Präsentation herunterladen
Die Präsentation wird geladen. Bitte warten
1
Prädikatenlogik First-Order Logic
2
Überblick Warum Prädikatenlogik (PL) ? Syntax und Semantik von PL
Anwendung Wumpus-Welt in PL Wissensrepräsentation in PL KI 8-Prädikatenlogik
3
Vor- und Nachteile der Aussagenlogik
Aussagenlogik ist deklarativ Aussagenlogik erlaubt unvollständige / disjunkte / negierte Information (im Gegensatz zu den meisten Databasen) Aussagenlogik ist kompositional: Bedeutung von B1,1 P1,2 wird abgeleitet von der Bedeutung von B1,1 und P1,2 Bedeutung ist in Aussagenlogik kontext-unabhängig (im Gegensatz zu natürlicher Sprache) Aussagenlogik hat sehr begrenzte Möglichkeiten, Wissen zu repräsentieren Z.B. kann nicht ausgedrückt werden „Falltüren verursachen Luftzug in angrenzenden Feldern“ (außer durch explizites Aufstellen der Sätze für jedes Quadrat) KI 8-Prädikatenlogik
4
Prädikatenlogik Während Aussagenlogik voraussetzt, dass die Welt aus Fakten besteht, basiert Prädikatenlogik (wie natürliche Sprache) darauf, dass die Welt folgendes enthält: Objekte: Leute, Häuser, Zahlen, Farben, Baseballspiele, … Relationen: Rot, rund, prim, Bruder von, größer als, Teil von, steht zwischen, … Funktionen: Vater von, Freund von, einer mehr als, plus, … KI 8-Prädikatenlogik
5
Syntax von FOL: Grundelemente
Konstanten KingJohn, 2, Stuttgart, ... Prädikate Bruder, >, ... Funktionen Sqrt, LinkesBeinVon, ... Variable x, y, a, b,... Verknüpfungen , , , , Gleichheit = Quantoren , KI 8-Prädikatenlogik
6
Syntax Satz AtomarerSatz | (Satz Verknüpfung Satz)
| Quantor Variable, … Satz | Satz AtomarerSatz Prädikat(Term, …) | Term = Term Term Funktion(Term, …) | Konstante | Variable Verknüpfung | | | | Quantor | Konstante A | Wumpus | John | … Variable a | x | s | … Prädikat Vor | HatFarbe | EsRegnet | … Funktion Mutter | LinkesBein | …
7
Atomare Sätze AtomarerSatz = Prädikat (Term1,...,Termn) oder Term1 = Term2 Term = Funktion (Term1,...,Termn) oder Konstante oder Variable Beispiele: Bruder(KingJohn, RichardTheLionheart) > (Länge(LinkesBeinVon(Richard)), Länge(LinkesBeinVon(KingJohn))) KI 8-Prädikatenlogik
8
Komplexe Sätze Komplexe Sätze entstehen aus atomaren durch Verknüpfungen: S, S1 S2, S1 S2, S1 S2, S1 S2, Geschwister(KingJohn,Richard) Geschwister(Richard,KingJohn) >(1,2) ≤ (1,2) >(1,2) >(1,2) KI 8-Prädikatenlogik
9
Wahrheit Sätze sind wahr in Bezug auf ein Modell und eine Interpretation. Modelle enthalten Objekte (Domänenelemente) und Relationen zwischen diesen. Interpretation spezifiziert den Bezug für Konstantensymbole → Objekte Prädikatssymbole → Relationen Funktionssymbole → Funktionale Relationen Ein atomarer Satz Prädikat(Term1,...,Termn) ist wahr wenn die Objekte, auf die sich Term1,...,Termn beziehen, in der Relation stehen, auf die sich Prädikat bezieht. KI 8-Prädikatenlogik
10
Beispiel KI 8-Prädikatenlogik
11
Logik - Allgemeines Ontologische Bindungen:
Voraussetzungen über die Realität Aussagenlogik: Es gibt nur Fakten. Prädikatenlogik: Es gibt Objekte, Beziehungen, Funktionen. Epistemologische Bindungen: Mögliche „Wissenszustände“ des Agenten Aussagen- und Prädikatenlogik: Wahr, falsch, unbekannt. Wahrscheinlichkeitstheorie: Glaubensgrad zwischen 0 und 1. KI 8-Prädikatenlogik
12
Logik - Allgemeines Sprache Ontologische Bindung
Epistemologische Bindung Aussagenlogik Fakten1 Wahr / falsch / unbekannt Prädikatenlogik Fakten1, Objekte, Relationen Temporale Logik Fakten1, Objekte, Relationen, Zeiten Wahrscheinlichkeits-theorie Glaubensgrad 0 …1 Fuzzy Logik Fakten mit Wahrheitsgrad 0 … 1 Intervallwert 1… und die Fakten sind in der Welt wahr oder falsch. KI 8-Prädikatenlogik
13
Logik - Allgemeines Prädikatenlogik: Logik erster Stufe
Logik höherer Stufe: Relationen und Funktionen sind selbst Objekte KI 8-Prädikatenlogik
14
Allquantor <Variable> <Satz>
Jeder in Stuttgart ist schlau: x In(x, Stuttgart) Schlau(x) x P ist wahr für ein Modell m, wenn der logische Ausdruck P wahr ist für jedes Objekt x des Modells m. Vereinfacht gesagt: x P ist äquivalent zur Konjunktion der Instantiatiierungen von P: In(KingJohn, Stuttgart) Schlau(KingJohn) In(Richard, Stuttgart) Schlau(Richard) In(Stuttgart, Stuttgart) Schlau(Stuttgart) ... KI 8-Prädikatenlogik
15
Allquantor Achtung: Meist ist die wichtigste Verknüpfung mit .
Häufiger Fehler: Gebrauch von als Verknüpfung mit : x In(x,Stuttgart) Schlau(x) heißt: „Jeder ist in Stuttgart und jeder ist schlau”. KI 8-Prädikatenlogik
16
Existenzquantor <Variable> <Satz>
Irgendjemand in Stuttgart ist schlau: x In(x,Stuttgart) Schlau(x) x P ist wahr in einem Modell m, wenn der logische Ausdruck P wahr ist für jedes Objekt x des Modells m. Vereinfacht gesagt: x P ist äquivalent zur Disjunktion der Instantiatiierungen von P: In(KingJohn,Stuttgart) Schlau(KingJohn) In(Richard,Stuttgart) Schlau(Richard) In(Stuttgart,Stuttgart) Schlau(Stuttgart) ... KI 8-Prädikatenlogik
17
x In(x,Stuttgart) Schlau(x)
Existenzquantor Meist ist die wichtigste Verknüpfung mit Häufiger Fehler: Gebrauch von als Verknüpfung mit : x In(x,Stuttgart) Schlau(x) ist wahr, wenn es irgendjemand gibt, der nicht in Stuttgart ist! KI 8-Prädikatenlogik
18
Eigenschaften der Quantoren
x y ist dasselbe wie y x x y ist dasselbe wie y x x y ist nicht dasselbe wie y x x y Liebt(x,y) „Es existiert ein x, so dass für alle y …“ „Es gibt eine Person, die jeden auf der Welt liebt.” y x Liebt(x,y) „Für jedes y existiert ein x so dass …“ „Jeder auf der Welt wird von mindestens einer Person geliebt”. Dualität der Quantoren: Quantoren können durch den jeweils anderen ausgedrückt werden x IsstGerne(x,Eis) x IsstGerne(x,Eis) x IsstGerne(x,Broccoli) x IsstGerne(x,Broccoli) KI 8-Prädikatenlogik
19
Gleichheit Term1 = Term2 ist bei gegebener Interpretation genau dann wahr, wenn Term1 und Term2 sich auf dasselbe Objekt beziehen. Z.B. Definition von Geschwister mittels Elter: x,y Geschwister(x,y) [ (x = y) m,v (m = v) Elter(m,x) Elter(v,x) Elter(m,y) Elter(v,y) ] KI 8-Prädikatenlogik
20
Anwendung der Prädikatenlogik
Verwandtschafts-Domäne: Brüder sind Geschwister: x,y Bruder(x,y) Geschwister(x,y) Mutter ist weiblicher Elternteil: m,k Mutter(k) = m ( Weiblich(m) Elter(m,k)) “Geschwister” ist symmetrisch: x,y Geschwister(x,y) Geschwister(y,x) KI 8-Prädikatenlogik
21
Anwendung der Prädikatenlogik
Mengen-Domäne: m Menge(m) (m = { } ) ( x,m2 Menge(m2) m = {x | m2}) (Menge ist leer oder entsteht durch Hinzufügen eines Elements zu einer Menge) x,m {x | m} = { } (Leere Menge ist nicht zerlegbar) x,m x m m = {x | m} (Hinzufügen vorh. Elements wirkungslos) x,m x m [ y,m2 (m = {y | m2} (x = y x m2))] (Nur Elemente drin, die hinzugefügt wurden) m1,m m1 m (x x m1 x m2) (Teilmenge) (Gleichheit) (Schnittmenge) x,m1,m2 x (m1 m2) (x m1 x m2) (Vereinigung) KI 8-Prädikatenlogik
22
Knowledge Engineering in PL
Aufgabe verstehen! Erforderliches Wissen sammeln. Vokabular von Prädikaten, Funktionen, und Konstanten festlegen. Allgemeines Domänenwissen kodieren. Beschreibung des speziellen Problems kodieren. Anfragen an WB stellen, Antworten prüfen. WB debuggen. KI 8-Prädikatenlogik
23
Domäne der elektronischen Schaltkreise
Ein-bit Volladdierer Summanden Übertrag Summe Übertrag KI 8-Prädikatenlogik
24
Domäne der elektronischen Schaltkreise
Ein-bit Volladdierer Summanden 1 Übertrag Summe 1 Übertrag KI 8-Prädikatenlogik
25
Domäne der elektronischen Schaltkreise
Ein-bit Volladdierer Summanden 1 Übertrag Summe 1 Übertrag KI 8-Prädikatenlogik
26
Domäne der elektronischen Schaltkreise
Ein-bit Volladdierer Summanden 1 Übertrag Summe 1 Übertrag KI 8-Prädikatenlogik
27
Domäne der elektronischen Schaltkreise
Ein-bit Volladdierer Summanden 1 Übertrag Summe 1 Übertrag KI 8-Prädikatenlogik
28
Domäne der elektronischen Schaltkreise
Ein-bit Volladdierer Summanden 1 Übertrag Summe 1 Übertrag KI 8-Prädikatenlogik
29
Domäne der elektronischen Schaltkreise
Ein-bit Volladdierer Summanden 1 Übertrag Summe 1 Übertrag KI 8-Prädikatenlogik
30
Domäne der elektronischen Schaltkreise
Ein-bit Volladdierer Summanden 1 Übertrag Summe 1 Übertrag KI 8-Prädikatenlogik
31
Domäne der elektronischen Schaltkreise
Aufgabe verstehen: Addiert der Schaltkreis richtig? (Verifikation des Schaltkreises) Relevantes Wissen sammeln: Besteht aus Drähten und Gattern Typen der Gatter: AND, OR, XOR, NOT Irrelevant: Größe, Form, Farbe, Kosten der Gatter Vokabular festlegen Alternativen: Typ(X1) = XOR Typ(X1, XOR) XOR(X1) KI 8-Prädikatenlogik
32
Domäne der elektronischen Schaltkreise
Kodiere allgemeines Domänenwissen (Unterscheide: Logisches wahr/falsch vs. Signal 0/1) p Signal(p) = 1 Signal(p) = 0 p1,p2 Verbunden(p1, p2) Signal(p1) = Signal(p2) p1,p2 Verbunden(p1, p2) Verbunden(p2, p1) g Typ(g) = NOT Signal(Ein(1,g)) ≠ Signal(Aus(1,g)) g Typ(g) = OR ( n Signal(Ein(n,g)) = 1 Signal(Aus(1,g)) = 1) g Typ(g) = AND ( n Signal(Ein(n,g)) = 0 Signal(Aus(1,g)) = 0) g Typ(g) = XOR (Signal(Ein(1,g)) ≠ Signal(Ein(2,g)) Signal(Aus(1,g)) = 1) KI 8-Prädikatenlogik
33
Domäne der elektronischen Schaltkreise
Kodiere spezifisches Problem Typ(X1) = XOR Typ(X2) = XOR Typ(A1) = AND Typ(A2) = AND Typ(O1) = ODER Verbunden(Aus(1,X1), Ein (1,X2)) Verbunden(Ein(1,C1), Ein(1,X1)) Verbunden(Aus(1,X1), Ein (2,A2)) Verbunden(Ein(1,C1), Ein(1,A1)) Verbunden(Aus(1,A2), Ein (1,O1)) Verbunden(Ein(2,C1), Ein(2,X1)) Verbunden(Aus(1,A1), Ein (2,O1)) Verbunden(Ein(2,C1), Ein(2,A1)) Verbunden(Aus(1,X2), Aus(1,C1)) Verbunden(Ein(3,C1), Ein(2,X2)) Verbunden(Aus(1,O1), Aus(2,C1)) Verbunden(Ein(3,C1), Ein(1,A2)) KI 8-Prädikatenlogik
34
Domäne der elektronischen Schaltkreise
Stelle Anfragen Was sind die erlaubten Wertemengen aller Ein- und Ausgänge des Schaltkreises C1? e1,e2,e3,a1,a2 Signal(Ein(1,C_1)) = e1 Signal(Ein(2,C1)) = e2 Signal(Ein(3,C1)) = e3 Signal(Aus(1,C1)) = a1 Signal(Aus(2,C1)) = a2 WB debuggen Z.B. 1 ≠ 0 wird leicht vergessen! KI 8-Prädikatenlogik
35
Wissensbasis für die Wumpus-Welt in PL
Perzeption z,g,t Perzept([Gestank,z,g],t) Gestank(t) s,g,t Perzept([s,Zug,g],t) Zug(t) s,z,t Perzept([s,z,Glitzern],t) Bei(Agent,Gold,t) Ortseigenschaften: x,y,t Bei(Agent,x,y,t) Gestank(t) Stinkig(x,y) x,y,t Bei(Agent,x,y,t) Zug(t) Zugig (x,y) Geometrie x,y,u,v Neben([x,y],[u,v]) [u,v] {[x+1,y], [x-1,y],[x,y+1],[x,y-1]} s – Gestank, z – Zug, g – Glitzern, t – time, (x,y), (u,v) – Orte. KI 8-Prädikatenlogik
36
Erschließen versteckter Eigenschaften
Quadrate sind zugig nahe einer Falltür: Diagnostische Regel – schließe Ursache aus Wirkung x,y Zugig(x,y) u,v Neben(x,y,u,v) Falltür(u,v) Kausale Regel – schließe Wirkung aus Ursache u,v Falltür(u,v) ( x,y Neben(u,v,x,y) Zugig(x,y)) Definition Prädikat Zugig(.,.): x,y Zugig(x,y) [ u,v Neben(x,y,u,v) Falltür(u,v) ] Beachte: Regeln sind unvollständig, denn sie sagen nichts über weiter entfernte Felder aus. KI 8-Prädikatenlogik
37
Aktionen Reflex t Bei(Agent,Gold,t) BesteAktion(Greifen,t)
Reflex mit innerem Zustand t Bei(Agent,Gold,t) Hat(Gold,t) BesteAktion(Greifen,t) Beachte: Hat(Gold,t) kann nicht beobachtet werden! Daher: Veränderungen speichern! KI 8-Prädikatenlogik
38
Repräsentation von Veränderungen
Fakten gelten für bestimmte Situationen, aber nicht immer. Z.B. Hat(Agent,Gold,Jetzt) statt Hat(Agent,Gold) Situationskalkül repräsentiert Veränderungen in PL: Fluents: Prädikate und Funktionen, die sich mit der Situation ändern. Füge zu jedem Fluent-Prädikat ein Situations-Argument hinzu, z.B. Jetzt in Hat(Agent,Gold,Jetzt) Situationen werden durch Funktion Resultat verbunden: Result(a,s) ist die Situation, die aus Situation s durch Aktion a entsteht.
39
Repräsentation von Veränderungen
Zwei komplementäre Möglichkeiten, Effekte von Aktionen zu beschreiben: Effekt-Axiome: Beschreibe Veränderung durch Aktionen s Bei(Agent,Gold,s) Hat(Agent,Gold,Resultat(Greifen,s)) Frame-Axiome: Beschreibe, was Aktion unverändert lässt s Hat(Agent,Pfeil,s) Hat(Agent,Pfeil,(Resultat(Greifen,s)) KI 8-Prädikatenlogik
40
Frame-Problem Gegeben:
A Aktionen F Fluent-Prädikate E Effekte pro Aktion (maximal), T Aktionen nacheinander Frame-Problem: Beschreibe alles in der Welt, was sich nicht ändert. Repräsentation erfordert O(AF) Axiome Berechnung der Effekte einer Aktionsfolge aus T Schritten erfordert Aufwand O(FT). Repräsentationelles Frame-Problem ( nächste Folie): Eigentlich wären nur O(AE) Axiome nötig, wobei meist E<<F (denn eine Aktion beeinflusst meist nur wenige Prädikate). Inferentielles Frame-Problem ( später): Reduziere Berechnung der Effekte einer Aktionsfolge auf O(ET). KI 8-Prädikatenlogik
41
Nachfolgezustand-Axiome
Nachfolgezustand-Axiome lösen repräsentationelles Frame-Problem. Idee: Stelle Axiome auf für die Fluent-Prädikate statt Axiome für die Aktionen. Nachfolgezustand-Axiome haben die Form Aktion ist möglich [ Fluent ist im Nachfolgezustand wahr Effekt der Aktion hat ihn wahr gemacht (Er war schon vorher wahr Er wurde durch die Aktion nicht verändert) ] Damit wird Folgezustand vollständig aus dem aktuellen Zustand abgeleitet. KI 8-Prädikatenlogik
42
Nachfolgezustand-Axiome: Beispiele
a – Aktion, s – Situation, x, y, z – Orte „Agent ist bei y, nachdem er entweder dorthin gegangen ist oder schon dort war und die letzte Aktion ihn nicht bewegt hat“: Möglich(a,s) [ Bei(Agent,y,Resultat(a,s)) a = Gehe(x,y) (Bei(Agent,y,s) a ≠ Gehe(y,z)) ] „Agent hat Gold, nachdem er gegriffen hat oder es bereits hatte und nicht losgelassen hat“: a,s Hat(Agent,Gold,Resultat(a,s)) (a = Greifen Bei(Agent,Gold,s) (Hat(Agent,Gold,s) a ≠ Loslassen) (Beachte: Greifen immer möglich) KI 8-Prädikatenlogik
43
Repräsentation von Veränderungen: Probleme
Qualifikations-Problem: Beschreibung realer Aktionen erfordert immensen Aufwand: Gold ist glitschig (genaue Beschreibung des Greifvorgangs), Agent stolpert (genaue Beschreibung des Gehens), Wumpusbauch zu dick + Pfeil bricht ab (genaue Beschreibung des Zielens). Ramifikations-Problem: Reale Aktionen haben viele Nebeneffekte, z.B. Gehen macht Geräusch und alarmiert Wumpus, gegen Wand laufen gibt Beule am Agentenkopf, Greifen zerreißt Handschuhe. KI 8-Prädikatenlogik
44
Interaktion mit WB Ein Agent in der Wumpus-Welt verwendet eine WB in PL. Er nimmt Gestank und Luftzug wahr (aber kein Glitzern) zur Zeit t=4: Tell(WB, Perzept([Stench,Breeze,Nix],4)) Ask (WB, a BesteAktion(a,4)) D.h. folgt aus der WB eine beste Aktion zur Zeit t=4 ? Antwort: Ja, {a / Schießen} ← Ersetzung Notation: Gegeben sei ein Satz S und eine Ersetzung σ, dann bezeichnet Sσ das Result des Einsetzens von σ in S; z.B. S = Schlauer(x,y) σ = {x / Hillary, y / Bill} Sσ = Schlauer(Hillary,Bill) Ask(WB,S) gibt einige / alle σ zurück, so dass WB╞ σ.
45
Planen Anfangsbedingung in WB: Bei(Agent,(1,1),S0) Bei(Gold, (1,2),S0)
Anfrage: „In welcher Situation s wird Agent Gold haben?“ Ask(WB, s Hat(Agent,Gold,s)) Antwort: „Gehe vorwärts, greife Gold“ {s / Resultat(Greifen, Resultat(Vorwärts, S0))} Es wurde angenommen, dass S0 die einzige in der WB bekannte Aktion ist und der Agent von S0 aus plant. KI 8-Prädikatenlogik
46
Planen Repräsentiere Pläne als Aktionsfolgen: [a1, a2, a3, … an]
PlanResultat(p,s) ist die Situation, die aus der Ausführung von Plan p in Situation s resultiert. Anfrage: Ask(WB, p Hat(Agent, Gold, PlanResultat(p,S0)) Antwort: {p / [Vorwärts,Greifen]} Definition von PlanResultat durch Resultat: s PlanResultat([], s) = s a,p,s PlanResultat([a1,a2,…an], s) = PlanResultat([a2,…an], Resultat(a1,s)) Planungssysteme sind spezialisierte Algorithmen, die diesen Typ der Inferenz effizienter ausführen als general-purpose Inferenzmaschinen. KI 8-Prädikatenlogik
47
Zusammenfassung Prädikatenlogik:
Syntax: Konstanten, Funktionen, Prädikate, Gleichheit, Quantoren Objekte und Relationen sind semantische Primitive Erheblich mächtiger als Aussagenlogik: Wumpus-Welt kann repräsentiert werden! Zum Planen sind spezielle Algorithmen erforderlich. KI 8-Prädikatenlogik
Ähnliche Präsentationen
© 2024 SlidePlayer.org Inc.
All rights reserved.