasszázst kell alkalmazni” 2. „ha a betegnek horzsolt seb van az alkarján, akkor be kell kötözni”
Tény: Szabályok: Cél: LL
akkor az elsőt kell alkalmazni. Gregorics Tibor
Ismeretalapú modellezés
37
Gregorics Tibor
L
? Ismeretalapú modellezés
L 38
7