逻辑学在人工智能中的应用

《逻辑学在人工智能中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、逻辑学在人工智能中的应用人工智能主要研究用人工方法模拟和扩展人的智能，最终实现机器智能。人工智能研究与对人的思维研究密切相关。逻辑学始终是人工智能研究中的基础科学问题，它为人工智能研究提供了根本观点与方法，而且人工智能只能使用数学（符号）化的逻辑，所以笔者仅限于研究数理逻辑在人工智能中的应用问题。一、逻辑学为人工智能学科的诞生提供理论基智能和逻辑是同源的，它们从不同的侧面研究同一个问题，因而人工智能的诞生与逻辑学的发展是密不可分的。古希腊哲学家亚里士多德（Aristotle)在《工具论》中提出了形式逻辑和演绎法，创立了逻辑

2、学。12世纪末13世纪初，西班牙逻辑学家罗门•卢乐(RomenLuee)提出了制造可解决各种问题的通用逻辑机，初步揭示了人类思维与计算可同一的思想。17世纪，英国哲学家和自然科学家培根(F.Bacon)在《新工具》（1620)中提出了归纳法。随后，德国数学家和哲学家莱布尼兹（G..Turing)建立了描述算法的机械性思维过程，提出了理想计算机模型(即图灵机）,创立了自动机理论，奠定了整个计算机科学的理论基础。这些都为1945年匈牙利数学家冯•诺依曼（JohnVonNeumann)提出存储程序的思想和建立通用电子数字计算机的

3、冯•诺依曼型体系结构，以及1946年美国的莫克利(J.auchly)和埃克特(J.P.Eckert)成功研制世界上第一台通用电子数学计算机ENIAC作出了开拓性的贡献。以上经典数理逻辑的理论成果，为1956年人工智能学科的诞生奠定了坚实的逻辑基础。二、逻辑学应用于人工智能学科的研究逻辑方法是人工智能研究中的主要形式化工具,逻辑学的研究成果不但为人工智能学科的诞生奠定了理论基础,而且它们还作为重要的成分被应用于人工智能系统中。(一）经典逻辑的应用人工智能诞生后的20年间是逻辑推理占统治地位的时期。这期间主要研究的是一些可以确

4、切定义并具有良性的确定性难题,经典数理逻辑和启发式搜索在其中发挥了关键的作用。但是，同数学方法一样,在逻辑方法中也存在着算法危机。例如，1930年，海伯伦证明了一阶谓词演算是半可判定的，海伯伦定理奠定了推理算法的理论基础。1965年,鲁宾逊(J.A.Robinson)以此为基础，提出了一阶谓词逻辑的消解原理,大大简化了海伯伦定理的判定步骤,使推理算法达到了可实用的程度。但对复杂的数学定理,则必须弓I人数学专家的启发式经验知识,否则就会导致严重的“组合爆炸”。1956年,纽厄尔（A.Neon)等人编制的“逻辑理论机”数学定理

5、证明程序（LT)，使机器迈出了逻辑推理的第一步。1963年，经过改进的LT程序可以证明《数学原理》第2章中的全部52条定理。在此基础之上，纽厄尔（A.Neon)编制了通用问题求解程序（GPS),开拓了人工智能“问题求解”的一大领域。GPS可解决不定积分、三角函数、代数方程、猴子与香蕉问题、河内塔问题、传教士问题、人羊过河问题等11类不同类型的问题。虽然这使启发式程序有了较大的普遍应用性，但由于海量知识库的难以建立及其与快速搜索之间存在的矛盾,GPS并不能解决所有的问题。经典数理逻辑只是数学化的形式逻辑，它排除了一切形式的不

6、确定性、矛盾和演化,只研究确定性问题’所以只能满足人工智能的部分需要。当人工智能模拟人在经验科学中的思维或日常思维时，经典逻辑就不适用了，因而必须寻求不同于经典逻辑的方法来解决。(二）非经典逻辑的应用1.不确定性的推理研究人工智能要进行人脑的智能模拟,它的难点不在于人脑所进行的各种必然性推理，而是最能体现人的智能特征的能动性、创造性等不确定性的思维。因此，必须着重研究人的思维中最能体现其能动性特征的各种不确定性推理。人工智能发展了用数值的方法表示和处理不确定的信息，即给系统中每个语句或公式赋一个数值，用来表示语句的不确定性

7、或确定性U]。比较具有代表性的有：1976年杜达(R.D.Duda)提出的主观贝叶斯模型，1975年肖特里夫（E.H.Shortliffe)提出的确定性模型，1978年查德（L.A.Zadeh)提出的可能性模型，1981年巴内特(J.A.Bart)引人专家系统的证据理论模型，1984年邦迪（A.Bundy)提出的发生率计算模型，以及假设推理、定性推理和证据空间理论等经验性模型。对归纳推理、类比推理等不确定性推理的研究，在专家系统中都有广泛的应用，可实现机器内学习，达到“机器创造”的目的。归纳逻辑是关于或然性推理的逻辑。19

8、21年，凯恩斯（J.M.Keynes)把概率理论与归纳逻辑结合起来,建立了第一个概率逻辑系统，标志着现代归纳逻辑的产生。在人工智能中，可把归纳看成是从个别到一般的推理。借助这种归纳方法,计算机不仅可以自动获得新概念以“增长”知识,而且也能够证实已有的理论并发现新的理论。在一个专家系统或决策系统中,其内部