归结原理 人工智能-《CF》遗传算法的基本步骤及应用方法

目录

1 归结演绎推理

归结推理（Resolution）是一种经典的自动推理方法，可以用于判定一个命题是否为真。其基本思想是将待证明的命题与其否定命题归结为一个矛盾集合，从而说明原命题是不成立的。其主要步骤如下：

将待证明的命题转化为一个子句集合将待证明的命题的否定形式也转化为一个子句集合。用所有可能的方式将两个子句进行配对，如果存在一对子句中的正文字与否定文字相同，则使用这对子句进行归结。具体来说，将这两个子句中的正文字和否定文字分别删除，将剩余部分合并成一个新的子句，称为归结子句。如果成功归结出一个空子句，则说明矛盾集合成立，即待证明的命题不成立；如果无法进行归结操作，则说明待证明的命题无法判断是否成立。

归结的步骤原理主要是利用逻辑上的结构特征，对两个子句中相同的文字进行删除，最终得到一个归结子句。通过归结的过程，将待证明的命题转化为一个矛盾的子句集合，从而判定它是否成立。这个过程类似于反证法，假设待证明的命题为真，然后将其与否命题进行归结，最终发现得到矛盾的结论，从而说明原命题不成立。

子句集：

谓词公式化为子句集步骤_哔哩哔哩_bilibili

归结：

总结：

2 可信度分析 CF模型

可信度推理 - penoy - 博客园 (cnblogs.com)

对于结论的合成

加权的不确定性推理

※

3 模糊推理-构造

扎德方法构造模糊关系：

例题：

4 A*

局部择优和全局择优※。

5 遗传算法

遗传算法是一种基于生物进化过程的随机搜索算法，主要用于解决优化问题。其主要流程包括以下步骤：

初始化种群

在初始时，需要从问题空间中随机生成一组个体（也称为染色体），作为种群的初始集合。

评估适应度

对于每个个体，需要计算其适应度分值，以评价其解决问题的能力。适应度分值通常定义为目标函数的值，或者根据目标函数的值进行转换得到。

选择操作

按照适应度的高低对个体进行选择，使得适应度更高的个体有更大的概率被选择，从而保留优秀的个体。

交叉操作

对被选择的个体进行交叉操作，产生新的个体，其基因来自于两个父代个体的染色体。交叉操作是遗传算法中最重要的操作之一，其目的是继承优秀的特征，增强种群的多样性。

变异操作

对新产生的个体进行变异操作归结原理 人工智能，以引入新的基因变异，从而增加种群的多样性。变异操作是保证算法全局搜索能力的一个重要环节。

评估适应度

对交叉、变异后的新个体，计算其适应度分值。

生成新种群

选择、交叉、变异和适应度评估这四个步骤组成了遗传算法的一个迭代过程。每次迭代完成后，需要根据某种策略生成新的种群，通常选择一些具有较高适应度分值的个体作为新种群的成员。

终止条件

当达到某个终止条件时归结原理 人工智能，算法停止迭代，输出最优解或近似最优解。

以上是遗传算法的主要步骤，其中每个步骤的实现都有多种不同的技术和策略，需要根据具体问题进行调整和选取。

6 神经网络

其他：

【人工智能】可信度方法、贝叶斯、证据理论、模糊推理考试大题_哔哩哔哩_bilibili