增量非单调推理

非单调推理的特点是，在推理系统中增加新的知识可以导致结论被修改。因此任何复合行动的知识，都可以“增量式”的加入到原来的系统中即为增量非单调推理。

机器人分层任务规划的非单调理论与实现与经典(命题，一阶)逻辑相比，非单调推理的特点是，在推理系统中增加新的知识可以导致结论被修改。在服务机器人相关的知识表示和推理过程中，由于受到机器人硬件以及感知模块的限制，对环境信息的建模往往是不完备的，在推理过程中必须对环境做出假定，即环境中的推理是“通常情况下”的推理。在此基础上我们才能对机器人的知识背景进行表达，并采用相应的推理技术得到一般情况下的结论，当环境发生改变时，原来的假定，以及可以得到的结论不再成立。在这种情况下，我们需要更新背景知识，并且推理出和以前不一样的新知识。非单调推理系统能够很方便地处理这类知识更新的问题，从而使得推理系统在一定程度上满足elaboration tolerance的要求。1

非单调理论以及行动语言背景常识知识的表达与推理是知识表达领域的重要问题，常识知识的一个重要的特点是具有非单调性质，因此非单调推理系统和理论得到广泛的关注和研究。主要的工作包括缺省逻辑(Default Logic)、自认知逻辑(Autoepistemic Logic)以及界限(Circumscription)。这些工作主要为了解决推理中的框架问题以及默认情况下的推理等问题。非单调理论对于框架问题的解决主要依赖于“惯性性质”的表达。“框架问题”本身是指，在通过逻辑公式刻画的规划问题中，在每一个行动执行时，只有少量的物体的状态被改变，而大部分物体的状态都保持不变，如何通过不显式表达的方式将这些不发生改变的状态都表达出来。惯性规则表达的是，一个谓词，如果没有其他的行动或其他谓词直接改变，那么在下一个状态这些谓词的值保持不变。在基于非单调语义的系统中，这样的知识可以很方便的进行表达，例如基于稳定模型语义的逻辑程序以及基于非单调因果理论的行动语言C+。

行动语言是一种描述行动的改变和转移的正式语言，其语义主要通过语言对应的转移系统来定义。传统上的转移系统通过一系列状态和转移来定义。一个转移，通过行动将一个状态和在这个状态执行某个动作之后的后继状态联系起来。在转移系统中，一个规划结果可以表达成一条对应长度的路径。1

非单调理论非单调理论是指随着信息的增加，结论可以被修改的推理。非单调理论常常用在常识知识的表达，以及自然语言理解中。首先简要回顾非单调理论的3类主要工作一缺省逻辑，自认知逻辑以及界限。之后详细介绍表达行动语言C+语义的非单调因果理论。1

行动的模块化的描述方式的体现对于机器人现有的知识库中的知识，向其中增加新的知识时，不需要对现有的知识进行任何更改。一般来讲，由于行动描述对于环境的刻画不完备，因此对于一个系统进行扩展时，之前的一些假定新的环境下面已经不成立了，虽然采用非单调的推理系统缓解了这种情况，但是有些时候，在扩展的同时还需要对原来的系统描述进行更改。展示了复合行动定义可以“增量式”的增加到一个行动描述中，不需要对原来的行动描述做任何改变。实际上，由于复合行动表达的是在一些特定情况之下的基本行动的连续执行，而基本行动是根据机器人的硬件系统确定的。并且由于采用复合行动的扩展是可靠并且完备的，因此任何复合行动的知识，都可以“增量式”的加入到原来的系统中。和之前的系统一起完成各种规划任务。这样就为机器人从上面描述的知识库中获取一些过程性知识提供了方便的基础。1

模糊Perti网的知识推理与维护系统的设计随着模糊数学的出现，提出了模糊Petri网的概念，它具有处理不精确知识的能力。以模糊Perti网(FP哟的基本数学定义为基础，通过讨论基于模糊产生式系统的模糊知识表示法，建立了模糊产生式规则与模糊Petri网之间的映射关系，提出了相应的转换算法;为了提高模糊Perti网的表达能力，根据模糊知识表示的特点，提出了改进的模糊Petri网模型，减少了Perti网的结点数目，在一定程度上降低了网系统的复杂程度;对于基于模糊产生式规则的知识库系统，提出了基于即N模型的正向推理算法和反向推理算法，并且在信息不完备的情况下，能够进行默认推理;结合两种推理策略的优点，提出了一种基于FPN模型的双向推理算法;通过对模糊Petri网动态运行机制的分析，给出了基于FPN模型的知识库一致性维护算法。通过修改托肯增量计算函数，对新知识进行肯定并且对旧知识在一定程度上进行保留，提供了对非单调推理的支持:最后，结合面向对象技术与可视化编程技术，用VC++6.0在Win32平台下实现了上述系统的原型系统。2

模糊知识推理在知识处理领域中，基于模糊知识的推理己经引起了人们的广泛重视。模糊推理的目的就是从已知的事实(精确的、不太精确的或者模糊的)出发，应用模糊知识库中所描述的知识，推导出关于结论的模糊描述。在这里，基于经典的二值逻辑或基于多值逻辑建立起来的推理方法不再适用。模糊推理在许多方面与人类的模糊思维、决策和推理十分类似。因而研究模糊推理的一些特征和所遵循的规律，无疑为模拟智能提供了一个有力的武器v31l。应用模糊Perti网来表示模糊产生式的规则，不仅可以简化知识表示，使整个知识库更加具有条理性，更重要的是依据Petri网的数学原理，可以提出新的推理规则，提高推理的效率。尤其在网络多主体协同推理的情况下具有极大的优势，这方面将是进一步的研究方向。

FPN的运行过程就是一个问题的求解的过程。推理机在这一过程中将根据事实库、规则库中的已有知识，不断以迭代的方式对新的事实的确信度进行计算，最后得出用户所关心问题的答案。根据不同的应用，推理系统对推理过程可以采用不同的推理策略。常用的有数据驱动(也称为正向推理)和目标驱动他称为反向推理)的推理控制策略，综合两种推理控制策略的推理策略称为双向推理。2

一致性维护算法基于规则的产生式系统是应用较为广泛的一类专家系统，其知识库的规则可自由地增加、修改和删除。然而随着从领域专家处不断获取知识，知识库越来越大，库中知识单元之间的相互影响和相互联系随之变得复杂，难以跟踪和捉摸，这时知识库的一致性，逻辑错误检查显得尤为重要。知识库的一致性检验问题己受到十分关注，成对规则比较、关系图、推理图vsIl等的应用在一致性检验方面均取得了良好效果，但是正如Hnayes一Roth所指出的l叫:基于规则系统所缺少的一个重要方面是一种合适的验证方法或技术，以测试和检查规则集的一致性和完整性。Perti网模型能有效地表达系统的静态和动态行为，为基于规则的系统提供了一个自然有效的分析方法。

在模糊默认推理中，没有足够多的信息使推理取得的结论一定正确，因为推理是基于一些简化的假设成立的前提的，后增加的信息可能会使该系统先前得到的结论不再成立，这种情况称为非单调推理。此时可以简单的用新增加的信息筱盖原来得到的信息，但这样做使得先前为推理该结论所做出的努力付诸流水，而新信息也并不一定就完全正确。在即N模型中这个问题很好解决，依照新信息有更高的价值、旧信息在某种程度上也成立的观念，对托肯增量函数进行修改:R(M(p)，o，β)=λ+(1一λ)xM(p)。

其中λ为新信息的置信度，M(p)即表示旧信息的置信度。

这样得到的就是人们对信念进行修改的历史的综合结论，更符合人们认识世界和改造世界的一般过程。2

本词条内容贡献者为:

王沛 - 副教授、副研究员 - 中国科学院工程热物理研究所