Visual Prolog 的 Web 专家系统 (7)

时间:2023-09-18 16:18:02

GENI核心 -- 推理引擎(1)知识表示

GOAL最后一句是谓语infer(),它的含义是“论证”。

因此,,进GENI核心,执行视图推理引擎。

infer()

  infer():-
topic(Maingoal,_),
go([],MainGoal,""),!.
infer():-
errorexit.

topic(Maingoal,_)

topic现存于事实库geni中。取出的Maingoal = "animal"。

假设依照前面几节分析程序的路子走,如今应该从谓词go([],MainGoal,"")出发。

我试着走了一遍,最后,发觉不行。

原因在于,推理机的代码量,比前几节的总和还多;

处理知识数据的方式方法复杂得多。

程序逻辑和执行流程。准确分析的难度大得多。

所以。必须做一些基础性准备工作,搞清楚推理机相关知识数据的总体情况;

搞清楚推理机的逻辑、执行机制特点,和一些VIP内建谓词的使用方法。

因此,把推理机的问题分解成4个小节:知识表示、流程控制、内建谓词与外建谓词、例程分析。

今天,開始第1小节。

一、Prolog的知识表示

Prolog程序的基本结构是“事实 + 规则”。或者,“知识 + 控制”。

与过程性程序不同的是,说明式的Prolog,知识(数据)与控制浑然一体。

这表如今2个方面:

1、知识表达方式

Prolog主要用事实库表示知识。也能够用谓词子句表示知识。

用事实库表示知识

事实库、知识库可看作一回事情。

事实库是定义在程序内部的知识库。知识库是存在于程序外部的事实库。

以知识库animal.gni为例。看它的内容:

rule(1,"carnivore","cheetah",[1,2],"animals\\cheetah.htm")
rule(2,"carnivore","tiger",[1,3],"<img src=\"animals/tiger02.jpg\">")
rule(3,"ungulate","giraffe",[5,2,4],"<img src=\"animals/giraffe0.jpg\"&;&uot;)
rule(4,"ungulate","zebra",[3],"<img src=\"animals/zebra.jpg\">")
rule(5,"bird","ostrich",[5,7,8],"<img src=\"animals/3bird.jpg\">")
rule(6,"bird","penguin",[9,10,8],"<img src=\"animals/pen.jpg\">")
rule(7,"bird","albatross",[11],"animals\\albatros.htm")
rule(8,"animal","mammal",[12,13],"")
rule(9,"animal","bird",[9,14],"")
rule(10,"mammal","carnivore",[15],"")
rule(11,"mammal","ungulate",[16],"")
cond(1,"it has tawny color","animals\\animals.htm")
cond(2,"it has dark spots","animals\\animals.htm")
cond(3,"it has black stripes","animals\\animals.htm")
cond(4,"it has long neck","animals\\giraffe.htm")
cond(5,"it has long legs","<img src=\"animals/longlegs.jpg\">")
cond(6,"it does fly","<img src=\"animals/fly.jpg\">")
cond(7,"it has a long neck","animals\\animals.htm")
cond(8,"it has a black and white color","animals\\animals.htm")
cond(9,"it has feathers","animals\\bird3.htm")
cond(10,"it swims","animals\\swim.htm")
cond(11,"it does fly well","animals\\flywell.htm")
cond(12,"it has hair","animals\\animals.htm")
cond(13,"it does give milk","animals\\animals.htm")
cond(14,"it lays eggs","<img src=\"animals/egg.jpg\">")
cond(15,"it eats meat ","animals\\meateat.htm")
cond(16,"it does chew cud","animals\\animals.htm")
topic("animal","I will try to guess which animal you are thinking of")
default_startpage("animal.htm")

GENI用内建谓词consult,把它们加载事实库。“知识”变成了“事实”。

用谓词子句表示知识

比如:

cheetah :-
mammal,
carnivore,
has_tawny_color,
has_dark_spots.
tiger :-
mammal,
carnivore,
has_tawny_color,
has_black_stripes.

专家系统外壳

把详细知识从程序代码出中分离出来。建立独立的知识库,

这样的设计结构的专家系统,叫做“专家系统外壳”。

GENI就是这样的“专家系统外壳”,仅仅是功能比較简单。

设计专家系统,应当採用这样的“外壳 + 知识库”的结构。

2、知识与控制都是谓词

不但“控制性”谓词能够表示知识。知识也能控制程序。

“事实”作为知识性谓词。直接參与并影响程序执行的走向。

这个问题。会在下一节专门具体探讨。

二、GENI事实库的知识储备情况

前面几节介绍了。CGI数据处理整形成为知识。存入了内部事实库。

如今。应该明白事实库里的“存货”情况。

1、静态数据(知识、事实)

主要包含,知识库名称和animal.gni的所有内容。

简要分析一下知识库animal.gni的知识表示。

rule的含意

比如。rule(1,"carnivore","cheetah",[1,2],"animals\\cheetah.htm")

意思是:rule(编号,大类(或小类),小类(或动物名称),[本rule成立的条件,即cond的编号]。对本rule的解释)

cond的含意

比如,cond(15,"it eats meat ","animals\\meateat.htm")

意思是:cond(编号,询问用户的问题。对询问的提示)

topic的含意

topic("animal","I will try to guess which animal you are thinking of")

意思是:topic(主题。对主题的解释)

rule之间是“树”的关系,主题animal是根节点,也是推理机工作的起点。

条件是彼此独立的,cond之间。没有联系。

2、动态数据(用户的回答)

网络传送时,它的形态是cond_X,X是数字。

在事实库中的形式是yes(X),或no(X)。

3、特别数据whymeet

当用户在浏览器button“why”时,它传送到GENI。

GENI照此要求,向用户解释提出某个问题的解决办法。

whymeet是个操作命令。不参与的推理过程。

的静态和动态知识,推理要求。

版权声明:本文博主原创文章,博客,未经同意不得转载。