Cтраница 2
Если рассмотреть процесс поиска, осуществляемого решателем задач, когда он работает с неоптимальной базой данных, мы увидим, что из утверждений, содержащихся в базе данных ( теорем, аксиом, фактов) D - DI ( или D2 - D) будет получено множество неподходящих выводов. [16]
Даже если задана оптимальная база данных, решатель задач будет генерировать некоторое число неподходящих ( ненужных) выводов. [17]
Вначале будет выбрано АЬ и, как только решатель задач отвергает очередную альтернативу путем подтверждения ее отрицания, TMS допускает следующую альтернативу. [18]
Но даже и при таких фрагментах управляющей информации у решателя задач могут появиться несколько альтернативных способов пересмотра. В этих случаях хочется предоставить решателю задач правила или советы о том, как выбирать пересмотр. Если мы умны ( или ленивы), то можем так структурировать решатель задач, чтобы он использовал для этих правил выбора пересмотра тот же язык и те же механизмы, что и для других правил выбора, таких, как правила выбора очередного действия для исполнения, правила выбора того, как осуществлять действие, или правила выбора очередной цели. [19]
Хорошим примером таких программ может служить упоминавшаяся выше программа Всеобщего решателя задач. В начале этой главы мы изложили основные идеи американских - ученых в несколько измененном виде применительно к рассматривавшейся там проблеме. Теперь же можно описать программу Всеобщего решателя задач именно так, как она была описана Самими авторами. [20]
То, что было сказано ранее, относилось к любому решателю задач и имеет предположительный характер. Для класса аналогий, с которыми работают указанные программы, это шаг вперед. [21]
Во многих реальных приложениях приходится сталкиваться с ситуацией, когда автоматический решатель задач имеет дело с неточной информацией. В этой главе мы рассмотрим основные идеи, касающиеся количественной оценки неопределенности и методов формирования нечетких суждений. В главах 11 - 15 будет продемонстрировано, как такие методы используются на практике. В настоящей главе речь пойдет в основном о теоретических аспектах представления неопределенности и о том, почему в исследованиях по искусственному интеллекту такое большое внимание уделяется этим проблемам. В главе 21 мы вновь вернемся к проблеме неопределенности и рассмотрим ее более глубоко, но для большинства читателей вполне достаточно будет и тех сведений, которые представлены в данной главе. [22]
Эти программы получили названия Логик-теоретик ( Logic Theorist-LT) и Общий решатель задач ( General Problem Solver-GPS); они содержали общие процедуры поиска стратегий ( или доказательства теорем и ведения игр) и имели впечатляющий, хотя и ограниченный успех. GPS была неспособна доказать неразрешимость задачи о кенигсбергских мостах или научиться хорошо играть в шахматы. [23]
В качестве общего замечания следует указать на то, что в решателях задач существует тенденция избегать явного упоминания переменных состояния, чтобы не столкнуться с проблемой системы отсчета. Но устранение переменных состояния осложняет постановку задач, требующих идентификации различных состояний. Так, например, в системе STRIPS трудно естественным образом представить задачу Принеси коробку из комнаты 3, поскольку описание коробки зависит от свойств текущего состояния. [24]
ИС, кроме рассмотренных БЗ, БД и других блоков, включают: решатель задач и интеллектуальный интерфейс. [25]
Записанные в TMS подтверждения имеют две компоненты: внешнюю форму подтверждения, существенную для решателя задач, и внутреннюю форму, существенную для TMS. Например, некоторое подтверждение могло бы иметь внешнюю форму ( Modus Ponens Л, Л ID Б) и внутреннюю форму ( SL ( N1N2N3) ()) в предположении, что N1 представляет правило Modus Ponens1), N2 представляет Л, а N3 представляет A ID В. Система TMS никогда не использует и не проверяет внешних форм подтверждений, а просто записывает их с тем, чтобы решатель задач мог бы использовать их при конструировании осмысленных объяснений. [26]
Уместно отметить, что метод поиска технических решений с помощью эвристических приемов отражает идею общего решателя задач. Как там, так и здесь, имеется некоторый объект ( прототип), к которому применяется преобразование ( эвристический прием), после чего полученный результат сравнивается с целевым. [27]
Поскольку TMS доверяет решателю задач указывать на несовместность, помечая вершину как противоречивую, решателю задач также доверяется и использование немонотонных предположений для любого допущения, к которому можно применить обратное прослеживание. Поскольку TMS не проверяет те утверждения, которые представляют вершины, она отказывается, например, от возможности удаления подтверждений типа посылок. [28]
Однако такой вид изменений гораздо вероятнее может возникнуть в организационных и социальных контекстах, когда много решателей задач действуют одновременно, производя изменения, оказывающие длительное или кратковременное воздействие на деятельность других решателей задач. Учитывая эту повышенную вероятность изменений в основных ограничениях информационного контекста задачи, решающему задачу, очевидно, целесообразно рассматривать поступающие сообщения не только в плане их пригодности для непосредственно решаемой им задачи, но и с точки зрения того, насколько они подкрепляют или ослабляют основные ограничения, при которых ему, по его предположениям, приходится действовать. [29]
Случаи девять и десять иллюстрируют: ( 1) использование нескольких линий рассуждений для расширения возможностей решателя задач, ( 2) использование моделей разнородных абстракций с целью объединить многообразие знаний, используемых в некоторых придожениях, ( 3) использование планировщика, ориентированного на ситуации, для применения источников знаний, как только они становятся применимы ( как в методе сверху вниз, так и снизу вверх), и для управления широтой поиска. [30]