知识推理

知识推理(Knowledge Inference)

　　知识推理是指在计算机或智能系统中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的知识进行机器思维和求解问题的过程。

　　智能系统的知识推理过程是通过推理机来完成的，所谓推理机就是智能系统中用来实现推理的程序。推理机的基本任务就是在一定控制策略指导下，搜索知识库中可用的知识，与数据库匹配，产生或论证新的事实。搜索和匹配是推理机的两大基本任务。对于一个性能良好的推理机，应有如下基本要求：(1)高效率的搜索和匹配机制；(2)可控制性；(3)可观测性；(4)启发性。

　　智能系统的知识推理包括两个基本问题：一是推理方法；二是推理的控制策略。推理方法研究的是前提与结论之间的种种逻辑关系及其信度传递规律等；而控制策略的采用是为了限制和缩小搜索的空间，使原来的指数型困难问题在多项式时间内求解。从问题求解角度来看，控制策略亦称为求解策略，它包括推理策略和搜索策略两大类。

　　推理方法主要解决在推理过程中前提与结论之间的逻辑关系，以及在非精确性推理中不确定性的传递问题。

　　按照分类标准的不同，推理方法主要有以下三种分类方式：

　　从方式上分，可分为演绎推理和归纳推理；

　　从确定性上分，可分为精确推理和不精确推理；

　　从单调性上分，可分为单调推理和非单调推理。

　　(1)推理策略。主要包括正向推理、反向推理和混合推理。正向推理又称为事实驱动或数据驱动推理，其主要优点是比较直观，允许用户提供有用的事实信息，是产生式专家系统的主要推理方式之一。反向推理又称目标驱动或假设驱动推理，其主要优点是不必使用与总目标无关的规则，且有利于向用户提供解释。正反向混合推理可以克服正向推理和反向推理问题求解效率较低的缺点。基于神经网络的知识推理既可以实现正向推理，又可以实现反向推理。在研制结构选型智能设计系统时，应结合具体情况选择合适的推理策略。

　　(2)搜索策略。搜索策略主要包括盲目搜索和启发式搜索，前者包括深度优先搜索和宽度优先搜索等搜索策略；后者包括局部择优搜索法(如瞎子爬山法)和最好优先搜索法(如有序搜索法)等搜索策略。

　　对于不确定性信息，主要有两类不确定性推理方法：一类是数值方法，包括确定性推理、概率推理(含主观Bayes推理)、模糊推理、证据推理和合情推理等各种不精确推理方法；另一类是非数值方法，主要包括非单调推理和批注理论(Theory of endorsements)等。前已述及，结构的选型决策包含大量不确定性信息。我们认为，对于大型复杂结构智能选型的不确定性推理，应重点研究以下内容：

　　(1)基于信息融合技术的多源不确定性信息融合推理方法。信息融合技术实际生是一种多源信息的综合技术，它通过计算机对来自不同信息源(如传感器、遥感系统、国际互联网等)的数据信息进行自动分析和综合，以完成所需的评价和决策任务。目前研制的建筑结构选型专家系统，大多是针对模糊性信息采用模糊推理方法进行方案评价。但是在大型复杂结构选型中，尚有大量随机性信息和未确知性信息，因此，应该重点研究模糊推理方法与概率推理和证据推理(对于未确知性信息)的综合推理问题，即研究基于信息融合技术的多源不确定性信息融合推理方法。

　　(2)基于人工神经网络的知识处理。由于基于人工神经网络(包括模糊神经网络)。的知识处理具有集约特征，即知识的获取、表示和推理合为一体，它们都是通过神经网络的学习训练实现的，从而可以充分利用样本性知识，而样本性知识相对来说是最容易获得的。因此，研究基于人工神经网络的大型复杂结构选型智能设计系统是本书的重点研究内容之一。

　　(3)基于实例的推理(Case-Based Reasoning，CBR)。CBR的核心思想是在进行设计问题求解时，使用以前的求解类似设计问题的经验来进行设计推理，而不必从头做起。从设计活动的推理机制来看，CBR基于以前的经验实例，实例中包含有问题说明、解决方案等信息，使得它们能满足当前设计问题。因而CBR适合于求解一些频繁遇到的有相似性的设计问题。研究和开发基于实例推理的大型复杂结构选型智能设计系统，可以更好地利用设计专家丰富的设计经验和设计成果，有利于存储、检索、调整和重用实例(包括成功的选型实例和失败的选型实例)，对于协同式设计(Cooperation Design)、分布式设计(Distributed Design)和基于Internet的远程设计(Remote Design)都有重要意义。因此，本书的另外一个重点就是研究基于实例推理的结构智能选型问题求解理论与方法。