Bevezetés a továbblépésbe és a hátraláncba
Az előremenő és hátraláncolás az a mód, amelyet a következtetési motor használ, hogy új információt vonjon le a tudásbázisból. A következtetési motor az intelligens rendszer egyik fő alkotóeleme a mesterséges intelligencia területén, amely logikai szabályokat alkalmaz a meglévő információkra (tudásbázis), hogy új információkat vonjon le a már ismert tényből. Az előremenő és a hátraláncolás az a két mód, amellyel a következtetési motor levonja az új információkat. Az előre és hátra terjedés pontosan ellentétes egymással, oly módon, hogy új információkat vonnak le az ismert tényekből.
Hogyan működik a továbbterjedés?
Az előremenő láncolat, amelyet néhányan előre érvelésként vagy előre levonásként ismernek, az ismert tény vagy atommondat alapján kezdődik a tudásbázisban, és fokozatosan következtetési szabályokat alkalmaznak a már ismert tényekre, amíg el nem érjük a célállapotot. Dióhéjban, a továbbláncolás a rendelkezésre álló adatok alapján döntést hoz, vagy elérje a célállapotot.
Az előremenő lánc tulajdonságai
- Alulról felfelé irányuló megközelítést követ, azaz az érvelés levonása alulról felfelé halad
- Adatvezérelt megközelítésnek is nevezik, mivel a meglévő adatokra támaszkodik a célállapot elérése érdekében
- Összegzés-vezérelt, azaz célja a következtetés megfogalmazása a kezdeti állapotból
- Széles körben használják a szakértői rendszerben, például a CLIPS és a Gyártási szabályrendszerben
Példa
Nézzünk meg egy példát, hogy megértsük, hogyan működik a Forward Chaining a gyakorlatban
1. szabály: Ha A A ember, akkor A emlős
2. szabály: HA A emlős, akkor A akkor élő forma
3. szabály: Ha A A élő forma, akkor A A halandó
Tény: A Shyam ember
Ezen következtetési szabályok alapján el kell érnünk a célt
Cél: Shyam halandó?
Lépések:
- Kezdje az ismert ténynel. Tudjuk, hogy Shyam ember (a tény állításából).
- Az R1 segítségével arra következtethetünk, hogy Shyam emlős. Mivel ez nem egy célnyilatkozat, ezért folytassa.
- Akkor ugorj a 2. szabályra: ha Shyam emlős, akkor élő formának számít, így azt mondhatjuk, hogy Murat élő forma. Mivel ez nem egy célnyilatkozat, ezért folytassa
- Az R3 használatával, mivel a Shyam életforma, tehát halandósnak kell lennie. Mivel ez a célnyilatkozat, ezért lépjen ki
A továbblánc előnyei
- A Forward Chaining akkor remekül működik, ha a rendelkezésre álló információk felhasználhatók a célállapot elérésére
- A Forward Chaining képes korlátozott kezdeti adatokból sok adatot szolgáltatni
- A Forward Chaining a legjobban olyan Expert rendszer alkalmazáshoz, amely nagyobb ellenőrzést, tervezést és figyelést igényel
- A továbbláncot akkor kell alkalmazni, ha korlátozott számú kiindulási állapot vagy tény van
Az előremenő lánc hátrányai
- A következtetési motor új információkat generál anélkül, hogy tudná, mely információk relevánsak a célállapot elérésében
- Előfordulhat, hogy a felhasználónak sok információt be kell írnia anélkül, hogy tudta volna, mely információkat fogja használni a célállapot eléréséhez
- A következtetési motor számos olyan szabályt vezethet be, amelyek nem járulnak hozzá a célállapot eléréséhez
- Különböző következtetéseket vonhat le, amelyek a láncolási folyamat magas költségeit eredményezhetik
Hogyan működik a hátsó szaporodás?
A hátralánc vagy az előrehaladás a hátraláncolás fordítottja. A célállapotból indul, és következtetési szabályokkal visszafelé terjed, hogy megtudja azokat a tényeket, amelyek támogathatják a célt. Ezt nevezik célvezérelt érvelésnek is. A megadott céltól indul, megkeresi a szabály THEN részét (akció rész), ha a szabály megtalálható, és ha IF része megegyezik a következtetési szabálylal, akkor a szabály végrehajtódik más következtetési motorral, beállítva új alcélként.
1. szabály: HA A ÉS B HAGY A C
2. szabály: HA NEM E
3. szabály: HA ÉS E, HH
Tények: A, B
Cél: Bizonyítsuk be H
Bizonyíték:
1. lépés : Először a rendszer megkeresi azt az állítást, amelynek célja az RHS, azaz az R3, majd keresse meg a szabály LHS-jét, és ellenőrizze, hogy tartalmazza-e a tényt. A-t és E-t tartalmaz, de szükségünk van B-re is
2. lépés : Most az E lesz az alcél, amelyet a 2. szabály bizonyít. Most nézzük meg az LHS-t, azaz a C-t
3. lépés: A C bizonyítható az 1. szabály szerint, amelynek A és B az LHS-je
4. lépés : Mivel az A&B tényezőket elraboltuk a célból, így az algoritmus itt ér véget
5. lépés: Állj meg
A hátralánc tulajdonságai
- A hátraláncolás egy felülről lefelé irányuló megközelítés, ahol a célállapotból indulunk, és hátrafelé dolgozunk, hogy megtaláljuk a szükséges állításokat, amelyek alátámasztják a célt
- Célközpontú megközelítésként ismert, mivel a célból indulunk, majd részcélra osztjuk a tények kinyerésére
- Alkalmazza a Mélység első keresési stratégiát
- Csak korlátozott számú következtetést vonhat le
- Csak néhány szükséges szabályt tesztel
A hátralánc előnyei
- A hátraláncban történő keresés úgy irányul, hogy a feldolgozás a tény igazolásakor befejeződik
- A hátrányos láncolat csak a tudásbázis releváns részeit veszi figyelembe, így soha nem végez felesleges következtetéseket
- A Forward Chaining-rel ellentétben itt csak néhány adatpontra van szükség, de a szabályokat kimerítően keresik
- Nagyon hatékony olyan problémák esetén, mint a diagnosztizálás és a hibakeresés
hátrányok
- Mivel a hátraláncolás célközpontú, tehát a célt előre meg kell ismerni a hátraláncolás végrehajtásához
- Nehéz végrehajtani a hátraláncot
Következtetés - előre- és hátralánc
A szabályalapú rendszer releváns az ember mindennapi életében, ezért elengedhetetlen a rendszer ismerete. A szabályalapú rendszerekben alkalmazott mindkét mód saját előnyeivel és hátrányaival jár. A megközelítés kiválasztása a probléma természetétől függ.
Ajánlott cikkek
Ez egy útmutató a továbblépéshez és a hátralánchoz. Itt tárgyaljuk az előre és hátra láncolás tulajdonságait, példáit, előnyeit és hátrányait. Lehet, hogy megnézi a következő cikkeket is, ha többet szeretne megtudni -
- Előre láncolás vs hátralánc
- Hálózati eszközök
- Cheat sheet JQuery
- jQuery Elements