第一篇：人工智能與專家系統感想

姓名：萬偉

學號：1120100924

人工智能與專家系統感想

人工智能(Artificial Intelligence)，英文縮寫為AI。它是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智能是計算機科學的一個分支，它企圖了解智能的實質，并生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。

人工智能技術導論這門課的學習，讓我知道了人工智能從誕生發展到今天經歷了一條漫長的路，許多科研人員為此而不懈努力。人工智能的開始可以追溯到電子學出現以前。象布爾和其他一些哲學家和數學家 建立的理論原則后來成為人工智能邏輯學的基礎。而人工智能真正引起 研究者的興趣則是1943年計算機發明以后的事。技術的發展最終使得人們可以仿真 人類的智能行為，至少看起來不太遙遠。接下來的四十年里，盡管碰到許多阻礙，人工智能仍然從最初只有十幾個研究者成長到現在數以千計的工程師和專家在研究； 從一開始只有一些下棋的小程序到現在的用于疾病診斷的專家系統，人工智能的發展有目共睹。

人工智能經過幾十年的發展，其應用在不少領域得到發展，在我們的日常生活和學習當中也有許多地方得到應用。我通過網絡查找，知道了以下領域的人工智能的發展。

專家系統是一種模擬人類專家解決領域問題的計算機程序系統。專家系統內部含有大量的某個領域的專家水平的知識與經驗，能夠運用人類專家的知識和解決 問題的方法進行推理和判斷，模擬人類專家的決策過程，來解決該領域的復雜問題。專家系統是人工智能應用研究最活躍和最廣泛的應用領域之一,涉及到社會各個 方面，各種專家系統已遍布各個專業領域，取得很大的成功。根據專家系統處理的問題的類型，把專家系統分為解釋型、診斷型、調試型、維修型、教育型、預測 型、規劃型、設計型和控制型等10種類型。具體應用就很多了，例如血液凝結疾病診斷系統、電話電纜維護專家系統、花布圖案設計和花布印染專家系統等等。為了實現專家系統，必須要存儲有該專門領域中經過事先總結、分析并按某種模式表示的專家知識(組成知識庫)，以及擁有類似于領域專家解決實際問題的 推理機制(構成推理機)。系統能對輸入信息進行處理，并運用知識進行推理，做出決策和判斷，其解決問題的水平達到或接近專家的水平，因此能起到專家或專家 助手的作用。

開發專家系統的關鍵是表示和運用專家知識，即來自領域專家的己被證明對解決有關領域內的典型問題有用的事實和過程。目前，專家系統主要采用基于規則 的知識表示和推理技術。由于領域的知識更多是不精確或不確定的，因此，不確定的知識表示與知識推理是專家系統開發與研究的重要課題。此外，專家系統開發工 具的研制發展也很迅速，這對擴大專家系統的應用范圍，加快專家系統的開發過程，將起到積極地促進作用。隨著計算機科學技術整體水平的提高，分布式專家系 統、協同式專家系統等新一代專家系統的研究也發展很快。在新一代專家系統中，不但采用基于規則的推理方法，而且采用了諸如人工神經網絡的方法與技術。

一、人工智能與專家系統應用領域 1在管理系統中的應用

人工智能應用于企業管理的意義主要不在于提高效率，而是用計算機實現人們非常需要做，但工業工程信息技術是靠人工卻做不了或是很難做到的事情。智能教學系統(ITS)是人工智能與教育結合的主要形式，也是今后教學系統的發展方向。信息技術的飛速發展以及新的教學系統開發模式的提出和不斷完善，推動人們綜合運用超媒體技術、網絡基礎和人工智能技術區開發新的教學系統，計算機智能教學系統就是其中的典型代表。它包含學生模塊、教師模塊，體現了教學系統開發的全部內容，擁有著不可比擬的優勢和極大的吸引力。2在工程領域的應用

醫學專家系統是人工智能和專家系統理論和技術在醫學領域的重要應用，具有極大的科研和應用價值,它可以幫助醫生解決復雜的醫學問題,作為醫生診斷、治療的輔助工具。目前,醫學智能系統已通過其在醫學影像方面的重要作用，從而應用于內科、骨科等多個醫學領域中,并在不斷發展完善中。

3在技術研究中的應用 人工智能在電子技術領域的應用可謂由來已久。隨著網絡的迅速發展，網絡技術的安全是我們關心的重點，因此我們必須在傳統技術的基礎上進行網絡安全技術的改進和變更，大力發展數據挖掘技術、人工免疫技術等高效的AI技術，開發更高級AI通用和專用語言，和應用環境以及開發專用機器，而與人工智能技術則為我們提供了可能性。4人工智能在現實中的應用。

AI系統是設計出的一種計算機程序，這種程序具有某些像人和動物智能一樣的功能。在過去的30多年中，已經建立了一些具有一定“智能”的AI系統，例如下棋程序、定理證明系統、集成電路設計與分析系統、自然語言翻譯系統、智能信息檢索系統、疾病診斷系統等 在一年一度AT&T實驗室舉行的機器人足球賽中，每支球隊的“球員”都裝備上了AI軟件和許多感應器，它們都很清楚自己該踢什么位置，同時也明白有些情況下不能死守崗位。盡管現在的AI技術只能使它們大部分時間處于個人盤帶的狀態，但它們傳接配合的能力正在以很快的速度改進。5．機器翻譯

機器翻譯是利用計算機把一種自然語言轉變成另一種自然語言的過程，用以完成這一過程的軟件系統叫做機器翻譯系統。幾十年來，國內外許多專家、學者為 機器翻譯的研究付出了大量的心血和汗水。雖然至今還沒有一個實用、全面、高質量的自動翻譯系統出現，不過也取得了很大的進展，特別是作為人們的輔助翻譯工 具，機器翻譯已經得到大多數人的認可。目前，國內的機器翻譯軟件不下百種，根據這些軟件的翻譯特點，大致可以分為三大類：詞典翻譯類、漢化翻譯類和專業翻 譯類。詞典類翻譯軟件代表是“金山詞霸”了，堪稱是多快好省的電子詞典，它可以迅速查詢英文單詞或詞組的詞義，并提供單詞的發音，為用戶了解單詞或詞組含 義提供了極大的便利。漢化翻譯軟件的典型代表是“東方快車2000”，它首先提出了“智能漢化”的概念，使翻譯軟件的輔助翻譯作用更加明顯。以“譯星”、“雅信譯霸”為代表的專業翻譯系統，是面對專業或行業用戶的翻譯軟件，但其專業翻譯的質量與人們的實用性還有不少差距，有人評價說“滿篇英文難不住，滿篇 中文看不懂”，該說法雖然比較極端，但機譯譯文的質量確實卻一直是個老大難問題。這里，我們不妨對現有的機譯和人譯過程作一比較，從中可以看出一些原因。

機器翻譯：

1.一句一句處理，上下文缺乏聯系；

2.對源語言的分析只是求解句法關系，完全不是意義上的理解；

3.缺乏領域知識，從計算機到醫學，從化工到法律都通用，就換專業詞典；

4.譯文轉換是基于源語言的句法結構的，受源語言的句法結構的束縛；

5.翻譯只是句法結構的和詞匯的機械對應。

人工翻譯：

1.一般會先通讀全文，會前后照應；

2.對源語言是求得意義上的理解；

3.只有專業翻譯人員，而沒有萬能翻譯人員；

4.譯文是基于他對源語言的理解，不受源語言的句法結構的束縛；

5.翻譯是一個再創造的過程。

在目前的情況下，計算機輔助翻譯應該是一個比較好的實際選擇。事實上，在很多領域中，計算機輔助人類工作的方式已經得到了廣泛的應用，例如CAD軟 件。如果計算機輔助技術用于語言的翻譯研究，應該同樣可以起到很大的輔助作用，這就是所謂的“計算機輔助翻譯”。它集機器記憶式翻譯、語法分析式翻譯和人 際交互式翻譯為一體，把翻譯過程中機械、重復、瑣碎的工作交給計算機來完成。這樣，翻譯者只需將精力集中在創造性的思考上，有利于工作效率的提高。

機器翻譯研究歸根結底是一個知識處理問題，它涉及到有關語言內的知識、語言間的知識、以及語言外的世界知識，其中包括常識和相關領域的專門知識。隨 著因特網的普及與發展，機器翻譯的應用前景十分廣闊。作為人類探索自己智能和操作知識的機制的窗口，機器翻譯的研究與應用將更加誘人。國際上有關專家分析 認為機器翻譯要想達到類似人工翻譯一樣的流暢程度，至少還要經歷15年時間的持續研究，但在人類對語言研究還沒有清楚“人腦是如何進行語言的模糊識別和判 斷”的情況下，機器翻譯要想達到100%的準確率是不可能的。

二、人工智能與專家系統的發展前景 1 人工智能的研究新課題

人工智能的長遠目標是要理解人類智能的機器，用機器模擬人類的智能。這是一個十分漫長的過程，人工智能研究者獎通過多種途徑、從不同的研究課題入手進行探索。

在近期，有幾方面的研究課題可供選擇：更完善更新的人工智能理論框架；自動或半自動的知識獲取工具；能實現海量高速存儲并具有學習功能的聯想知識庫；新型推理機制和推理機；分布式人工智能與協同式專家系統；智能控制與智能管理；智能機器人；人工智能機；新一代的腦模型。

2人機融合

人機融合是一個相當長的發展過程，它將伴隨技術進步，逐級逐步地向前發展。首先實現的是低級和局部的融合，近幾年人工智能科授的進步不斷證實了這種趨勢。如最近美國科學家就明確宣布，他們研制的“神經芯片”首先就是用于改善人的中樞神經功能，“使截癱患者丟掉手杖”。隨著人機融合的升級，最終將在地球上產生一種人機高度融合、高智慧、能自行繁殖(復制)的“新智體”(或曰“新人類”）。因此，文明人類的演化由于技術的影響將經歷自然進化——人工促進人智能的進化——人機融合體(新智體)的自行進化的辯證發展過程。在人機融合時代，出于物理目標的不同，將存在多種多樣、多層次的智能機(體)，但具有怨茁級智能的應是人機融合體。當今人工智能科技和其他高科技的種種發展動向表明，在人類進入“信息社會”之后，將有一場規模巨大的“智能革命”，智能革命的環境是人工智能對人、對社會的廣泛而深入的影響，就像今天的微電子技術對信息革命的影響一樣。人工智能科技將滲透到社會各個領域，人類將對人工智能科技進行大規模的研究、開發和應用。

當今人工智能科技和其他高科技的種種發展動向表明，在人類進入“信息社會”之后，將有一場規模巨大的“智能革命”，智能革命的環境是人工智能對人、對社會的廣泛而深入的影響，就像今天的微電子技術對信息革命的影響一樣。人工智能科技將滲透到社會各個領域，人類將對人工智能科技進行大規模的研究、開發和應用。

總之，人工智能的應用前景一片的好，當然，挑戰也很多，只有科學不斷發展突破進步，我們才能真正的享受智能化帶給我們的樂趣?

第二篇：人工智能專家系統實驗

河南城建學院

《 人工智能 》實驗報告

實驗名稱：__實驗四 名稱實現一個基于產生式系統的小型專家系統（動物識別）成績： 專業班級： 0814112 學號： 081411202 姓名： xxxxxxxxxxxx 實 驗 日 期 ： 2014 年 5 月 20 日

實驗器材：VC6.0軟件，多媒體計算機。

一、實驗目的

掌握產生式系統的運行機制和基于規則推理的基本方法。通過一個實例了解小型專家系統的結構、設計和實現過程，初步掌握專家系統的設計和實現方法。

二、實驗要求

設計并實現一個某領域的小型專家系統（動物識別），該系統能對輸入的詢問回答分類或預測的結果，并根據推理過程回答“為什么”或“怎樣得出該結論”的問題。

三、實驗步驟

(1)定義變量，包括變量名和變量的值。(2)建立規則庫，其方法是:(a)輸入規則的條件：每條規則至少有一個條件和一個結論，選擇變量名，輸入條件（符號）；選擇變量值，按確定按鈕就完成了一條條件的輸入。重復操作，可輸入多條條件；

(b)輸入規則的結論：輸入完規則的條件后，就可以輸入規則的結論了，每條規則必須也只能有一個結論。選擇變量名，輸入條件（符號），選擇變量值，按確定按鈕就完成了一個結論的輸入。重復以上兩步，完成整個規則庫的建立。

(3)建立事實庫（總數據庫）：建立過程同步驟2。重復操作，可輸入多條事實。

該動物識別專家系統由15條規則組成，可以識別七種動物，在15條規則中，共出現 30個概念（也稱作事實），共30個事實，每個事實給一個編號，從編 號從1到30，在規則對象中我們不存儲事實概念，只有該事實的編號，同樣規則的結論也是事實概念的編號，事實與規則的數據以常量表示，其結構如下：

char *feature[]={“有毛”,“產奶”,“有羽毛”,“會飛”,“會下蛋”,“吃肉”,“有犬齒”,“有爪”,“眼睛盯前方”,“有蹄”,“反芻”,“黃褐色”,“有斑點”,“有黑色條紋”,“長脖”,“長腿”,“不會飛”,“會游泳”,“黑白兩色”,“善飛”,“哺乳類”,“鳥類”,“肉食類”,“蹄類”,“企鵝”,“海燕”,“鴕鳥”,“斑馬”,“長頸鹿”,“虎”,“金錢豹”};存放規則的結構體： typedef struct

{ int relation[5];

int name;}Rule;存放產生式規則推理過程的數組： Rule rule[15]={ {{0,-1},20}, {{1,-1},20}, {{2,-1},21}, {{3,4,-1},21}, {{20,5,-1},22}, {{6,7,8,-1},22}, {{20,8,-1},23}, {{20,9,-1},23}, {{22,11,12,-1},30}, {{22,11,13,-1},29}, {{23,14,15,12,-1},28}, {{23,13,-1},27},//如果動物是蹄類(23)，且有黑色條紋(13)，則該動物對應事實數組的第27個“斑馬”

{{21,14,15,16,-1},26}, {{21,19,-1},25},//如果動物是鳥類（21），且是肉食類（19），則該動物對應事實數組的第25個“海燕”。

{{21,17,18,16,-1},24} };程序用編號序列的方式表達了產生式規則，如資料中規則14，如果動物是鳥，且是肉食類，則該動物對應事實數組的第二十五個“海燕”。如資料中規則12，如果動物是蹄類，且有黑色條紋，則該動物對應事實數組的第二十七個“斑馬”。

(4)按“開始”或“單步”按鈕即可。

此外，利用實例演示，可以運行系統默認的產生式系統，并且可以進行正反向推理。其他的可參見其幫助文件。

三、源代碼

#include #include using namespace std;char *animal[]={“企鵝”,“海燕”,“鴕鳥”,“斑馬”,“長頸鹿”,“虎”,“金錢豹”};char *feature[]={“有毛”,“產奶”,“有羽毛”,“會飛”,“會下蛋”,“吃肉”,“有犬齒”,“有爪”,“眼睛盯前方”,“有蹄”,“反芻”,“黃褐色”,“有斑點”，//0

“有黑色條紋”,“長脖”,“長腿”,“不會飛”,“會游泳”,“黑白兩色”,“善飛”,“哺乳類”,“鳥類”,“肉食類”,“蹄類”，//13

“企鵝”,“海燕”,“鴕鳥”,“斑馬”,“長頸鹿”,“虎”,“金錢豹”};

//24

typedef struct //存放規則的結構體 { int relation[5];

int name;}Rule;Rule rule[15]={ {{0,-1},20}, {{1,-1},20}, {{2,-1},21}, {{3,4,-1},21}, {{20,5,-1},22}, {{6,7,8,-1},22}, {{20,8,-1},23}, {{20,9,-1},23}, {{22,11,12,-1},30}, {{22,11,13,-1},29}, {{23,14,15,12,-1},28}, {{23,13,-1},27}, {{21,14,15,16,-1},26}, {{21,19,-1},25}, {{21,17,18,16,-1},24}};int flag[23]={0};//標記各個特征是否選擇 int IsAnimal(int a);int inference();void input();void menu();void menu(){ int i=0;

for(i=0;i<24;i++){

if(i%4==0&&i!=0)

{

cout<

}

printf(“%-3d.%-15s”,i,feature[i]);

} } void input(){ int ti=0;for(int i=0;i<24;i++){

flag[i]=0;} while(ti!=-1){

cout<<“n輸入選擇（-1結束）：”;

cin>> ti;

if(ti>=0&&ti<=23)

flag[ti]=1;

else if(ti!=-1)

{

cout<<“輸入錯誤!請輸入0~23//notanimal=25

cin.clear();//清除流錯誤錯誤標

cin.sync();////////////清空輸入緩沖區

} } } int IsAnimal(int a){ if(a>=24&&a<=30)

return 1;

else

return 0;} int inference()//正向推理 {

int ti;

int i,j;

int tres;

cout<

for(i=0;i<15;i++)

{

j=0;

之間的數字!”<< endl;

ti=rule[i].relation[j];

while(ti!=-1)//-1作為結束

{

if(flag[ti]==0)

break;

j++;

ti=rule[i].relation[j];

}

if(ti==-1)//ti==-1代表規則滿足

{

tres=rule[i].name;

flag[tres]=1;

printf(“運用了規則%d : ”,i);

j=0;

while(rule[i].relation[j]!=-1)

{

cout<

j++;

}

cout<<“====> ”<

if(IsAnimal(tres))

{

return 1;

}

}

}

if(i==15)

{

cout<<“沒有這種動物”;

}

return-1;} void main(){

char q;

while(q!='n')

{

menu();

input();

inference();

cout<<“n繼續？(Y/N)”<

cin>>q;

system(“cls”);

} }

四、結果分析

1、若已知：動物是蹄類(23)，且有黑色條紋(13)，則結果：該動物對應事實數組的第27個“斑馬”。使用了推理規則12，即：{{23,13,-1},27}，使用規則運行結果如圖1所示：

圖1

2、若已知：動物是鳥類（21），且是肉食類（19），則結果該動物對應事實數組的第25個“海燕”。使用了推理規則14，即：{{21,19,-1},25}，使用規則運行結果如圖2所示：

圖2

五、心得體會

本實驗環境主要提供一個能夠實現模擬產生式專家系統的驗證、設計和開發的可視化操作平臺。使用戶既能用本系統提供的范例進行演示或驗證性實驗，也能夠用它來設計并調試自己的實驗模型。

通過這次實驗，我對產生式系統有了更深刻的認識。產生式系統是由一組規則組成的、能夠協同作用的推理系統。其模型是設計各種智能專家系統的基礎.產生式系統主要由規則庫、綜合數據庫和推理機三大部分組成。產生式系統用來描述若干個不同的以一個基本概念為基礎的系統，這個基本概念就是產生式規則或產生式條件和操作對。在產生式系統中，論域的知識分為兩部分：用事實表示靜態知識；用產生式規則表示推理過程和行為。專家系統的規則是由專家定的，在該實驗中，是由本人制定的。

教師評語：

教師簽名：

第三篇：人工智能與專家系統課程設計解讀

目錄

1.設計任務 1.1 設計題目 1.2設計要求 1.3設計任務 2．方案設計 2.1原理

2.2 具體設計方法 3．系統實施

3.1 系統開發環境 3.2系統主要功能介紹 3.3處理流程圖 3.4 核心源程序 3.5系統運行結果 4．開發心得

4.1設計存在的問題

4.2進一步改進提高的設想 4.3經驗和體會 5．參考文獻 1.設計任務 1.1 設計題目

在一個3*3的方棋盤上放置著1,2,3,4,5,6,7,8八個數碼,每個數碼占一格,且有一個空格。這些數碼可以在棋盤上移動，該問題稱八數碼難題或者重排九宮問題。

1.2 設計要求

其移動規則是：與空格相鄰的數碼方格可以移入空格。現在的問題是：對于指定的初始棋局和目標棋局，給出數碼的移動序列。

1.3 設計任務

利用人工智能的圖搜索技術進行搜索，解決八數碼問題來提高在推理中的水平，同時進行新方法的探討。

2.方案設計 2.1 原理

八數碼問題是個典型的狀態圖搜索問題。搜索方式有兩種基本的方式，即樹式搜索和線式搜索。搜索策略大體有盲目搜索和啟發式搜索兩大類。盲目搜索就是無“向導”的搜索，啟發式搜索就是有“向導”的搜索。

2.2 具體設計方法

啟發式搜索

由于時間和空間資源的限制，窮舉法只能解決一些狀態空間很小的簡單問題，而對于那些大狀態空間的問題，窮舉法就不能勝任，往往會導致“組合爆炸”。所以引入啟發式搜索策略。啟發式搜索就是利用啟發性信息進行制導的搜索。它有利于快速找到問題的解。由八數碼問題的部分狀態圖可以看出，從初始節點開始，在通向目標節點的路徑上，各節點的數碼格局同目標節點相比較，其數碼不同的位置個數在逐漸減少，最后為零。所以，這個數碼不同的位置個數便是標志一個節點到目標節點距離遠近的一個啟發性信息，利用這個信息就可以指導搜索。即可以利用啟發信息來擴展節點的選擇，減少搜索范圍，提高搜索速度。

啟發函數設定。對于八數碼問題，可以利用棋局差距作為一個度量。搜索過程中，差距會逐漸減少，最終為零，為零即搜索完成，得到目標棋局。

3.系統實施

3.1 系統開發環境

Windows操作系統、SQL Server 200X

3.2 系統主要功能介紹

該搜索為一個搜索樹。為了簡化問題，搜索樹節點設計如下： struct Chess//棋盤

3.4 核心源程序

#include “stdio.h” #include “stdlib.h” #include “time.h” #include “string.h” #include #include using namespace std;

const int N=3;//3*3棋盤

const int Max_Step=30;//最大搜索深度

enum Direction{None,Up,Down,Left,Right};//方向 struct Chess//棋盤 { int cell[N][N];//數碼數組

int Value;//評估值

Direction BelockDirec;//所屏蔽方向

struct Chess * Parent;//父節點 };

//打印棋盤

void PrintChess(struct Chess *TheChess){ printf(“----------n”);for(int i=0;i

printf(“t”);

for(int j=0;j

{

printf(“%dt”,TheChess->cell[i][j]);

}

printf(“n”);} printf(“tttt差距:%dn”,TheChess->Value);}

break;case Left:

t_j++;

if(t_j>=N)

AbleMove=false;

break;case Right:

t_j--;

if(t_j<0)

AbleMove=false;

break;};if(!AbleMove)//不可以移動則返回原節點

{

return TheChess;}

if(CreateNewChess){

NewChess=new Chess();

for(int x=0;x

{

for(int y=0;y

NewChess->cell[x][y]=TheChess->cell[x][y];

} } else

NewChess=TheChess;NewChess->cell[i][j]=NewChess->cell[t_i][t_j];NewChess->cell[t_i][t_j]=0;

return NewChess;}

//初始化一個初始棋盤

struct Chess * RandomChess(const struct Chess * TheChess)

p=NULL;queue Queue1;Queue1.push(Begin);//搜索

do{

p1=(struct Chess *)Queue1.front();

Queue1.pop();

for(int i=1;i<=4;i++)//分別從四個方向推導出新子節點

{

Direction Direct=(Direction)i;

if(Direct==p1->BelockDirec)//跳過屏蔽方向

continue;

p2=MoveChess(p1,Direct,true);//移動數碼

if(p2!=p1)//數碼是否可以移動

{

Appraisal(p2,Target);//對新節點估價

if(p2->Value<=p1->Value)//是否為優越節點

{

p2->Parent=p1;

switch(Direct)//設置屏蔽方向,防止往回推

{

case Up:p2->BelockDirec=Down;break;

case Down:p2->BelockDirec=Up;break;

case Left:p2->BelockDirec=Right;break;

case Right:p2->BelockDirec=Left;break;

}

Queue1.push(p2);//存儲節點到待處理隊列

if(p2->Value==0)//為0則,搜索完成{

p=p2;

i=5;

}

}

else

{

//打印

if(T){

/*把路徑倒序*/

Chess *p=T;

stackStack1;

while(p->Parent!=NULL)

{

Stack1.push(p);

p=p->Parent;

}

printf(“搜索結果:n”);

while(!Stack1.empty())

{

PrintChess(Stack1.top());

Stack1.pop();

}

printf(“n完成!”);}else

printf(“搜索不到結果.深度為%dn”,Max_Step);

scanf(“%d”,T);} 3.5 系統運行結果

4.開發心得

4.1 設計存在的問題

完全能解決簡單的八數碼問題，但對于復雜的八數碼問題還是無能為力。4.2 進一步改進提高的設想

可以改變數碼規模（N），來擴展成N*N的棋盤，即擴展為N數碼問題的求解過程。

2、內存泄漏。由于采用倒鏈表的搜索樹結

05.參考文獻

[1]王汝傳.計算機圖形學[M].北京：人民郵電出版社，1999：123－130.[2]劉榴娣，劉明奇，黨長民.實用數字圖像處理[M].北京：北京理工大學出版，2000：12－25..[3]丁兆海.Delphi基礎教程[M].北京：電子工業出版社，1999.[4]王小華.Delphi 5程序設計與控件參考[M].北京：電子工業出版社，1999:70－120.[5]趙子江.多媒體技術基礎[M].北京：機械工業出版社，2001：118－130.[6]段來盛，鄭城榮，曹恒.Delphi實戰演練[M].北京：人民郵政出版社，2002：80－95.

讀書的好處

1、行萬里路，讀萬卷書。

2、書山有路勤為徑，學海無涯苦作舟。

3、讀書破萬卷，下筆如有神。

4、我所學到的任何有價值的知識都是由自學中得來的。——達爾文

5、少壯不努力，老大徒悲傷。

6、黑發不知勤學早，白首方悔讀書遲。——顏真卿

7、寶劍鋒從磨礪出，梅花香自苦寒來。

8、讀書要三到：心到、眼到、口到

9、玉不琢、不成器，人不學、不知義。

10、一日無書，百事荒廢。——陳壽

11、書是人類進步的階梯。

12、一日不讀口生，一日不寫手生。

13、我撲在書上，就像饑餓的人撲在面包上。——高爾基

14、書到用時方恨少、事非經過不知難。——陸游

15、讀一本好書，就如同和一個高尚的人在交談——歌德

16、讀一切好書，就是和許多高尚的人談話。——笛卡兒

17、學習永遠不晚。——高爾基

18、少而好學，如日出之陽；壯而好學，如日中之光；志而好學，如炳燭之光。——劉向

19、學而不思則惘，思而不學則殆。——孔子

20、讀書給人以快樂、給人以光彩、給人以才干。——培根

第四篇：人工智能感想

愛與被愛

——人類的愛是否永恒

當造物主要求被造者付出無條件的愛時，造物主對被造者有什么樣的責任？在影片開頭的公司作品會議上一位女工程師所問的：“當我們的機器人的程序被設計為要愛人類，那么我們人類是否應該、或者有責任去以愛去回饋機器人呢？”當被賦予愛的機器人與我們人類之間的是否存在清晰的差距？又或者當人類向機器人索取永恒的時候，有沒有想過：自己能不能做到“永恒”？機器人只能愛人而不能被愛，這作為一個人本身來說就是一個非常悲哀的事，而現實中誰能接受自己要付出自己的愛而永遠得不到別人的愛。與我們如此相似的機器人，卻跟我們有著截然不同的命運。

在影片中david的苦苦哀求著藍仙女：“Please make me into a real life boy, please make me a real boy, please please please make me real.。”到今天我的腦海還深深的印記這那幅畫面，在黑暗的海底，在廢棄的迪斯尼樂園中，找到藍仙女的塑像。David面對著永遠微笑的藍仙女祈禱哀求了兩千年，這個愿望卻是我們每個人所天生具備的，就是這個世界上獨一無二的人。那刻，我多么希望這是一部魔幻劇，那時藍仙女就會在david的祈禱下，張開她的翅膀，用仁愛的心為david實現愿望，可是沒有始終沒有，那個畫面就這樣定格在那里。

作為機器人的創造者，人類并不愿意對這些電子產品付出真愛，在人們眼里他們僅僅是玩偶，侍女，奶媽，仆人，性工具……。無論那時候的機器人被制作的如何逼真，人類都無法將他們當作整個社會的一分子。當人們需要他們的時候他們就是我們的朋友，不需要他們的時候便可以被遺棄被破壞。在影片里有一個地方稱為機器屠宰場，人們要將這些機器人處決，但處決的過程既殘忍而又像是馬戲表演。因為，人們要買票進場，而且觀看屠殺的還有很多孩子。這讓我聯想到古羅馬的斗獸場，血腥，殘酷，而人們卻把這種當成娛樂，多么扭

曲的心理，在科技文明如此高速發展的社會卻在做著野蠻無知社會的愚蠢舉動，這無疑是文明的倒退。

本部影片一直貫穿的就是david尋找藍仙女，要變成真正的人類的線索，而david所探索的是人的本質是什么，與機器人的區別在何處，是人有著人生觀，愛和有著被愛的權力嗎？ 而作為影片的女主角莫妮卡來說，這個角色是個矛盾體，她即代表人類母性光輝的形象，又在很多地方表現出人類的丑惡的一面，嫉妒，猜忌，還有自私。首先莫妮卡作為母親的身份，她是以一種利用和寄托的心理接受了david，而且在莫妮卡的兒子馬丁還未回家時，就對david表現出一種猜忌和害怕，既害怕卻又要去碰觸，其實在她心理是清楚的知道自己可以最david欲與欲求，這是否符合一個母親的行為。對David的愛本身就是有保留的，當面臨選擇的時候，母親義無返顧地，不加分析地，“正確”地站到兒子的一邊。她的理由很簡單： 首先，那是她的親生兒子；再者，David不是真正的人。不是獨一無二的，可以再次被創造。這是很現實的一個人類形象。

影片最后是2000年后，人類滅亡，外星人來到地球，雖然無法將一個機器人變為一個真正的人，卻可以幫助大衛克隆出了“莫尼卡”，只是被克隆的人只能活一天，大衛終于又和“莫尼卡”在一起了……這是否算是比較好的結局。我在想這個莫妮卡只是david心理面的莫妮卡，假如是真的莫妮卡為何不聞不問david的一切，好像一切都在滿足david，這是在david眼里一個只屬于他的媽媽，而他是否也開始傾注對莫妮卡的愛在這個“莫妮卡”身上，在一種意義上david 已由機器異化成了人。他執著地追求著愛，人類的愛。這樣的結局又給人一種思考的位置：此時的大衛正像以前的莫尼卡，而眼前這個克隆人更如同以前的大衛只是一個替代品而已，這是不是同時意味著又一個悲劇的開始呢？

愛與被愛，我們的選擇是什么？

第五篇：人工智能與專家系統外文文獻譯文和原文

人工智能與專家系統外文文獻譯文和原文 ARTIFICIAL INTELLIGENCE AND EXPERT SYSTEM 1.History of AI The seed of AI were sown only two years after General Electric installed the first computer for business use.The year was 1956, and the term artificial intelligence(AI)was coined by john McCarthy as the theme of a conference held at Dartmouth College.That same year, the first AI computer program, called Logic Theorist was announced.Logic Theorist’s limited ability to the reason(proving calculus theorems)encourage researchers to develop another program called the General Problem Solver(GPS), which was intended to solve problems of all kinds.The task turned out to be more then the early pioneers could handle.AI research continued, but it took backseat to the less ambitious computer applications such as MIS and DSS.Over time, however, persistent research continued to push back the frontiers of using the computer for tasks that normally require human intelligence.2.Areas of AI AI is currently being applied in business in the form of knowledge systems, which use human knowledge to solve problems.The most popular type of knowledge-based system is the expert system.An expert system is a computer program that attempts to represent the knowledge of human expert in the form of heuristics is derived from the same Greek root as the word eureka, which means “to discover”.A heuristic is, therefore, a rule of good guessing.Heuristics do not guarantee results as absolutely as do conventional algorithms that are incorporated into DSSs, but they offer results that are specific enough most of the time to be useful.The heuristics allow the expert system to function in a manner consistent with a human expert, advising the user on how to solve a problem.Since the expert system functions as a consultant, the act of using it is called a consultation--the user consults the expert system for advice.In addition to expert system, AI includes work in the following areas: neural networks, perceptive systems, learning, robotics, AI hardware, and natural language processing.These areas are illustrated the way that one area can benefit the others.3.The Appeal of Expert System The concept of expert system is based on the assumption that an expert’s knowledge can be captured in computer storage and then applied by others when the need arises.An expert system offers unique capabilities as a decisions support system.First, an expert system offer the opportunity to make decisions that exceed the manager’s capabilities.For example, a new investment officer for a bank can use an expert system designed by a leading financial expert and, in doing so, incorporate the expert’s knowledge into his or reaching a particular solution.Very often, the explanation of how a solution was reached is more valuable than the solution itself.4.An Expert System Model The model of an expert system consists of four main parts.The knowledge base houses the accumulated knowledge of the particular problem to be solved.The inference engine provides the reasoning ability that interprets the contents of the knowledge base.The expert and the knowledge engineer use the development engine to create the expert system.1.The User interface The user interface enables the manager to enter instructions and information into the expert system and to receive information from it.The instructions specify the parameters that guide the expert system through its reasoning processing.The information is in the form of values assigned to certain variables.(1)Expert System Inputs The most popular interface format today is the graphical user interface, which features a Windows look.Some systems employ a custom interface tailored to the problem being solved.For example, the screen might display a drawing of a mechical assembly.(2)Expert System outputs Expert system are designed to recommend solutions.These solutions are supplemented by explanations.There are two types of explanation: Expert system are designed to recommend solutions.These solutions are supplemented by explanations while the expert system performs its reasoning.Perhaps the expert system will prompt the manager to enter some information.The manager asks why the information is needed.The expert system provides an explanation.Explanation of the problem solution.After the expert system provides a problem solution, the manager can ask for an explanation of how it was reached.The expert system will display each of the reasoning steps leading to the solution.Although the inner working of the expert system can be complex , the user interface is user-friendly.A manager accustomed to interacting with a computer should have no difficulty in using an expert system.2.The Knowledge base The knowledge base contains both facts that describe the problem area and knowledge representation techniques that describe how the facts fit together in a logical manager.The term problem domain is used to describe the problem area.（1）Rules A popular knowledge representation technique is the use of rules specifies what to do in a given situation technique is the use of rules.A rule specifies what to do in a given situation and consists of two parts: a condition that may or may not be true and an action to be taken when the condition is true.An example of a rule is: IF ECONOMIC.INDEX>1.20 AND SEASONAL.INDEX>1.30 THEN SALES.OUTLOOK=”EXCELLENT” All of the rules contained in an expert system are called the rule set.The rule set can vary from a dozen of rules.A dozen of rules for a simple expert system,and 500, 1,000, or 10,000 rules for a complex one.(2)Network of Rules The rules of a role set are not physically linked, but their logical relationships can be illustrated with a hierarchical diagram.The rules at the bottom of the hierarchy provide evidence for the rules on the upper levels.The evidence enables the rules on the upper levels to produce conclusions.The top level might consist of a single conclusion, indicating that the problem has only a single solution.The term goal variable is used to describe the solution, which can be a computed value, an action to be taken, or some other recommendation.For example, if an expert system is to advise top-level management on whether to enter a new market area, a value of Yes or Not would be assigned to the single-goal variable MARKET DECISION.It is also possible for the top level of the hierarchy to include multiple conclusions, indicting the possibility of more than one solution.An example is an expert system that makes recommendations concerning the best strategy to follow in reacting to increased competitive activity.The system might select from among possible strategies of improving the quality of the firm’s products, investing more in advertising, or lowering prices.3.The Inference Engine The inference engine is the portion of the expert system that performs reasoning by using the contents of the knowledge base in a particular sequence.During the consultation, the inference engine examines the rules of the knowledge base one at a time, and when a rule’s condition is true, the specified action is taken.In expert systems terminology, the rule is “fired” when the action is taken.Two main methods have been devised for the inference engine to use in examining the rules: forward reasoning and reverse reasoning.(1)Forward reasoning In forward reasoning, also called forward chaining, the rules are examined one after another in a certain order.The order might be the sequence in which the rules were entered in to the rule set, or it might be some other sequence specified by the user.As each rule is examined, the expert system attempts to evaluate whether the conditions true or false.RULE EVALUSTION.When the condition is true, the rule is fired and the next rule is examined.When the condition is false, the rule is not fired the next rule is examined.It is possible that a rule cannot be evaluated as true or false.Perhaps the condition includes one or more variables with unknown values.In that case, the rule condition is unknown.When a role condition is unknown, the rule is not fired and the next rule is examined.THE ITERAIIVE REASONING PROCESS.The process of examining one rule after the other continues until a complete pass has been made through the entire rule set.More than one pass usually is necessary to assign a value to the goal variable.Perhaps the information needed to evaluate one rule is produced by another rule that is examined subsequently.For example, after the eleventh rule is fired, the fifth rule can be evaluated on the next pass.The passes continue as long as it is possible to fire rules.When no more rules can be fired, the reasoning process ceases.(2)Reverse Reasoning In reverse reasoning, also called backward chaining, the inference engine selects a rule and regards it as a problem to be solved.Using the rule set as shown in figure 20-1.Rule 12 is the problem, since it assigns a value to the goal variable P.The inference engine attempts to evaluate Rule 12 but recognizes that Rule 10 or Rule 11 must be evaluated first.Rule 10 and 11 become sub problems of Rule 12.The inference engine then selects one of the subproblems to evaluate, and the selected subproblem becomes the new problem.Figure20-1 Rules set THE FIRST LOGCAL PATH IS PURSUED.We will assume that Rule 10 becomes the problem.The inference engine then determines that Rule 7 and 8 must be evaluated before Rule 10 can be evaluated.Rules 7and 8 become the subproblems in this manner, searching for a rule that can be evaluated.THE NEXT LOGICAL PATH IS PURSUED.When the expert system attempts to evaluate Rule 11, Rule 9 becomes the problem;it can be evaluated using the outcomes of Rules 4 and 5.Because both Rules 4 and 5 are true, Rule 9 can be evaluated as true without the need to examined Rule 6.Once Rule 9 is fired, Rule11 can be fired as well.This makes it possible to assign a value to goal variable P, since Rule 12 is fired if either Rule 10 or 11 is true.(3)Comparing Forward and Reverse Reasoning Reverse reasoning proceeds faster than forward reasoning, because it does not have to consider all of the rules and does not make multiple passes through the rule set.Reverse reasoning is especially appropriate when: l There are multiple goal variables.l There are many rules.l All or most all of the rule do not have to be examined in the process of reaching a solution.Some inference engines are designed to perform both forward and reverse reasoning.The user can specify which one to use.4.The Development Engine The forth major component of the expert system is the development engine, which is used to create the expert system.When the inference engine consists of rules, this process involves building the rule set.There are two basic approaches: programming languages and expert system shells.(1)Programming Language You can create an expert system using any programming language;however, two are especially well suited to the symbolic representation of the knowledge base: Lisp and Prolog.Lisp was developed in 1959 by john McCarthy(one of the members of that first AI meeting), and Prolog was begun by Alain Colmerauer at the University of Marseilles in 1972.(2)Expert System Shells One of the first expert systems was Mycin, developed by Edward Shotlffle and Stanley Cohen of Stanford University, with the help of Stanton Axline, a physician.Mycin was created to diagnose certain infectious diseases.When the success of Mycin had been established, the developers looked for other ways tailored to apply their accomplishments.They discovered that the Mycin inference engine could be tailored to another type of problem by replacing the Mycin knowledge base with one reflecting the other problem domain.This finding signaled the start of a new approach to building expert system: the expert system sell.An expert system sell is a ready-made processor that can be tailored to a specific problem domain through the addition of the appropriate knowledge base.Today, most of the interest in applying expert system to business problems involves the use of sells.An example of a problem domain that lends itself to an expert system shell is help desk support.A help desk is a unit with-in the organization that provides technical help to users as well as to their own information specialists.In its most basic form, the help desk consists of one or more technical experts who receive users’ telephone calls for help.The user explains the problem and the technical expert suggests ways to solve it, perhaps referring to product manuals or other written sources.The help desk problem is so pervasive that a Helpdesk Institute was formed to facilitate dialogue among firms and industries with help desk expert system shells.When a firm uses one of the shells, it must populate the knowledge base with data concerning its own hardware and applications software.A software vendor can populate its knowledge base with data describing its software products, and so on.When a help desk expert system is used, either the user or the help desk staff member communicates directly with the system, and the system attempts to resolve the problem.One test of the degree of sophistication of artificial intelligence is whether the user cannot determine if he or she is interfacing with a human or a computer.This test has been called the Turing Test, in honor of the great pioneers in computer science, Alan Turing.The help desk expert systems use a variety of knowledge representation techniques.A popular approach is called case-based reasoning(CBR), which uses historical data as the basis for identifying problems and recommending solutions.Some systems employ knowledge expressed in the form of a decision tree, a network-like structure that enables the user to progress from the root through the network of branches by answering questions relating to the problem.The path leads the user to a solution at the end of branch.Expert system shells have brought artificial intelligence within the reach of firms that do not have the resources necessary to develop their own systems using programming language.In the business area, expert system shells are the most popular way for firms to implement knowledge-base system.5.Advantages and Disadvantages of Expert Systems As with all computer applications, expert systems offer some real advantages;but there are also disadvantages.The advantages can accrue to both managers and the firm.1.The Advantages of Expert Systems to Managers l Managers use expert systems with the intention of improving their decision-making.The improvement comes from being able to: l Consider More Alternative.An expert system can enable a manager to consider more alternatives in the process of solving a problem.For example, a financial manager who has been able to track the performance of only thirty stocks because of the volume of data that must be considered can, with the help of an expert system, track 300.By being able to consider a greater number of possible investment opportunities, the likelihood of selecting the best ones is increased.l Apply a Higher Level of Logic.A manager using an expert system can apply the same logic as that of a leading expert in field.l Devote More Time to Evaluating Decision Results.The manager can obtain advice from the expert system quickly, leaving more time to weigh the possible results before action has to be taken.l Make More Consistent Decisions.The computer does not have good days and bad days as the human manager does, Once the reasoning is programmed into the computer, the manager knows that the same solution process will be followed for each problem.2.The Advantages of Expert Systems to the Firm l A firm that implements an expert system can expert: l Better Performance for the Firm.As the firm’s managers extend their problem solving abilities through the use of expert system, the form’s control mechanism is improved.The firm’s better able to meet its objectives.l To maintain Control over the Firm’s Knowledge.Expert systems afford the opportunity to make the experienced employees’ knowledge more available to newer, less experienced employees and to keep that knowledge in the firm longer—even after the employees have left.3.The Disadvantages of Expert systems Two characteristics of expert systems limit their potential as a business problem-solving tool.First, they cannot handle inconsistent knowledge.This is a real disadvantage because, in business, few things hold true all the time because of the variability in human performance.Second, expert systems cannot apply the judgment and intuition that are important ingredients when solving semistructured or unstructured problems.人工智能與專家系統 1．AI（人工智能）發展史 僅僅在通用電器公司開始將電腦應用于商業領域之后兩年，即1956年，就出現了人工智能。人工智能這一術語是由John McCarthy在Ddartmouth大學的學術論壇上提出的。同年，第一個人工智能計算程序——Logic Theorist誕生了。Logic Theorist在推理方面的局限促使了研究人員開發另一個程序，那就是GPS(通用問題求解程序)。其目的是為了解決各種各樣的問題，其解決問題的能力比前幾代更強。

AI研究仍在繼續，但與MIS和DDS等計算機應用相比，研究熱情的減弱使人工智能的研究相對落后。然而，在研究方面的不斷努力一定會推動計算機向人工智能化方向發展。

2．AI領域 AI現在已經以知識系統的形式應用于商業領域，既利用人類知識來解決問題。專家系統是最流行的基于知識的系統，他是應用計算機程序以啟發方式替代專家知識。Heuristic術語來自希臘eureka，意思是“探索”。因此，啟發方式是一種良好猜想的規則。

啟發式方法并不能保證其結果如同DSS系統中傳統的算法那樣絕對化。但是啟發式方法提供的結果非常具體，以至于能適應于大部分情況啟發式方法允許專家系統能像專家那樣工作，建議用戶如何解決問題。因為專家系統被當作顧問，所以，應用專家系統就可以被稱為咨詢。

除了專家系統外，AI還包括以下領域：神經網絡系統、感知系統、學習系統、機器人、AI硬件、自然語言處理。注意這些領域有交叉，交叉部分也就意味著這個領域可以從另一個領域中收益。

3．專家系統的吸引力 專家系統的概念是建立在專家知識能夠存儲在計算機中并能被其他人應用這一假設的基礎上的。

專家系統作為一種決策支持系統提供了獨無二的能力。首先，專家系統為管理者提供了超出其能力的決策機會。比如，一家新的銀行投資公司可以應用先進的專家系統幫助他們進行選擇、決策。其次，專家系統在得到一個解決方案的同時給出一步步的推理。在很多情況下，推理本身比決策的結果重要的多。

4．專家系統模型 專家系統模型主要由4個部分組成：用戶界面使得用戶能與專家系統對話；

知識庫收藏了要特殊解決的問題；

推理引擎提供了解釋知識庫的能力；

專家和工程師利用開發引擎建立專家系統。

1．用戶界面 用戶界面能夠方便管理者向專家系統中輸入命令、信息，并接受專家系統的輸出。命令中有具體化的參數設置，引導專家系統的推理過程。信息以參數形式賦予某些變量。

（1）專家系統輸入 現在流行的界面格式是圖形化用戶界面格式，這種界面與Windows有些相同的特征。有些系統采用了與所要解決問題相稱的個性化界面例如，屏幕可能會顯示機械裝配圖。

（2）專家系統輸出 專家系統一般是提供解決方案的。這些解決方案都是以如下兩種方始輸出的：

①解決方案解釋。在專家系統提供了問題解決方案后，管理者可能還想知道是如何得到這種方案的。專家系統就會顯示一步步到達結果的推理過程。

②問題解釋。管理者可能希望得到專家系統對問題的推理過程。專家系統可能還需要管理者輸入一些信息。管理者問為什么需要信息，然后專家系統就會提供解釋。

雖然專家系統的內部工作很復雜，但是用戶界面相當友好，方便使用。一個會用計算機的管理者，使用專家系統對他來說也肯定沒有問題。

2．知識庫 知識庫即包括描述問題域，也包括以一定的邏輯描述事實的表示技術。術語“問題域”描述了所解決問題的業務領域。

（1）規則 規則是比較常用的表示技術。規則具體規定了在一種特定的情況下做什么。他有兩部分組成：一是條件，有真和假；

二是方法，是指在條件為真的條件下采取的行動。以下是規則的一個例子：

IF ECONOMIC.INDEX>1.20ANDSEASONAL.INDEX>1.30 THEN SALES.OUTLOOK=”EXCELLENT” 包含在專家系統里的所有規則叫做規則集每個專家系統；

每個專家系統里的規則集數量是不一樣的。一個簡單的專家系統有幾十條規則，復雜的專家系統有500或1 000甚至10 000條規則。

（2）規則網絡 規則集里的規則再物理上并沒有聯系。但是他在邏輯上的關系可用層次圖表示最底層的規則為上一級提供了依據。這些依據有助于上層的規則得出結論。

最頂層的可能只包含一個結論，這說明只有一個解決方案。目標變量是用來描述解決方案的。他可以是一個計算值一個可識目標，一種措施，或者一些建議。例如，如果一個專家系統是用來給管理者在是否要進入一個新市場決策上提供建議的，那么，單目標變量MARKET.DECISION的值就是Yes或No。

當然，也有可能在最高層得到多個結論，也就意味著有多種解決方案。例如，在關于提高市場競爭力戰略決策中，專家系統可能就會提供所有可能的方案，如提高公司產品質量、增加廣告投入量或降低價格。

3．推理引擎 推理引擎是專家系統的一部分，他根據特定順序在知識庫內容的基礎上進行推理。

在咨詢階段，推理引擎挨個檢查知識庫規則，當某條規則的條件為真時就采取規定的行動。在專家系統中，當采取行動時，就稱規則被激活。

在檢查規則中，一般采用以下兩種方法：正向推理和反向推理。

（1）正向推理 在正向推理（也稱為正向連接）中，規則是按照一定順序逐個檢查的。這種順序可能是輸入到規則集中的順序，也可能是由用戶自己定義的順序。當檢查每個規則之后，專家系統開始求值，既為“真”還是為“假”。

規則求值。當條件為真時，規則就被激活，然后再檢查下一個規則。當然還存在規則的值即非“真”又非“假”的情況。這種情況下，規則的條件是不知到的，這是，規則不被取消，繼續檢查下一條規則。

迭代推理過程。挨個檢查規則集中的規則，直到規則集中所有的規則都檢查完畢。有時為了設定一個目標變量值往往要通過好幾輪測試。可能測試這個規則所需要的信息是來自另一個規則測試的結果。比如，在第11個規則被激活后，第5個規則才進行測試。只要有規則被激活了，測試就繼續，直到規則沒有激活推理過程才結束。

（2）反向推理 在反向推理（也稱為反向連接）中，推理引擎將規則視為一個待解決的問題。如圖20-1所視的規則集中，規則12是一個問題，因為他分配了一個值給目標變量P。推理引擎試圖得出規則12的值，但是，有圖中可知，我們必須先要知道規則10和11的結果。規則10和11是規則12的子問題。推理引擎先要對子問題進行求值。

圖20-1 規則集 選擇第一條邏輯路徑。我們假設當前規則10是待解決的問題。推理引擎在解決問題前首先要確定規則7和8的值。現在規則7和8是子問題，同樣要解決這個子問題，先要用之前講過的方法細分問題域，直到能夠求值。

選擇下一條邏輯路徑。當專家系統嘗試對規則11求值時，規則9成為問題。利用規則4和5的結果來對其求值。因為規則4和5都為真，所以規則9的值也為真。沒有必要對規則6進行求值了。

規則9被激活后。規則11也被激活了。因為只要規則10或規則11其中一個為真，就可以激活規則12了，目標變量P的值也就可以得知。

（3）正向推理和反向推理的比較 反向推理比正向推理要快。因為反向推理不必考慮所有的規則，也不用一輪一輪在規則中求值。反向推理尤其適用于以下幾種情況：

①多個目標變量；

②有很多的規則；

③在求的問題結的過程中無須將所有的或幾乎所有的規則都檢查一便。

有些推理引擎即適合正向推理也適合反向推理，視具體情況而定。

4．開發引擎 專家系統的第4個重要組件就是開發引擎。他用來建造專家系統。當推理引擎包含許多規則時，建造專家系統的過程就涉及到建立規則集。有兩種基本方法：程序語言或專家系統外殼程序。

（1）程序語言 你可以應用任何語言創建專家系統，但最適合符號化表示知識庫的兩種語言是：Lisp和Polog。Lisp是在1959年由McCarthy（首屆AI會議的成員之一）開發的。Prolog是在1972年由Alain Colmerauer在Marseilles大學開發的。

（2）專家系統外殼程序 第一個專家系統是Mycin，是由Stanford大學的Edward Shortliffe和Stanley Cohen在物理學家Stanton Axline的幫助下開發的。Mycin是用來診斷某種傳染病的。

當成功開發第一個專家系統Mycin后，開發者們試圖在別的各個領域應用這個成果。他們發現如果將知識庫更換成反映另一個問題的相關知識Mycin推理引擎能夠適用于該類型的問題域。這種發現開創了建立專家系統的新方法：專家系統外殼程序。他是一段預先編寫好的程序，只要增加相應的知識庫就能夠適用于一個具體的問題域。如今應用專家系統解決商業問題的焦點在于外殼程序的應用。

由問題域導出專家系統外殼程序，其中的一個例子就是桌面幫助支持。桌面幫助支持就是系統的一個單元，為用戶提供技術幫助。信息服務單元典型的給用戶和信息專家提供桌面幫助。桌面幫助最基本的形式就是一兩個專家給用戶進行電話答疑。用戶提出問題，專家予以解答。

桌面幫助問題是如此的普遍，以致于再公司成立了桌面幫助部門以方便對話。在年會上，最重要的一項活動就是演示專家系統的外殼程序的桌面幫助。當一個公司應用其中一個外殼程序時，他必須擴充相關生產線的知識庫。比如，信息服務單元應該擴充硬件和應用軟件的相關數據，在軟件的幫助庫中擴充軟件描述等。

當桌面幫助專家系統得以應用，用戶以及桌面幫助員工就可以直接跟專家系統對話，系統就可以解決問題。人工智能的智能化程度的一個測試就是用戶是否不能判別出 他是在跟機器還是在跟人對話，這種測試稱為Turing測試。Alan Turing是計算機學偉大的先驅之一。

桌面幫助專家系統利用不同的信息表示技術。比較流行的方法是CBR(case-based reasoning，基于事實的推理)。他是根據歷史數據作為識別問題的基礎，然后提出解決方案。有些系統是以決策樹的形式來表示的。他是一個網狀結構，使用戶能夠回答與解決相關的問題。

專家系統外殼程序引入了人工智能，使公司沒有必要開發他們自己的系統。在商業領域，公司經常使用專家系統外殼程序來實施基于知識的系統。

5．專家系統的優缺點 跟其他計算機應用一樣，專家系統提供了一些實際利益，但也有一些不足之處。管理者和公司都可以從專家系統中收益。

1.家系統為管理者帶來得好處 管理者應用專家系統改進決策。這些改進表現如下：

（1）提供更多的選擇。在解決問題過程中專家系統能促使管理者考慮到更多的選擇。比如，沒有專家系統，由于考慮范圍有限，財務經理只能跟蹤30種股票的表現。但是有了專家系統，就可以跟蹤300種股票。考慮的投資范圍的擴大，也就增加了選擇最佳方案的可能性。

（2）應用更高的邏輯層。管理者借助于專家系統，能夠達到最先進的專家邏輯水平。

（3）傾注更多的時間于評估方案之上。管理者能夠快速的從專家系統中得到建議，給管理者在行動之前留下更多選擇和權衡的時間。

（4）決策更加一致。與管理者相比，計算機不會有攙雜個人情感的波動因素，一旦將推理輸入到計算機，管理者就會得到確定的方案。

2.為公司帶來得好處 專家系統為公司帶來如下好處：

（1）公司有更好的業績。因為管理者是借助于專家系統解決問題的，所以公司的管理機制得到大大的改善公司能夠更好的接近目標。

（2）保持對公司知識的控制。專家系統為老員工傳授豐富的經驗給新員工創造了機會。即使員工離開后，也能夠使知識自成一體。

6.專家系統的缺點 專家系統的兩個特征限制了將其作為商務問題解決工具的潛能。第一，他們不能處理一致性知識的問題。這是一個實實在在的不足之處，因為在商業中，由于人為因素的可變性，沒有事情時時正確。第二，專家系統不能應用判斷和指導，而在解決結構化問題時他們是很重要的因素。