trí tuệ nhân tạo

Trí tuệ nhân tạo

Biên tập bởi:Trần Ngân Bình

www.princexml.com

Prince - Non-commercial License

This document was created with Prince, a great way of getting web content onto paper.


Biên tập bởi:Trần Ngân Bình

Các tác giả:Huynh Tram Vo

Phiên bản trực tuyến:http://voer.edu.vn/c/764b3239

http://voer.edu.vn/c/764b3239

MỤC LỤC

1. Lời nói đầu2. GIỚI THIỆU TỔNG QUAN VỀ TRÍ TUỆ NHÂN TẠO

2.1. GIỚI THIỆU TỔNG QUAN VỀ TRÍ TUỆ NHÂN TẠO2.2. GIỚI THIỆU VỀ TRÍ TUỆ NHÂN TẠO2.3. LỊCH SỬ HÌNH THÀNH VÀ PHÁT TRIỂN CỦA TRÍ TUỆ NHÂN TẠO2.4. ĐỊNH NGHĨA TRÍ TUỆ NHÂN TẠO2.5. KHÁI QUÁT CÁC LĨNH VỰC ỨNG DỤNG CỦA TTNT2.6. MỘT SỐ TỔNG KẾT VỀ TTNT

3. TRÍ TUỆ NHÂN TẠO NHƯ LÀ BIỂU DIỄN VÀ TÌM KIẾM3.1. LOGIC HÌNH THỨC3.2. ĐỐI SÁNH MẪU VÀ PHÉP HỢP NHẤT

4. CÁC CẤU TRÚC VÀ CHIẾN LƯỢC DÙNG CHO VIỆC TÌM KIẾM TRONGKHÔNG GIAN TRẠNG THÁI

4.1. MỞ ĐẦU4.2. CÁC CHIẾN LƯỢC DÙNG CHO TÌM KIẾM TRONG KHÔNG GIAN

TRẠNG THÁI (TK-KGTT)4.3. DÙNG KHÔNG GIAN TRẠNG THÁI ĐỂ BIỂU DIỄN QUÁ TRÌNH SUY

LUẬN BẰNG PHÉP TÍNH VỊ TỪ5. TÌM KIẾM HEURISTIC

5.1. MỞ ĐẦU5.2. THUẬT TOÁN TÌM KIẾM HEURISTIC5.3. SỬ DỤNG HEURISTIC TRONG CÁC TRÒ CHƠI

6. ĐIỀU KHIỂN VÀ CÀI ĐẶT TÌM KIẾM TRONG KHÔNG GIAN TRẠNG THÁI6.1. TÌM KIẾM DỰA TRÊN CƠ SỞ ĐỆ QUI6.2. HỆ THỐNG LUẬT SINH (HỆ SINH – PRODUCTION SYSTEM)6.3. KIẾN TRÚC BẢNG ĐEN (BLACKBOARD ARCHITECTURE)

7. GIẢI QUYẾT VẤN ĐỀ DỰA TRÊN TRI THỨC (KNOWLEDGE – BASEDPROBLEM SOLVING)

7.1. GiỚi thiỆu:7.2. TỔNG QUAN VỀ CÔNG NGHỆ HỆ CHUYÊN GIA7.3. HỆ chuyên gia DỰA trên LUẬT (RULE–BASED ES)7.4. SUY LUẬN DỰA TRÊN MÔ HÌNH: (MODEL–BASED REASONING)7.5. SUY LUẬN DỰA TRÊN TRƯỜNG HỢP: (caSe–BASED REASONING)

8. SUY LUẬN KHÔNG CHẮC CHẮN

1/197

8.1. Giới thiệu8.2. TIẾP CẬN THỐNG KÊ ĐỐI VỚI TÍNH KHÔNG CHẮC CHẮN8.3. SUY LUẬN VỚI CÁC TẬP MỜ (fUZZY LOGIC)

9. CÁC CHỦ ĐỀ NÂNG CAO9.1. Giới thiệu9.2. NHẬN XÉT VỀ PHƯƠNG PHÁP HỢP GIẢI

10. HỌC MÁY (MACHINE LEARNING)10.1. Giới thiệu10.2. TIẾP CẬN KÝ HIỆU: gIẢI THUẬT QUY NẠP CÂY QUYẾT ĐỊNH ID310.3. TIẾP CẬN KẾT NỐI: MẠNG NEURON10.4. TIẾP CẬN XÃ HỘI VÀ NỔI TRỘI: GIẢI THUẬT DI TRUYỀN (GENETIC

ALGORITHM - GA)11. TÀI LIỆU THAM KHẢOTham gia đóng góp

2/197

Lời nói đầuLỜI NÓI ĐẦU

Để đáp ứng nhu cầu học tập của các bạn sinh viên, nhất là sinh viên chuyên ngành Tinhọc, Khoa Công Nghệ Thông Tin & Truyền thông - Trường Đại Học Cần Thơ chúngtôi đã tiến hành biên soạn các giáo trình, bài giảng chính trong chương trình học theohướng giúp sinh viên có thể tự học, tự nghiên cứu. Giáo trình môn Trí tuệ nhân tạo nàyđược biên soạn cơ bản dựa trên quyển “Artificial Intelligence” của George F. Luger vàWilliam A. Stubblefield, xuất bản bởi Wesley Publishing Company, Inc vào năm 1997;và quyển “Trí tuệ nhân tạo – Các cấu trúc và chiến lược giải quyết vấn đề”- biên dịchbởi Bùi Xuân Toại – Trương Gia Việt phát hành bởi NXB Thống kê năm 2000. Giáotrình cũng được biên soạn dựa trên kinh nghiệm giảng dạy nhiều năm môn Trí tuệ nhântạo của chúng tôi.

Tài liệu này được soạn theo đề cương chi tiết môn Trí tuệ nhân tạo dành cho sinh viênchuyên ngành Tin học - Khoa Công Nghệ Thông Tin & Truyền thông - Trường Đại HọcCần Thơ. Mục tiêu của nó nhằm giúp các bạn sinh viên chuyên ngành năm thứ tư cómột tài liệu cô đọng dùng làm tài liệu học tập, nhưng cũng không loại trừ sự tham khảocủa các đối tượng khác.

Chúng tôi đã hết sức làm cụ thể hóa trong phạm vi có thể các nội dung trong giáo trìnhso với thời lượng mà môn học cho phép. Dù đã rất cố gắng nhưng có lẽ giáo trình vẫncòn nhiều thiếu sót và hạn chế. Chúng tôi xin chân thành cảm ơn và rất hoan nghênh cácý kiến đóng góp của các bạn đồng nghiệp gần, xa và của các bạn sinh viên để giáo trìnhmôn học này được hoàn chỉnh hơn theo thời gian.

Đại Học Cần Thơ, tháng 08 năm 2006

VÕ HUỲNH TRÂM – TRẦN NGÂN BÌNH

Email : [email protected]@cit.ctu.edu.vn

3/197

mailto:[email protected]

GIỚI THIỆU TỔNG QUAN VỀ TRÍ TUỆNHÂN TẠOGIỚI THIỆU TỔNG QUAN VỀ TRÍ TUỆ NHÂN TẠO

GIỚI THIỆU TỔNG QUAN VỀ

TRÍ TUỆ NHÂN TẠO

Mặc dù trong các thế kỷ 18, 19 và đầu thế kỷ 20, sự hình thức hóa trong khoa học vàtoán học đã tạo điều kiện tiên quyết về mặt trí tuệ cho việc nghiên cứu trí tuệ nhân tạo,nhưng phải cho đến thế kỷ 20 cùng với sự ra đời của máy tính số thì Trí tuệ nhân tạo (AI: Artificial Intelligence) mới trở thành một ngành khoa học có sức sống. Cho đến cuốinhững năm 1940, bằng những chương trình thông minh, các máy tính số đã cho thấyđược tiềm năng to lớn của chúng trong việc cung cấp bộ nhớ và sức mạnh cho nhữngxử lý cần thiết. Ngày nay, chúng ta có thể cài đặt các hệ suy luận hình thức vào trongmáy tính và kiểm tra một cách thực nghiệm khả năng biểu lộ trí thông minh của chúng.Một thành phần không thể thiếu được của Trí tuệ nhân tạo là việc dùng các máy tính sốnhư một phương tiện chọn lựa để tạo ra và thử nghiệm các lý thuyết về trí tuệ. Khôngchỉ thế, kiến trúc của chúng còn cung cấp một mô hình đặc trưng cho những lý thuyếtđó: trí tuệ là một hình thức xử lý thông tin. Những kỹ thuật và hình thức được khảo sáttrong lĩnh vực Trí tuệ nhân tạo luôn thể hiện mối quan hệ khắng khít giữa máy tính sốvà những cốt lõi lý thuyết của nó.

Cũng như với bất cứ khoa học nào khác, Trí tuệ nhân tạo (AI : Artificial Intelligence)tự nó liên quan đến một tập hợp nhất định những vấn đề và triển khai một nhóm các kỹthuật đặc thù để tiếp cận những vấn đề đó. Một lịch sử hình thành và phát triển ngắn gọnvề Trí tuệ nhân tạo, về những con người và những nhận định đã định hình, một số cácđịnh nghĩa và cách nhìn khái quát về các lĩnh vực ứng dụng của Trí tuệ nhân tạo đượctrình bày dưới đây sẽ giúp cho chúng ta một cái nhìn tổng quan về ngành khoa học còntương đối mới mẻ này.

Download slide tại đây

4/197

/home/voer/vpt/src/vpt.transformer/vpt/transformer/transforms/20140409-114654-764b3239-1/69497232/chapter1234.ppt

GIỚI THIỆU VỀ TRÍ TUỆ NHÂN TẠO

GIỚI THIỆU VỀ TRÍ TUỆ NHÂN TẠO

Nội dung chính: Trong chương này, chúng ta sẽ giới thiệu một cách khái quát về lịch sửhình thành và phát triển của khoa học Trí tuệ nhân tạo, các định nghĩa mang tính tươngđối về Trí tuệ nhân tạo – một lĩnh vực khoa học mới mẻ với sức phát triển nhanh chóngtrong những thập niên gần đây. Các lĩnh vực ứng dụng quan trọng của Trí tuệ nhân tạovà hiệu quả thiết thực của chúng trong các mặt cuộc sống con người được đề cập đếnmột cách chi tiết sau đó. Cuối chương, một số đặc điểm mang tính tổng kết về Trí tuệnhân tạo cũng sẽ được trình bày.

Mục tiêu cần đạt : Sau chương này, sinh viên có thể :

• Biết khái quát về lịch sử hình thành và phát triển của TTNT• Biết các định nghĩa về TTNT• Hiểu và dẫn chứng được một số lĩnh vực ứng dụng của TTNT• Hiểu các đặc điểm cơ bản của GQVĐ trong TTNT

Kiến thức tiên quyết : Các hiểu biết về lịch sử phát triển của khoa học máy tính.

Tài liệu tham khảo :

• George F. Luger, William A. Stubblefield – Albuquerque – ArtificialIntelligence – Wesley Publishing Company, Inc – 1997 (Chapter 1)

• Bùi Xuân Toại – Trương Gia Việt (Biên dịch) – Trí tuệ nhân tạo – Các cấutrúc và chiến lược giải quyết vấn đề - NXB Thống kê, 2000 (Phần I)

• PTS. Nguyễn Thanh Thủy – Trí tuệ nhân tạo – Các phương pháp giải quyếtvấn đề và kỹ thuật xử lý tri thức– NXB Giáo dục, 1995 (Chương 1)

• Wikipedia – Bách khoa toàn thư mở - Lịch sử ngành Trí tuệ nhân tạo• http://en.wikipedia.org/wiki/Artificial_intelligence• Artificial Intelligence: A Modern Approach (Second Edition) by Stuart

Russell and Peter Norvig : Introduction on AI• http://aima.cs.berkeley.edu/

5/197

http://vi.wikipedia.org/wiki/L�ch_s�_ng�nh_tr�_tu�_nh�n_t�o

http://www.cs.berkeley.edu/~russell

http://www.cs.berkeley.edu/~russell

http://www.norvig.com/

http://aima.cs.berkeley.edu/

LỊCH SỬ HÌNH THÀNH VÀ PHÁT TRIỂN CỦA TRÍTUỆ NHÂN TẠO

LỊCH SỬ HÌNH THÀNH VÀ PHÁT TRIỂN CỦA TRÍ TUỆ NHÂN TẠO

Những năm gần đây, khá nhiều sách, báo, công trình nghiên cứu khoa học đề cập đếncác kỹ thuật tính toán, người ta hay nhắc đến nhiều thuật ngữ như: máy tính thông minh,máy tính thế hệ V, hệ chuyên gia, mạng ngữ nghĩa, ... Các ngôn ngữ lập trình như LISP,PROLOG mở đường cho việc áp dụng hàng loạt các hệ thống chương trình có khả năng“thông minh”.

Trước đây, mỗi khi nói đến Trí tuệ nhân tạo (TTNT) người ta thường quan tâm đến việctạo lập các máy tính có khả năng “suy nghĩ”, thậm chí trong một số phạm vi hẹp nàođó, có thể cạnh tranh hoặc vượt quá khả năng của bộ não con người. Những hy vọngnày trong một thời gian dài đã ảnh hưởng rất nhiều đến các nghiên cứu trong phòng thínghiệm. Mặc dù những mô hình tương tự các máy tính thông minh đã được đưa ra hàngnhiều năm trước, nhưng chỉ từ khi Alan Turing công bố những kết quả nghiên cứu quantrọng đầu tiên, người ta mới bắt đầu thực sự nghiên cứu đến các vấn đề TTNT một cáchnghiêm túc. Phát hiện của Turing cho rằng chương trình có thể được lưu trữ trong bộnhớ để sau đó được thực hiện trên cơ sở các phép toán cơ bản thao tác với các bit 0, 1.Điều này đã tạo nên nền tảng của những máy tính hiện đại. Việc lưu trữ chương trìnhtrong máy cho phép thay đổi chức năng của nó một cách nhanh chóng và dễ dàng thôngqua việc nạp một chương trình mới vào bộ nhớ. Theo một nghĩa nào đó, khả năng nàylàm cho máy tính có khả năng học và suy nghĩ. Đó cũng chính là một trong những biểuhiện quan trọng đầu tiên của những máy tính được trang bị TTNT.

Năm 1956, chương trình dẫn xuất kết luận trong hệ hình thức đã được công bố. Tiếptheo đó, năm 1959 chương trình chứng minh các định lý hình học phẳng và chươngtrình giải quyết bài toán vạn năng (GPS - General Problem Solving) đã được đưa ra.Tuy vậy chỉ cho đến khoảng năm 1960 khi McCathy ở MIT (Massachussets Instituteof Technology) đưa ra ngôn ngữ lập trình đầu tiên dùng cho trí tuệ nhân tạo LISP (listprocessing), các nghiên cứu về TTNT mới bắt đầu phát triển mạnh mẽ. Thuật ngữ TTNTdo Marvin Minsky một chuyên gia nổi tiếng cũng ở MIT đưa ra năm 1961 trong bàibáo “ Steps Forwards To Artificial Intelligence”. Những năm 60 có thể xem là một mốcquan trọng trong quá trình xây dựng các máy có khả năng suy nghĩ. Các chương trìnhchơi cờ và các chương trình chứng minh định lý toán học đầu tiên cũng được công bốtrong khoảng thời gian này.

Những bế tắc, hạn chế thành công của các công trình nghiên cứu TTNT trong nhữngnăm 60 chính là do giới hạn khả năng của các thiết bị, bộ nhớ và đặc biệt là yếu tố thờigian thực hiện. Chính những yếu tố này không cho phép tổng quát hóa những thành

6/197

công bước đầu đạt được trong các hệ chương trình TTNT đã xây dựng. Tuy rằng vàogiữa những năm 70, bộ nhớ máy tính và thời gian tính toán đã được nâng cao đáng kểvề chất, song những cách tiếp cận khác nhau đến TTNT vẫn chưa đem tới những thànhcông thật sự do sự bùng nổ tổ hợp trong quá trình tìm kiếm lời giải cho các bài toán đặtra.

Cuối những năm 70, một số nghiên cứu cơ bản trong các lĩnh vực như xử lý ngôn ngữ tựnhiên, biểu diễn tri thức, lý thuyết giải quyết vấn đề đã đem lại diện mạo mới cho TTNT.Thị trường tin học đã bắt đầu đón nhận những sản phẩm TTNT ứng dụng đầu tiên mangtính thương mại. Đó là các hệ chuyên gia được áp dụng trong các lĩnh vực khác nhau.Hệ chuyên gia là các phần mềm máy tính, chứa các thông tin và tri thức về một lĩnhvực cụ thể nào đó, có khả năng giải quyết những yêu cầu của người dùng ở một mức độnào đó với trình độ như một chuyên gia có kinh nghiệm lâu năm. Một trong những hệchuyên gia đầu tiên được sử dụng thành công trong thực tế là hệ MYCIN, được thiết kếvà cài đặt tại trường Đại học Tổng Hợp Stanford.

Một sự kiện quan trọng trong sự phát triển của khoa học TTNT là sự ra đời của ngônngữ PROLOG, do Alain Calmerauer đưa ra năm 1972. Năm 1981, dự án của Nhật Bảnxây dựng các máy tính thế hệ thứ V lấy ngôn ngữ PROLOG như là ngôn ngữ cơ sở đãlàm thay đổi khá nhiều tình hình phát triển TTNT ở Mỹ cũng như châu Âu.

Giai đoạn 1981 trở đi người ta cảm nhận khá rõ nét rằng các chuyên gia về TTNT đangdần chuyển các kết quả nghiên cứu từ phòng thí nghiệm sang cài đặt các ứng dụng cụthể. Có thể nói đây cũng là giai đoạn cạnh tranh ráo riết của các công ty, các viện nghiêncứu hàng đầu nhằm đưa ra thị trường các sản phẩm phần mềm ứng dụng kỹ thuật TTNT.

Cuối những năm 80, đầu những năm 90 thị trường các sản phẩm dân dụng đã có khánhiều sản phẩm ở trình độ cao như máy giặt, máy ảnh, . . . sử dụng TTNT. Các hệ thốngnhận dạng và xử lý hình ảnh, tiếng nói đang ngày càng thúc đẩy sự phát triển kỹ thuậtmạng Neuron. Sự xích lại của hai cách tiếp cận: Tiếp cận mờ trong lập luận xấp xỉ vàkỹ thuật mạng Neuron đã và đang gây được sự quan tâm đặc biệt của các chuyên gia tinhọc. Bên cạnh sự xuất hiện của các hệ chuyên gia, các ứng dụng công nghiệp và quản lýxã hội, quản lý kinh tế cũng đòi hỏi sự ra đời của các hệ thống xử lý tri thức – dữ liệutích hợp.

Thế giới đang chuyển mình trong những nghiên cứu về TTNT. Tuy vậy câu hỏi liệu kỹthuật TTNT có tạo nên những bước nhảy vọt trong công nghệ tin học, đặc biệt là trongcông nghệ máy tính như người ta đã mong đợi hay không vẫn chưa có lời giải đáp thỏađáng.

7/197

ĐỊNH NGHĨA TRÍ TUỆ NHÂN TẠO

ĐỊNH NGHĨA TRÍ TUỆ NHÂN TẠO


Trí tuệ nhân tạo (AI: Artificial Intelligence) có thể được định nghĩa như một ngành củakhoa học máy tính liên quan đến việc tự động hóa các hành vi thông minh. AI là một bộphận của khoa học máy tính và do đó nó phải được đặt trên những nguyên lý lý thuyếtvững chắc, có khả năng ứng dụng được của lĩnh vực này. Những nguyên lý này baogồm các cấu trúc dữ liệu dùng cho biểu diễn tri thức, các thuật toán cần thiết để áp dụngnhững tri thức đó, cùng các ngôn ngữ và kỹ thuật lập trình dùng cho việc cài đặt chúng.

Tuy nhiên định nghĩa trên phải chấp nhận một thực tế - trí tuệ tự nó là một khái niệmkhông được định nghĩa một cách rõ ràng. Mặc dù hầu hết chúng ta đều có thể nhận racác hành vi thông minh khi nhìn thấy chúng nhưng rất khó có thể đưa ra một định nghĩavề trí tuệ.

Vì thế mà vấn đề định nghĩa Trí tuệ nhân tạo tự nó trở thành một sự định nghĩa trí tuệ:đó có phải là một năng lực duy nhất hay chỉ là tên dùng gọi một tập hợp những khả năngkhác nhau và không liên quan gì đến nhau ? Thế nào là khả năng sáng tạo ? Thế nào làtrực giác ? Có thể kết luận ngay về tính trí tuệ từ việc quan sát một hành vi hay khônghay cần phải có biểu hiện của một cơ chế nào đó nằm bên trong ? Tất cả những câu hỏinày vẫn chưa được trả lời và chúng đã nêu ra những vấn đề cần có phương pháp luận đểgiải quyết.

Cho đến nay, Trí tuệ nhân tạo vẫn còn là một ngành khoa học trẻ, những mối quan tâmvà những phương pháp của nó chưa được rõ ràng so với tất cả các ngành khoa học đãtrưởng thành trước đó. Song, một trong những mục tiêu trọng tâm của nó là quan tâmđến việc mở rộng khả năng của khoa học máy tính hơn là tìm cách định nghĩa nhữnggiới hạn của nó.

Câu hỏi :

Nêu một định nghĩa theo sự khái quát của riêng bạn về Trí tuệ nhân tạo ?

Trắc nghiệm Turing

Năm 1950, một nhà toán học người Anh là Alan Turing đã viết những trang sách đầutiên trả lời một cách cụ thể câu hỏi: trí tuệ máy có liên hệ như thế nào với máy tính kỹthuật số hiện đại. Tác phẩm “Máy tính và trí tuệ” (Turing 1950) của ông vẫn còn mangtính thời đại đối với việc đánh giá những tranh luận về khả năng tạo ra một máy tính

8/197

thông minh, cũng như đối với những câu trả lời của tác phẩm này cho các tranh luậntrên.

Turing, người nổi tiếng chủ yếu qua những đóng góp của ông cho lý thuyết về khả năngtính toán đã xem xét câu hỏi: liệu có thể làm cho một máy tính thực sự có khả năng suynghĩ hay không ? Để giải quyết những mơ hồ trong câu hỏi này, ông đã đề xuất thaythế câu trả lời bằng kết quả của một trắc nghiệm mang tính thực nghiệm – trắc nghiệmTuring (Turing test) hay “trò chơi bắt chước”.

Trắc nghiệm Turing đo lường khả năng của một máy tính được coi là thông minh và sosánh với khả năng đó của con người – một đối tượng được xem là có hành vi thông minhnhất và là chuẩn mực duy nhất về trí tuệ. Trong trắc nghiệm này, một máy tính và mộtngười tham gia trắc nghiệm được đặt vào trong các căn phòng cách biệt với một ngườithứ hai, người này được gọi là “người thẩm vấn” (hình 1.1). Người thẩm vấn không thểnhìn thấy hay nói chuyện với bất kỳ ai trong trong hai đối tượng trên, cũng không biếtđược chính xác đối tượng nào là người hay máy tính, và cũng chỉ có thể giao tiếp vớihai đối tượng đó thông qua một thiết bị soạn thảo văn bản, chẳng hạn như một thiết bịđầu cuối. Người thẩm vấn có nhiệm vụ phân biệt người với máy tính bằng cách chỉ dựatrên những câu trả lời của họ đối với những câu hỏi được truyền qua thiết bị liên lạc này.Trong trường hợp nếu người thẩm vấn không thể phân biệt được máy tính với người thìkhi đó, theo Turing, máy tính này có thể được xem là thông minh.

Hình 1.1 – Trắc nghiệm Turing

Bằng cách cách ly người thẩm vấn với máy tính cũng như người tham gia vào trắcnghiệm, thí nghiệm này bảo đảm rằng người thẩm vấn sẽ không có thành kiến với sựxuất hiện của máy tính hay bất kỳ một đặc tính máy móc nào trong lời nói của nó. Tuynhiên, với mục đích cố gắng phát hiện ra đâu là máy tính, người thẩm vấn có thể đượctự do hỏi bất kỳ câu hỏi nào, cho dù là những câu hỏi bóng gió hay quanh co. Chẳng

9/197

hạn, người thẩm vấn có thể yêu cầu cả hai đối tượng thực hiện một phép tính liên quanít nhiều đến số học với giả định rằng máy tính sẽ thực hiện nhanh và chính xác hơnngười. Để đối phó với chiến thuật này, một máy tính thông minh cần phải biết khi nàothì nó nên đưa ra một câu trả lời sai cho những bài toán nhằm tỏ ra nó giống con người.Một cách tương tự, để có thể phát hiện ra đặc tính con người dựa vào bản chất cảm xúc,người thẩm vấn cũng có thể hỏi cả hai đối tượng các kiến thức về thơ văn hay nghệthuật. Và để đối phó với chiến thuật này đòi hỏi máy tính cũng phải có những kiến thứcliên quan đến cảm xúc xuất phát từ con người.

Những đặc trưng quan trọng của trắc nghiệm này là :

Nó đưa ra một khái niệm khách quan về trí tuệ, tức là hành vi của một thực thể thôngminh nào đó đáp ứng lại một tập hợp các câu hỏi đặc thù. Việc này cho chúng ta mộtchuẩn mực để xác định trí thông minh, đồng thời tránh được những tranh luận khôngcần thiết về bản chất “đúng” của nó.

Nó tránh cho chúng ta khỏi bị lạc đường bởi những câu hỏi rắc rối và hiện thời chưa thểtrả lời được, chẳng hạn như máy tính có sử dụng những suy luận thích hợp bên trong nóhay không, hay máy tính thực sự có ý thức được những hành động của nó hay không.

Nó loại trừ bất cứ định kiến thiên vị nào vì bắt buộc người thẩm vấn chỉ tập trung vàonội dung các câu trả lời.

Nhờ những ưu điểm này, trắc nghiệm Turing đã cung cấp một cơ sở cho nhiều sơ đồđánh giá mà những sơ đồ này được dùng thực sự cho các chương trình TTNT hiện đại.Người ta có thể đánh giá khả năng chuyên môn của một chương trình về một lĩnh vựcnào đó bằng cách so sánh kết quả làm việc của nó với một chuyên gia khi cùng giảiquyết một tập các bài toán cho trước. Kỹ thuật đánh giá này chỉ là biến thể của trácnghiệm Turing: một nhóm chuyên gia sau đó sẽ được yêu cầu so sánh kết quả thực hiệncủa máy và người trên một tập hợp đặc thù các bài toán mà không được thấy các đốitượng. Chúng ta sẽ thấy rằng phương pháp luận này đã trở thành một công cụ không thểthiếu trong cả hai giai đoạn phát triển và kiểm chứng của các hệ chuyên gia hiện đại.

Câu hỏi :

Hãy so sánh những điểm khác nhau cơ bản trong khả năng giải quyết vấn đề giữa máytính hiện đại với con người ?

10/197

KHÁI QUÁT CÁC LĨNH VỰC ỨNG DỤNG CỦA TTNT

KHÁI QUÁT CÁC LĨNH VỰC ỨNG DỤNG CỦA TTNT

Hai mối quan tâm nền tảng nhất của các nhà nghiên cứu TTNT là biểu diễn tri thức(knowledge representation) và tìm kiếm (search). Sự quan tâm thứ nhất chú ý đến vấnđề nắm bắt theo một ngôn ngữ hình thức, tức là một dạng thức thích hợp để máy tínhvận hành, phạm vi tri thức đầy đủ mà hành vi thông minh đòi hỏi. Trong khi, tìm kiếmlà kỹ thuật giải quyết vấn đề theo cách khảo sát có hệ thống một không gian trạng tháibài toán (problem state), tức là các giai đoạn tuần tự và có chọn lựa trong quá trình giảiquyết vấn đề.

Giống như hầu hết các ngành khoa học khác, Trí Tuệ Nhân Tạo cũng được phân thànhnhững ngành con. Trong khi chia sẻ một tiếp cận giải quyết vấn đề cơ bản, các ngànhcon này có các mối quan tâm đến các ứng dụng khác nhau. Phần sau sẽ phác thảo tổngthể một vài lĩnh vực ứng dụng chính và những đóng góp của chúng cho Trí tuệ nhân tạo.

Trò chơi

Ngay từ thời kỳ đầu của việc nghiên cứu vấn đề tìm kiếm trong không gian trạng thái,người ta đã tiến hành nhiều thử nghiệm bằng cách sử dụng các trò chơi thông dụng cóbàn cờ như cờ đam (checker), cờ vua và trò đố 15 ô (15 puzzule). Ngoài sức quyến rũdo tính chất trí óc vốn có trong các trò chơi có bàn cờ, có nhiều tính nhất định làm chochúng trở thành một đối tượng lý tưởng của thời kỳ này. Hầu hết các trò chơi đều sửdụng một tập hợp các luật chơi được xác định rõ ràng. Điều này làm cho việc phát sinhkhông gian tìm kiếm trở nên dễ dàng và giải phóng nhiều nghiên cứu khỏi những sự mơhồ và phức tạp vốn có trong các bài toán ít cấu trúc hơn. Hình dạng của những bàn cờ sửdụng trong các trò chơi này dễ dàng được biểu diễn vào máy tính, trong khi không đòihỏi một hình thức khó hiểu cần thiết nào để nắm bắt những tinh tế và ngữ nghĩa trongnhững lĩnh vực bài toán phức tạp hơn. Do có thể chơi các trò chơi một cách dễ dàng nênviệc thử nghiệm một chương trình chơi trò chơi không phải trả một gánh nặng nào vềtài chính hay đạo đức.

Các trò chơi có thể phát sinh ra một số lượng không gian tìm kiếm cực kỳ lớn. Nhữngkhông gian này đủ lớn và phức tạp để đòi hỏi những kỹ thuật mạnh nhằm quyết địnhxem những chọn lựa nào cần được khảo sát trong không gian bài toán. Những kỹ thuậtnày được gọi là các heuristic và chúng tạo thành một lĩnh vực lớn trong nghiên cứuTTNT. Một heuristic là một chiến lược giải quyết vấn đề tốt nhưng tiềm ẩn khả năngthất bại, chẳng hạn như việc kiểm tra để biết chắc rằng một thiết bị không nhạy đã đượccắm vào trước khi giả định rằng nó bị hỏng, hay cố gắng bảo vệ quân cờ hoàng hậu củabạn khỏi bị bắt trong trò chơi cờ vua. Nhiều thứ mà chúng ta gọi là thông minh thuộc vềcác heuristic được người ta sử dụng để giải quyết các vấn đề.

11/197

Hầu hết chúng ta đều có một số kinh nghiệm với những trò chơi đơn giản này, nên chúngta cũng có khả năng nghĩ ra và kiểm nghiệm tính hiệu quả của những heuristic của chínhmình. Chúng ta không cần đi tìm và hỏi ý kiến chuyên gia trong một số lĩnh vực chuyênmôn sâu như là y học hay toán học (cờ vua là một ngoại lệ dễ thấy đối với quy tắc này).Vì những lý do đó, các trò chơi cung cấp một không gian mênh mông cho việc nghiêncứu các tìm kiếm heuristic. Các chương trình chơi trò chơi, trái ngược với tính đơn giảncủa chúng, đưa ra những thử thách riêng của chúng, bao gồm các đấu thủ mà các nướcđi của anh ta có thể không dự đoán trước được một cách chắc chắn. Sự có mặt này củađấu thủ càng làm phức tạp hơn mô hình chương trình do sự thêm vào một yếu tố khôngdự đoán trước được và sự cần thiết phải tính đến những yếu tố tâm lý cũng như là chiếnthuật trong chiến lược của trò chơi.

Suy luận và chứng minh định lý tự động

Chúng ta có thể cho rằng chứng minh định lý tự động là một nhánh nghiên cứu có từlâu đời nhất của Trí tuệ nhân tạo khi tìm lại nguồn gốc của nó qua các tác phẩm “Nhàlý luận logic (logic theorist)” (Newell và Simon 1963a) và “Công cụ giải quyết vấn đềtổng quát (General problem solver)” (Newell và Simon 1965b) của Newell và Simon,cho đến trong những nổ lực của Rusell và Whitehead xem toàn bộ toán học như là sựdẫn xuất hình thức thuần tuý của các định lý từ các tiên đề cơ sở. Trong bất cứ trườnghợp nào, nó chắc chắn vẫn là một trong những ngành phong phú nhất của lĩnh vực này.Nghiên cứu chứng minh định lý đã đạt được nhiều thành tích trong thời kỳ đầu của việchình thức hoá các giải thuật tìm kiếm và phát triển các ngôn ngữ biểu diễn hình thức nhưphép tính vị từ.

Hầu hết sự quyến rũ của chứng minh định lý tự động đều là không đáng tin cậy và khôngđúng với nguyên tắc chung của logic. Vì là một hệ hình thức, logic tự bổ sung cho mìnhsự tự động hoá. Người ta có thể khảo sát một số lượng lớn những bài toán khác nhau,bằng cách biểu diễn mô tả của bài toán và những thông tin cơ sở liên quan như là tiênđề logic, và xem những trường hợp bài toán là những định lý cần phải chứng minh. Sựhiểu biết thấu đáo này là cơ sở cho việc nghiên cứu chứng minh định lý tự động và cáchệ suy luận toán học.

Một lý do khác cho việc tiếp tục quan tâm đến các máy chứng minh định lý tự động làsự nhận thức rằng một hệ thống kiểu như vậy không nhất thiết phải có khả năng giảiquyết những bài toán cực kỳ phức tạp một cách độc lập mà không có sự trợ giúp nàocủa con người. Nhiều máy chứng minh định lý hiện đại hoạt động như những trợ lý viênthông minh khi chúng cho phép con người thực hiện những công tác đòi hỏi trình độcao hơn là phân tích một bài toán lớn thành nhiều bài toán con và đặt ra những heuristicđể tìm kiếm trong không gian những chứng minh có thể chọn. Máy chứng minh định lýsau đó thực hiện công tác đơn giản hơn nhưng cũng quan trọng là chứng minh các bổđề, kiểm chứng những giải quyết nhỏ hơn, và hoàn thành những khía cạnh hình thức của

12/197

một chứng minh đã được phác thảo bởi sự hợp tác của nó với con người (Boyer và More1979).

Các hệ chuyên gia

Kể từ lúc khoa học giải quyết vấn đề được nghiên cứu, người ta đã sớm ý thức một cáchsâu sắc và cơ bản về tầm quan trọng của tri thức chuyên ngành. Lấy ví dụ một bác sĩchẳng hạn, cô ta không thể chẩn đoán bệnh tốt chỉ nhờ vào một số kỹ năng giải quyếtvấn đề tổng quát bẩm sinh; mà cô ta đã chẩn đoán tốt là vì cô ta có nhiều kiến thức yhọc. Tương tự như thế, một nhà địa chất giỏi phát hiện các mỏ khoáng vì anh ta biết ápdụng một cách hiệu quả nhiều tri thức lý thuyết và thực nghiệm về địa lý vào bài toánđang nằm trong tay anh ta. Tri thức chuyên gia về lĩnh vực là sự kết hợp giữa kiến thứclý thuyết về vấn đề đó và một tập hợp các quy tắc giải quyết vấn đề theo kiểu heuristicmà kinh nghiệm khi sử dụng những quy tắc này đã tỏ ra hiệu quả trong lĩnh vực đó. Cáchệ chuyên gia được người ta xây dựng bằng cách thu thập các kiến thức từ chuyên giangười và mã hoá nó thành dạng thức mà máy tính có thể áp dụng cho những bài toántương tự.

Sự tin cậy vào tri thức của chuyên gia chuyên ngành trong các chiến lược giải quyếtvấn đề của hệ là một đặc trưng chính của các hệ chuyên gia. Người ta đã viết ra một sốchương trình mà ở đó người thiết kế cũng là nguồn tri thức chuyên ngành, nhưng sẽ điểnhình hơn nhiều nếu chúng ta xem xét những chương trình được phát sinh từ sự cộng tácgiữa một chuyên gia chuyên ngành chẳng hạn như một bác sĩ, một nhà hoá học, một nhàđịa chất học hay một kỹ sư, với một chuyên gia riêng về trí tuệ nhân tạo. Chuyên giachuyên ngành cung cấp kiến thức cần thiết về chuyên ngành thông qua những cuộc thảoluận tổng quát về các phương pháp giải quyết vấn đề của anh ta, và bằng cách biểu diễnnhững kỹ năng đó trên một tập hợp các bài toán mẫu được chọn lựa cẩn thận. Chuyên giaTTNT, hay còn gọi là kỹ sư tri thức (knowledge engineer), như người ta vẫn thường gọilà các nhà thiết kế hệ chuyên gia, có trách nhiệm thể hiện tri thức này vào một chươngtrình mà chương trình đó phải vừa hiệu quả vừa có vẻ thông minh trong các hành vi củanó. Một chương trình như thế vừa hoàn thành xong, cần phải tinh chế kiến thức chuyênmôn của nó thông qua một quá trình cung cấp cho nó những bài toán mẫu để giải, đểcho chuyên gia chuyên ngành phê bình hành vi của nó và thực hiện bất cứ thay đổi haycải biến nào cần thiết đối với tri thức của chương trình. Quá trình này lặp đi lặp lại chođến khi chương trình đạt được mức độ hoàn thiện mong muốn.

Một trong các hệ chuyên gia sớm nhất khai thác tri thức chuyên ngành để giải quyếtvấn đề là DENDRAL được phát triển tại Stanford vào cuối những năm 1960 (Lindsayet al.1980). DENDRAL được thiết kế để phỏng đoán cấu trúc của các phân tử hữu cơtừ công thức hoá học của chúng và các thông tin về khối quang phổ có liên quan đếncác liên kết hoá học có mặt trong các phân tử. Vì các phân tử hữu cơ thường rất lớn,nên số lượng cấu trúc có khả năng tồn tại đối với những phân tử này thường là khổnglồ. DENDRAL chú ý vào bài toán của không gian tìm kiếm rộng lớn này bằng cách áp

13/197

dụng tri thức heuristic của các chuyên gia hoá học vào bài toán làm sáng tỏ cấu trúc. Cácphương pháp của DENDRAL đã tỏ ra có một sức mạnh đáng kể. Khi thường xuyên tìmthấy cấu trúc đúng trong hàng triệu khả năng khác nhau chỉ sau có vài phép thử. Phươngpháp này tỏ ra thành công đến mức người ta đã sử dụng những phiên bản của hệ chuyêngia nói trên trong các phòng thí nghiệm hoá học khắp nơi trên thế giới.

Trong khi DENDRAL là một trong số những chương trình đầu tiên sử dụng tri thứcchuyên ngành một cách hiệu quả để đạt được khả năng giải quyết vấn đề cấp chuyêngia, thì MYCIN là hệ chuyên gia đã thiết lập nên phương pháp luận cho các hệ chuyêngia hiện đại (contemporary expert systems) (Buchanan and Shortliff 1984). MYCIN sửdụng tri thức y khoa chuyên gia để chẩn đoán và kê đơn điều trị cho bệnh viêm màngnão tuỷ sống và những trường hợp nhiễm trùng vi khuẩn trong máu.

MYCIN, được các nhà nghiên cứu phát triển ở Stanford vào giữa những năm 1970, làmột trong những chương trình đầu tiên chú ý đến những bài toán suy luận bằng thôngtin không chắc chắn hoặc không đầy đủ. MYCIN cung cấp những giải quyết rõ ràng vàlogic về quá trình suy luận của nó, sử dụng một cấu trúc kiểm tra thích hợp với lĩnh vựcchuyên môn của vấn đề, và nhận biết đặc tính để đánh giá một cách tin cậy hoạt độngcủa nó. Nhiều kỹ thuật xây dựng hệ chuyên gia đang dùng hiện nay đã được người taphát triển lần đầu trong dự án MYCIN.

Những hệ chuyên gia cổ điển khác bao gồm chương trình PROSPECTOR dùng để tìmra những nơi có chứa quặng mỏ và xác định loại quặng mỏ, dựa trên thông tin địa lývề một địa điểm nào đó (duda et al. 1979a, 1979b), chương trình INTERNIST dùng đểchẩn đoán trong lĩnh vực nội khoa, Dipmeter Advisor dùng để phiên dịch các kết quảcủa các máy khoan giếng dầu (Smith and Baker 1983) và XCON dùng để định hình cácmáy tính hệ VAX.XCON được sử dụng từ năm 1981, tất cả các máy VAX và DigitalEquipment Corporation bán thời bấy giờ đều được định hình bằng XCON. Vô số nhữnghệ chuyên gia khác ngày nay đang giải quyết những bài toán trong nhiều lĩnh vực khácnhau như y học, giáo dục, kinh doanh, thiết kế và khoa học (Waterman 1986). Một điềuthú vị mà chúng ta có thể nhận thấy là hầu hết các hệ chuyên gia được viết cho nhữnglĩnh vực khá chuyên biệt và ở cấp độ chuyên gia. Nói chung những lĩnh vực này đềuđược nghiên cứu kỹ và chúng có những chiến lược giải quyết vấn đề đã xác định mộtcách rõ ràng.

Mặc dù còn tồn tại những hạn chế này các hệ chuyên gia vẫn đang chứng minh giá trịcủa chúng trong nhiều ứng dụng quan trọng.

Câu hỏi :

Nêu thêm một số ưu điểm của hệ chuyên gia trên các phương diện tri thức, xã hội hoặctài chính ?

14/197

Hiểu và mô hình hoá ngữ nghĩa ngôn ngữ tự nhiên

Một trong những mục tiêu có từ lâu đời của Trí tuệ nhân tạo là tạo ra các chương trìnhcó khả năng hiểu ngôn ngữ của con người. Khả năng hiểu ngôn ngữ tự nhiên không chỉlà một trong những biểu hiện căn bản nhất của trí thông minh con người mà sự tự độnghoá nó một cách thành công sẽ gây ra một tác động ngoài sức tưởng tượng đối với nănglục và hiệu quả chính của những chiếc máy tính. Người ta đã bỏ ra nhiều công sức đểviết các chương trình có khả năng hiểu ngôn ngữ tự nhiên. Tuy những chương trình nàyđã có được một số thành công trong những ngữ cảnh hạn chế, nhưng các hệ thống cókhả năng sử dụng ngôn ngữ tự nhiên một cách linh hoạt và tổng quát theo cách như conngười vẫn còn ở ngoài tầm tay những phương pháp luận hiện nay.

Hiểu ngôn ngữ tự nhiên liên quan đến nhiều thứ hơn nhiều so với chỉ phân tích các câuthành các phần riêng rẽ những nhóm câu của chúng và tìm những từ đó trong từ điển.Khả năng hiểu thực sự tuỳ thuộc vào kiến thức nền tảng rộng lớn về lĩnh vực của bàivăn và những thành ngữ dùng trong lĩnh vực đó, cũng như là khả năng ứng dụng nhữngkiến thức tổng quát tuỳ thuộc theo ngữ cảnh để giải quyết những trường hợp bỏ sót haytối nghĩa, là một đặc điểm bình thường trong lối nói con người.

Ví dụ như chúng ta thử xem xét những khó khăn khi tiến hành một cuộc hội thoại vềbóng chày với một người biết tiếng Anh nhưng không biết gì về luật chơi, các đấuthủ, hoặc lịch sử của môn chơi. Liệu người này có thể hiểu được hay không nghĩacủa câu: “With none down in the top of the nith anh the go-ahead run at second, themanagercalled this relief from the bull pen ?” Tuy từng từ riêng lẻ trong câu này là cóthể hiểu được, nhưng câu này vẫn được coi là sai ngữ pháp ngay cả đối với người thôngminh nhất trong số những người không am hiểu bóng chày.

Công việc tập hợp và tổ chức kiến thức nền tảng này được tiến hành theo cách mà saocho cách ấy có thể áp dụng được cho sự lĩnh hội ngôn ngữ, đã hình thành nên vấn đề chủyếu của việc tự động hoá quá trình hiểu ngôn ngữ tự nhiên. Để đáp ứng yêu cầu này, cácnhà nghiên cứu đã phát triển nhiều kỹ thuật dùng để cấu trúc hoá ý nghĩa ngữ nghĩa, cáckỹ thuật này được dùng xuyên suốt khoa học Trí tuệ nhân tạo.

Do việc hiểu ngôn ngữ tự nhiên đòi hỏi những khối lượng kiến thức khổng lồ, hầu hếtcác công trình được người ta thực hiện trong những lĩnh vực vấn đề đã được hiểu rõ vàchuyên môn hoá. Một trong những chương trình khai thác sớm nhất phương pháp luận“thế giới qui mô” này là SHRDLU của Winograd, một hệ ngôn ngữ tự nhiên có khảnăng “trò chuyện” về hình dáng đơn giản của các khối có nhiều hình dạng và màu sắckhác nhau (winograd 1973). SHRDLU có thể trả lời được những câu hỏi kiểu như “khốimàu gì đang nằm trên hình lập phương màu xanh da trời ?” và dự kiến những hành độngkiểu như “di chuyển hình chóp màu đỏ lên viên gạch màu xanh lá cây”. Những bài toánloại này, liên quan đến việc mô tả và thao tác những sắp xếp đơn giản của các khối đã

15/197

xuất hiện và thường xuyên gây ngạc nhiên trong giới nghiên cứu TTNT và được ngườita biết đến dưới cái tên là những bài toán “thế giới của khối”.

Mặc cho SHRDLU thành công với việc trò chuyện về sự sắp xếp của các khối, nhưngphương pháp của nó đã không đủ khái quát được để vượt ra khỏi thế giới các khối.Những kỹ thuật biểu diễn được sử dụng trong chương trình này quá đơn giản nên khôngđủ để tổ chức nắm bắt ngữ nghĩa của nhiều lĩnh vực phong phú và phức tạp hơn mộtcách có kết quả. Nhiều sự đầu tư nghiên cứu về hiểu ngôn ngữ tự nhiên trong thời giangần đây được người ta dành hết cho việc tìm ra những hình thức biểu diễn, mà về cơ bảnđủ dùng trong một phạm vi rộng lớn các ứng dụng mà những ứng dụng này tự bản thânchúng còn chưa thích nghi tốt với cấu trúc đặc thù của lĩnh vực đó. Người ta khảo sátmột số lượng những kỹ thuật khác nhau (hầu hết đều là những mở rộng hay cải tiến củakỹ thuật mạng ngữ nghĩa) cho mục đích này và dùng chúng vào việc phát triển nhữngchương trình có khả năng hiểu ngôn ngữ tự nhiên trong những lĩnh vực tri thức cấp báchnhưng lý thú. Sau cùng, trong nghiên cứu gần đây (grosz 1997, marcus 1980), các môhình và cách tiếp cận stochastic, mô tả cách các tập hợp từ “cùng xuất hiện” trong cácmôi trường ngôn ngữ, đã được dùng để khắc hoạ nội dung ngữ nghĩa của câu. Tuy nhiên,hiểu ngôn ngữ tự nhiên một cách tổng quát là vấn đề vẫn còn vượt quá giới hạn hiện naycủa chúng ta.

Câu hỏi :

Trình bày một số ứng dụng cụ thể mà bạn biết cho việc xử lý ngôn ngữ tự nhiên đang ápdụng vào các lĩnh vực cuộc sống hiện nay ?

Mô hình hoá hoạt động của con người

Mặc dù khá nhiều vấn đề đã nói ở trên dùng trí tuệ con người làm điểm tựa tham khảođể xem xét trí tuệ nhân tạo, thực tế đã không diễn biến theo cách mà những chương trìnhcần phải lấy sự tổ chức của trí óc con người làm kiểu mẫu cho chúng. Thực ra nhiềuchương trình TTNT được thiết kế để giải một số bài toán cần thiết mà không cần chú ýđến tính tương tự của chúng so với kiến trúc trí óc con người. Ngay cả các hệ chuyên gia,trong khi nhận được nhiều tri thức từ các chuyên gia con người, cũng không thực sự cốgắng bắt chước những quá trình trí tuệ bên trong của con người. Nếu như sự hoạt độngchỉ là những đặc tính mà theo đó một hệ thống sẽ được đánh giá, thì có thể là không cómấy lý do để mô phỏng các phương pháp giải quyết vấn đề của con người. Trong thựctế, những chương trình sử dụng các phương pháp không theo kiểu con người để giảiquyết các bài toán thường thành công hơn những chương trình theo kiểu con người. Tuynhiên, mô hình của những hệ thống rõ ràng bắt chước một số khía cạnh của cách giảiquyết vấn đề theo kiểu con người vẫn là một mảnh đất màu mỡ trong nghiên cứu cho cảhai ngành khoa học trí tuệ nhân tạo và tâm lý học.

16/197

Mô hình hóa hoạt động con người, ngoài việc cung cấp cho TTNT nhiều phương phápluận cơ bản, đã chứng tỏ được rằng nó là một dụng cụ mạnh để công thức hóa và thửnghiệm những lý thuyết về sự nhận thức của con người. Những phương pháp luận giảiquyết vấn đề được các nhà khoa học máy tính phát triển đã đem đến cho các nhà tâmlý học một sự ẩn dụ mới để khảo sát trí tuệ con người. Hơn cả việc mở rộng được cáclý thuyết về sự nhận thức trong thứ ngôn ngữ không rõ ràng sử dụng vào đầu thời kỳnghiên cứu hay là từ bỏ được bài toán mô tả toàn bộ những hoạt động bên trong của tríóc con người (như đề nghị của các nhà hành vi học), nhiều nhà tâm lý học đã đưa ngônngữ và lý thuyết khoa học máy tính vào để công thức hóa các mô hình trí tuệ con người.Những kỹ thuật này không chỉ cung cấp một vốn từ vựng cho việc mô tả trí tuệ conngười mà sự thể hiện trên máy tính những lý thuyết này đã tạo cho các nhà tâm lý họcmột cơ hội để thử nghiệm, phê bình và cải tiến một cách thực nghiệm những ý tưởngcủa họ (luger 1994).

Lập kế hoạch và robotics

Lập kế hoạch (planning) là một khía cạnh quan trọng trong những cố gắng nhằm chếtạo ra các robot có thể thực hiện được nhiệm vụ của chúng với một trình độ nhất địnhvà khả năng linh hoạt và phản ứng với thế giới bên ngoài. Nói một cách khác ngắn gọn,việc lập kế hoạch giả định rằng robot có khả năng thực hiện những hành động sơ cấp(atomic action) nhất định. Nó cố gắng tìm ra một chuỗi các hành động cho phép hoànthành một công tác ở cấp độ cao hơn, chẳng hạn như đi qua một căn phòng chứa đầynhững chướng ngại vật.

Có nhiều những lý do khiến cho việc lập kế hoạch trở thành một bài toán khó khăn,ngoài lý do không đáng kể nhất là kích thước quá lớn của không gian những chuỗi bướcđi có thể tồn tại. Ngay cả một máy tính cực kỳ đơn giản cũng có khả năng tạo ra một sốlượng khổng lồ những chuỗi bước đi có thể. Ví dụ, chúng ta hãy tưởng tượng rằng, mộtrobot có khả năng di chuyển về phía trước, phía sau, bên phải, bên trái và cần xem xétcó bao nhiêu cách khác nhau mà robot đó có thể dùng để di chuyển quanh căn phòng đóvà robot phải lựa chọn một đường đi quanh chúng theo một phương pháp nào đó có hiệuquả. Viết một chương trình có khả năng tìm ra đường đi tốt nhất một cách thông minhvới điều kiện như vậy, mà không bị chôn vùi bởi khối lượng khổng lồ các khả năng dựkiến, đòi hỏi phải có những kỹ thuật phức tạp để biểu diễn tri thức về không gian vàkiểm soát việc tìm kiếm trong môi trường cho phép.

Một phương pháp mà con người vẫn áp dụng để lập kế hoạch là phân rã vấn đề từngbước (hierarchical problem decoposition). Nếu bạn đang lập kế hoạch cho chuyến dulịch đến Luân Đôn, thì nói chung những vấn đề như sắp xếp chuyến bay, đến sân bay,liên hệ với hãng hàng không, vận chuyển đường bộ tại Luân Đôn sẽ được bạn xem xétmột cách riêng lẻ, cho dù tất cả chúng đều là bộ phận của một kế hoạch toàn thể lớn hơn.Từng vấn đề này có thể được tiếp tục phân rã thành những vấn đề con (subproblem) nhỏhơn như tìm một bản đồ thành phố, xem xét hệ thống giao thông, và tìm một nơi ăn ở

17/197

phù hợp điều kiện về tài chính. Cách làm này không những làm giảm bớt một cách hiệuquả không gian tìm kiếm mà nó còn cho phép chúng ta tiết kiệm được những kế hoạchcon có thể dùng trong tương lai.

Trong khi con người lập kế hoạch một cách chẳng mấy khó khăn, thì việc tạo ra mộtchương trình máy tính có thể làm được công việc như vậy là một thách thức ghê gớm.Một công tác có vẻ đơn giản là phá vỡ một vấn đề lớn thành nhiều vấn đề con liên quanthực sự cần đến những heuristic phức tạp và kiến thức bao quát về lĩnh vực đang lập kếhoạch. Quyết định xem cần giữ lại những kế hoạch con nào và tổng quát hóa chúng nhưthế nào cho sự sử dụng trong tương lai là một vấn đề phức tạp tương đương.

Một robot thực hiện một dãy các hành động một cách mù quáng mà không biết phảnứng lại với những thay đổi trong môi trường của nó hoặc không có khả năng phát hiệnvà sửa chữa trong chính kế hoạch của nó khó có thể được người ta coi là thông minh.Thông thường, một robot sẽ phải làm thành công thức một kế hoạch dựa trên thông tinkhông đầy đủ và sửa chữa hành vi của nó khi thi hành kế hoạch. Robot có thể không cónhững giác quan thích hợp để định vị tất cả những chướng ngại vật trên con đường đi đãvạch ra. Một robot như vậy phải bắt đầu di chuyển qua căn phòng dựa vào những gì mànó “nhận thức” được và điều chỉnh đường đi của nó khi phát hiện ra những chướng ngạivật khác. Thiết lập cho các kế hoạch cho phép có thể phản ứng lại với những điều kiệncủa môi trường là một nhiệm vụ chủ yếu khác trong lập kế hoạch.

Nói chung, thiết kế robot là một trong những lĩnh vực nghiên cứu của TTNT đã mang lạinhiều hiểu biết sâu sắc hỗ trợ cho phương pháp giải quyết vấn đề theo kiểu hướng thànhviên (agent - oriented). Bị thất bại bởi những phức tạp trong việc bảo đảm độ lớn củakhông gian biểu diễn cũng như bởi mô hình của các thuật toán tìm kiếm dùng cho việclập kế hoạch theo kiểu truyền thống, các ngành nghiên cứu, gồm cả agre và chapman(1987) và brooks (1991a), đã phát biểu lại vấn đề lớn hơn này dựa trên các thuật ngữ vềsự tương tác lẫn nhau giữa nhiều thành viên (agent) theo kiểu bán tự quản. Mỗi thànhviên chịu trách nhiệm về phần đóng góp của chính nó trong nhiệm vụ của bài toán vàthông qua sự phối hợp giữa chúng lời giải tổng quát sẽ hiện ra.

Các ngôn ngữ và môi trường dùng cho TTNT

Nghiên cứu Trí tuệ nhân tạo đã tạo ra một số những sản phẩm phụ, đó là những tiến bộtrong các ngôn ngữ lập trình và các môi trường phát triển phần mềm. Vì nhiều lý do, baogồm cả qui mô tổng thể của hầu hết các chương trình TTNT, khuynh hướng phát sinhra các không gian khổng lồ của các thuật toán tìm kiếm, và những khó khăn trong việctiên đoán các hành vi của các chương trình điều khiển bằng heuristics, các nhà lập trìnhTTNT đã bị thúc ép phải xây dựng nên một tập hợp các phương pháp lập trình.

Các môi trường lập trình bao gồm cả các kỹ thuật cấu tạo tri thức (knowledge –structuring) như lập trình hướng đối tượng (object-oriented programming) và các cơ cấu

18/197

tổ chức hệ chuyên gia. Các ngôn ngữ cấp cao như Lisp và Prolog, là các ngôn ngữ tíchcực hỗ trợ kiểu phát triển theo module, khiến cho việc quản lý tính đồ sộ và phức tạpcủa chương trình dễ dàng hơn. Các gói chương trình lần tìm cho phép người lập trìnhtạo dựng lại quá trình thực thi của một thuật toán phức tạp và cho phép tháo gỡ nhữngphức tạp khi tìm kiếm bằng điều khiển của heuristics. Không có công cụ kỹ thuật đó,khó mà tin được rằng người ta có thể xây dựng nên những hệ thống TTNT gây chú ýnhư vậy.

Kỹ thuật này hiện nay là những công cụ chuẩn dùng cho công nghệ phần mềm, và tươngđối có quan hệ với hạt nhân lý thuyết của TTNT. Những kỹ thuật khác như là lập trìnhhướng đối tượng, được quan tâm đáng kể cả trên lý thuyết và thực tiễn. Các ngôn ngữphát triển cho việc lập trình trí tuệ nhân tạo gắn bó mật thiết với cấu trúc lý thuyết củalĩnh vực đó.

Máy học

Tuy thành công trong vai trò những máy giải quyết vấn đề, học vẫn còn là một sự nangiải đối với các chương trình TTNT. Khuyết điểm này dường như rất nghiêm trọng, đặcbiệt là khi khả năng học là một trong những thành phần quan trọng nhất làm nên hànhvi thông minh. Một hệ chuyên gia có thể thực hiện những tính toán lớn và rất tốn kémnhằm giải quyết một bài toán. Tuy thế không giống như con người, nếu đưa cho nó cùngbài toán ấy hoặc một bài toán tương tự lần thứ hai, nó sẽ không nhớ lời giải lần trước.Nó thực hiện lại chuỗi tính toán đó lần nữa. Điều này đúng cho cả lần thứ hai, thứ ba,thứ tư, và bất cứ khi nào nó giải quyết bài toán đó – hầu như không thể gọi đó là hànhvi của một máy giải quyết vấn đề thông minh.

Hầu hết các hệ chuyên gia đều bị cản trở bởi tính cứng nhắc trong các chiến lược giảiquyết vấn đề của chúng và sự khó khăn khi phải thay đổi khối lượng lớn mã chươngtrình. Giải pháp dễ thấy đối với những khó khăn này là hoặc để cho các chương trìnhhọc tập trên chính kinh nghiệm, sự tương tự, và những ví dụ của chúng, hoặc là “nói”cho chúng biết phải làm gì.

Tuy rằng học là một lĩnh vực khó khăn trong nghiên cứu, một vài chương trình đượcviết đã đề xuất rằng đây không phải là một mục tiêu không thể đạt được. Có thể mộtchương trình như thế gây chú ý nhất là AM - Automated Mathematician - được thiết kếđể khám phá các quy luật toán học (lenat 1977, 1982). Ban đầu người ta đưa cho AMcác khái niệm và tiên đề của lý thuyết tập hợp, sau đó nó đã tìm ra những khái niệmtoán học quan trọng như là lực lượng (cardinality) và số học số nguyên, và nhiều kết quảkhác của lý thuyết số. AM đã phỏng đoán các lý thuyết mới bằng cách cập nhật cơ sở trithức hiện hành của nó, và sử dụng các heuristic để theo đuổi “khả năng đáng quan tâm”nhất trong hàng loạt các lựa chọn có thể.

19/197

Một nghiên cứu khác có ảnh hưởng tới dư luận của winston về sự quy nạp các khái niệmcấu trúc, chẳng hạn như “hình cung” từ một tập hợp các ví dụ trong trò chơi thế giớicủa khối (winston 1975a). Thuật toán ID3 đã tỏ ra thành công trong việc học các mẫutổng quát từ các ví dụ (quinlan 1986a). Menta-dendral học các luật để phiên dịch dữ liệuquang phổ khối trong hóa học hữu cơ từ các mẫu dữ liệu về các hợp chất của cấu trúcđã biết. Teiresias, một đại diện khá thông minh của các hệ chuyên gia có thể chuyển đổilời chỉ đạo cấp cao thành các luật mới cho cơ sở dữ liệu của nó (davis 1982). Hackenghĩ ra các kế hoạch để thực hiện các thao tác trong trò thế giới các khối thông qua mộtquá trình lặp lại nhiều lần việc đặt ra một kế hoạch, thử nghiệm nó, và hiệu chỉnh bất cứlỗ hỏng nào phát hiện ra trong kế hoạch dự tuyển (sussman 1975). Những nghiên cứutrong việc học trên cơ sở giải thích đã cho thấy tính hiệu quả của tri thức ưu tiên trongquá trình học (mitchell et al. 1986, dejong and mooney 1986).

Sự thành công của các chương trình học máy thuyết phục rằng có thể tồn tại một tập hợpcác nguyên tắc học tổng quát cho phép xây dựng nên các chương trình có khả năng họctập trong nhiều lĩnh vực thực tế.

Xử lý phân tán song song và tính toán kiểu nảy sinh

Hầu hết các kỹ thuật nói đến trong tài liệu này đều sử dụng tri thức được biểu diễn rõràng và các thuật toán tìm kiếm được thiết kế một cách cẩn thận để cài đặt trí tuệ. Mộtcách tiếp cận rất khác là tìm cách xây dựng các chương trình thông minh bằng cách sửdụng các mô hình tương tự như cấu trúc nơ-ron (neuron) của bộ não con người.

Một sơ đồ neuron đơn giản gồm có một thân tế bào có rất nhiều những chỗ nhô ra theonhánh, gọi là các tổ chức cây (dendrite), và một nhánh đơn gọi là trục (axon). Các tổchức cây nhận tín hiệu từ các neuron khác. Khi những xung lực kết hợp này vượt quámột ngưỡng nhất định nào đó, thì neuron phát động và một xung lực, hay còn gọi là“cụm” (spike), chạy xuống trục. Các nhánh ở cuối trục hình thành nên các khớp thầnkinh (synapse) với những tổ chức cây của các neuron; các khớp thần kinh có thể thuộcloại kích thích (excitatory) hay ngăn chặn (inhibitory). Một khớp thần kinh kích thích sẽcộng thêm vào tổng số tín hiệu đi đến neuron; còn khớp thần kinh ngăn chặn thì trừ bớtđi tổng số này.

Mô tả một neuron như vậy là quá sức đơn giản, nhưng nó thâu tóm tất cả những đặctrưng liên quan đến các mô hình tính toán neuron. Đặc biệt mỗi đơn vị tính toán tínhtoán một số chức năng đầu vào của nó rồi chuyển kết quả đến các đơn vị liên hệ trongmạng. Thay vì sử dụng các ký hiệu và phép toán rõ ràng, tri thức của các hệ này nảysinh ra khỏi toàn bộ mạng các kết nối neuron và các giá trị ngưỡng.

Vì nhiều lý do, cấu trúc neuron hiện đang hết sức hấp dẫn để dùng làm cơ chế cài đặt trítuệ. Các chương trình TTNT truyền thống có khuynh hướng dễ gãy vỡ và nhạy cảm quáđáng khi phải đương đầu với sự nhiễu loạn: thay vì giảm giá trị một cách từ từ, những

20/197

chương trình như vậy thường thành công hoàn toàn hoặc thất bại hoàn toàn. Trí tuệ conngười linh hoạt hơn nhiều; chúng ta có thể tiếp nhận được tốt đầu vào nhiễu loạn, chẳnghạn như nhận ra một khuôn mặt trong một căn phòng tối từ góc nhìn hẹp hay theo dõiduy nhất một cuộc đối thoại trong bữa tiệc ồn ào. Ngay cả khi không thể giải quyết đượcmột số vấn đề, chúng ta nói chung vẫn có thể đưa ra một sự phỏng đoán có lý và coiđó như lời giải của bài toán. Do các cấu trúc neuron thâu tóm tri thức vào trong một sốlượng lớn các đơn vị được nghiền thật nhỏ, nên chúng tỏ ra có triển vọng hơn trong việcđối sánh một cách toàn phần các dữ liệu nhiễu loạn và không đầy đủ.

Cấu trúc neuron cũng vững chắc hơn vì tri thức phân bố khá đồng đều xung quanh mạng.Kinh nghiệm của những người đã bị mất một phần não bộ do bệnh tật hay tai nạn đã chothấy rằng họ không bị mất các vùng nhớ riêng biệt, mà đúng hơn là các quá trình trí nãocủa họ phải chịu đựng nhiều sự giảm sút tổng thể.

21/197

MỘT SỐ TỔNG KẾT VỀ TTNT

MỘT SỐ TỔNG KẾT VỀ TTNT

• Sử dụng máy tính vào suy luận trên các ký hiệu, nhận dạng, học, và một sốhình thức suy luận khác.

• Tập trung vào một số vấn đề không thích hợp với các lời giải mang tính thuậttoán. Điều này dựa trên cơ sở tin tưởng vào phép tìm kiếm heuristic như một kỹthuật giải quyết vấn đề TTNT.

• Sự quan tâm đến các kỹ thuật giải quyết vấn đề bằng những thông tin khôngchính xác, thiếu hụt hoặc được định nghĩa một cách nghèo nàn, và sự sử dụngcác hình thức biểu diễn cho phép người lập trình bù đắp được những thiếu sótnày.

• Suy luận những đặc trưng định tính quan trọng của tình huống.• Một cố gắng để giải quyết những vướng mắc về ý nghĩa, ngữ nghĩa cũng như là

hình thức cú pháp.• Những câu trả lời không chính xác cũng như tối ưu, nhưng trong một chừng

mực nào đó được coi là “đủ”. Đây là kết quả của sự tin cậy cốt yếu vào cácphương pháp giải quyết vấn đề theo kiểu heuristic trong những tình huống màkết quả tối ưu hoặc chính xác là quá tốn kém hoặc không thể thực hiện được.

• Sử dụng những khối lượng lớn tri thức chuyên ngành trong giải quyết vấn đề.Đây là cơ sở cho các hệ chuyên gia.

• Sử dụng các tri thức cấp meta (meta-level knowledge) để tăng thêm sự tinh vicho việc kiểm soát các chiến lược giải quyết vấn đề. Tuy rằng đây là một vấnđề rất khó khăn, được chú ý trong một số khá ít các hệ thống gần đây, nó đã nổibật lên như một lĩnh vực nghiên cứu chủ yếu.

TỔNG KẾT CHƯƠNG I:

Phần nội dung chương I đã nêu lên vài nét về lịch sử hình thành và phát triển của khoahọc TTNT, một vài định nghĩa mang tính khái quát về một lĩnh vực khoa học đầy thửthách và tiềm năng là TTNT. Những lĩnh vực ứng dụng TTNT từ rất lâu đời và vẫn đangphát triển cho đến hiện nay. Các khái niệm như lý luận, quy luật, biểu diễn, … hiện nayvẫn đang được nghiên cứu một cách cẩn thận bởi vì những nhà khoa học máy tính đòihỏi phải hiểu chúng theo kiểu thuật toán. Trong khi đó, hoàn cảnh chính trị, kinh tế vàđạo đức trên toàn cầu hiện nay buộc chúng ta phải đương đầu với trách nhiệm về hậuquả của những sáng chế hay phát minh khoa học. Sự tác động qua lại giữa những ứngdụng và những khát vọng mang tính nhân đạo hơn đối với TTNT tiếp tục đặt ra nhữngvấn đề phong phú và đầy thách thức. Những chương tiếp theo sẽ đi sâu hơn vào nhữngkỹ thuật được dùng trong TTNT mà chương đầu tiên này đã đề cập đến.

22/197

Bài tập chương I

• Tự sáng tạo để trình bày và chứng minh một định nghĩa về Trí tuệ nhân tạotheo như bạn hiểu.

• Thảo luận về tiêu chuẩn mà Turing nêu ra trong “Trắc nghiệm Turing” nhằmquy định cho một phần mềm máy tính được coi là “thông minh”? Nêu quanđiểm của riêng bạn về tiêu chuẩn đối với một phần mềm máy tính “thôngminh”?

• Cho biết một vài lĩnh vực bài toán mà bạn thấy có thể chứng minh được rằngcần phải thiết kế một giải pháp hệ chuyên gia ? Nêu các hiệu quả có thể đạtđược và những khó khăn có thể gặp phải ?

• Theo ý kiến riêng của bạn, hãy trình bày một số hiệu quả có khả năng tác độngtiêu cực đối với xã hội của các kỹ thuật Trí tuệ nhân tạo?

23/197

TRÍ TUỆ NHÂN TẠO NHƯ LÀ BIỂUDIỄN VÀ TÌM KIẾMLOGIC HÌNH THỨC

LOGIC HÌNH THỨC

Nội dung chính : Trong chương này, chúng ta giới thiệu phép tính vị từ như một ngônngữ biểu diễn dùng cho Trí tuệ nhân tạo. Những ưu điểm của việc dùng phép tính vị từbao gồm một ngữ nghĩa hình thức (formal semantics) được định nghĩa chính xác cùngvới các luật suy diễn vững chắc và đầy đủ. Chương này bắt đầu bằng việc nhắc lại phéptính mệnh đề, định nghĩa cú pháp và ngữ nghĩa của phép tính vị từ. Tiếp theo, chúng tathảo luận về các luật suy diễn của phép tính vị từ và việc sử dụng chúng trong giải quyếtvấn đề. Phần cuối chương sẽ minh họa cách sử dụng phép tính vị từ để cài đặt một cơ sởtri thức trong lĩnh vực tư vấn đầu tư tài chính.

Mục tiêu cần đạt : Sau chương này, sinh viên có thể :

• Hiểu Logic mệnh đề và Logic vị từ• Vận dụng các phép biến đổi tương đương• Biết biểu diễn tri thức của vấn đề bằng logic vị từ bậc nhất.• Vận dụng các phép suy diễn để chứng minh một vấn đề đơn giản.• Vận dụng phép hợp nhất và giải thuật đối sánh mẫu

Kiến thức tiên quyết : Khái niệm về Trí tuệ nhân tạo, Logic mệnh đề, Logic vị từ, …

Tài liệu tham khảo :

• George F. Luger, William A. Stubblefield – Albuquerque – ArtificialIntelligence – Wesley Publishing Company, Inc – 1997 (Chapter 2)

• Bùi Xuân Toại – Trương Gia Việt (Biên dịch) – Trí tuệ nhân tạo – Các cấutrúc và chiến lược giải quyết vấn đề - NXB Thống kê, 2000 (Phần II)

• Wikipedia – Bách khoa toàn thư mở - Phép tính vị từ bậc nhất

http://en.wikipedia.org/wiki/Predicate_calculus

24/197

http://en.wikipedia.org/wiki/Predicate_calculus

PHÉP TÍNH MỆNH ĐỀ

Định nghĩa – Ký hiệu phép tính mệnh đề

Mệnh đề :

Mệnh đề là một phát biểu có thể khẳng định tính đúng hoặc sai.

Các ký hiệu (symbol) của phép tính mệnh đề là các ký hiệu mệnh đề : P, Q, R, S, …(thông thường nó là các chữ cái in hoa nằm gần cuối bảng chữ cái tiếng Anh), các kýhiệu chân lý – chân trị (truth symbol) : true, false hay các phép toán kết nối như : ∧, ∨,?, ⇒, =

Các ký hiệu mệnh đề (propositional symbol) biểu thị các mệnh đề (proposition) hay cácphát biểu về thế giới thực mà giá trị của chúng có thể là đúng hoặc sai.

Thí dụ 2.1: Các mệnh đề

với mọiChiếc xe hơi kia màu đỏvới mọi

với mọiNước thì ướtvới mọi

Câu :

Câu trong phép tính mệnh đề được cấu tạo từ những ký hiệu sơ cấp (atomic symbol)theo các luật sau đây :

• Tất cả các ký hiệu mệnh đề và ký hiệu chân lý đều là câu (sentences) : true, P,Q và R là các câu.

• Phủ định của một câu là một câu : ? P và ? false là các câu• Hội hay và của hai câu là một câu : P ∧ ? P là một câu• Tuyển hay hoặc của hai câu là một câu : P ∨ ? P là một câu• Kéo theo của một câu để có một câu khác là một câu : P ⇒ Q là một câu.• Tương đương của hai câu là một câu : P ∨ Q = R là một câu

Các câu hợp lệ được gọi là các công thức dạng chuẩn (well-formed formula) hay WFF.

Trong các câu phép tính mệnh đề, các ký hiệu ( ) và [ ] dùng để nhóm các ký hiệu vàocác biểu thức con và nhờ đó kiểm soát được thứ tự của chúng trong việc đánh giá biểuthức và diễn đạt. Ví dụ (P ∨ Q) = R hoàn toàn khác với P ∨ (Q = R).

25/197

Biểu thức :

Một biểu thức là một câu hay công thức dạng chuẩn, của phép tính mệnh đề khi và chỉkhi nó có thể được tạo từ những ký hiệu hợp lệ thông qua một dãy những luật này.

Thí dụ 2.2: (( P ∧ Q) ⇒ R = ? P ∨ ? Q ∨ R là một câu dạng chuẩn trong phép tính mệnhđề vì : P, Q, R là các mệnh đề và do đó là các câu.

P ∧ Q, hội của hai câu là một câu.

(P ∧ Q) ⇒ R, kéo theo của một câu là một câu.

? P và ? Q, phủ định của các câu là câu.

? P ∨ ? Q, tuyển của hai câu là câu.

? P ∨ ? Q ∨ R, tuyển của hai câu là câu.

(( P ∧ Q) ⇒ R = ? P ∨ ? Q ∨ R, tương đương của hai câu là câu.

Đây là câu xuất phát, nó đã được xây dựng thông qua một loạt các luật hợp lệ và do đónó có dạng chuẩn.

Ngữ nghĩa của phép tính mệnh đề

Sự gán giá trị chân lý cho các câu mệnh đề được gọi là một sự diễn giải (interpretation),một sự khẳng định chân trị của chúng trong một thế giới khả hữu (possible world) nàođó. Một cách hình thức, một diễn giải là một ánh xạ từ các ký hiệu mệnh đề vào tập hợp{T, F}.

Phép gán giá trị chân lý cho các mệnh đề phức tạp thường được mô tả thông qua bảngchân trị như sau :

Thí dụ 2.3: Chân trị của mệnh đề

26/197

được cho như trong bảng sau :

Hai biểu thức trong phép tính mệnh đề là tương đương nhau nếu chúng có cùng giá trịtrong mọi phép gán chân trị. Một số công thức biến đổi tương đương của các mệnh đềđươc cho như trong bảng sau:

Bảng 2.1 – Bảng công thức biến đổi t ươ ng đ ươ ng

Những đồng nhất thức trong bảng 2.1 trên được dùng để biến đổi các biểu thức mệnh đềsang một dạng khác về mặt cú pháp nhưng tương đương về mặt logic. Có thể dùng cácđồng nhất thức này thay cho các bảng chân trị để chứng minh hai biểu thức mệnh đề làtương đương nhau.

Câu hỏi :

Sử dụng bảng chân trị, hãy chứng minh sự tương đương của các đồng nhất thức trongbảng 2.1.

Phép tính vị từ

Trong phép tính mệnh đề, mỗi ký hiệu câu sơ cấp P, Q, … biểu thị một mệnh đề vàchúng ta không thể tác động vào từng phần riêng lẻ của câu. Phép tính vị từ (predicate

27/197

calculus) cung cấp cho chúng ta khả năng này. Chẳng hạn, đặt mệnh đề với mọihôm quatrời mưavới mọilà P, từ đó chúng ta có thể tạo ra một vị từ chỉ thời tiết mô tả quan hệgiữa một ngày và thời tiết trong ngày ấy: thời_tiết (hôm_qua, mưa). Thông qua các luậtsuy diễn, chúng ta sẽ có thể thao tác trên các biểu thức phép tính mệnh đề, truy xuất vàsuy ra những câu mới.

Ký hiệu vị từ : là tập hợp gồm các chữ cái, chữ số, ký hiệu với mọi_với mọi, và đượcbắt đầu bằng chữ cái.

Thí dụ 2.4: X3, tom_and_jerry

Ký hiệu vị từ có thể là:

• Ký hiệu chân lý: true, false• Hằng: dùng để chỉ một đối tượng / thuộc tính trong thế giới.

Hằng được ký hiệu bắt đầu bằng chữ thường: helen, yellow, rain, …

• Biến: dùng để chỉ một lớp tổng quát các đối tượng/thuộc tính.

Biến được ký hiệu bắt đầu bằng chữ hoa: X, People, Students, …

• Hàm: dùng để chỉ một hàm trên các đối tượng.

Hàm được ký hiệu bắt đầu bằng chữ thường: father, plus, …

Mỗi ký hiệu hàm có một ngôi n, chỉ số lượng các đối số của hàm.

• Vịtừ: dùng để định nghĩa một mối quan hệ giữa không hoặc nhiều đối tượng.

Vị từ được ký hiệu bắt đầu bằng chữ thường: likes, equals, part_of, …

Biểu thức hàm: là một ký hiệu hàm theo sau bởi n đối số.

Ví dụ: father(david) price(bananas) like(tom, football)

Mục (term): là một hằng, một biến hay một biểu thức hàm

Câu sơ cấp: là một hằng vị từ với n ngôi theo sau bởi n thành phần nằm trong cặpdấu ( ), cách nhau bởi dấu ‘,’, và kết thúc với dấu ‘.’

- Trị chân lý true, false là các câu sơ cấp.

- Câu sơ cấp còn được gọi là: biểu thức nguyên tử, nguyên tử hay mệnh đề

28/197

Thí dụ 2.5 : friends(helen, marry). likes(hellen, mary).

likes(helen, sister(mary)). likes(X, ice-cream).

Ký hiệu vị từ trong các câu này là friends, likes.

Câu: được tạo ra bằng cách kết hợp các câu sơ cấp sử dụng:

• Các phép kết nối logic:

• Các lượng tử biến:

+ Lượng tử phổ biến với mọi: dùng để chỉ một câu là đúng với mọi giá trị của biếnlượng giá

• Ví dụ: với mọiX likes(X, ice-cream).

+ Lượng tử tồn tại $: dùng để chỉ một câu là đúng với một số giá trị nào đó của biếnlượng giá.

Ví dụ: $Y friends(Y,tom).

Thí dụ 2.6 :

Ngữ nghĩa - Phép tính vị từ

Tương tự như phép tính mệnh đề, ngữ nghĩa của phép tính vị từ cung cấp một cơ sở đểxác định chân trị của các biểu thức dạng chuẩn. Chân trị của các biểu thức phụ thuộcvào ánh xạ từ các hằng, các biến, các vị từ và các hàm vào các đối tượng và quan hệtrong lĩnh vực được đề cập.

Sự thông dịch (cách diễn giải) của một tập hợp các câu phép tính vị từ: là một sự gán cácthực thể trong miền của vấn đề đang đề cập cho mỗi ký hiệu hằng, biến, vị từ và hàm.

Giá trị chân lý của một câu sơ cấp được xác định qua sự thông dịch. Đối với các câukhông nguyên tố, sử dụng bảng chân lý cho cho các phép nối kết, và:

29/197

• Giá trị của câu với mọiX <câu> là true nếu <câu> là T cho tất cả các phép gáncó thể được cho X.

• Giá trị của câu $ X <câu> là true nếu tồn tại một phép gán cho X làm cho<câu> có giá trị T.

Thí dụ 2.7: Cho trước một tập hợp các quan hệ gia đình như sau :

Ta có thể suy luận:

parent(eve,abel) parent(eve,cain)

parent(adam,abel) parent(adam,cain)

sibling(abel,cain) sibling(cain,abel)

sibling(abel,abel) sibling(cain,cain) ! Không có nghĩa

Phép tính vị từ bậc nhất (First – order predicate calculus)

Phép tính vị từ bậc nhất cho phép các biến lượng giá tham chiếu đến các đối tượng trongmiền của vấn đề đang đề cập nhưng KHÔNG được tham chiếu đến các vị từ và hàm.

Thí dụ 2.8 : Ví dụ không hợp lệ: với mọi(Likes) Likes(helen, ice-cream)

Ví dụ hợp lệ:

Hầu hết bất kỳ câu đúng ngữ pháp nào cũng có thể biểu diễn trong phép tính vị từ bậcnhất bằng cách sử dụng các ký hiệu, các phép kết nối và ký hiệu biến.

30/197

Các luật suy diễn

Ngữ nghĩa của phép tính vị từ cung cấp một cơ sở cho lý thuyết hình thức về suy diễnlogic. Khả năng suy ra những biểu thức đúng mới từ một tập hợp các khẳng định đúnglà một đặc trưng quan trọng của phép tính vị từ. Logic vị từ dùng các luật suy diễn sau :

Luật Modus Ponens (MP): P

Q

Thí dụ 2.9: Nếu ta có quan sát sau đây với mọinếu trời mưa thì sân ướtvới mọi(P Þ Q) vàvới mọitrời đang mưavới mọi(P) thì ta dễ dàng suy ra được với mọisân ướtvới mọi(Q).

Luật Modus Tollens (MT):

Luật triển khai phổ biến (Universal Instantiation):

với mọiX P(X)

a thuộc miền xác định của X

P(a)

Thí dụ 2.10: Cho trước:

Download slide bài giảng tại đây

31/197

/home/voer/vpt/src/vpt.transformer/vpt/transformer/transforms/20140409-114654-764b3239-1/9dce2657/chapter1234.ppt

ĐỐI SÁNH MẪU VÀ PHÉP HỢP NHẤT

ĐỐI SÁNH MẪU VÀ PHÉP HỢP NHẤT

Phép hợp nhất

Phép hợp nhất (unification) là một thuật toán dùng để xác định những phép thế cần thiếtđể làm cho hai biểu thức vị từ đối sánh (match) nhau.

Hợp nhất và các luật suy diễn khác như Modus ponens cho phép chúng ta tạo ra các suydiễn dựa trên một tập hợp các khẳng định logic. Phép hợp nhất phức tạp do có thể thaythế một biến với bất kỳ mục nào gồm cả những biến và những biểu thức hàm khác vớiđộ phức tạp tùy ý. Những biểu thức này tự thân chúng lại có thể chứa các biến.

Thí dụ 2.11: Đối sánh foo(X,a,goo(Y)) với:

foo(X,b,foo(Y)) không đối sánh

foo(X,Y) không đối sánh

moo(X,a,goo(Y)) không đối sánh

foo(fred,a, goo(Z)) {fred/X, Z/Y}

foo(W,a,goo(jack)) {W/X,jack/Y}

foo(Z,a,goo(moo(Z))) {Z/X,moo(Z)/Y}

Nói chung một quá trình giải quyết vấn đề sẽ đòi hỏi nhiều suy diễn và do đó cần nhiềuphép hợp nhất nói tiếp nhau. Các chương trình giải quyết vấn đề logic phải duy trì tínhnhất quán của các phép thế biến. Điều này được phát biểu trong giải thuật đối sánh mẫu.

Giải thuật đối sánh mẫu

Hằng / hằng đối sánh : chỉ khi chúng giống hệt nhau

Hằng a / biến X đối sánh:

• Biến chưa kết buộc: biến trở thành kết buộc với hằng {a/X}• Biến đã kết buộc : xem (1)

Biến / biến đối sánh:

32/197

• Hai biến chưa kết buộc: luôn luôn đối sánh• Một biến kết buộc và một biến chưa kết buộc: xem (2)• Hai biến kết buộc: xem (1)

Biểu thức / biểu thức đối sánh: chỉ khi các tên hàm hoặc vị từ, số ngôi giống nhau thìáp dụng đối sánh từng đối số một.

Lưu ý : Phạm vi của một biến là một câu. Một khi biến đã bị kết buộc, các phép hợpnhất theo sau và các suy luận kế tiếp phải giữ sự kết buộc này.

Câu hỏi :

Ứng dụng : Chương trình tư vấn tài chính

Họat động của chương trình là trợ giúp người dùng trong việc quyết định có nên đầu tưvào một tài khoản tiết kiệm hay thị trường chứng khoán hay không, một số nhà đầu tưcũng có thể muốn phân bổ số tiền của họ thành hai khoản. Việc đầu tư sẽ được gợi ýcho những nhà đầu tư dựa trên thu nhập của họ và số tiền hiện tại mà họ đã có trong tàikhoản tiết kiệm. Hệ làm việc theo các quy tắc sau :

• Các cá nhân không đủ tiền tiết kiệm cần ưu tiên tăng tiền tiết kiệm, bất kể thunhập là bao nhiêu.

• Các cá nhân có đủ tiền tiết kiệm và đủ thu nhập nên xem xét việc đầu tư mạohiểm hơn nhưng có khả năng đem lại lợi nhuận hơn vào thị trường chứngkhoán.

• Các cá nhân với thu nhập thấp nhưng đủ tiền tiết kiệm có thể chia phần thunhập thêm vào tiết kiệm và chứng khoán, nhằm làm tăng số tiền tiết kiệm trongkhi vẫn muốn tăng thu nhập thông qua chứng khoán.

Sự tương xứng giữa tiền tiết kiệm và thu nhập được xác định bởi số thành viên gia đìnhmà một cá nhân cần chu cấp. Quy tắc là :

• Tiết kiệm đủ là 5000$/ người phụ thuộc• Thu nhập đủ 15000$ + (4000$ / người phụ thuộc)

33/197

Ta xây dựng hệ thống logic với các câu vị từ như sau:

With: minsavings(X) = 5000 * X minincome(X)=15000+(4000*X)

Để thực hiện một phiên tư vấn, thông tin mô tả về một nhà đầu tư nào đó được bổ sungvào tập hợp các câu vị từ. Chẳng hạn một cá nhân với 3 thành viên phụ thuộc, có số tiềntrong tài khoản tiết kiệm là 22.000$ và có thu nhập ổn định là 25.000$ sẽ được mô tảnhư sau :

• amount_saved(22000)• earnings(25000,steady)• dependents(3)

Sử dụng phép hợp nhất và modus ponens, một chiến lược đầu tư đúng đắn người này cóthể được rút ra như là một hệ quả logic từ những mô tả này :

Hợp giải (10), (11) với (7) bằng đối sánh {25000/X, 3/Y}, ta có :

income(inadequate)

Hợp giải (9), (11) với (4) bằng đối sánh {22000/X, 3/Y}, ta có :

savings_account(adequate)

Hợp giải (12), (13) với (3) suy ra investment (combination)

34/197

Như vậy hình thức đầu tư được tư vấn từ hệ là kết hợp cả việc gởi tiền vào tài khoản tiếtkiệm và đầu tư vào chứng khoán.

TỔNG KẾT CHƯƠNG II:

Trong chương này, chúng ta đã được giới thiệu phép tính vị từ như một ngôn ngữ biểudiễn dùng cho việc giải quyết vấn đề trong AI. Chúng ta đã định nghĩa các khái niệmvề biến, hàng, hàm, biểu thức, … và ngữ nghĩa của ngôn ngữ này. Dựa trên ngữ nghĩacủa phép tính vị từ, các luật suy diễn cũng cho phép suy diễn các câu từ một tập hợp cácbiểu thức cho trước. Phần cuối chương định nghĩa một thuật toán hợp nhất và đối sánhmẫu dùng xác định các phép thay thế biến làm cho hai biểu thức đối sánh nhau, một vídụ minh họa ứng dụng cụ thể cho giải thuật này là bài toán hệ tư vấn tài chính. Trongchương tiếp theo, lý thuyết và những kỹ thuật tìm kiếm trên không gian trạng thái bàitoán sẽ được giới thiệu.

Bài tập chương II

Jane có bốn thành viên gia đình phụ thuộc, thu nhập bằng lương hàng tháng là 30.000$và tài khoản tiết kiệm của cô ta là 20.000$. Hãy đưa ra các vị từ thích hợp mô tả tìnhtrạng tài chính của Jane cho chương trình tư vấn tài chính và tiến hành các phép hợpnhất, suy diễn cần thiết để xác định phương thức đầu tư thích hợp cho cô ta.

Chuyển các câu sau đây thành câu trong logic vị từ:

• Tất cả các con mèo đều là động vật.• Không có con chó nào là loài bò sát.• Tất cả các nhà khoa học máy tính đều thích một hệ điều hành nào đó.• Mọi đứa trẻ đều thích Coca-cola.• Không có đứa trẻ nào thích ăn rau.• Một số người thích kẹo, một số khác thì không.• Không có sinh viên nào học mà thi rớt môn này.

Cho một vấn đề được phát biểu như sau:

• John thích mọi loại thức ăn.• Táo là thức ăn.• Gà là thức ăn.• Tất cả mọi thứ ăn được mà vẫn còn sống thì đó là thức ăn.• Bill ăn đậu phộng và Bill vẫn còn sống.• Sue ăn mọi thứ mà Bill ăn.• Hãy biểu diễn vấn đề trên theo logic vị từ bậc nhất.• Dùng giải thuật đối sánh mẫu để chứng minh với mọiJohn thích đậu phộngvới

mọi

35/197

Câu chuyện dưới đây được lấy từ quyển sách Algorithms + Data structures = Programs(Thuật toán + Cấu trúc dữ liệu = Chương trình) của N. Wirth (1976):

với mọiTôi cưới một góa phụ (W), bà ta có một cô con gái đã lớn (D). Cha tôi (F), ngườithường xuyên đến thăm chúng tôi đã phải lòng cô con riêng của vợ tôi và cưới cô ta. Vìthế cha tôi trở thành con rể tôi và con ghẻ tôi trở thành mẹ tôi. Vài tháng sau đó, vợ tôisinh một đứa con trai (S1), nó trở thành em rể của bố tôi, cũng như trở thành chú tôi. Vợcủa bố tôi, tức là con ghẻ của tôi, cũng sinh một đứa con trai (S2).với mọi

Sử dụng phép tính vị từ, hãy tạo ra một tập hợp các biểu thức biểu diễn hoàn cảnh trongcâu chuyện trên. Hãy đưa ra các biểu thức định nghĩa các quan hệ gia đình cơ bản nhưđịnh nghĩa bố vợ chẳng hạn, và sử dụng modus ponens trên hệ này để chứng minh kếtluận với mọiTôi cũng chính là ông tôivới mọi.

36/197

CÁC CẤU TRÚC VÀ CHIẾN LƯỢCDÙNG CHO VIỆC TÌM KIẾM TRONGKHÔNG GIAN TRẠNG THÁIMỞ ĐẦU

MỞ ĐẦU

Bằng cách biểu diễn bài toán dưới dạng đồ thị không gian trạng thái (state space graph),chúng ta có thể dùng lý thuyết đồ thị (graph theory) để phân tích cấu trúc và độ phức tạpcủa bài toán này lẫn các thủ tục dùng để giải quyết nó.

Một đồ thị sẽ bao gồm một số nút (node) và một số cung (arc), hay còn gọi là liên kết(link), nối giữa các cặp nút. Trong mô hình không gian trạng thái của bài toán, các nútcủa đồ thị được dùng để biểu diễn các trạng thái rời rạc trong quá trình đó, như các kếtquả của những suy diễn logic hay các cấu hình của một bảng trò chơi chẳng hạn. Còncác cung thì biểu diễn sự chuyển tiếp giữa các trạng thái đó. Những chuyển tiếp nàytương ứng với các bước suy diễn logic hoặc các di chuyển hợp luật của một trò chơi.

Lý thuyết đồ thị là một công cụ tốt nhất của chúng ta trong việc suy luận về cấu trúc củacác đối tượng và các mối quan hệ. Thật vậy, đây cũng chính là một trong những nguyênnhân dẫn đến sự sáng tạo ra nó vào thời kỳ đầu thế kỷ XVIII.

Nhà toán học người Áo Leonhard Euler đã phát minh ra lý thuyết đồ thị để giải quyết“bài toán các cây cầu của Konigsberg”. Thành phố Konigsberg nằm trên cả hai bờ vàhai hòn đảo của một con sông. Người ta nối các đảo và hai bờ sông với nhau bằng bảychiếc cầu như hình 3.1

37/197

Hình 3.1 - Biểu diễn không gian trạng thái hệ thống cầu thành phố Konigsberg

Bài toán Konigsberg đặt câu hỏi là liệu có thể đi khắp thành phố mà chỉ ngang qua mỗicây cầu một lần hay không? Mặc dù những người dân ở đây không ai tìm được lối đi nàonhư vậy, nhưng họ vẫn nghi ngờ là có thể, đồng thời cũng không ai chứng minh được làkhông có khả năng. Nhờ phát minh dạng lý thuyết đồ thị, Euler đã tạo ra cách biểu diễnphương án lựa chọn cho bản đồ thành phố như trên hình 3.2

Hình 3.2 - Đồ thị của hệ thống cầu Konigsberg

Các bờ sông (bs1 và bs2) và các hòn đảo (đ1 và đ2) đều được mô tả bằng các nút của đồthị; còn các cây cầu được biểu diễn bằng các cung có đánh dấu nối giữa các nút (c1, c2,

38/197

..., c7). Đồ thị này biểu diễn cấu trúc bản chất của hệ thống cầu, bỏ qua các đặc trưngphụ khác như khoảng cách và hướng chẳng hạn.

Câu hỏi :

Chu trình Hamilton là con đường sử dụng tất cả các nút của đồ thị đúng một lần ? Bạnnghĩ có tồn tại một con đường như vậy trong đồ thị hệ thống cầu Konigsberg ?

ĐỊNH NGHĨA TÌM KIẾM TRONG KHÔNG GIAN TRẠNG THÁI

Một không gian trạng thái (state space) được biểu diễn bằng một nhóm gồm bốn yếu tố[N, A, S, GD], trong đó:

N (node) là tập hợp các nút hay các trạng thái của đồ thị. Tập này tương ứng với cáctrạng thái trong quá trình giải bài toán.

A (arc) là tập các cung (hay các liên kết) giữa các nút. Tập này tương ứng với các bướctrong quá trình giải bài toán.

S (Start) là một tập con không rỗng của N, chứa (các) trạng thái ban đầu của bài toán.

GD (Goal Description) là một tập con không rỗng của N, chứa (các) trạng thái đích củabài toán. Các trạng thái trong GD được mô tả theo một trong hai đặc tính:

• Đặc tính có thể đo lường được các trạng thái gặp trong quá trình tìm kiếm.• Đặc tính của đường đi được hình thành trong quá trình tìm kiếm.

Đường đi của lời giải (solution path) là đường đi qua đồ thị này từ một nút trong S đếnmột nút trong GD.

Một đích có thể mô tả như một trạng thái, như bảng thắng cuộc trong trò chơi Tic - tac -toe hay một cấu hình đích trong trò đố 8 ô. Nhưng mặt khác, đích cũng có thể được môtả như một đặc tính nào đó của chính đường đi lời giải.

Trong bài toán di chuyển của người bán hàng (hình 3.6 và 3.7), quá trình tìm kiếm sẽkết thúc khi tìm được đường đi ngắn nhất qua tất cả các nút của đồ thị. Trong bài toánphân tích ngữ pháp, đường đi của quá trình phân tích thành công đối với một câu sẽ chobiết rõ điểm kết thúc.

Các cung của không gian trạng thái tương ứng với các bước trong quá trình giải bài toán,và các đường đi qua không gian này sẽ biểu diễn các lời giải trong các giai đoạn hoànthành khác nhau. Các đường đi sẽ được khảo sát, bắt đầu từ trạng thái xuất phát và tiếptục đi xuyên qua đồ thị, cho đến khi gặp được một mô tả đích thỏa mãn hoặc đến khikhông đi được nữa. Việc tạo ra các trạng thái mới trên đường đi sẽ được thực hiện bằng

39/197

cách áp dụng các thao tác, như “các di chuyển hợp lệ” trong trò chơi hay quy tắc suydiễn trong bài toán logic và trong hệ chuyên gia chẳng hạn, vào các trạng thái hiện hữutrên đường đi.

Nhiệm vụ của thuật toán tìm kiếm là tìm ra đường đi lời giải trong một không gian bàitoán như vậy. Thuật toán tìm kiếm phải lưu vết các đường đi dẫn từ nút xuất phát đếnnút đích, vì các đường đi này chứa hàng loạt thao tác dẫn đến lời giải của bài toán. Mộtđặc trưng phổ biến của đồ thị, đồng thời là vấn đề phát sinh khi thiết kế thuật toán tìmkiếm trên đồ thị, là đôi khi tiếp cận một trạng thái nào đó bằng nhiều đường đi khácnhau.

Thí dụ 3.1: Trò chơi tic–tac-toe

Cách biểu diễn không gian trạng thái của Tic-tac-toe như trong hình 2.1. Trạng thái xuấtphát là một bảng rỗng, và đích kết thúc (hay mô tả đích) là một trạng thái dạng bảng có3 ô x trong một hàng, một cột, hay một đường chéo (giả sử đích là một thắng cuộc đốivới X). Đường đi từ trạng thái xuất phát đến trạng thái đích sẽ cho ta hàng loạt nước đicho một ván thắng.

Các trạng thái trong không gian này là các cách sắp xếp tập hợp {ô rỗng, X, O} trongchín ô trống của trạng thái bắt đầu, như vậy ta sẽ có 39 cách sắp xếp, nhưng hầu hếtchúng không bao giờ xảy ra trong một ván chơi thực tế. Các cung sẽ được tạo ra bởi cácnước đi đúng luật trong cuộc chơi, sau khi luân phiên đặt X và O vào một vị trí chưadùng đến. Không gian trạng thái này là một đồ thị chứ không phải một cây, vì có thể đạtđến một số trạng thái nằm ở mức thứ ba và các mức sâu hơn bằng các đường đi khácnhau. Tuy vậy không có vòng lặp nào trong không gian trạng thái này vì các cung cóhướng của đồ thị không cho phép đi lại một nước đã đi, nghĩa là không được phép “đingược trở lại” một cấu trúc một khi đã đi đến trạng thái nào đó. Do đó, không cần phảikiểm tra về vòng lặp trong việc tạo ra đường đi. Một cấu trúc đồ thị có đặc tính nhưvậy gọi là đồ thị có hướng không lặp lại (directed acyclic graph), hay DAG và phổ biếntrong các quá trình tìm kiếm không gian trạng thái.

Việc biểu diễn không gian trạng thái cho chúng ta một phương tiện để xác định mức độphức tạp của bài toán. Trong Tic-Tac-Toe có chín cách đi đầu tiên với tám khả năng cóthể xảy ra đối với mỗi cách đi đó; tiếp theo là bảy khả năng có thể xảy ra nữa cho từngcách đi ở lượt thứ hai, … Như vậy có tất cả 9 x 8 x 7 x … hay 9! đường đi khác nhau cóthể được tạo ra. Mặc dù máy tính hoàn toàn có đủ khả năng thăm dò hết số lượng đườngđi này (362880), nhưng nhiều bài toán quan trọng có mức độ phức tạp theo qui luật sốmũ hay giai thừa với qui mô lớn hơn nhiều. Cờ vua có 10120 cách đi có thể xảy ra chomột ván chơi, cờ đam có 1040 cách đi, một số trong đó có thể không bao giờ xảy ra ởmột ván chơi thực tế. Các không gian này rất khó hoặc không thể nào khảo sát cho đếnhết được. Chiến lược tìm kiếm đối với một không gian lớn như vậy thường phải dựa vàocác heuristic để làm giảm bớt mức độ phức tạp cho quá trình tìm kiếm.

40/197

Thí dụ 3.2: Trò đố 8 ô

Nguyên bản của trò chơi là trò đố 15 ô như hình 3.3, có 15 viên gạch đánh số khác nhauđược đặt vừa vào 16 ô vuông theo bảng. Có một ô vuông để trống nên các viên gạch đócó thể di chuyển loanh quanh để tạo ra các sắp xếp khác nhau. Mục tiêu là tìm ra mộtchuỗi bước di chuyển các viên gạch vào ô trống để sắp xếp bảng thành một cấu hìnhđích nào đó. Không gian trạng thái bài toán đủ lớn để xem xét (16! nếu các trạng tháiđối xứng được xem xét riêng biệt).

Hình 3.3 - Trò đố 15 ô và 8 ô

Trò đố 8 ô là một phiên bản với kích thước 3 x 3 của trò đố 15 ô, vì nó tạo ra không giantrạng thái nhỏ hơn so với trò đố 15 ô nên thường được dùng cho nhiều ví dụ. Các cáchdi chuyển đúng luật là:

• Di chuyển ô trống lên phía trên (Up)• Di chuyển ô trống về bên phải (Right)• Di chuyển ô trống xuống phía dưới (Down)• Di chuyển ô trống về bên trái (Left)

Để áp dụng một di chuyển, phải bảo đảm rằng không di chuyển ô trống ra ngoài bảng.Do đó, tất cả bốn cách di chuyển này không phải lúc nào cũng có thể áp dụng. Nếu đãxác định một trạng thái xuất phát và một trạng thái đích thì có thể đưa ra một sơ đồkhông gian trạng thái của quá trình giải toán. Giống như trò chơi Tic-tac-toe không giantrạng thái của trò đố 8 ô cũng là một đồ thị (với hầu hết các trạng thái đều có nhiều nútcha), nhưng khác Tic-tac-toe là có vòng lặp. Mô tả đích (GD) của không gian trạng tháinày là một trạng thái cụ thể, tức một cấu hình bảng cụ thể nào đó. Khi tìm được trạngthái này trên đường đi, quá trình tìm kiếm kết thúc. Đường đi từ trạng thái xuất phát đếntrạng thái đích là dãy các bước di chuyển theo yêu cầu.

41/197

Hình 3.4 – Không gian trạng thái trong trò đố 8 ô.

Thí dụ 3.3: Đường đi của người bán hàng

Giả sử có một người bán hàng phải giao hàng cho năm thành phố và sau đó phải quay vềnhà. Đích của bài toán là tìm con đường ngắn nhất cho người giao hàng đó đi đến từngthành phố, rồi quay về thành phố xuất phát. Hình 3.5 cho một trường hợp của bài toánnày.

42/197

Hình 3.5 – Một ví dụ của bài toán TSP

Các nút trong đồ thị biểu diễn các thành phố, và mỗi cung đều được ghi kèm một trọngsố cho biết phí tổn đi lại trên cung đó. Chi phí này có thể là số km phải di chuyển bằngô tô hay giá vé máy bay giữa hai thành phố. Để thuận tiện, chúng ta giả thiết người bánhàng sống ở thành phố A và sẽ quay về đây, mặc dù giả thiết này chỉ giảm từ bài toán nthành phố xuống bài toán (n-1) thành phố.

Hình 3.6 – Không gian trạng thái cho quá trình tìm kiếm đường đi (TSP)

Đường đi [A,D,C,B,E,A], với chi phí tương ứng 450 km là ví dụ về một con đường cóthể đi. Mô tả đích yêu cầu một con đường có chi phí thấp nhất. Chú ý rằng mô tả đíchnày là một đặc tính của toàn bộ con đường, không phải là một trạng thái đơn lẻ. Đây làmô tả đích dạng thứ hai trong định nghĩa về tìm kiếm trong không gian trạng thái đã nóiở trên.


43/197

/home/voer/vpt/src/vpt.transformer/vpt/transformer/transforms/20140409-114654-764b3239-1/70515552/chapter1234.ppt

CÁC CHIẾN LƯỢC DÙNG CHO TÌM KIẾM TRONGKHÔNG GIAN TRẠNG THÁI (TK-KGTT)

CÁC CHIẾN LƯỢC DÙNG CHO TÌM KIẾM TRONG KHÔNG GIANTRẠNG THÁI (TK-KGTT)

Tìm kiếm hướng dữ liệu và tìm kiếm hướng mục tiêu

Một không gian trạng thái có thể được tìm kiếm theo hai hướng: từ các dữ liệu cho trướccủa một bài toán hướng đến mục tiêu hay từ mục tiêu hướng ngược về các dữ liệu.

Trong tìm kiếm hướng từ dữ liệu (data-driven search) hay còn gọi là suy diễn tiến(forward chaining), tiến trình giải bài toán bắt đầu với các sự kiện cho trước của bài toánvà một tập các luật hợp thức dùng thay đổi trạng thái. Quá trình tìm kiếm được thực hiệnbằng cách áp dụng các luật vào các sự kiện để tạo ra các sự kiện mới, sau đó các sự kiệnmới này lại được áp dụng các luật để sinh ra các sự kiện mới hơn cho đến khi chúng cóthể đưa ra một giải pháp thỏa mãn điều kiện mục tiêu.

Cũng có thể dùng một phương pháp khác: bắt đầu từ mục tiêu mà chúng ta muốn giảiquyết, khảo sát xem có thể dùng những luật hợp thức nào để đạt đến mục tiêu này, đồngthời xác định xem các điều kiện nào phải được thỏa mãn để có thể áp dụng được chúng.Các điều kiện này sẽ trở nên những mục tiêu mới, hay còn gọi là các mục tiêu phụ(subgoals) trong tiến trình tìm kiếm. Quá trình tìm kiếm cứ tiếp tục như thế, hoạt độngtheo chiều ngược, qua hết các đích phụ kế tiếp nhau cho đến khi gặp các sự kiện thựccủa bài toán. Phương pháp này sẽ tìm ra một chuỗi các bước đi, hay các luật, dẫn từcác dữ liệu đến một đích, mặc dù nó thực hiện theo thứ tự ngược lại. Phương pháp nàygọi là tìm kiến hướng từ mục tiêu (goal-driven-reasoning) hay suy diễn lùi (backwardchaining) và nó gợi cho chúng ta về một thủ thuật đơn giản khi cố giải bài toán mê cungbằng cách đi ngược từ cuối lên đầu.

Tóm lại, suy luận hướng dữ liệu nắm lấy các sự kiện của bài toán rồi áp dụng các luậtvà các bước đi hợp thức để tạo ra những sự kiện mới dẫn đến một đích; suy luận hướngmục tiêu thì tập trung vào đích, tìm các luật có thể dẫn đến đích, rồi lần ngược ra cácluật và các đích phụ kế tiếp để đi đến các sự kiện cho trước của bài toán.

Trong bước phân tích cuối cùng, các hệ giải bài toán hướng mục tiêu cũng như hướngdữ liệu đều tìm kiếm trong cùng một đồ thị không gian trạng thái; tuy nhiên thứ tự và sốlượng trạng thái thực sự cần tìm có thể khác nhau.

44/197

Những hệ giải toán đã được biên soạn bằng cách dùng một trong hai phương pháp hướngdữ liệu và hướng mục tiêu quyết định theo cách nào tuỳ thuộc cấu trúc của bài toán phảigiải. Nên tìm kiếm hướng mục tiêu nếu:

Mục tiêu hay giả thiết được cho trong phát biểu bài toán hoặc có thể dễ dàng công thứchoá. Trong một hệ chứng minh định lý toán học chẳng hạn, mục tiêu chính là định lýphải chứng minh. Nhiều hệ thống chẩn đoán bệnh cân nhắc các chẩn đoán có tiềm năngtheo cách hệ thống hoá, xác nhận hay loại bỏ chúng bằng phép suy luận hướng đích.

Có một số lượng lớn các luật phù hợp với các sự kiện của bài toán, và do đó tạo ra mộtsố lượng ngày càng nhiều các kết luận, tức là các đích. Việc chọn sớm một đích có thểloại bỏ hầu hết các nhánh rẽ này, làm cho việc tìm kiếm hướng mục tiêu có hiệu quả hơnnhờ thu gọn không gian. Trong một hệ chứng minh định lý toán chẳng hạn, số lượngluật chứa trong một định lý cho trước ít hơn rất nhiều so với số lượng luật có thể áp dụngcho toàn bộ tập các tiêu đề.

Các dữ liệu của bài toán không được cho trước, nhưng hệ giải toán yêu cầu phải có.Trong trường hợp này, tìm kiếm hướng đích có thể giúp thu thập các dữ liệu dẫn đường.Trong chương trình chẩn đoán y khoa chẳng hạn, có thể áp dụng hàng loạt các phép thửchẩn đoán. Các bác sĩ chỉ dùng những phép thử nào cần thiết để xác nhận hay loại bỏmột giả thiết cụ thể.

Như vậy tìm kiếm hướng mục tiêu sẽ dùng những hiểu biết về mục tiêu cần có để hướngdẫn quá trình tìm kiếm thông qua các luật thích hợp, đồng thời loại bỏ nhiều nhánh củakhông gian đó.

Tìm kiếm hướng dữ liệu thích hợp với bài toán thuộc loại:

Tất cả hay hầu hết các dữ liệu đầu được cho trước trong phát biểu ban đầu của bài toán.Các bài toán diễn dịch thường phù hợp với khuôn mẫu này bằng cách đưa ra một tậphợp các dữ liệu và yêu cầu hệ thống cung cấp một cách diễn dịch bậc cao. Các hệ thốngdùng để phân tích dữ liệu cụ thể (như các trình PROSPECTOR hay DIPMETER dùngđể diễn dịch các dữ liệu địa chất hoặc để tìm xem những khoáng chất nào có nhiều khảnăng tìm thấy tại một địa điểm) thích hợp với cách tiếp cận hướng dữ liệu.

Có một số lượng lớn đích có tiềm năng, nhưng chỉ có vài cách sử dụng các sự kiện vàcác thông tin cho trước trong trường hợp bài toán cụ thể. Chương trình DENDRAL, mộthệ chuyên gia dùng để tìm kiếm cấu trúc phân tử của các hợp chất hữu cơ dựa vào côngthức của chúng, vào dữ liệu phân tích khối phổ, và vào các kiến thức hóa học, là một vídụ về trường hợp này. Đối với một hợp chất hữu cơ bất kỳ, có thể có rất nhiều cấu trúcphân tử. Tuy nhiên, dữ liệu phân tích khối phổ của hợp chất sẽ cho phép DENDRALloại bỏ hầu hết, chỉ giữ lại một ít trong cấu trúc đó.

45/197

Rất khó hình thành nên một đích hay một giả thuyết. Trong việc tham vấn hệ chuyêngia DENDRAL chẳng hạn, có rất ít hiểu biết ban đầu về cấu trúc có thể có của một hợpchất.

Câu hỏi :

Xác định phương pháp tìm kiếm hướng dữ liệu hay tìm kiếm hướng mục tiêu là thíchhợp hơn trong việc giải quyết các vấn đề dưới đây. Giải thích sự lựa chọn của bạn :

a) Chẩn đoán các trục trặc về thiết bị trong một xe ô tô.

b) Bạn gặp một người cho biết là anh em họ xa với bạn, có cùng một ông tổ tên là John.Bạn cần kiểm tra lại thông tin này.

c) Một người khác cũng cho biết là anh em họ xa của bạn. Anh ta không biết ông tổ têngì nhưng biết rằng không quá tám đời. Bạn hãy tìm ông tổ này hoặc xác định không cóông tổ đó.

d) Một chứng minh định lý trong hình học phẳng.

e) Một chương trình dùng để kiểm tra và diễn giải kết quả đọc của máy dò đường biểnbằng sóng phản âm, chẳng hạn dùng thông báo cho một tàu ngầm lớn biết sắp có mộttàu ngầm nhỏ, một con cá voi hay một đàn cá ở cự ly nào đó.

f) Một hệ chuyên gia giúp cho con người phân loại cây trồng theo đặc tính, chủng loại,…

Các chiến lược tìm kiếm trên đồ thị

Khi giải bài toán bằng tìm kiếm hướng mục tiêu hay hướng dữ liệu, dù dùng phươngpháp nào thì hệ giải toán cũng phải tìm một đường đi từ trạng thái xuất phát dẫn đếnđích trong đồ thị không gian trạng thái. Trình tự của các cung trong đường đi này tươngứng với các bước theo thứ tự của lời giải. Nếu hệ giải toán đã được cung cấp một “nhàtiên tri” hay một cơ chế không thể sai lầm để chọn đường đi lời giải, thì việc tìm kiếmsẽ không còn cần thiết nữa. Hệ giải toán này sẽ vận hành một cách chính xác qua khônggian đó để đến một đích đúng yêu cầu, tạo nên một đường đi khi nó đi qua. Vì khôngbao giờ có các “nhà tiên tri” như vậy, nên hệ giải toán phải xem xét nhiều đường đi quakhông gian cho đến khi tìm được đích. Lần ngược (backtrack) là một kỹ thuật dùng đểthử một cách có hệ thống tất cả những đường đi trong một không gian trạng thái.

Trong phần kế tiếp sẽ giới thiệu các thuật toán tìm kiếm giống như thuật toán lần ngược,các thuật toán này sẽ dùng các danh sách để theo dõi các trạng thái trong không gian tìmkiếm. Những thuật toán này bao gồm tìm kiếm sâu (depth-first-search), tìm kiếm rộng

46/197

(breadth-first-search),khác với thuật toán lần ngược ở chỗ chúng sẽ cung cấp một cơ chếlinh hoạt hơn cho việc thực hiện các chiến lược tìm kiếm đồ thị khác nhau.

Tìm kiếm sâu và tìm kiếm rộng

Cùng với việc định hướng tìm kiếm (hướng dữ liệu hay hướng mục tiêu), một thuật toántìm kiếm còn phải xác định thứ tự mà theo đó các trạng thái sẽ được khảo sát trong câyhoặc đồ thị. Phần này sẽ đề cập đến hai khả năng đối với thứ tự xem xét các nút trongđồ thị: Tìm kiếm sâu (DFS) và tìm kiếm rộng (BFS).

Hình 3.8 – Đồ thị ví dụ cho tìm kiếm rộng và tìm kiếm sâu

Chúng ta cùng khảo sát đồ thị trong hình 3.8. Các trạng thái được ký hiệu (A,B,C,…)sao cho chúng sẽ được tham khảo theo các ký hiệu đó trong quá trình thảo luận này.Trong tìm kiếm sâu, khi một trạng thái được xem xét, tất cả các con của nó được xét đếnrồi đến các thế hệ sau của các con đó đều được xem xét ưu tiên trước bất kỳ một trạngthái anh em nào của nó. Tìm kiếm sâu sẽ tiến sâu hơn vào trong không gian tìm kiếm bấtkỳ khi nào còn có thể. Chỉ khi nào không tìm được các con cháu xa hơn của trạng tháiđó thì mới xem xét đến các trạng thái anh em của nó. Tìm kiếm sâu sẽ tiến hành kiểmtra các trạng thái trong đồ thị hình 3.8 theo thứ tự A, B, E, K, S, L, T, F, M, C, G, N, H,O, P, U, D, I, Q, J, R. Thuật toán lần ngược cũng đã thực hiện theo kiểu tìm kiếm sâu.

Ngược lại, tìm kiếm rộng sẽ khảo sát không gian này theo từng mức. Chỉ đến khi trongmột mức cho trước không còn một trạng thái nào để khảo sát thì thuật toán mới chuyểnsang mức tiếp theo. Tìm kiếm rộng trong đồ thị hình 3.8 sẽ xem xét các trạng thái theothứ tự A, B, C, D, E, F, G, H, I, J, K, L, M, O, P, Q, R, S, T, U.

47/197

Chúng ta thực hiện tìm kiếm rộng bằng cách dùng các danh sách open (mở) và closed(đóng) để theo dõi tiến độ trong không gian trạng thái đó. Danh sách open sẽ liệt kê cáctrạng thái vừa được sinh ra, nhưng con của chúng chưa được khảo sát. Thứ tự mà cáctrạng thái bị loại ra khỏi open sẽ xác định thứ tự tìm kiếm. Danh sách closed thì ghi cáctrạng thái đã được xem xét rồi.

Hình 3.9 – Các bước thực hiện tìm kiếm rộng trên đồ thị 3.8

Thuật toán tìm kiếm rộng (BFS) :

Procedure breadth-first-search;

Begin % khởi đầu

Open:= [start];

Closed:= [ ];

While open ≠ [ ] do % còn các trạng thái chưa khảo sát

Begin

Loại bỏ trạng thái ngoài cùng bên trái khỏi open, gọi nó là X;

If X là một đích then trả lời kết quả (thành công) % tìm thấy đích

else begin

48/197

Phát sinh các con của X;

Đưa X vào closed;

Loại các con của X trong open hoặc closed; % kiểm tra vòng lặp

Đưa các con còn lại vào đầu bên phải của open % hàng chờ

end;

End;

Trả lời kết quả (thất bại); % không còn trạng thái nào

End;

Các trạng thái con sinh ra nhờ các luật suy diễn, các nước đi hợp lệ của trò chơi hoặccác toán tử chuyển trạng thái. Mỗi lần lặp lại sẽ tạo ra tất cả các con của trạng thái X vàbổ sung chúng vào danh sách open. Chú ý rằng danh sách open được duy trì dưới dạngmột hàng đợi (queue), tức cấu trúc dữ liệu “vào trước ra trước” (first – in – first – out :FIFO). Các trạng thái được bổ sung vào bên phải danh sách và được lấy ra từ bên trái.Cách sắp xếp theo hàng này sẽ sắp xếp việc tìm kiếm đến các trạng thái nằm trong danhsách open lâu nhất, làm cho quá trình trở thành tìm kiếm rộng. Các trạng thái con đãđược khảo sát rồi (đã xuất hiện trong danh sách open hoặc danh sách closed) đều bị loạibỏ. Nếu thuật toán kết thúc vì điều kiện của vòng lặp “while” không còn được thoả mãnnữa (open = [ ]) tức là nó đã tìm kiếm xong toàn bộ đồ thị mà không tìm thấy đích mongmuốn: Cuộc tìm kiếm thất bại.

Vì tìm kiếm rộng xem xét mọi nút ở từng mức của đồ thị trước khi đi sâu vào không gianđó nên tất cả các trạng thái đều được tiếp cận đến đầu tiên theo con đường ngắn nhất kểtừ trạng thái xuất phát. Do đó tìm kiếm rộng sẽ đảm bảo tìm được đường đi ngắn nhấttừ trạng thái xuất phát đến trạng thái đích. Hơn nữa, vì tất cả các trạng thái đều được tìmthấy trước theo con đường ngắn nhất cho nên bất kỳ trạng thái gặp lần thứ hai nào cũngđược tìm thấy theo con đường có chiều dài bằng hoặc lớn hơn. Vì không có cơ hội đểcác trạng thái trùng lặp được tìm thấy theo một đường đi tốt hơn, nên thuật toán này sẽloại bỏ được mọi trạng thái trùng lặp.

Tiếp theo, chúng ta sẽ xây dựng thuật toán tìm kiếm sâu trên không gian trạng thái.Trong khi xem xét thuật toán này, cần lưu ý một điều là các trạng thái con cháu đềuđược bổ sung vào hay bị loại bỏ ra từ đầu bên trái của danh sách open: Danh sách openđược duy trì dưới dạng một ngăn xếp (stack), tức cấu trúc “vào sau ra trước” (last – in –first – out : LIFO). Việc tổ chức danh sách open theo dạng ngăn xếp sẽ hướng quá trìnhtìm kiếm nhằm vào các trạng thái được sinh ra mới nhất, làm cho tìm kiếm đó phát triểntheo chiều sâu.

49/197

Hình 3.10 – Các bước thực hiện tìm kiếm sâu trên đồ thị 3.8

Tìm kiếm sâu được tiến hành bằng cách cải biến thuật toán đã dùng cho tìm kiếm rộng:

Thuật toán tìm kiếm sâu (BFS) :

Procedure depth – first –search;

Begin % khởi đầu

Open:= [start];

Closed:= [ ];

While open ≠ [ ] do % còn các trạng thái chưa khảo sát

Begin

Loại bỏ trạng thái ngoài cùng bên trái khỏi open, gọi nó là X;

If X là một đích then trả lời kết quả (thành công) % tìm thấy đích

else begin

Phát sinh các con của X;

Đưa X vào closed;

50/197

Loại các con của X trong open hoặc closed; % kiểm tra vòng lặp

Đưa các con còn lại vào đầu bên trái của open % ngăn xếp

end;

End;

Trả lời kết quả (thất bại); % không còn trạng thái nào

End;

Khác với tìm kiếm rộng, tìm kiếm sâu không đảm bảo sẽ tìm được đường đi ngắn nhấtđến một trạng thái gặp lần đầu. Vào sâu trong tìm kiếm này, có thể tìm thấy một đườngđi khác dẫn đến trạng thái bất kỳ. Nếu độ dài đường đi là quan trọng đối với một trìnhgiải toán, thì khi thuật toán gặp một trạng thái trùng lặp, nó cần giữ lại phiên bản đã gặptheo đường đi ngắn nhất. Có thể thực hiện điều này bằng cách lưu giữ mỗi trạng tháidưới dạng một bộ ba: (trạng thái đó, trạng thái cha, chiều dài đường đi). Khi phát sinhtrạng thái con, chỉ cần tăng trị số độ dài đường đi lên một đơn vị và cất giữ lại cùng vớitrạng thái con đó. Nếu một trạng thái con bắt gặp theo nhiều đường đi, thông tin này cóthể được sử dụng để giữ lại phiên bản tốt nhất. Cần chú ý, việc giữ lại phiên bản tốt nhấtcủa một trạng thái trong một tìm kiếm sâu đơn giản sẽ không đảm bảo được việc tìmthấy đích theo đường đi ngắn nhất.

Cũng giống như việc lựa chọn giữa tìm kiếm hướng dữ liệu hay hướng mục tiêu khiđánh giá một đồ thị, việc sử dụng tìm kiếm rộng hay tìm kiếm sâu cũng tùy thuộc vàobài toán cụ thể phải giải. Những đặc trưng quan trọng bao gồm: việc tìm đường đi ngắnnhất dẫn đến đích, việc phân nhánh của không gian trạng thái, các tài nguyên về thờigian và không gian có sẵn, chiều dài trung bình của các đường dẫn đến nút đích và cảviệc liệu chúng ta muốn có tất cả các lời giải hay chỉ cần lời giải đầu tiên tìm thấy. Đểđưa ra câu trả lời cho các vấn đề này, mỗi cách đều có những ưu điểm và khuyết điểmriêng.

Tìm kiếm rộng: Vì lúc nào cũng xem xét tất cả các nút ở mức n rồi mới chuyển sangmức n+1 nên tìm kiếm rộng bao giờ cũng tìm được đường đi ngắn nhất đến một nútđích. Trong những bài toán nếu biết rõ có một lời giải đơn giản thì lời giải này sẽ đượctìm thấy. Tuy nhiên, nếu bài toán có hệ số phân nhánh không gian lớn, nghĩa là các trạngthái có số lượng con cháu trung bình tương đối cao thì sự bùng nổ tổ hợp này có thể gâycản trở cho việc tìm kiếm một lời giải. Lý do là vì tất cả các nút chưa được mở rộng vớimỗi mức tìm kiếm đều phải được giữ lại trong danh sách open. Do đó, đối với khônggian trạng thái có hệ số phân nhánh cao, điều này có thể trở nên rất phức tạp.

Độ phức tạp của không gian tìm kiếm rộng được đo theo số lượng trạng thái trong danhsách open, đó là một hàm mũ của chiều dài đường đi tại mỗi thời điểm bất kỳ. Nếu mỗi

51/197

trạng thái trung bình có B con thì số lượng trạng thái ở một mức sẽ bằng B lần số trạngthái ở mức trước đó. Như vậy sẽ có Bn trạng thái ở mức n. Tìm kiếm rộng sẽ phải đưatất cả trạng thái này vào danh sách open khi nó bắt đầu xem xét mức n. Điều này có thểkhông được phép nếu các đường đi lời giải quá dài.

Tìm kiếm sâu: Tìm kiếm sâu sẽ nhanh chóng đi sâu vào không gian tìm kiếm. Nếu biếtrõ đường đi lời giải sẽ dài, tìm kiếm sâu sẽ không mất thời gian cho việc tìm kiếm mộtsố lớn các trạng thái “cạn” trong đồ thị. Mặc khác, tìm kiếm sâu cũng có thể sa lầy vàođộ sâu “vô ích” khi bỏ qua những đường đi ngắn hơn dẫn đến đích, hay thậm chí có thểbị sa lầy trong một đường đi dài vô tận mà không dẫn đến đích nào cả.

Tìm kiếm sâu hiệu quả hơn nhiều đối với những không gian trạng thái có hệ số phânnhánh lớn vì nó không phải giữ tất cả các nút ứng với một mức trong danh sách open.Độ phức tạp của không gian tìm kiếm sâu là một hàm tuyến tính của độ dài đường đi.Tại mỗi mức, open chỉ chứa con của một tráng thái duy nhất. Nếu đồ thị có số lượng contrung bình là B đối với mỗi trạng thái thì tìm kiếm sâu có độ phức tạp của không gian làB x n trạng thái để đạt đến mức sâu n trong không gian đó.

Câu trả lời tốt nhất cho việc chọn dùng tìm kiếm sâu hay tím kiếm rộng là khảo sátkhông gian bài toán một cách cẩn thận. Trong cờ vua chẳng hạn, tìm kiếm rộng là khôngthể được. Trong các trò chơi đơn giản hơn thì tìm kiếm rộng không những là giải phápcó thể mà còn là giải pháp duy nhất để tránh thất bại.

Câu hỏi :

Giả sử cần viết chương trình tìm ra cách thức xoay một khối rubic 3x3x3 (được ghépbởi 27 nút) về đúng 6 mặt màu. Biết rằng bộ nhớ trong của máy tính bị hạn chế, bạn sẽchọn giải thuật duyệt đồ thị nào trong hai giải thuật tìm kiếm sâu và tìm kiếm rộng đểgiải quyết vấn đề? Giải thích ngắn gọn sự lựa chọn của bạn ?

Tìm kiếm sâu bằng cách đào sâu nhiều lần

Một thoả hiệp thú vị cho hai thuật toán này là sử dụng một giới hạn độ sâu cho quá trìnhtìm kiếm sâu. Giới hạn sâu sẽ buộc phải chịu thất bại trên một con đường tìm kiếm khiđường đó dẫn tới độ sâu quá một mức nào đó. Điều này gây ra một quá trình quét khônggian trạng thái giống như tìm kiếm rộng tại độ sâu đó. Khi biết chắc có một lời giải nằmtrong một phạm vi nào đó hoặc khi bị giới hạn về thời gian, như trong không gian quárộng của cờ vua chẳng hạn, thì biện pháp hạn chế số lượng trạng thái phải được xemxét đến. Lúc đó tìm kiếm sâu với độ sâu giới hạn có thể là thích hợp nhất. Hình sau đâytrình bày một tiến trình tìm kiếm sâu của bài toán trò đố 8 ô, trong đó giới hạn sâu bằngnăm sẽ tạo ra quá trình quét toàn bộ không gian ở độ sâu này.

52/197

Hình 3.11 – Không gian trạng thái với độ sâu giới hạn bằng 5 cho trò đố 8 ô

Giải pháp này đã đưa đến một thuật toán tìm kiếm khắc phục được nhiều nhược điểmcủa cả tìm kiếm sâu lẫn tìm kiếm rộng. Phương pháp tìm kiếm sâu đào sâu nhiều lần(depth – first – interactive – deepening Korf 1987) thực hiện tìm kiếm sâu với độ sâugiới hạn bằng một. Nếu không tìm được đích, nó tiếp tục thực hiện tìm kiếm sâu với độsâu giới hạn bằng hai, … Thuật toán cứ tiếp tục như thế bằng cách mỗi lần lặp thì tăngđộ sâu giới hạn thêm một đơn vị. Trong mỗi lần lặp thuật toán áp dụng giải thuật tìmkiếm sâu hoàn chỉnh đến độ sâu giới hạn đó. Giữa hai lần lặp, không có một thông tinnào về không gian trạng thái được giữ lại.

Vì thuật toán tìm kiếm hết không gian từng mức nên vẫn bảo đảm sẽ tìm được conđường ngắn nhất dẫn đến đích. Vì chỉ thực hiện tìm kiếm sâu trong mỗi lần lặp nên độphức tạp của không gian tại mức n bất kỳ là B x n, trong đó B là số lượng trạng thái contrung bình của một nút.

Điều thú vị là mặc dù phương pháp tìm kiếm sâu đào sâu nhiều lần có vẻ kém hiệu quảvề thời gian so với tìm kiếm sâu lẫn tìm kiếm rộng, nhưng thực tế độ phức tạp về thờigian của nó cùng bậc như của hai phương pháp trên: O (Bn).

53/197

DÙNG KHÔNG GIAN TRẠNG THÁI ĐỂ BIỂU DIỄNQUÁ TRÌNH SUY LUẬN BẰNG PHÉP TÍNH VỊ TỪ

DÙNG KHÔNG GIAN TRẠNG THÁI ĐỂ BIỂU DIỄN QUÁ TRÌNH SUYLUẬN BẰNG PHÉP TÍNH VỊ TỪ

Mô tả không gian trạng thái của một hệ logic:

Đồ thị không gian trạng thái của logic vị từ bao gồm các nút, mỗi nút biểu diễn cho mộttrạng thái của quá trình giải bài toán và các luật suy diễn có thể được dùng để hình thànhvà mô tả các cung giữa các trạng thái này. Theo cách này, các bài toán trong phép tínhvị từ, như việc xác định một biểu thức nào đó có phải là hệ quả logic của một tập cáckhẳng định cho trước hay không, có thể giải quyết bằng phương pháp tìm kiếm.

Thí dụ 3.4: Giả sử p, q, r, … là các mệnh đề, ta có thể giả thuyết có các khẳng định sau :

Từ tập các khẳng định này và các modus ponen của các luật suy diễn, một số các mệnhđề nhất định (p, r và u) có thể được suy diễn ra; còn các mệnh đề khác (như v và q)không thể suy diễn được và thực tế chúng không đi theo một cách logic từ các khẳngđịnh này. Quan hệ giữa các khẳng định ban đầu và các suy diễn được biểu diễn trongđồ thị có hướng như hình 3.12.

Với cách biểu diễn này, việc xác định một mệnh đề cho trước có phải là một hệ quảlogic của một tập các mệnh đề hay không sẽ trở thành bài toán tìm đường đi từ một nútxuất phát đến nút đích. Nó cũng được quy về bài toán tìm kiếm trên đồ thị. Chiến lượctìm kiếm được dùng ở đây sẽ là tìm kiếm hướng dữ liệu, vì nó đi từ những gì đã biết(các mệnh đề đúng) đến đích. Theo cách khác, chiến lược hướng mục tiêu cũng có thểđược áp dụng vào cùng không gian đó bằng cách xuất phát từ mệnh đề cần chứng minh(đích) và đi ngược theo các cung để tìm sự hỗ trợ đối với đích đó trong các mệnh đềđúng. Ngoài ra, chúng ta còn có thể tìm kiếm trên không gian suy diễn này theo chiềusâu hay chiều rộng.

54/197

Hình 3.12 – Đồ thị không gian trạng thái cho thí dụ 3.4

Đồ thị Và / Hoặc (And / Or Graph)

Đồ thị Và / Hoặc là một công cụ quan trọng để mô tả các không gian tìm kiếm trongnhiều bài toán của Trí tuệ nhân tạo, bao gồm cả các bài toán giải quyết bằng cách chứngminh theo định lý logic và các hệ chuyên gia.

Đồ thị Và / Hoặc có sự phân biệt các nút Và (And) với các nút Hoặc (Or):

• Nếu các tiền đề của một mệnh đề được nối với nhau bằng toán tử ∧, chúngđược gọi là các nút Và, đồng thời các cung nối với nút này được liên kết vớinhau bằng một dấu liên kết cong.

• Nếu các tiền đề của một mệnh đề được nối với nhau bằng toán tử ∨, chúngđược xem là các nút Hoặc. Các cung nối từ các nút Hoặc đến nút bố mẹ củachúng sẽ không được liên kết như vậy.

Thí dụ 3.5: Giả sử các mệnh đề sau đây là đúng:

Tập các khẳng định này sẽ sinh ra đồ thị Và / Hoặc như trong hình vẽ sau:

55/197

Hình 3.13 – Đồ thị AND/OR cho bài toán

Các câu hỏi có thể được đặt ra là:

• h là đúng?• h có còn đúng nếu b sai?

Trong ví dụ trên, chiến lược tìm kiếm hướng mục tiêu để xác định h là đúng trước hếtphải chứng minh cả a lẫn e đúng. Nút a đúng là tất nhiên, nhưng muốn e đúng thì cả clẫn a đều phải đúng, hai nút này đã được cho trước là đúng. Khi chương trình giải bàitoán đã xác định tất cả các cung này là các mệnh đề đúng, thì các giá trị đúng sẽ đượctổng hợp lại ở các nút Và để kiểm chứng giá trị đúng của h.

Ngược lại, chiến lược tìm kiếm hướng dữ liệu để xác định h đúng phải xuất phát từ cácsự kiện đã biết (c, a và b) và bắt đầu bằng việc bổ sung các mệnh đề mới vào tập mệnhđề đã biết này phù hợp theo các qui định của đồ thị Và / Hoặc, e hoặc d sẽ là mệnh đềđầu tiên được bổ sung vào tập sự kiện đó. Những bổ sung này sẽ tạo khả năng suy diễnra các sự kiện mới. Quá trình này cứ tiếp tục cho đến khi đích được chứng minh.

TỔNG KẾT CHƯƠNG III:

Chương III đã giới thiệu các cơ sở lý thuyết trong tìm kiếm không gian trạng thái, sửdụng lý thuyết đồ thị để phân tích cấu trúc và mức độ phức tạp của các chiến lược giảiquyết vấn đề bài toán. Các cách thức có thể sử dụng để mô hình hóa việc giải quyết vấnđề dưới dạng một tìm kiếm trên đồ thị trạng thái của bài toán đó cũng đã được nêu ra.Đồng thời cũng so sánh giữa hai cách suy luận hướng dữ liậu và hướng mục tiêu, giữatìm kiếm sâu và tìm kiếm rộng. Phần cuối chương, đồ thị And/Or cho phép chúng ta ápdụng tìm kiếm không gian trạng thái vào việc thực hiện các suy diễn logic. Tuy nhiên,hầu hết các chiến lược này đều mang tính hình thức, chương tiếp theo sẽ đi sâu hơn vào

56/197

những “mẹo giải” trong các chiến lược tìm kiếm không hình thức áp dụng cho nhữngkhông gian bài toán đặc trưng nhằm thu hẹp quá trình tìm kiếm trên các không gian này.

Bài tập chương III

Xét đồ thị trạng thái sau đây, với mỗi chiến lược tìm kiếm bên dưới hãy liệt kê với danhsách thứ tự các nút được duyệt qua.

• Tìm kiếm rộng (BFS).• Tìm kiếm sâu (DFS).• Tìm kiếm sâu với độ sâu giới hạn là 3.• Tìm kiếm sâu đào sâu nhiều lần.

Giả sử P là nút mục tiêu của đồ thị bên dưới, nếu dùng giải thuật tìm kiếm sâu đào sâunhiều lần để duyệt đồ thị không gian trạng thái này, hãy cho biết danh sách thứ tự cácnút mà giải thuật đã duyệt qua.

57/197

58/197

TÌM KIẾM HEURISTICMỞ ĐẦU

MỞ ĐẦU

George Polya định nghĩa heuristic là “sự nghiên cứu về các phương pháp và các qui tắctrong việc khám phá và phát minh” (Polya 1945). Nghĩa này có thể xuất phát từ gốcHy Lạp của động từ eurisco nghĩa là “tôi phát hiện”. Khi Archimedes nhảy ra khỏi bồntắm và chộp lấy chiếc mũ miện bằng vàng, ông ta đã la lên “Eureka!” có nghĩa “Tôi đãtìm thấy nó!”. Trong tìm kiếm không gian trạng thái, heuristic là các luật dùng để chọnnhững nhánh nào có nhiều khả năng nhất dẫn đến một giải pháp chấp nhận được.

Các chương trình giải quyết những vấn đề trí tuệ nhân tạo sử dụng heuristic cơ bản theohai dạng:

• Vấn đề có thể không có giải pháp chính xác vì những điều không rõ ràng trongdiễn đạt vấn đề hoặc trong các dữ liệu có sẵn. Chẩn đoán y khoa là một ví dụ.Tập hợp các triệu chứng cho trước có thể do nhiều nguyên nhân gây ra, bác sĩcó thể dùng heuristic để chọn kết quả chẩn đoán nào thích hợp nhất và đưa rakế hoạch điều trị.

• Vấn đề có thể có giải pháp chính xác, nhưng chi phí tính toán để tìm ra nókhông cho phép. Trong nhiều vấn đề (như cờ vua chẳng hạn), không gian trạngthái phát triển rất nhanh và rất rộng vì số lượng các trạng thái có thể xảy ra tăngtheo hàm mũ hoặc giai thừa cùng với độ sâu tìm kiếm. Trong những trường hợpnày, các kỹ thuật tìm kiếm thô sơ như tìm kiếm sâu hay tìm kiếm rộng sẽ khôngtìm được giải pháp trong một giới hạn thời gian. Heuristic sẽ giảm bớt độ phứctạp bằng cách hướng việc tìm kiếm theo con đường có nhiều hứa hẹn nhất. Nhờđã loại bỏ bớt các trạng thái không hứa hẹn và con cháu của chúng ra khỏi việcxem xét nên thuật toán heuristic có thể khắc phục việc bùng nổ trạng thái vàtìm ra một giải pháp có thể chấp nhận được.

Giống như tất cả các luật khám phá và phát minh khác, heuristic có thể sai lầm. Heuristicchỉ là một phỏng đoán chứa các thông tin về bước tiếp theo sẽ được chọn dùng trong việcgiải quyết một vấn đề. Nó thường dựa vào kinh nghiệm hoặc trực giác. Vì các heuristicsử dụng những thông tin hạn chế nên chúng ít khi có khả năng đoán trước chính xáccách hành xử của không gian trạng thái ở những giai đoạn xa hơn. Heuristic có thể dẫnđến một thuật toán tìm kiếm chỉ đạt được giải pháp gần tối ưu hoặc hoàn toàn không tìmđược bất kỳ giải pháp nào. Đây là một hạn chế thuộc về bản chất tìm kiếm heuristic.

59/197

Các heuristic và việc thiết kế thuật toán để thực hiện tìm kiếm heuristic từ lâu đã là sựquan tâm chủ yếu của các công trình nghiên cứu trí tuệ nhân tạo. Chơi game và chứngminh định lý là hai ứng dụng lâu đời nhất, cả hai đều cần đến các heuristic để thu giảmbớt không gian giải pháp có thể. Không thể nào kiểm tra hết mọi suy luận có thể sinhra trong lĩnh vực toán hoặc mọi nước đi có thể có trên bàn cờ vua, tìm kiếm heuristicthường là câu trả lời thực tế duy nhất. Gần đây việc tìm kiếm trong các hệ chuyên giacũng xác nhận mức độ quan trọng của các heuristic như là một phần không thể thiếutrong quá trình giải quyết vấn đề.

Thuật toán heuristic gồm hai phần: Hàm đánh giá heuristic và thuật toán để sử dụng nótrong tìm kiếm không gian trạng thái.

Xét trò chơi Tic-tac-toe, để tìm kiếm đến hết không gian, số lượng trạng thái sẽ là rấtlớn nhưng không phải là không thể vượt qua. Mỗi nước đi trong chín nước đầu tiên đềucó tám khả năng đặt quân cờ kế tiếp và đến lượt mình mỗi nước đi này lại có bảy khảnăng đặt quân cờ cho nước đi tiếp tục ... Một phân tích đơn giản cho biết số lượng cáctrạng thái cần được xem xét cho quá trình này là 9 x 8 x 7 x ... x 1 = 9!.

Áp dụng một nhận xét trực quan nhỏ dựa theo tính chất đối xứng của cấu hình bàn cờ cóthể làm giảm nhỏ không gian tìm kiếm xuống một ít. Nhiều cấu hình của bài toán tươngđương nhau trong các thao tác. Chẳng hạn, thực tế chỉ có ba nước đi cho quân cờ đầutiên: ô cạnh, ô góc hoặc ô giữa. Các rút gọn đối xứng ở mức thứ hai của các trạng tháisẽ giảm tiếp số lượng đường đi có thể xảy ra trong không gian đó xuống đến tổng số 12x 7! . Nó đã nhỏ hơn không gian ban đầu nhưng vẫn phát triển theo hàm giai thừa.

60/197

Hình 4.1 – Không gian trạng thái bài toán Tic-tac-toe thu giảm bởi tính đối xứng

Tuy nhiên, một heuristic đơn giản có thể loại bỏ việc tìm kiếm hầu như toàn bộ: heuristic“nước đi chắc thắng nhất”, nghĩa là chọn vị trí đặt quân cờ mà có nhiều đường chắcthắng nhất giao nhau. Trong trường hợp các trạng thái đều có số lượng bằng nhau, chọntrạng thái đầu tiên.

Sau đó thuật toán này sẽ chọn lựa và chuyển đến trạng thái có giá trị heuristic cao nhất(xem hình). Như trong hình vẽ, quân X sẽ chọn đặt vào vị trí trung tâm bàn cờ. Chú ýkhông chỉ các trạng thái tương đương khác bị loại bỏ mà tất cả con cháu của chúng cũngbị loại. Hai phần ba không gian trạng thái này đã bị loại ngay từ nước đi đầu tiên.

61/197

3 nước đi thắng qua ô góc 4 nước đi thắng qua ô giữa 2 nước đi thắng qua ô cạnhHình 4.2 - Heuristic “nước đi chắc thắng nhất”

Sau nước đi đầu tiên, đối thủ có thể chọn một trong hai nước đi tương đương nhau. Dùchọn nước đi nào, heuristic đó cũng được áp dụng cho các bước tiếp theo. Khi quá trìnhtìm kiếm tiếp tục, từng bước đi sẽ đánh giá các con của một nút duy nhất mà không yêucầu tìm kiếm hết không gian. Mặc dù khó tính chính xác số lượng trạng thái phải đượckiểm tra theo cách này nhưng vẫn có thể tính phỏng đoán một giới hạn trên. Trong thựctế số lượng sẽ ít hơn 9! rất nhiều.

Hình 4.3 – Không gian trạng thái đã được thu giảm bởi heuristic

62/197


63/197

/home/voer/vpt/src/vpt.transformer/vpt/transformer/transforms/20140409-114654-764b3239-1/2ab0f63d/chapter1234.ppt

THUẬT TOÁN TÌM KIẾM HEURISTIC

THUẬT TOÁN TÌM KIẾM HEURISTIC

Tìm kiếm leo núi (Hill climbing – Pearl 1984)

Cách đơn giản nhất để thực hiện tìm kiếm heuristic là tìm kiếm “leo núi”. Chiến lược leonúi phát triển trạng thái con tốt nhất sẽ được chọn cho bước tiếp theo, không lưu giữ lạibất kỳ thông tin nào về các nút anh em lẫn cha mẹ của nó. Quá trình tìm kiếm sẽ dừnglại khi tiếp cận trạng thái tốt hơn so với mọi trạng thái con của nó. Hình dung một ngườileo núi hăm hở nhưng mù quáng luôn luôn chọn leo lên đỉnh theo con đường dốc nhấtcó thể có cho đến khi không còn leo tiếp được nữa. Vì không ghi lại thông tin của quátrình đã xảy ra nên thuật toán này không thể phục hồi lại từ những thất bại trong chiếnlược của nó.

Hạn chế chủ yếu của chiến lược leo núi là có xu hướng rơi vào “một cực đại cục bộ”.Khi đến được một trạng thái tốt hơn so với mọi trạng thái con của nó, thuật toán dừnglại. Nếu trạng thái này không phải là đích mà chỉ là một điểm cực đại cục bộ, thuật toánsẽ thất bại trong việc tìm lời giải. Như vậy hiệu quả hoạt động chỉ có thể được cải thiệntrong một phạm vi giới hạn nào đó, nhưng trong toàn bộ không gian có thể không baogiờ đạt được sự tối ưu tổng thể.

Tìm kiếm tốt nhất đầu tiên (Best – first – search)

Xét đồ thị không gian tìm kiếm như hình dưới đây (con số cạnh mỗi nút cho biết giá trịước lượng độ tốt của nút đó trong không gian, giá trị thấp nhất là tốt nhất). Giả sử nútđích cần tìm kiếm là P.

64/197

Hình 4.4 – Đồ thị cho giải thuật tìm kiếm tốt nhất đầu tiên

Câu hỏi :

Trình bày danh sách các nút được duyệt dùng thuật toán leo núi cho đồ thị trong hình4.4 ?

Giống như các thuật toán tìm kiếm sâu và rộng, tìm kiếm tốt nhất cũng dùng các danhsách để lưu giữ trạng thái: danh sách open chứa các nút được triển khai trong quá trìnhtìm kiếm và danh sách closed chứa các nút đã xét. Một bước mới được bổ sung vào thuậttoán là sắp xếp các trạng thái trong danh sách open phù hợp với giá trị heuristic ướclượng “độ tốt” của chúng so với đích. Như vậy mỗi bước lặp của vòng lặp sẽ xem xéttrạng thái “có hứa hẹn nhất” trong danh sách open và loại bỏ trạng thái này ra khỏi open.Nếu gặp trạng thái đích, thuật toán này sẽ cung cấp con đường lời giải đã dẫn đến đíchđó. Nếu ngược lại, phần tử đầu tiên của open không phải là đích, thuật toán sẽ áp dụngcác luật phù hợp để phát sinh con cháu. Trường hợp một trạng thái con nào đó đã có sẵntrong open hoặc closed, thuật toán cũng sẽ kiểm tra để chắc chắn rằng sẽ chọn được nútcung cấp con đường lời giải ngắn hơn. Các trạng thái lặp hai lần sẽ không được giữ lại.Nhờ cập nhật kịp thời nguồn gốc của các nút trong open và closed nên thuật toán nàycó nhiều khả năng tìm được đường đi ngắn nhất dẫn đến đích. Khi open được duy trìdưới dạng một danh sách có sắp xếp, nó thường được tổ chức như là một hàng ưu tiên(Priority queue). Dưới đây trình bày các bước áp dụng thuật toán tìm kiếm cho đồ thịtrong hình trên.

65/197

1. open = [A5]; closed = []2. Đánh giá A5; open = [B4,C4,D6]; closed = [A5]3. Đánh giáB4; open = [C4,E5,F5,D6]; closed = [B4,A5]4. Đánh giá C4; open = [H3,G4,E5,F5,D6];closed = [C4,B4,A5]5. Đánh giá H3; open = [O2,P3,G4,E5,F5,D6]; closed =[H3,C4,B4,A5]6. Đánh giá O2; open = [P3,G4,E5,F5,D6]; closed =[O2,H3,C4,B4,A5]7. Đánh giá P3; Tìm được lời giải!

Cài đặt hàm đánh giá heuristic (heuristic evaluation function)

Bây giờ ta đánh giá hiệu quả của vài heuristic khác nhau được dùng để giải trò đố 8 ô.Hình dưới đây trình bày trạng thái xuất phát và trạng thái đích của trò chơi cùng với batrạng thái đầu tiên trong quá trình tìm kiếm.

Heuristic đơn giản nhất sẽ đếm số ô sai khác so với trạng thái đích trong từng trạng thái.Trạng thái có số ô sai khác ít nhất sẽ gần đích hơn và là trạng thái tốt nhất để kiếm trakế tiếp.

Hình 4.5 – Trạng thái bắt đầu và kết thúc trong trò đố 8 ô

Tuy nhiên heuristic này không sử dụng hết các thông tin trong một cấu hình bàn cờ vìnó không đưa vào khoảng cách mà các ô sai khác. Một heuristic “tốt hơn” là sẽ cộng tấtcả các khoảng cách đó lại thành tổng số ô mà một ô phải di chuyển về vị trí đúng của nótrong trạng thái đích (khoảng cách Manhattan).

Cả hai heuristic này đều có hạn chế là không thể biết rõ những khó khăn khi đổi chỗ haiô. Đó là trường hợp hai ô nằm cạnh nhau và vị trí đúng của chúng là phải đổi chỗ chonhau, ta phải mất nhiều (chứ không phải hai) nước đi mới đặt chúng lại được đúng vị trí.

66/197

Một heuristic muốn tính toán điều này phải nhân ít nhất là gấp đôi khoảng cách đối vớimỗi trường hợp có hai ô đổi chỗ trực tiếp.

Heuristic “khoảng cách Manhattan” cho chúng ta một dự đoán có vẻ chính xác hơn sovới heuristic số ô sai khác so với trạng thái đích. Mục đích của chúng ta là dùng nhữngthông tin hạn chế có sẵn trong một mô tả trạng thái để đưa ra những chọn lựa thôngminh. Việc thiết kế các heuristic tốt là một vấn đề mang tính kinh nghiệm, óc phán đoánvà trực giác, nhưng giá trị cuối cùng của một heuristic phải được đo bằng hiệu quả thựcsự của nó trong từng tình huống bài toán.

Vì heuristic có thể sai lầm nên có khả năng thuật toán tìm kiếm sẽ dẫn đến một conđường không đưa đến đích. Vấn đề này đã xuất hiện trong tìm kiếm sâu, ở đó một giớihạn độ sâu đã được sử dụng để phát hiện những con đường thất bại. Ý tưởng này cũngcó thể áp dụng cho tìm kiếm heuristic. Nếu hai trạng thái có giá trị heuristic bằng nhauthì nên kiểm tra trạng thái nào gần trạng thái gốc của đồ thị hơn. Trạng thái gần gốc hơnsẽ có nhiều khả năng là con đường ngắn nhất dẫn đến đích. Khoảng cách từ trạng tháixuất phát có thể đo được bằng cách duy trì một số đếm chiều sâu cho từng trạng tháiđếm. Số đếm này bằng 0 đối với trạng thái xuất phát và tăng lên một đơn vị sau mỗimức tìm kiếm. Nó ghi lại độ dời thực tế phải thực hiện để đi từ trạng thái xuất phát đếntừng trạng thái. Số đếm này có thể cộng thêm vào giá trị heuristic của từng trạng thái đểhướng việc tìm kiếm theo khuynh hướng chọn những trạng thái gần trạng thái xuất pháthơn trong đồ thị.

Do đó hàm đánh giá f sẽ bao gồm tổng của hai phần:

f(n) = g(n) + h(n)

trong đó g(n) đo chiều dài thực từ trạng thái n bất kỳ về trạng thái xuất phát và h(n) làước lượng heuristic cho khoảng cách từ trạng thái n đến trạng thái đích.

Chẳng hạn, trong bài toán trò đố 8 ô trên, chúng ta có thể gọi h(n) là số ô cần phải dờichỗ. Khi hàm đánh giá này được áp dụng cho từng trạng thái con (A), (B), (C) tronghình 4.5, các giá trị cho hàm f lần lượt là 6, 4 và 6.

Một heuristic dùng hàm đánh giá f(n) như trên kết hợp với thuật toán tìm kiếm tốt nhấtđầu tiên best-first-search, được gọi là thuật toán A (algorithm A)

Câu hỏi :

Mật mã Caesar là một cách mã hóa đơn giản dựa vào phép hoán vị vòng

tròn các chữ trong bảng chữ cái, với chữ cái thứ i được thay thế bởi chữ cái

thứ (i + 1). Ví dụ, trong mật mã Caesar dịch 4 bậc, từ “Ceasar” sẽ được mã

67/197

hóa thành “Geiwev”. Nêu một heuristic mà bạn nghĩ có thể dùng để giải các

mật mã Ceasar ?

Tính khả chấp, tính đơn nhất và khả năng cung cấp thông tin của heuristic

Có thể chúng ta phải đánh giá cách hành xử của các heuristic trên một số phương diện.Ví dụ, có thể chúng ta không chỉ cần một giải pháp mà còn cần thuật toán để tìm conđường ngắn nhất dẫn đến đích. Một số tính chất dưới đây là cần xem xét đối với việcđánh giá hiệu quả của một heuristic :

Tính khả chấp :

Một heuristic dùng để tìm ra con đường dẫn đến đích ngắn nhất bất cứ khi nào nó cótồn tại được gọi là heuristic khả chấp (admissible). Nói cách khác, tính khả chấp củaheuristic là nó sẽ bảo đảm tìm thấy đường đi ngắn nhất đến trạng thái đích.

Một thuật toán tìm kiếm có thể chấp nhận được nếu nó được đảm bảo sẽ tìm thấy mộtđường đi tối thiểu dẫn đến lời giải, bất kỳ lúc nào con đường đó có mặt. Trong việc xácđịnh tính khả chấp của một heuristic, chúng ta định nghĩa hàm đánh giá f* :

f*(n) = g*(n) + h*(n)

Với g*(n) là giá của đường đi ngắn nhất từ nút bắt đầu đến nút n, còn h*(n) là giá thựcsự của đường đi ngắn nhất từ nút n đến nút mục tiêu. Như vậy f*(n) là chi phí thực củacon đường tối ưu từ nút xuất phát đến nút đích đi qua nút n.

Nếu thuật toán A dùng hàm đánh giá f, trong đó h(n) ≤ h*(n) thì nó được gọi là thuậttoán A*(algorithm A)

Tính đơn nhất :

Khi có một trạng thái được phát hiện nhờ sử dụng tìm kiếm heuristic, liệu có bảo đảmrằng về sau sẽ không tìm được một trạng thái như vậy với khoảng cách ngắn hơn tính từtrạng thái xuất phát. Đây chính là thuộc tính của sự đơn nhất (monotocinity). Nói cáchkhác, tính đơn nhất của một heuristic là nó sẽ bảo đảm đường đi ngắn nhất đến mỗi trạngthái.

Một heuristic h sẽ là đơn nhất nếu :

• Đối với tất cả các trạng thái n và n+1, ta có :

h(n) - h(n+1) ≤ cost(n, n+1),

68/197

trong đó cost(n, n+1) là chi phí thực tính của đường đi từ trạng thái n đến trạng thái n+1.

• Giá trị heuristic của trạng thái đích là 0, tức h(goal) = 0.

Khả năng cung cấp thông tin :

Chúng ta có thể đặt câu hỏi liệu có một heuristic nào “tốt hơn” những cái khác haykhông? Heuristic này tốt hơn heuristic kia theo ý nghĩa nào ? Đây là khả năng cung cấpthông tin (informedness) của một heuristic.

Đối với hai heuristic h1 và h2, nếu h1(n) ≤ h2(n) ứng với tất cả các trạng thái n trongkhông gian tìm kiếm thì heuristic h2 được gọi là có khả năng cung cấp thông tin nhiềuhơn so với h1.

69/197

SỬ DỤNG HEURISTIC TRONG CÁC TRÒ CHƠI

SỬ DỤNG HEURISTIC TRONG CÁC TRÒ CHƠI

Thủ tục minimax

Xét các trò chơi hai đối thủ đối kháng, chẳng hạn trò chơi nim. Để chơi nim, một sốtoken (vật biểu hiện như đồng xu, lá bài, mảnh gỗ, ...) được đặt trên bàn giữa hai đối thủ.Ở mỗi nước đi, người chơi phải chia đống token thành hai đống nhỏ có số lượng khácnhau. Ứng với một số token vừa phải, không gian trạng thái này có thể triển khai đếncùng. Hình sau biểu diễn không gian trạng thái của trò chơi có 7 token.

Hình 4.6 – Không gian trạng thái của trò chơi nim

Khi chơi các trò chơi có thể triển khai hết không gian trạng thái, khó khăn chủ yếu làphải tính toán phản ứng của đối thủ. Một cách xử lý đơn giản nhất là giả sử đối thủ củabạn cũng sử dụng kiến thức về không gian trạng thái giống như bạn và áp dụng kiếnthức đó kiên định để thắng cuộc. Mặc dù giả thiết này có những hạn chế của nó nhưngnó cũng cho chúng ta một cơ sở hợp lý để dự đoán hành vi của đối thủ. Minimax sẽ tìmkiếm không gian của trò chơi này theo giả thiết đó.

Hai đối thủ trong một trò chơi được gọi là MIN và MAX. MAX đại diện cho đối thủquyết giành thắng lợi hay cố gắng tối đa hóa ưu thế của mình. Ngược lại MIN là đối thủ

70/197

cố gắng tối thiểu hóa điểm số của MAX. Ta giả thiết MIN cũng dùng cùng những thôngtin như MAX.

Khi áp dụng thủ tục Minimax, chúng ta đánh dấu luân phiên từng mức trong không giantìm kiếm phù hợp với đối thủ có nước đi ở mức đó. Trong ví dụ trên, MIN được quyềnđi trước, từng nút lá được gán giá trị 1 hay 0 tùy theo kết quả đó là thắng cuộc đối vớiMAX hay MIN. Minimax sẽ truyền các giá trị này lên cao dần trên đồ thị qua các nútcha mẹ kế tiếp nhau theo luật sau:

- Nếu trạng thái cha mẹ là nút MAX, gán cho nó giá trị tối đa của các con cháu của nó.

- Nếu trạng thái cha mẹ là nút MIN, gán cho nó giá trị tối thiểu của các con cháu của nó.

Giá trị được gán cho từng trạng thái bằng cách đó sẽ chỉ rõ giá trị của trạng thái tốt nhấtmà đối thủ này có thể hy vọng đạt được. Các giá trị này sẽ được dùng để lựa chọn cácnước đi có thể có. Kết quả của việc áp dụng Minimax vào đồ thị không gian trạng tháiđối với trò chơi Nim được thể hiện như hình trên. Vì tất cả các nước đi đầu tiên có thểxảy ra cho MIN sẽ dẫn đến các nút có giá trị 1 nên đối thủ MAX luôn có thể bắt tròchơi giành thắng lợi cho mình bất kể nước đi đẩu tiên của MIN là như thế nào (đườngđi thắng lợi của MAX được cho theo mũi tên đậm).

Áp dụng minimax đến độ sâu lớp cố định

Khi áp dụng Minimax cho các trò chơi phức tạp, hiếm khi có khả năng mở rộng đồ thịkhông gian trạng thái đến các nút lá. Thay vào đó không gian trạng thái này chỉ có thểđược triển khai đến một số mức xác định phụ thuộc tiềm năng về thời gian và bộ nhớchẳng hạn. Chiến lược này được gọi là tính trước n nước đi (n –move lookahead). Vìgiá trị các nút trong đồ thị con này không phải là trạng thái kết thúc của trò chơi nênchúng không phản ánh giá trị thắng cuộc hay thua cuộc. Chúng chỉ có thể được gán mộtgiá trị phù hợp với một hàm đánh giá heuristic nào đó. Giá trị được truyền ngược về nútgốc không cung cấp thông tin thắng cuộc hay thua cuộc mà chỉ là giá trị heuristic củatrạng thái tốt nhất có thể tiếp cận sau n nước đi kể từ nút xuất phát. Việc tính trước nàysẽ làm tăng hiệu quả của heuristic vì nó được áp dụng vào một phạm vi lớn hơn trongkhông gian trạng thái. Minimax sẽ hợp nhất tất cả các giá trị của các nút con cháu củamột trạng thái thành một giá trị duy nhất cho trạng thái đó.

Trong các đồ thị trò chơi được tìm kiếm bằng mức hay lớp, MAX và MIN luân phiênnhau chọn các nước đi. Mỗi nước đi của một đối thủ sẽ xác định một lớp mới trên đồ thị.Các chương trình trò chơi nói chung đều dự tính trước một độ sâu lớp cố định (thườngđược xác định bằng các giới hạn về không gian hoặc thời gian của máy tính). Các trạngthái trên mức đó được đánh giá theo các heuristic và các giá trị này sẽ được truyền ngượclên bằng thủ tục Minimax, sau đó thuật toán tìm kiếm sẽ dùng các giá trị vừa nhận đượcđể chọn lựa một nước trong số các nước đi kế tiếp. Bằng cách tối đa hóa cho các cha mẹ

71/197

MAX và tối thiểu hóa cho các cha mẹ MIN, những giá trị này đi lùi theo đồ thị đến concủa trạng thái hiện hành. Sau đó trạng thái hiện hành dùng chúng để tiến hành lựa chọntrong các con của nó. Hình sau trình bày quá trình Minimax trên một không gian trạngthái giả thuyết tính trước bốn lớp.

Hình 4.7 – Minimax đối với một không gian trạng thái giả định

Hình 4.8 giới thiệu một ứng dụng của Minimax độ sâu lớp cố định vào trò chơi Tic-tac-toe.

Hình 4.8 – Minimax hai lớp được áp dụng vào nước đi mở đầu trò chơi Tic-tac-toe

72/197

Ở đây sử dụng một heuristic hơi phức tạp hơn, nó cố đo mức độ tranh chấp trong tròchơi. Heuristic chọn một trạng thái cần đo, tính tất cả các đường thắng mở ra cho MAX,rồi trừ đi tổng số các đường thắng mở ra cho MIN. Giải thuật tìm kiếm sẽ cố gắng tối đahóa sự chênh lệch (hiệu số) đó. Nếu có một trạng thái bắt buộc thắng cuộc cho MAX, nósẽ được đánh giá là +∞, còn với trạng thái bắt buộc thắng cuộc cho MIN thì được đánhgiá là -∞. Hình 4.8 trình bày heuristic này được áp dụng cho hai mức bắt đầu không giantrạng thái.

Câu hỏi :

Khi một máy tính sử dụng giải thuật minimax để chơi cờ, máy tính chơi tốt

hơn khi thời gian cho phép để tính toán cho nước cờ kế tiếp là lâu hơn.

Hãy giải thích một cách ngắn gọn điều này.

Thủ tục cắt tỉa alpha – beta (alpha-beta prunning)

Minimax yêu cầu phải có sự phân tích qua hai bước đối với không gian tìm kiếm: Bướcđầu truyền xuống đến độ sâu của lớp áp dụng heuristic và bước sau để truyền ngược cácgiá trị trên cây. Minimax lần theo tất cả các nhánh trong không gian bao gồm cả nhữngnhánh mà một thuật toán thông minh hơn có thể bỏ qua hay tỉa bớt. Các nhà nghiên cứutrong lĩnh vực chơi game đã xây dựng một kỹ thuật tìm kiếm gọi là cắt tỉa alpha –betanhằm nâng cao hiệu quả tìm kiếm trong các bài toán trò chơi hai đối thủ.

Ý tưởng của tìm kiếm alpha – beta rất đơn giản: Thay vì nếu như tìm kiếm toàn bộkhông gian đến một độ sâu lớp cố định, tìm kiếm alpha – beta thực hiện theo kiểu tìmkiếm sâu. Có hai giá trị, gọi là alpha và beta được tạo ra trong quá trình tìm kiếm. Giátrị alpha liên quan với các nút MAX và có khuynh hướng không bao giờ giảm. Ngượclại giá trị beta liên quan đến các nút MIN và có khuynh hướng không bao giờ tăng. Giảsử có giá trị alpha của một nút MAX là 6, MAX không cần phải xem xét giá trị truyềnngược nào nhỏ hơn hoặc bằng 6 có liên quan với một nút MIN nào đó bên dưới. Alphalà giá trị thấp nhất mà MAX có thể nhận được sau khi cho rằng MIN cũng sẽ nhận giátrị tốt nhất của nó. Tương tự nếu MIN có giá trị beta là 6 nó cũng không cần xem xét cácnút nằm dưới nó có giá trị lớn hơn hoặc bằng 6.

Để bắt đầu thuật toán tìm kiếm alpha – beta, ta đi xuống hết độ sâu lớp theo kiểu tìmkiếm sâu, đồng thời áp dụng đánh giá heuristic cho một trạng thái và tất cả các trạng tháianh em của nó. Giả thuyết tất cả đều là nút MIN. Giá trị tối đa của các nút MIN này sẽđược truyền ngược lên cho nút cha mẹ (là một nút MAX). Sau đó giá trị này được gáncho ông bà của các nút MIN như là một giá trị beta kết thúc tốt nhất. Tiếp theo thuậttoán này sẽ đi xuống các nút cháu khác và kết thúc việc tìm kiếm đối với nút cha mẹ củachúng nếu gặp bất kỳ một giá trị nào lớn hơn hoặc bằng giá trị beta này. Quá trình này

73/197

gọi là cắt tỉa beta (β cut). Cách làm tương tự cũng được thực hiện cho việc cắt tỉa alpha(α cut) đối với các nút cháu của một nút MAX.

Hai luật cắt tỉa dựa trên các giá trị alpha và beta là:

• Quá trình tìm kiếm có thể kết thúc bên dưới một nút MIN nào có giá trị betanhỏ hơn hoặc bằng giá trị alpha của một nút cha MAX bất kỳ của nó.

• Quá trình tìm kiếm có thể kết thúc bên dưới một nút MAX nào có giá trị alphalớn hơn hoặc bằng giá trị beta của một nút cha MIN bất kỳ của nó.

Việc cắt tỉa alpha – beta như vậy thể hiện quan hệ giữa các nút ở lớp n và các nút ởlớp n+2 và do quan hệ đó toàn bộ các cây con bắt nguồn ở lớp n+1 đều có thể loại khỏiviệc xem xét. Chú ý rằng giá trị truyền ngược thu được hoàn toàn giống như kết quảMinimax, đồng thời tiết kiệm được các bước tìm kiếm một cách đáng kể.

A có β = 3 (Trị nút A sẽ không lớn hơn 3)B bị cắt tỉa β, vì 5 > 3C có α = 3 (Trị nút C sẽkhông nhỏ hơn 3)D bị cắt tỉa α, vì 0 < 3E bị cắt tỉa α, vì 2 < 3Trị nút C là 3

Hình 4.9 – Thực hiện giải thuật cắt tỉa alpha – beta

TỔNG KẾT CHƯƠNG IV:

74/197

Các heuristic tìm kiếm đã được giới thiệu thông qua các trò chơi đơn giản như trò đố8 ô, Tic-tac-toe, … và cũng đã được phát triển đến các không gian bài toán phức tạphơn. Chương này cũng đã trình bày việc áp dụng heuristic cho các trò chơi đối khángcó hai người chơi, dùng cách rút gọn tối thiểu trên độ sâu lớp và cắt tỉa alpha - beta đểthực hiện việc tính trước các nước đi và dự đoán hành vi của đối thủ. Việc áp dụng cácheuristic này đã làm cho không gian bài toán trở nên ngắn gọn hơn, thời gian tìm kiếmmột lời giải có thể chấp nhận được là tối thiểu và quá trình tìm kiếm vì thế cũng trở nênđơn giản hơn khá nhiều. Phần chương V tiếp theo, chúng ta sẽ xem xét các kỹ thuật caocâp hơn cho việc cài đặt các thuật toán.

Bài tập chương IV

Xét bài toán trò đố 8 ô như sau:

Dùng các hàm lượng giá heuristic sau, hãy triển khai không gian trạng thái của bài toántheo giải thuật leo núi đến mức 5:

• h1 = số lượng các vị trí sai khác so với trạng thái goal.• h2 = tổng số độ dời ngắn nhất của các ô về vị trí đúng (khoảng cách Manhattan)

Trong cây tìm kiếm dưới đây, mỗi nút có 2 giá trị đi kèm: giá trị bên trái của nút (innghiêng) thể hiện giá trị heuristic của nút, và giá trị bên phải nút thể hiện thứ tự nútđược duyệt qua. Với mỗi chiến lược tìm kiếm dưới đây, hãy viết danh sách thứ tự cácnút được duyệt, so sánh và cho biết ta đã dùng giải thuật tìm kiếm nào trên cây :

75/197

• Tìm kiếm rộng BFS• Tìm kiếm sâu DFS• Tìm kiếm tốt nhất đầu tiên• Tìm kiếm leo núi

Thực hiện giải thuật Minimax trên cây sau đây:

Sẽ có gì khác biệt nếu như ta dùng giải thuật cắt tỉa alpha – beta để định trị nút gốc chocây?

Hãy áp dụng giải thuật cắt tỉa alpha-beta cho các cây sau đây. Cho biết các nhánh đượccắt là alpha-cut hay beta-cut và giá trị nút gốc sau khi định trị:

76/197

77/197

ĐIỀU KHIỂN VÀ CÀI ĐẶT TÌM KIẾMTRONG KHÔNG GIAN TRẠNG THÁITÌM KIẾM DỰA TRÊN CƠ SỞ ĐỆ QUI

TÌM KIẾM DỰA TRÊN CƠ SỞ ĐỆ QUI

Tìm kiếm đệ quy

Một chuyển đổi trực tiếp của thuật toán tìm kiếm sâu thành dạng đệ quy sẽ minh họacho sự tương đương của đệ quy và lặp lại đơn giản. Thuật toán này sử dụng các biếntoàn cục closed và open để duy trì danh sách các trạng thái:

Function Depthsearch ; % open và closed toàn cục

Begin

If open rỗng then trả lời (thất bại);

Trạng thái hiện hành := phần tử đầu tiên của open;

If trạng thái hiện hành là trạng thái đích

then trả lời (thành công)

Else

begin

Open := open - phần tử đầu tiên của open;

Closed := closed + trạng thái hiện hành;

For mỗi trạng thái con của trạng thái hiện hành doIf chưa có trong closed hay open %xây dựng ngăn xếp

then bổ sung con đó vào đầu danh sách open

end;

Tìm kiếm sâu; % đệ quy

78/197

End;

Tìm kiếm sâu như vừa được trình bày sẽ không sử dụng hết sức mạnh của phép đệ quy.Nó vẫn còn khả năng đơn giản hóa thủ tục bằng cách sử dụng chính phép đệ quy (thay gìmột danh sách open) để sắp xếp các trạng thái trong không gian trạng thái. Trong phiênbản này của thuật toán, một danh sách closed toàn cục sẽ được dùng để phát hiện cáctrạng thái lặp lại, còn danh sách open thì tiềm ẩn trong các mẩu tin hoạt động của môitrường đệ quy.

Function Depthsearch (trạng thái hiện hành); % closed toàn cục

Begin

If trạng thái hiện hành là trạng thái đích then

trả lời (thành công);

For mỗi trạng thái hiện hành có con chưa được kiểm tra do

begin

Con := con chưa được kiểm tra kế tiếp;

If con không phải là thành viên của closed

thenif depthsearch (con) = thành công

then trả lời (thành công);

end;

Trả lời (thất bại);

End; % tìm kiếm đã đến cùng

Thay vì phát sinh tất cả các con của một trạng thái và đưa chúng vào danh sách open,thuật toán này phát sinh mỗi lần một con và tìm kiếm theo phép đệ quy các nút cháucủa từng con đó trước khi phát sinh các anh em của nó. Thuật toán này sẽ gán một thứtự cho các bước phát sinh trạng thái. Trong tìm kiếm theo đệ quy đối với một trạng tháicon, nếu có một con nào đó của trạng thái này là đích, thuật toán đệ quy sẽ trả lời thànhcông và bỏ qua tất cả các trạng thái anh em. Ngược lại, các trạng thái anh em kế tiếpđược phát sinh. Cứ như vậy thuật toán sẽ tìm kiếm toàn bộ đồ thị lần lượt theo từng độsâu một.

79/197

Thuật toán đệ quy cho phép bỏ qua danh sách open trong suốt quá trình thực hiện. Cơchế mà một ngôn ngữ lập trình sử dụng để cài đặt đệ quy là dùng mẩu tin hoạt động(activation record) cho từng lần gọi đệ quy. Quá trình lần ngược sẽ tác động khi tất cảcác con cháu của một trạng thái không phải là đích, làm cho bước đệ quy đó thất bại.Việc thực hiện đệ quy cho phép lập trình viên thu hẹp tầm nhìn của họ vào một trạngthái duy nhất cùng với các con của nó thay vì phải duy trì một danh sách open gồm nhiềutrạng thái.

Tìm kiếm trong không gian trạng thái là một quá trình đệ quy. Để tìm đường đi từ trạngthái hiện hành đến đích, bạn chuyển đến một trạng thái con và thực hiện phép đệ quy.Nếu trạng thái con đó không dẫn đến đích, bạn thử lần lượt các trạng thái anh em củanó. Phép đệ quy sẽ chia một bài toán lớn và khó (tìm kiếm khắp không gian) thành cácbài toán nhỏ và đơn giản hơn (phát sinh các con của một trạng thái) và áp dụng chiếnlược đệ quy cho từng bài toán nhỏ đó. Quá trình cứ tiếp tục như vậy cho đến khi pháthiện được đích hoặc hết không gian.

Tìm kiếm hướng mẫu (Pattern – directed search)

Trong phần này chúng ta sẽ áp dụng tìm kiếm đệ quy vào không gian các suy diễn logic,kết quả sẽ là một thủ tục tìm kiếm tổng quát dùng cho phép tính vị từ.

Giả sử cần phải viết một thuật toán để xác định xem một biểu thức phép tính vị từ chotrước có phải là kết quả logic của môt tập các khẳng định nào đó hay không. Thuật toánnày phải tìm một trình tự suy diễn tạo nên biểu thức đích. Thuật toán sẽ đề nghị một tìmkiếm hướng mục tiêu với câu hỏi ban đầu tạo nên đích và các modus ponens xác địnhcác chuyển tiếp giữa các trạng thái. Cho trước một đích, thuật toán sẽ dùng phương phápđồng nhất để chọn các phép kéo theo có kết luận phù hợp với đích đó. Sau khi đồng nhấtđích với kết luận của phép kéo theo và đã áp dụng các thay thế vừa suy ra được, tiềnđề của phép kéo theo sẽ trở thành một đích mới gọi là đích phụ (subgoal). Sau đó thuậttoán sẽ thực hiện đệ quy đối với đích phụ này. Nếu đích phụ phù hợp với một sự kiệntrong cơ sở tri thức, cuộc tìm kiếm kết thúc. Chuỗi suy diễn dẫn từ đích ban đầu đến cácsự kiện cho trước sẽ chứng minh đích xuất phát là đúng.

Phiên bản hoàn chỉnh của thuật toán tìm kiếm hướng mẫu có thể trả lời một tập các đồngnhất thỏa mãn từng đích phụ là:

Function pattern_search (current_goal);

Begin

If current_goal Î closed then return fail

else Thêm current_goal vào closed;

80/197

while còn dữ kiện hoặc luật đồng nhất do

begin case

current_goal đồng nhất với dữ kiện:

return tập phép thế;

current goal là ¬p:

pattern_search(p);

if pattern_search thất bại then return {}

else return fail

current_goal đồng nhất với kết luận của luật (q ® p):

begin

áp dụng phép thế đồng nhất mục tiêu vào tiền đề (q);

pattern_search (q);

if pattern_search thành công

then return hợp của tập phép thế của p và q;

else return fail;

end;

current_goal có dạng (p1Ù p2 …):

begin

for mỗi thành phần pido

begin

pattern_search(p i );

if pattern_search thất bại then return fail;

81/197

else áp dụng các phép thế vào các pi còn lại;

end;

if pattern_search thành công cho tất cả các pi

then return hợp của các tập phép thế;

else return fail;

end;

current_goal có dạng (p1Ú p2…):

begin

repeat cho mỗi pi

pattern_search(p i );

until không còn thành phần pi nào hoặc thành công;

if pattern_search thành công then return {phép thế};

else return fail;

end;

return fail;

End;


82/197

/home/voer/vpt/src/vpt.transformer/vpt/transformer/transforms/20140409-114654-764b3239-1/2b04cc7e/chapter5.ppt

HỆ THỐNG LUẬT SINH (HỆ SINH – PRODUCTIONSYSTEM)

HỆ THỐNG LUẬT SINH (HỆ SINH – PRODUCTION SYSTEM)

Định nghĩa hệ sinh

Hệ sinh là một mô hình tính toán quan trọng trong trí tuệ nhân tạo về cả hai mặt: thựchiện các thuật toán tìm kiếm và mô hình hóa việc giải các bài toán của con người.

Một hệ sinh được định nghĩa bởi:

• Tập luật sinh(Production rules): Mỗi luật sinh có dạng condition → action(điều kiện → hành động). Phần điều kiện của luật là một mẫu cho biết khi nàothì có thể áp dụng luật. Phần hành động quy định các bước giải toán tương ứngđiều kiện.

• Bộ nhớ làm việc (Working memory): Chứa một mô tả về trạng thái hiện thờicủa bài toán trong quá trình suy luận. Mô tả này là một mẫu sẽ được đối sánhvới phần điều kiện của một luật sinh để chọn ra bước giải thích hợp. Khi phầnđiều kiện của luật phù hợp với nội dung trong bộ nhớ làm việc, hành động phátsinh từ điều kiện đó sẽ được thực hiện làm thay đổi nội dung bộ nhớ làm việc.

• Chu trình nhận dạng - hành động (Recognize – act cycle) : Là cấu trúc điềukhiển của hệ sinh.

Cấu trúc điều khiển của một hệ sinh khá đơn giản: Bộ nhớ làm việc được khởi đầu vớimô tả của bài toán. Trạng thái hiện hành của việc giải bài toán được duy trì dưới dạngmột tập các mẫu trong bộ nhớ làm việc. Các mẫu này được đối sánh với phần điều kiệncủa các luật sinh, các luật có điều kiện phù hợp với mẫu trong bộ nhớ làm việc được gọilà tập luật tranh chấp (conflict set). Sau đó một trong các luật sinh này sẽ được chọn vàđược kích hoạt. Để kích hoạt một luật, phần hành động của nó được thục hiện và làmthay đổi nội dung bộ nhớ làm việc. Chu trình điều khiển sẽ lặp lại với nội dung đã đượcthay đổi trong bộ nhớ làm việc. Quá trình này kết thúc khi nội dung của bộ nhớ làm việckhông còn phù hợp với điều kiện của luật nào nữa.

Một quá trình giải quyết tranh chấp (conflict resolution) sẽ chọn một luật từ tập luậttranh chấp để kích hoạt. Chiến lược giải quyết tranh chấp có thể rất đơn giản như chọnluật đầu tiên có điều kiện phù hợp hoặc có thể dựa vào các heuristic chọn luật phức tạp.Đây là một khâu quan trọng để các hệ sinh có thể đưa khả năng điều khiển heuristic vàomột thuật toán tìm kiếm.

Một sơ đồ của hệ sinh được mô tả như hình sau:

83/197

Hình 5.1 – Cấu trúc hệ sinh

Thí dụ 5.1: Một chương trình hệ sinh đơn giản dùng để sắp xếp một dãy các chữ cáia,b,c theo thứ tự từ điển. Trong ví dụ này, một luật sinh sẽ được áp dụng nếu điều kiệncủa nó phù hợp với một phần của dãy chữ cái trong bộ nhớ làm việc. Khi một luật đượckích hoạt, phần dãy phù hợp với điều kiện luật này được thay thế bởi dãy ở phần hànhđộng của luật đó.

84/197

Hình 5.2 – Các bước thực hiện của một hệ sinh đơn giản

Một số ví dụ về hệ sinh

Thí dụ 5.2: Bài toán trò đố 8 ô

Không gian tìm kiếm do trò đố 8 ô sinh ra vừa đủ phức tạp để khảo sát và cũng vừa đủnhỏ để có thể theo dõi, cho nên ta thường hay sử dụng nó để minh họa cho các chiếnlược tìm kiếm khác nhau như tìm kiếm sâu, tìm kiếm rộng, cũng như các chiến lược tìmkiếm heuristic. Nó cũng thích hợp với việc giải bằng hệ sinh. Các nước đi hợp lệ đượctrình bày như các luật trong hình. Trong trường hợp trạng thái bắt đầu và trạng thái đíchcủa trò chơi được xác định, chúng ta có khả năng áp dụng một hệ sinh cho không giantìm kiếm của bài toán.

85/197

Hình 5.3 – Trò đố 8 ô dưới dạng một hệ sinh

Thí dụ 5.3: Bài toán đường đi quân mã (Knight’s tour problem)

Bài toán đường đi quân mã trên bàn cờ vua cũng có thể được giải bằng cách sử dụng hệsinh. Mỗi nước đi sẽ được biểu diễn bằng một luật mà phần điều kiện của nó là vị trí củaquân cờ tại một ô và phần hành động của nó là vị trí hợp lệ sau khi di chuyển quân cờ.Mười sáu luật sinh sẽ biểu diễn cho tất cả các nước đi hợp lệ của quân cờ. Khởi đầu, bộnhớ làm việc chứa trạng thái bàn cờ hiện tại và trạng thái đích. Vòng lặp điều khiển sẽáp dụng các luật cho đến khi trạng thái hiện tại giống trạng thái đích rồi dừng lại. Mộtchiến lược giải quyết tranh chấp sẽ kích hoạt luật đầu tiên và không tạo vòng lặp. Vì quátrình tìm kiếm có thể dẫn đến những kết thúc chết nên chu trình điều khiển cho phép lầnngược.

86/197

Hình 5.4 – Giải pháp hệ sinh cho bài toán đ ư ờng đi quân mã

87/197

Điều khiển tìm kiếm trong các hệ sinh

Mô hình hệ sinh cho chúng ta có nhiều cơ hội để bổ sung điều khiển heuristic cho mộtthuật toán tìm kiếm. Những cơ hội đó có thể áp dụng khi chọn chiến lược tìm kiếmhướng dữ liệu hay tìm kiếm hướng mục tiêu, trong cấu trúc các luật hoặc khi chọn chiếnlược giải quyết tranh chấp.

Điều khiển chọn chiến lược tìm kiếm hướng dữ liệu (suy diễn tiến) hay tìm kiếmhướng mục tiêu (suy diễn lùi)

Tìm kiếm hướng dữ liệu bắt đầu với một mô tả bài toán (như một tập các tiền đề logic,các triệu chứng của người bệnh, hay một khối dữ liệu cần suy diễn ...) rồi suy ra các kiếnthức mới từ dữ liệu đó. Quá trình này được thực hiện bằng cách áp dụng các luật suydiễn, các nước đi hợp lệ trong một trò chơi hoặc các thao tác sinh ra trạng thái khác vàomô tả hiện hành của bài toán, đồng thời đưa thêm các kết quả vào mô tả bài toán. Quátrình này tiếp tục cho đến khi tiếp cận một mục tiêu.

Hình 5.5 – Tìm kiếm hướng dữ liệu trong một hệ sinh

Mô tả của quá trình suy luận hướng mục tiêu này nhấn mạnh sự gần giống của nó vớimô hình hệ sinh của việc tính toán. Trạng thái hiện tại của bài toán được đưa vào bộ nhớlàm việc. Chu trình nhận dạng – hành động sẽ đối sánh trạng thái hiện tại với tập luậtsinh (theo thứ tự). Khi các dữ liệu này phù hợp với phần điều kiện của một trong cácluật sinh đó, phần hành động của luật sinh sẽ bổ sung thêm (bằng cách thay đổi bộ nhớlàm việc) một thông tin mới vào trạng thái hiện tại của bài toán.

88/197

Vì tất cả các luật sinh đều có dạng CODITION→ ACTION. Khi CONDITION phù hợpvới một số phần nào đó trong bộ nhớ làm việc, ACTION sẽ được thực hiện.

Hình trên trình bày quá trình tìm kiếm hướng dữ liệu đơn giản dựa vào một tập các luậtsinh được biểu diễn dưới dạng phép kéo theo của phép tính mệnh đề. Chiến lược giảiquyết tranh chấp đơn giản là chọn luật vừa mới được kích hoạt. Theo ràng buộc này,luật đầu tiên sẽ được chọn. Quá trình thực hiện sẽ dừng lại khi tiếp cận một mục tiêu.Hình này cũng giới thiệu trình tự các luật kích hoạt và trạng thái bộ nhớ làm việc trongquá trình thực hiện cùng với đồ thị của không gian tìm kiếm.

Ta cũng có thể áp dụng tìm kiếm hướng mục tiêu trong các hệ sinh. Để thực hiện điềunày, mục tiêu được đưa vào bộ nhớ làm việc và được đối sánh với phần ACTION củacác luật sinh (bằng phép hợp nhất chẳng hạn) và phần CODITION cuả luật sẽ được bổsung vào bộ nhớ làm việc và trở thành các mục tiêu mới của quá trình tìm kiếm. Quátrình này cứ tiếp tục cho đến khi một sự kiện được tìm thấy, thường là trong mô tả banđầu của bài toán. Quá trình tìm kiếm sẽ dừng lại khi các CODITION của tất cả các luậtsinh được kích hoạt đều là đúng. Hình sau là một ví dụ về suy luận hướng mục tiêu. Cầnchú ý rằng ta sẽ dừng lại khi các CODITION của tất cả các luật sinh được kích hoạt đềulà đúng. Tìm kiếm hướng mục tiêu sẽ kích hoạt loạt luật sinh khác và tiến hành quá trìnhtìm kiếm trên không gian khác so với kiểu hướng dữ liệu.

Hình 5.6. – Tìm kiếm hướng mục tiêu trong một hệ sinh

Câu hỏi :

89/197

Một hệ sinh sử dụng động cơ suy diễn là một chu trình nhận dạng hành động (đối sánh→ giải quyết tranh chấp → thi hành luật). Hãy cho biết điểm khác biệt cơ bản tại bướcđối sánh (match) khi hệ thống tiến hành suy diễn tiến và suy diễn lùi ?

Điều khiển tìm kiếm thông qua cấu trúc luật

Cấu trúc của các luật trong một hệ sinh bao gồm sự phân biệt giữa phần điều kiện(CONDITION) với phần hành động (ACTION) và thứ tự mà các điều kiện được thử, sẽquyết định cách tìm kiếm trong không gian.

Trong biểu diễn của phép tính vị từ, các biểu thức chỉ định nghĩa các quan hệ thực trongmột lĩnh vực bài toán chứ không khẳng định về thứ tự diễn dịch các thành phần củachúng do đó có thể có một vài cách biểu diễn khác nhau cho cùng một luật nhưng chúngvẫn tương đương về mặt chân trị. Những cách viết này có thể không dẫn đến cùng mộtkết quả khi được diễn dịch dưới dạng các luật sinh vì việc cài đặt của hệ sinh phải theomột thứ tự trong việc đối sánh và kích hoạt các luật. Hệ sinh thử các luật theo một thứtự xác định nên người lập trình có thể điều khiển quá trình tìm kiếm thông qua cấu trúcvà thứ tự của các luật trong tập luật sinh. Mặc dù tương đương về mặt logic nhưng haicách thực hiện không như nhau trong một quá trình tìm kiếm.

Các chuyên gia mã hóa các heuristic quan trọng theo những quy luật chuyên môn củahọ. Thứ tự của các tiền đề sẽ mã hóa những thông tin quan trọng về trình tự để giải bàitoán. Chẳng hạn khi một kỹ sư cơ khí nói rằng “Nếu động cơ không khởi động được vàđèn không sáng thì kiểm tra acquy”, tức là anh ta đã đề nghị một trình tự đặc trưng chocác hành động. Thông tin này sẽ không thể hiểu bởi phát biểu logic tương đương “Độngcơ khởi động được hoặc đèn sáng hoặc kiểm tra acquy”. Dạng này của các luật rất quantrong trong việc điều khiển tìm kiếm, nó làm cho hệ thống thực hiện một cách logic, làmcho quá trình theo dõi việc kích hoạt các luật dễ hiểu hơn, ...

Điều khiển chọn chiến lược giải quyết tranh chấp

Mặc dù các hệ sinh (giống như tất cả các cấu trúc dùng cho những hệ thống dựa vào kiếnthức) cho phép các heuristic được mã hóa vào trong nội dung kiến thức của bản thân cácluật, nhưng chúng cũng có nhiều cơ hội khác để điều khiển heuristic thông qua các giảipháp giải quyết tranh chấp. Ví dụ các chiến lược giải quyết tranh chấp được hỗ trợ bởiOPS5 (Brownston và cộng sự -1985) gồm có:

• Chiến lược khúc xạ (refraction): Chiến lược này quy định rằng khi một luật đãđược kích hoạt, nó không thể được kích hoạt lại trước khi các phần tử trong bộnhớ làm việc phù hợp với phần điều kiện của nó thay đổi. Chiến lược này giúpngăn ngừa vòng lặp.

90/197

• Chiến lược vừa mới xảy ra (recency): Chiến lược này chọn những luật có phầnđiều kiện phù hợp với các mẫu vừa mới được bổ sung vào bộ nhớ làm việc.Chiến lược này giúp tập trung việc tìm kiếm vào một dòng suy luận duy nhất.

• Chiến lược tính chi tiết (specificity): Chiến lược này quy định rằng một luậtgiải toán chi tiết hơn sẽ được ưa thích hơn luật tổng quát. Một luật có tính chitiết hơn luật khác nếu nó có nhiều điều kiện hơn. Điều này có nghĩa nó sẽ đốisánh với số mẫu ít hơn trong bộ nhớ làm việc.

Những ưu điểm của hệ sinh dùng cho trí tuệ nhân tạo

Theo các minh họa trên, hệ sinh cho chúng ta một quy tắc chung để thực hiện tìm kiếm.Nhờ tính đơn giản, khả năng cải biến và sự linh hoạt trong việc áp dụng các kiến thứcgiải toán, hệ sinh đã tỏ ra là một công cụ quan trọng để xây dựng các hệ chuyên gia vàcác ứng dụng trí tuệ nhân tạo khác. Những ưu điểm chính của các hệ sinh đối với trí tuệnhân tạo là:

• Tách riêng tri thức và điều khiển: Trong hệ sinh sự điều khiển được cho bởichu trình nhận dạng – hành động của vòng lặp hệ sinh, còn các kiến thức giảitoán được mã hóa vào trong các luật. Ưu điểm của sự tách biệt này là dễ thayđổi loại cơ sở tri thức mà không thay đổi việc điều khiển chương trình vàngược lại.

• Đưa một sắp xếp tự nhiên vào tìm kiếm trong không gian trạng thái: Các phầntử của một hệ sinh sẽ được sắp xếp một cách tự nhiên vào cấu trúc tìm kiếmkhông gian trạng thái. Các trạng thái kế tiếp của bộ nhớ làm việc sẽ tạo nên cácnút của đồ thị. Các luật sinh là các bước chuyển đổi có thể xảy ra giữa các trạngthái cùng với các chiến lược giải quyết tranh chấp sẽ cài đặt việc chọn mộtnhánh trong không gian trạng thái đó.

• Tính module của luật sinh: Một yếu tố quan trọng của hệ sinh là không có bấtkỳ sự tương tác lẫn nhau nào về cú pháp giữa các luật sinh. Các luật chỉ có thểtác động đến việc kích họat các luật khác bằng cách thay đổi mẫu trong bộ nhớlàm việc, chúng không thể “gọi” trực tiếp các luật khác như là một thủ tục con(subroutine), cũng không thể thiết lập giá trị của các biến cho các luật sinhkhác. Tính độc lập về cú pháp này đã hỗ trợ cho sự phát triển của các hệchuyên gia bằng cách liên tục bổ sung, loại bỏ hoặc thay đổi các tri thức (luật)của hệ thống.

• Điều khiển theo mẫu: Các bài toán được chương trình trí tuệ nhân tạo nhằm vàođều yêu cầu phải linh hoạt trong quá trình thực thi chương trình. Mục tiêu nàyđược đáp ứng bởi thực tế là các luật trong hệ sinh có thể kích hoạt theo mọitrình tự. Trong một bài toán, các mô tả tạo nên trạng thái hiện hành sẽ xác địnhtập luật tranh chấp và do đó cũng sẽ xác định con đường tìm kiếm và lời giảiriêng.

• Có cơ hội cho điều khiển heuristic của quá trình tìm kiếm.

91/197

• Theo dõi và giải thích: Tính module của các luật và bản chất lặp lại trong quátrình thực thi làm cho nó dễ dàng theo dõi hơn trong một hệ sinh. Ở mỗi giaiđoạn của chu trình nhận dạng – hành động, luật được chọn có thể được hiện ra.Vì mỗi luật ứng với một đoạn của quá trình giải toán nên nội dung luật sẽ giảithích đầy đủ ý nghĩa về trạng thái và hành động hiện hành của hệ thống đó.

• Tính độc lập ngôn ngữ: Mô hình điều khiển hệ sinh không phụ thuộc vào cáchthể hiện đã được chọn cho các luật và cho bộ nhớ làm việc miễn là cách thểhiện đó hỗ trợ cho việc đối sánh mẫu.

Mô hình hóa việc giải các bài toán của con người: Đây là một trong những ứng dụngđầu tiên của hệ sinh, chúng vẫn còn được dùng làm mô hình cho họat động của conngười trong nhiều nghiên cứu khoa học về nhận thức.

92/197

KIẾN TRÚC BẢNG ĐEN (BLACKBOARDARCHITECTURE)

KIẾN TRÚC BẢNG ĐEN (BLACKBOARD ARCHITECTURE)

Kiến trúc bảng đen là cơ chế điều khiển cuối cùng được giới thiệu trong chương này.Kiến trúc bảng đen mở rộng các hệ sinh bằng cách cho phép chúng ta sắp xếp bộ nhớlàm việc thành các module riêng, mỗi module tương ứng với một luật sinh khác nhau.Kiến trúc này cũng cho phép chúng ta tích hợp các tập luật sinh khác nhau vào một cấutrúc toàn cục duy nhất.

Một kiến trúc bảng đen bao gồm:

• Bảng đen (Blackboard): Là một số cơ sở dữ liệu toàn cục tập trung dùng đểtrao đổi thông tin giữa các nguồn tri thức không đồng bộ độc lập, tập trung vàocác mặt có liên quan của một bài toán cụ thể.

• Các nguồn tri thức (Knowledge source) KSi: Lấy dữ liệu của mình từ bảng đen,xử lý các dữ liệu đó rồi trả kết quả về cho bảng đen để các nguồn tri thức khácsử dụng. Mỗi KSi đều độc lập theo ý nghĩa là một quá trình riêng biệt, hoạtđộng theo các đặc trưng riêng, và khi sử dụng một hệ thống đã xử lý hoặc cónhiều bộ xử lý, nó sẽ độc lập với các quá trình xử lý khác của bài toán. Hệthống không đồng bộ ở chỗ từng KSi sẽ bắt đầu hoạt động của mình khi nàotìm thấy các dữ liệu đầu vào thích hợp được công bố trên bảng đen. Khi kếtthúc công việc xử lý của mình, nó sẽ gửi kết quả đi và chờ dữ liệu đầu vào mới.

• Bộ lập lịch trình (scheduler): Tổ chức việc cấp tài nguyên và truy cập bảng đencủa các nguồn tri thức.

Hình sau trình bày một sơ đồ về kiểu thiết kế bảng đen:

93/197

Hình 5.7 – Kiến trúc bảng đen

Kiến trúc bảng đen dùng trong việc tổ chức một chương trình lớn, lần đầu tiên đượcgiới thiệu trong công trình nghiên cứu HEARSAY-II (Erman và cộng sự, Reddy–1976).HEARSAY–II là một chương trình hiểu lời nói, đầu tiên nó được thiết kế dưới dạngnền cho một cơ sở dữ liệu thư viện về những bài báo khoa học. Những người sử dụngthư viện này phải nói với máy tính những câu như: “Có bài báo nào của Feigenbaum vàFeldman hay không?” và máy tính sẽ trả lời câu hỏi đó bằng những thông tin lấy từ cơsở dữ liệu của thư viện. Quá trình hiểu tiếng nói đòi hỏi chúng ta phải tích hợp một sốquá trình khác nhau, có những yêu cầu về kiến thức và thuật toán rất khác nhau, và độphức tạp có thể tăng theo hàm mũ. Những quá trình xử lý tín hiệu, nhận biết âm vị, âmtiết, từ, phân tích cú pháp và phân tích ngữ nghĩa sẽ chế ngự ràng buộc lẫn nhau khi diễngiải câu nói.

Kiến trúc bảng đen đã cho phép HEARSAY-II tọa độ hóa một số nguồn tri thức khácnhau dùng trong công việc phức tạp này. Kiến trúc bảng đen thường được tổ chức theohai chiều. Với HEARSAY-II hai chiều đó là thời gian khi lời nói được tạo ra và mức độphân tích lời nói. Mỗi mức độ phân tích được xử lý bởi một lớp các nguồn tri thức:

KS1 - Dạng sóng của tín hiệu âm thanh

KS2 - Các âm vị hay các đoạn âm của tín hiệu âm thanh

KS3 - Các âm tiết mà các âm vị đó có thể tạo ra

KS4 - Các từ khi được phân tích bởi một KS

KS5 - Các từ khi được phân tích bởi một KS khác

KS6 - Loại KS dùng để phát ra các chuỗi từ

KS7 - Loại KS dùng để đặt các chuỗi từ vào trong câu

Trong việc xử lý lời nói, dạng sóng của tín hiệu âm thanh được đưa vào ở mức độ thấpnhất. Các nguồn tri thức dùng cho việc xử lý ở mức này đều được hiệu lực hóa và gởicác kết quả diễn dịch của chúng cho bảng đen, để sau đó sẽ được chọn lấy ra bởi mộtquá trình thích hợp. Vì ngôn ngữ nói thường có nhiều chỗ tối nghĩa nên có thể có nhiềugiả thiết tranh chấp nhau ở từng mức trong kiến trúc. Các nguồn kiến thức ở mức caohơn sẽ làm rõ nghĩa cho các giả thiết tranh chấp này.

Sự phân tích của HEARSAY-II không thể xem đơn giản như một mức thấp tạo ra dữliệu và sau đó các mức cao hơn là phân tích. Quá trình phức tạp hơn nhiều. Nếu KS ởmột mức không thể xử lý dữ liệu được đưa đến, thì KS đó có thể yêu cầu KS đã gời dữ

94/197

liệu cho nó quay lại với cách xử lý khác hay tạo ra giả thiết khác về dữ liệu đó. Ngoài ra,nhiều KS khác nhau có thể đồng thời hoạt động trên nhiều phần khác nhau của lời nói.Tất cả các quá trình này đều đồng bộ và hướng dữ liệu, chúng hoạt động khi có dữ liệuvào, tiếp tục hoạt động cho đến khi hoàn thành xong nhiệm vụ và sau đó gởi kết quả đirồi chờ nhiệm vụ tiếp theo.

Bộ lập lịch trình là một trong các KS, sẽ quản lý việc truy cập giữa các KS nếu khôngcó KS nào hoạt động, bộ lập lịch trình sẽ quyết định nhiệm vụ đó kết thúc và đóng lại.

Khi chương trình HEARSAY-II có một cơ sở dữ liệu khoảng 1000 từ, nó làm việc hoàntoàn tốt mặc dù hơi chậm. Khi cơ sở dữ liệu mở rộng hơn, dữ liệu dùng cho các nguồntri thức này sẽ trở nên rất phức tạp đến mức khó quản lý. HEARSAY-III (Balzer và cộngsự - 1980, Erman và cộng sự - 1981) là sự tổng quát hóa phương pháp mà HEARSAY-IIđã dùng. Chiều thời gian của HEARSAY-II không còn cần thiết nữa, nhưng nhiều KSứng với các mức phân tích thì vẫn giữ nguyên. Bảng đen dùng cho HEARSAY-III đượchoạch định để tương tác với một cơ sở dữ liệu quan hệ đa năng. Thực vậy, HEARSAY-III là một khung chung dùng để thiết kế các hệ chuyên gia. Một thay đổi quan trọngtrong HEARSAY-III là chia bộ lập lịch trình thành một công cụ điều khiển riêng chobảng đen.

TỔNG KẾT CHƯƠNG V:

Chương V đã trình bày một số các thuật toán cũng như các mô hình, kiến trúc phổ biếndùng điều khiển và cài đặt quá trình tìm kiếm trong không gian trạng thái như: tìm kiếmđệ quy, mô hình hệ sinh, kiến trúc bảng đen, … cùng với các bài toán minh họa cho từnggiải thuật rất cụ thể. Trong chương VI tiếp theo, chúng ta sẽ thảo luận việc giải quyếtvấn đề tri thức chuyên sâu mà điển hình là thiết kế các hệ chuyên gia.

Bài tập chương V

Trước tình hình dịch cúm gà gần đây, Bộ y tế có đưa ra một số hướng dẫn về thực phẩman toàn (safe) dưới dạng một tập hợp biểu thức vị từ như sau:

R1. vegetable(X) ∨ fruit(X) ⇒ safe(X)

R2. beef(X) ∨ porc(X) ∨ lamb(X) ⇒ meat(X)

R3. meat(X) ∧ low_fat(X) ⇒ low_risk(X)

R4. contains_fat(X,Y) ∧ (Y<20%) ⇒ low_fat(X)

R5. certified(X) ∨ low_risk(X) ⇒ safe(X)

• Vẽ đồ thị AND/OR cho biết “thực phẩm an toàn”.

95/197

• Nếu biết lượng chất béo có trong thịt bò (contains_fat) là nhỏ hơn 20%, biểudiễn các bước suy diễn theo hệ sinh – tìm kiếm hướng dữ liệu để chứng tỏ “thịtbò là thực phẩm an toàn”.

Vẽ đồ thị AND/OR cho các quá trình suy diễn tiến và suy diễn lùi dùng trong hệ tư vấndưới đây: Hệ tư vấn cho việc chọn hình thức giải trí trong kỳ nghĩ của bạn. Các đề nghịkhác nhau mà hệ có thể cung cấp là: ngắm cảnh, trượt tuyết, tắm nắng, bơi lội, lướt ván.

Tập luật suy diễn bao gồm:

R1. IF thích_nắng THEN nghỉ_vùng_biển

R2. IF không_thích_nắng AND chơi_thể thao THEN nghỉ_vùng_núi

R3. IF không_thích_nắng AND không_chơi_thể thao THEN ngắm_cảnh

R4. IF nghỉ_vùng_núi AND ngân_sách_nhỏ THEN ngắm_cảnh

R5. IF nghỉ_vùng_núi AND ngân_sách_không_nhỏ THEN trượt_tuyết

R6. IF nghỉ_vùng_biển AND không_chơi_thể thao THEN tắm_nắng

R7. IF nghỉ_vùng_biển AND chơi_thể thao AND ngân_sách nhỏ THEN bơi_lội

R8. IF nghỉ_vùng_biển AND chơi_thể thao AND ngân_sách_không_nhỏ THENlướt_ván

• Suy diễn tiến dùng dữ liệu: Nam, rất thích chơi thể thao, không thích ánh nắngvà có ngân sách không nhỏ.

• Suy diễn lùi và trả lời các câu hỏi phát sinh từ hệ thống trên dữ liệu sau: Hoa,rất thích chơi thể thao, thích ánh nắng mặt trời và chỉ có ngân sách nhỏ.

96/197

GIẢI QUYẾT VẤN ĐỀ DỰA TRÊN TRITHỨC (KNOWLEDGE – BASEDPROBLEM SOLVING)GiỚi thiỆu:

GiỚi thiỆu:

Trong cuộc sống, sở dĩ các chuyên gia có thể giải quyết vấn đề ở một mức độ cao vìhọ có rất nhiều tri thức về lĩnh vực họ hoạt động. Thực tế hiển nhiên và đơn giản nàychính là cơ sở nền tảng cho việc thiết kế các máy giải quyết vấn đề dựa trên tri thức màta thường gọi là hệ chuyên gia. Một hệ chuyên gia sử dụng tri thức của một lĩnh vực cụthể để cung cấp việc giải quyết vấn đề với “chất lượng chuyên gia” trong lĩnh vực đó.

Thông thường, các nhà thiết kế HCG thu thập tri thức này, bao gồm lý thuyết đến cả cáckinh nghiệm, kỹ xảo, phương pháp làm tắt, chiến lược heuristic đã tích lũy được của cácchuyên gia con người qua quá trình làm việc của họ trong một lĩnh vực chuyên môn.Từ tri thức này, người ta cố gắng cài đặt chúng vào hệ thống để hệ thống có thể môphỏng theo cách thức các chuyên gia làm việc. Tuy nhiên, không giống với con người,các chương trình hiện tại không tự học lấy kinh nghiệm: mà tri thức phải được lấy từcon người và mã hóa thành ngôn ngữ hình thức. Đây là nhiệm vụ chính mà các nhà thiếtkế HCG phải đương đầu.

Do bản chất heuristic và tri thức chuyên sâu của việc giải quyết vấn đề cấp độ chuyêngia, các hệ chuyên gia nói chung:

• Cung cấp sự kiểm tra đối với các quá trình suy luận của chúng, bằng cách hiểnthị các bước trung gian và bằng cách trả lời câu hỏi về quá trình giải.

• Cho phép sửa đổi dễ dàng, cả khi thêm và xóa các kỹ năng giải quyết vấn đềvào cơ sở tri thức (knowledge based).

• Suy luận một cách heuristic, sử dụng tri thức (thường là không hoàn hảo) đểtìm lời giải hữu ích cho vấn đề.

Người ta đã xây dựng các hệ chuyên gia để giải quyết hàng loạt những vấn đề trong cáclĩnh vực như y học, toán học, công nghệ, hóa học, địa chất, khoa học máy tính, kinhdoanh, luật pháp, quốc phòng và giáo dục. Các chương trình này đã giải quyết một lớprộng các loại vấn đề như:

97/197

• Diễn giải (interpretation) – hình thành những kết luận hay mô tả cấp cao từnhững tập hợp dữ liệu thô.

• Dự đoán (prediction) – tiên đoán những hậu quả có thể xảy ra khi cho trướcmột tình huống.

• Chẩn đoán (diagnosis) – xác định nguyên nhân của những sự cố trong các tìnhhuống phức tạp dựa trên các triệu chứng có thể quan sát được.

• Thiết kế (design) – tìm ra cấu hình cho các thành phần hệ thống, đáp ứng đượccác mục tiêu trong khi vẫn thỏa mãn một tập hợp các ràng buộc về thiết kế.

• Lập kế hoạch (planning) – tìm ra một chuỗi các hành động để đạt được một tậphợp các mục tiêu, khi được cho trước các điều kiện khởi đầu và những ràngbuộc trong thời gian chạy (run-time).

• Theo dõi (monitoring) – so sánh hành vi quan sát được của hệ thống với hànhvi mong đợi.

• Bắt lỗi và sửa chữa (debuging and repair) – chỉ định và cài đặt những phươngpháp chữa trị cho các trục trặc.

• Hướng dẫn (instruction) – phát hiện và sửa chữa những thiếu sót trong quanniệm của học viên về một chủ đề lĩnh vực nào đó.

• Điều khiển (control) – chỉ đạo hành vi của một môi trường phức tạp.

Phần II của chương này chúng ta sẽ khảo sát công nghệ đã giúp cho việc giải quyết vấnđề tri thức chuyên sâu trở nên hiện thực. Phần III sẽ trình bày hệ sản xuất như một kiếntrúc phần mềm cơ sở cho việc giải quyết vấn đề dựa trên các luật. Phần IV và V khảosát các kỹ thuật dùng cho suy luận dựa trên mô hình, và suy luận dựa trên tình huống.


98/197

/home/voer/vpt/src/vpt.transformer/vpt/transformer/transforms/20140409-114654-764b3239-1/e66281f2/chapter6.ppt

TỔNG QUAN VỀ CÔNG NGHỆ HỆ CHUYÊN GIA

TỔNG QUAN VỀ CÔNG NGHỆ HỆ CHUYÊN GIA

Thiết kế của một HCG dựa trên luật: (Rule–Based ES)

Hình 6_1 cho thấy các module quan trọng nhất tạo nên một hệ chuyên gia dựa trên luật.Người dùng tương tác với hệ chuyên gia thông qua một giao diện người dùng (userinterface), giao diện này đơn giản hóa việc giao tiếp và che giấu phần lớn sự phức tạpcủa hệ thống (ví dụ như cấu trúc bên trong của cơ sở các luật). Các hệ chuyên gia sửdụng một số lượng phong phú các kiểu giao diện, bao gồm hỏi và trả lời, điều khiển bởitrình đơn, ngôn ngữ tự nhiên, hay đồ họa,… Việc quyết định sử dụng giao diện như thếnào là sự thỏa hiệp giữa nhu cầu của người dùng với những đòi hỏi của cơ sở tri thức vàhệ suy diễn.

Trái tim của hệ chuyên gia là cơ sở tri thức tổng quát (general knowledge base), chứatri thức giải quyết vấn đề của một ứng dụng cụ thể. Trong một hệ chuyên gia dựa trênluật tri thức này được biểu diễn dưới dạng các luật if… then…. Cơ sở tri thức bao gồmtri thức tổng quát (general knowledge) cũng như thông tin của một tình huống cụ thể(case-specific).

Hình 6_1. Kiến trúc của một hệ chuyên gia tiêu biểu.

Động cơ suy diễn (inference engine) áp dụng tri thức cho việc giải quyết các bài toánthực tế. Về căn bản nó là một trình thông dịch cho cơ sở tri thức. Trong hệ sinh

99/197

(production system), động cơ suy diễn thực hiện chu trình điều khiển nhận dạng – hànhđộng (recognize-act control cycle). Việc tách biệt cơ sở tri thức ra khỏi động cơ suy diễnlà rất quan trọng vì nhiều lý do:

• Sự tách biệt của tri thức dùng để giải quyết vấn đề và động cơ suy diễn sẽ tạođiều kiện cho việc biểu diễn tri thức theo một cách tự nhiên hơn. Ví dụ, các luậtif…then… gần gũi với cách con người mô tả những kỹ thuật giải quyết vấn đềcủa họ hơn so với một chương trình đưa luôn tri thức này vào phần mã máytính cấp thấp.

• Bởi vì cơ sở tri thức được cách ly khỏi các cấu trúc điều khiển cấp thấp củachương trình, các nhà xây dựng HCG có thể tập trung một cách trực tiếp vàoviệc nắm bắt và tổ chức GQVĐ hơn là phải thực hiện trên các chi tiết của việccài đặt vào máy tính.

• Sự phân chia tri thức và điều khiển cho phép thay đổi một phần cơ sở tri thứcmà không tạo ra các hiệu ứng lề trên các phần khác của chương trình.

• Sự tách biệt này cũng cho phép một phần mềm điều khiển và giao tiếp có thểđược sử dụng cho nhiều hệ thống khác nhau. Một trình cốt lõi của HCG (expertsystem shell) có tất cả các thành phần của hình 61, trừ phần cơ sở tri thức và dữliệu của tình huống cụ thể. Các nhà lập trình có thể sử dụng “trình cốt lõi rỗngcủa HCG” và tạo ra một cơ sở tri thức mới thích hợp với ứng dụng của họ. Cácđường chấm chấm trong hình 6_1 biểu thị các module của trình cốt lõi.

• Như đã thảo luận trong chương 5 về hệ sinh, sự module hóa này cho phépchúng ta thử nghiệm nhiều chế độ điều khiển khác nhau trên cùng một cơ sởluật.

Một hệ con giải thích (explanation subsystem) ch phép chương trình giải thích quá trìnhsuy luận của nó cho người dùng. Các giải thích này bao gồm các lập luận biện minh chocác kết luận của hệ thống (trả lời cho câu hỏi how), giải thích vì sao hệ thống cần dữ liệuđó (trả lời cho câu hỏi why),…

Nhiều HCG còn bao gồm một trình soạn thảo cơ sở tri thức (knowledge-base editor).Trình soạn thảo này giúp các nhà lập trình xác định và hiệu chỉnh lỗi trong quá trình làmviệc của chương trình, thường là bằng cách truy xuất những thông tin cung cấp bởi hệcon giải thích. Chúng cũng có thể hỗ trợ cho việc bổ sung tri thức mới, giúp duy trì cúpháp luật chính xác, và thực hiện các kiểm tra tính nhất quán trên cơ sở tri thức đã cậpnhật.

Việc sử dụng trình cốt lõi HCG có thể giúp ta giảm đáng kể thời gian thiết kế và càiđặt chương trình. Ví dụ, HCG MYCIN dùng để chẩn đoán bệnh viêm màng não xươngsống và nhiễm trùng máu được phát triển trong khoảng 20 năm-người (person-year).EMYCIN (Empty MYCIN) là một trình cốt lõi của MYCIN được tạo ra bằng cách loạibỏ tri thức chuyên ngành khỏi chương trình MYCIN. Sử dụng EMYCIN, các kỹ sư trithức đã cài đặt PUFF, một chương trình phân tích các vấn đề về phổi cho các bệnh nhân,

100/197

trong khoảng 5 năm-người. Đây là một sự tiết kiệm đáng kể và là một khía cạnh quantrọng chứng tỏ sức sống trên phương diện thương mại của công nghệ hệ chuyên gia.

Đối với người lập trình, điều quan trọng là phải lựa chọn đúng trình cốt lõi HCG để pháttriển một HCG mới. Các bài toán khác nhau đòi hỏi các quá trình lập luận khác nhau:tìm kiếm hướng đích so với tìm kiếm hướng dữ liệu chẳng hạn. Chiến lược điều khiểncung cấp bởi trình cốt lõi cần phải thích hợp với ứng dụng; phương pháp suy luận y họcdùng cho ứng dụng PUFF rất giống với phương pháp mà HCG MYCIN sử dụng; điềuđó làm cho việc sử dụng trình cốt lõi EMYCIN trở nên thích hợp. Nếu trình cốt lõi cóquá trình suy luận không thích hợp, thì việc sử dụng nó có thể là một sai lầm và tệ hơnlà bắt đầu từ xây dựng từ đầu.

Các vấn đề phù hợp để xây dựng HCG

Các HCG thường đòi hỏi sự đầu tư đáng kể về tiền bạc và sức lực con người. Nhữngcố gắng để giải quyết một bài toán quá phức tạp, quá ít hiểu biết, hoặc có những yếu tốkhông phù hợp khác đối với công nghệ hiện tại có thể dẫn đến những thất bại hao tiềntốn của. Các nhà nghiên cứu đã xây dựng một tập hợp các chỉ dẫn có tính không hìnhthức cho việc xác định xem khi nào thì một bài toán thích hợp để giải quyết bằng HCG:

• Sự cần thiết phải có một giải pháp phải biện minh cho chi phí và sức lựccủa việc xây dựng HCG, vì nếu không đó sẽ là một sự lãng phí. Công tymáy tính DEC đã bỏ ra tiền và công sức để xây dựng HCG XCON để tự độnghóa công tác tạo cấu hình cho máy tính. Kết quả, XCON đã giúp công ty tiếtkiệm được tài chính và duy trì lòng tin của khách hàng. Tương tự, người ta đãcây dựng nhiều HCG trong các lĩnh vực như khai thác khoáng sản, kinh doanhquốc phòng, và y học, là những nơi tồn tại tiềm năng to lớn cho việc tiết kiệmtiền bạc, thời gian và sinh mạng con người.

• Hiểu biết chuyên môn của con người không sẵn có ở mọi nơi cần đến nó.Có rất nhiều HCG đã được xây dựng trong ngành y, vì sự chuyên môn và tínhphức tạp trongkỹ thuật của y học hiện đại đã khiến cho các bác sĩ gặp nhiều khókhăn trong việc theo kịp những tiến bộ của các phương pháp chẩn đoán và điềutrị. Số lượng các chuyên gia đáp ứng được các yêu cầu này rất hiếm và phải trảthù lao cao cho công việc của họ, do đó mà các hệ chuyên gia được nhìn nhậnnhư là một cứu cánh. Nhờ có HCG, các bác sĩ ở địa phương có thể chẩn đoánvà điều trị bệnh ở mức độ chuyên gia. Trong ngành địa chất, bằng cách bố tríHCG tại những nơi khai thác, nhiều vấn đề có thể được giải quyết mà khôngcần các chuyên gia con người phải có mặt. Tương tự, sự lãng phí những kiếnthức chuyên môn có giá trị do việc chuyển đổi nhân viên hay những người sắpvề hưu có thể biện minh cho việc xây dựng các hệ chuyên gia.

• Vấn đề có thể được giải quyết bằng cách sử dụng các kỹ thuật suy luận kýhiệu. Những giải pháp vấn đề không nên đòi hỏi sự khéo léo tay chân hay khảnăng cảm thụ. Tuy rằng chúng ta đã có những robot và các hệ nhìn, hiện tại

101/197

chúng vẫn thiếu khả năng tinh tế và linh hoạt của con người. Các hệ chuyên giachỉ thích hợp với các vấn đề mà con người có thể giải quyết thông qua sự suyluận trên các ký hiệu.

• Phạm vi xác định vấn đề được cấu trúc tốt và không đòi hỏi sự suy luậntheo lẽ thường tình (commonsense reasoning). Mặc dù các hệ chuyên gia đãđược xây dựng trong nhiều lĩnh vực đòi hỏi tri thức kỹ thuật chuyên môn hóa,nhiều sự suy luận theo lẽ thường của con người vẫn nằm ngoài khả năng hiệntại của chúng. Các lĩnh vực mang tính kỹ thuật cao có ưu điểm là được hiểubiết và hình thức hóa kỹ lưỡng: các thuật ngữ được định nghĩa đấy đủ và cácchủ đề đã có sẵn những mô hình khái niệm rõ ràng và cụ thể.

• Vấn đề có thể không giải quyết được bằng cách sử dụng các phương pháptính toán truyền thống. Không nên sử dụng công nghệ HCG để “phát minh lạichiếc bánh xe” (reinvent the wheel). Nếu một bài toán có thể giải quyết mộtcách thỏa đáng bằng những kỹ thuật truyền thống hơn như các phương pháp số,thống kê, … thì chúng không phải là một cử ứng viên cho việc thiết kế HCG.

• Có sự hợp tác và hiểu ý nhau giữa các chuyên gia. Tri thức sử dụng bởi cácchuyên gia hiếm khi tìm thấy trong các sách giáo khoa mà chỉ có được nhờkinh nghiệm và sự đánh giá của con người khi làm việc trong lĩnh vực đó. Điềuquan trọng là các chuyên gia đó sẵn sàng và có khả năng chia sẻ tri thức. Cácchuyên gia có thể sẽ không hợp tác khi họ cảm thấy bị đe dọa bởi hệ thống, sợrằng hệ thống có thể thay thế họ, hoặc nghĩa rằng đề án không thể thành công,chỉ lãng phí thời gian của họ, khi đó họ sẽ không bỏ ra thời gian và nỗ lực cầnthiết.Một điều quan trọng khác là ban quản lý phải hỗ trợ dự án và chi phép cácchuyên gia sử dụng thời gian làm việc chính thức của họ để cộng tác với các kỹsư tri thức.

• Vấn đề cần giải quyết phải có kích thước và quy mô đúng mức. Vấn đềkhông được vượt quá khả năng của công nghệ hiện tại. Ví dụ, một chương trìnhcố gắng nắm bắt mọi hiểu biết chuyên môn của một bác sĩ y khoa sẽ không khảthi trong khi đó một chương trình cố vấn cho các bác sĩ trong việc sử dụng mộtphần nào đó của thiết bị chẩn đoán sẽ thích hợp hơn.

Mặc dù một vấn đề lớn có thể không phù hợp với giải pháp của hệ chuyên gia, ta cóthể phân chia nó thành các vấn đề nhỏ hơn, độc lập nhau và phù hợp với HCG. Điềunày tương ứng với chiến lược phân rã “top-down” sử dụng trong công nghệ phần mềmtruyền thống. Một cách giải quyết khác là ta bắt đầu bằng một chương trình đơn giản cókhả năng giải quyết một phần của vấn đề rồi từng bước tăng dần chức năng của nó đểxử lý phạm vi lớn hơn của vấn đề. Chiến lược này gọi là “đường kẻ mỏng” (thin line),ám chỉ mục tiêu của nó là tạo ra một khuôn mẫu hy sinh bề rộng của khả năng ứng dụngnhằm ưu tiên việc tạo ra một lời giải đầy đủ cho tập hợp nhỏ các bài toán thử nghiệm. Kỹthuật này tỏ ra hiệu quả để khám phá các vấn đề phức tạp và chưa được hiểu rõ. Ngườita sử dụng thành công kỹ thuật này trong việc tạo ra XCON: ban đầu chương trình đượcthiết kế chỉ để định cấu hình cho các máy tính VAX 780; sau đó nó được mở rộng để xửlý luôn tất cả các hệ máy VAX và hệ máy PDP-11.

102/197

Qui trình công nghệ tri thức

Những người liên quan chủ yếu trong việc xây dựng một HCG là kỹ sư tri thức(knowledge engineer), chuyên gia (domain expert) và người dùng cuối (end-user).

Kỹ sư tri thức là chuyên gia về ngôn ngữ và biểu diễn trong TTNT, với nhiệm vụ chínhlà chọn các công cụ phần mềm và phần cứng cho đề án, giúp đỡ chuyên gia phát biểucác tri thức cần thiết, và cài đặt các tri thức đó vào một cơ sở tri thức đúng đắn và hiệuquả. Thông thường, kỹ sư tri thức này ban đầu không hiểu biết gì về lĩnh vực ứng dụng.

Chuyên gia cung cấp tri thức về lĩnh vực ứng dụng. Thông thường, đây là một người đãtừng công tác trong lĩnh vực ứng dụng và hiểu biết những kỹ thuật giải quyết vấn đề củanó, chẳng hạn như các cách làm tắt, xử lý dữ liệu không chính xác, đánh giá những giảipháp cục bộ, và tất cả những kỹ năng khác chứng tỏ anh ta có đẳng cấp của một chuyêngia. Chuyên gia chịu trách nhiệm chính trong việc giải thích rõ những kỹ năng này vớikỹ sư tri thức.

Trong phần lớn các ứng dụng, người dùng cuối quyết định những ràng buộc thiết kếchính. Chừng nào người dùng đó còn chưa hài lòng, thì còn phải đầu tư sức lực cho việcphát triển chương trình. Những kỹ năng và nhu cầu của người dùng cần phải xem xéttrong suốt quá trình thiết kế: chương trình có làm cho công việc của người dùng dễ dànghơn, nhanh hơn, thuận tiện hơn không? Người dùng cần sự giải thích ở mức độ nào?Môi trường làm việc của người dùng có đặt ra những hạn chế nào đó cho việc sử dụngchương trình? Ví dụ như, một giao diện đòi hỏi việc gõ bàn phím sẽ không phù hợp vớithao tác trong khoang lái của một máy bay chiến đấu phản lực.

Giống như hầu hết các công việc lập trình trong TTNT, việc xây dựng HCG đòi hỏi mộtchu trình phát triển theo kiểu không truyền thống dựa trên một bản mẫu được tạo ra banđầu và việc xem xét lại mã lệnh một cách tăng dần. Phương pháp lập trình này còn gọilà lập trình thăm dò (exploratory programming).

103/197

104/197

Hình 6_2. Chu trình phát triển theo kiểm thăm dò.

Hình 6_2 trình bày một lưu đồ mô tả chu trình phát triển theo kiểu lập trình thăm dò.Nói chung quá trình xây dựng hệ thống bắt đầu với việc kỹ sư tri thức cố gắng làm quenvới phạm vi xác định vấn đề (problem domain). Điều này giúp ích cho việc giao tiếpvới chuyên gia. Nó được thực hiện bằng những bài phỏng vấn mở đầu với chuyên giađó, bằng sự quan sát các chuyên gia trong quá trình họ làm việc, hoặc thông qua việcđọc những tài liệu giới thiệu về lĩnh vực chuyên ngành đó. Tiếp theo kỹ sư tri thức vàchuyên gia bắt đầu quá trình khai thác những tri thức giải quyết vấn đề của chuyên gianày. Công việc này được thực hiện bằng cách đưa cho chuyên gia một loạt các bài toánví dụ và yêu cầu anh ta giải thích những kỹ thuật được sử dụng để đạt được lời giải.Trong giai đoạn này, việc sử dụng các băng video hoặc audio là rất quan trọng.

Thông thường, sẽ tốt hơn nếu kỹ sư tri thức là một người mới làm quen với lĩnh vựcứng dụng, vì những chuyên gia có thể quên đề cập đến những bước thao tác đã trở thànhhiển nhiên hay thậm chí là tự động đối với họ sau nhiều năm công tác trong lĩnh vực đó.Vì vậy, các kỹ sư tri thức không biết gì về lĩnh vực này có thể sẽ phát hiện những bướcnhảy cóc này, và do đó sẽ yêu cầu chuyên gia làm sáng tỏ vấn đề.

Ngay sau khi kỹ sư đã có được cái nhìn tổng quát về lĩnh vực của vấn đề và đã cùngchuyên gia giải quyết một số bài toán, anh ta sẽ bắt tay vào thiết kế hệ thống: chọnphương pháp biểu diễn tri thức, như luật hay frame chẳng hạn, xác định chiến lược tìmkiếm, tiến (forward), lùi (backward), theo chiều sâu (depth-first), tốt nhất (best-first),…và thiết kế giao diện người dùng. Sau khi triển khai thiết kế này đến mức có thể hài lòng,kỹ sư tri thức bắt đầu xây dựng một bản mẫu (prototype).

Bản mẫu này cần phải có khả năng giải quyết những bài toán trong một phạm vi nhỏ củalĩnh vực và cung cấp một nền thử nghiệm cho những xác nhận thiết kế sơ bộ. Ngay saukhi bản mẫu được cài đặt xong, kỹ sư tri thức và chuyên gia sẽ thử nghiệm và cải tiếntri thức của nó bằng cách cho nó giải quyết một số bài toán và hiệu chỉnh những khuyếtđiểm của nó. Sau mỗi lần như vậy, họ thường có một phiên bản chương trình sáng sủahơn. Nếu những giả thiết trong quá trình thiết kế bản mẫu tỏ ra là đúng đắn, thì bản mẫucó thể được dùng để xây dựng hệ thống cuối cùng. Tuy nhiên, bản mẫu cũng có thể bịloại bỏ nếu nó trở nên cồng kềnh hoặc các nhà thiết kế quyết định thay đổi phương pháptiếp cận cơ sở đối với vấn đề.

Đặc trưng lớn thứ hai của lập trình HCG là cần xem chương trình như không bao giờ“kết thúc”. Một cơ sở tri thức kiểu heuristic lớn sẽ luôn luôn có những hạn chế của nó,vì tri thức thì luôn đổi mới và vì vậy cần phải được cập nhật.

105/197

Mô hình khái niệm và vai trò của chúng trong việc thu thập tri thức

Trong HCG, tri thức đóng vai trò quyết định cho sự thành công cũng như hiệu quả giảiquyết vấn đề của HCG. Tri thức này có được từ quá trình thu thập tri thức của cácchuyên gia, tri thức này thường mơ hồ, không chính xác, và chỉ được phát biểu dài dòngtheo từng bộ phận. Người kỹ sư tri thức có nhiệm vụ dịch những hiểu biết không hìnhthức này sang một ngôn ngữ hình thức thích hợp cho máy tính (xem hình 6_3). Đây làmột nhiệm vụ khó khăn, tuy nhiên, khó khăn trước tiên vẫn là việc tích lũy tri thức donhiều nguyên nhân:

• Các kỹ năng của con người có được thường thông qua thực nghiệm. Sau nhiềunăm thực hành, những kỹ năng này tích hợp chặt chẽ với nhau và hoạt động ởmột cấp độ vô thức cao. Vì vậy, sẽ rất khó khăn cho các chuyên gia khi phảimô tả chính xác những gì họ làm trong quá trình giải quyết vấn đề.

• Tri thức của con người thường nằm ở dạng là “biết làm thế nào” (how) để đốiphó với tình huống hơn là biết cần phải khắc họa trong óc một cách lý trí xemtình huống ấy là cái gì (what). Một ví dụ dễ thấy về đặc điểm này ở người biểudiễn xe đạp một bánh: trong thực tế, một người biểu diễn thành công không thểcùng lúc giải nhiều phương trình sai phân nhằm giữ thế cân bằng; mà thực raanh ta chỉ phối hợp có tính trực giác những cảm giác về “trọng lực”, “xung lực”và “quán tính” để tạo thành một thủ tục điều khiển thích hợp.

• Tri thức của con người không căn cứ theo sự thật, không khách quan, vì hiểubiết của con người thể hiện một mô hình của cá nhân hay cộng đồng về thếgiới. Những mô hình đó bị ảnh hưởng bởi những tập quán, những quá trình xãhội, và những quá trình tiềm ẩn khác…

• Tri thức luôn luôn thay đổi. Điều đó không chỉ do các chuyên gia tiếp nhậnthêm những tri thức mới, mà còn do tri thức đang tồn tại có thể trở thành mụctiêu của những cải cách triệt để.

Hệ quả là, công nghệ tri thức là một quá trình khó khăn và cần được xem xét khi kéodài chu trình sống của bất kỳ HCG nào. Để đơn giản hóa nhiệm vụ này, người ta càiđặt một mô hình khái niệm (conceptual model) nằm giữa hiểu biết chuyên môn của conngười với chương trình như trong hình 6_3. Mô hình khái niệm này thể hiện nhận thứccủa người kỹ sư tri thức về lĩnh vực đó, nó có thể bao gồm các từ điển dữ liệu, các biểudiễn đồ họa của không gian trạng thái và những lời bình đi kèm đều có thể là một phầncủa mô hình này.

Mô hình khái niệm không có tính hình thức hoặc có thể thi hành trực tiếp trên máy tính.Nó chỉ là một cấu trúc thiết kế trung gian, một mô hình mẫu để có thể bắt đầu đưa racác ràng buộc và mã hóa các kỹ năng của con người. Nếu như kỹ sư tri thức sử dụngmô hình phép tính mệnh đề, thì nó có thể bắt đầu như một tập hợp các mạng đaon giảnbiểu diễn những trạng thái suy luận của người chuyên gia thông qua các tình huống giải

106/197

quyết vấn đề điển hình. Chỉ sau khi được cải tiến thêm, mạng này mới trở thành các luậtif… then tường minh.

Hình 6_3. Vai trò của mô hình khái niệm trong giải quyết vấn đề.

107/197

HỆ chuyên gia DỰA trên LUẬT (RULE–BASED ES)

HỆ chuyên gia DỰA trên LUẬT (RULE–BASED ES)

Các HCG dựa trên luật biểu diễn tri thức dưới dạng các luật if… then. Cách tiếp cận nàythích hợp với kiến trúc ở hình 6_1, và là một trong những kỹ thuật cổ điển và được sửdụng rộng rãi nhất dùng cho biểu diễn tri thức về một lĩnh vực trong HCG. Kiến trúccủa HCG này tương tự với mô hình hệ sinh (production system) đã trình bày ở chương5.

Nếu chúng ta xem kiến trúc HCG ở hình 6_1 như một hệ sinh thì cơ sở tri thức là tậphợp các luật sinh (if… then). Dữ liệu cho trường hợp cụ thể được giữ trong bộ nhớ làmviệc. Động cơ suy diễn thực hiện chu trình nhận dạng – hành động (recognize-act) củahệ sinh; cơ chế điều khiển này có thể là hường từ dữ liệu hay hướng từ mục tiêu.

Việc chọn lựa tiếp cận hướng từ dữ liệu hay hướng từ mục tiêu cũng giống như nhữngthảo luận đã trình bày trong chương 3. Tuy nhiên, đối với một HCG, thì tiếp cận hướngtừ mục tiêu sẽ tạo điều kiện cho quá trình giải thích hơn. Vì trong một hệ hướng từ mụctiêu, việc suy luận theo đuổi một mục tiêu cụ thể nào đó, mục tiêu đó bị chia thành nhiềumục tiêu con và cứ như thế; kết quả là việc tìm kiếm luôn luôn được hướng dẫn thôngqua sự phân cấp mục tiêu và mục tiêu con này. Trong khi ở tìm kiếm hướng từ dữ liệukhông tồn tại điều này, kết quả là quá trình tìm kiếm thường có vẻ dài dòng và khôngtập trung.

Để có một ví dụ cụ thể hơn về giải quyết vấn đề theo hướng từ mục tiêu, ta xét một HCGnhỏ dùng để chẩn đoán những trục trặc trong xe hơi, gọi tắt là HCG “Chẩn đoán xe hơi”:

Luật 1 IF động cơ nhận được xăng AND động cơ khởi động được

THEN trục trặc là do bugi.

Luật 2 IF động cơ không khởi động được AND đèn không sáng

THEN trục trặc là do ắcquy hoặc dây cáp

Luật 3 IF động cơ không khởi động được AND đèn sáng

THEN trục trặc là do môtơ khởi động

Luật 4 IF còn xăng trong bình chứa nhiên liệu AND còn xăng trong bộ chế hòa khí

THEN động cơ nhận được xăng

108/197

Trong chế độ điều khiển hướng từ mục tiêu, đầu tiên mục tiêu cao nhất là “trục trặc làdo X” sẽ được đưa vào bộ nhớ làm việc như hình 6_4:

Hình 6_4. Hệ sinh tại thời điểm ban đầu của một lần chẩn đoán.

Có 3 luật đối sánh (match) với biểu thức này trong bộ nhớ làm việc: luật 1, 2 và 3. Nếuta chọn luật ưu tiên theo số thứ tự của nó, thì luật 1 sẽ được đốt cháy, khi đó X sẽ đượcgắn kết (bound) với giá trị bugi và những tiền đề (vế trái) của luật 1 được đặt vào bộ nhớlàm việc như hình 6_5.

Hình 6_5. Hệ sinh sau khi luật 1 được đốt cháy.

Để chứng minh mục tiêu con là động cơ nhận được xăng thì luật 4 được đốt cháy, vànhững tiền đề của luật này được đặt vào bộ nhớ làm việc như hình 6_6.

109/197

Hình 6_6. Hệ sinh sau khi đốt cháy luật 4.

Tại thời điểm này, có ba mục trong bộ nhớ làm việc (các mục in nghiêng trong hình6_6) là không đối sách với bất kỳ kết luận của luật nào. Trong tình huống này, HCG sẽtruy vấn trực tiếp người dùng về những mục tiêu mới này. Nếu người dùng xác nhận cảba mục tiêu này đều đúng, thì HCG sẽ xác định một cách thành công rằng trục trặc xe làdo bugi. Trong quá trình tìm ra lời giải này, hệ thống đã kiểm tra nhánh trái nhất của đồthị Và/Hoặc trong hình 6_7.

Hình 6_7. Đồ thị Và/Hoặc được tìm kiếm trong ví dụ chẩn đoán xe ôtô.

110/197

Khả năng giải thích và tính trong suốt của suy luận hướng từ mục tiêu

Để thấy được khả năng giải thích và tính trong suốt của suy luận hướng từ mục tiêu, tagiả định phiên chẩn đoán đang ở giai đoạn của hình 6_6. Đoạn hội thoại sau đây đượcbắt đầu bằng việc máy tính yêu cầu người dùng cho biết về các mục tiêu con hiện cótrong bộ nhớ làm việc (trả lời của người dùng được gạch dưới):

- còn xăng trong bình chứa nhiên liệu? yes

- còn xăng trong bộ chế hòa khí? yes

- động cơ khởi động được không? why

Đến đây, người dùng đánh vào câu hỏi why, nghĩa là muốn hỏi, tại sao anh cần biết độngcơ có khởi động được hay không? Khi đó hệ thống trả lời

Đã xác định được rằng:

1. động cơ nhận được xăng,

Vì vậy nếu

2. động cơ khởi động được ,

Thì có thể kết luận: trục trặc là do bugi

Giả sử người dùng tiếp tục hỏi:

động cơ nhận được xăng như thế nào?

Khi đó, hệ thống sẽ trả lời:

Điều này có từ luật 4

IF còn xăng trong bình chứa nhiên liệu AND còn xăng trong bộ chế hòa khí

THEN động cơ nhận được xăng

Người dùng đã cho biết: còn xăng trong bình chứa nhiên liệu

Người dùng đã cho biết: còn xăng trong bộ chế hòa khí

Một lần nữa, kiến trúc hệ sinh cho chúng ta một cở sở thiết yếu để có những giải thíchnày. Mỗi chu trình của vòng lặp điều khiển sẽ chọn và đốt cháy một luật khác. Chương

111/197

trình có thể dứng lại sau mỗi chu trình và cho phép người dùng kiểm tra. Vì mỗi luậtbiểu diễn một bó tri thức đầy đủ, nên luật hiện tại cho ta một ngữ cảnh để giải thích.Ngoài ra, tính module của mỗi luật cũng tạo điều kiện cho việc thêm hay sửa đổi mộtluật được thực hiện một cách dễ dàng mà không hề ảnh hưởng đến các luật khác.

Hệ chuyên gia R1/XCON

HCG R1 hay XCON được đưa ra vào năm 1982 là một trong những HCG thương mạithành công đầu tiên. Như đã giới thiệu trong các phần trên, ban đầu chương trình đượcthiết kế chỉ để định cấu hình cho các máy tính VAX 780; sau đó nó được mở rộng để xửlý luôn cho các hệ máy VAX và hệ máy PDP-11. Đầu vào của hệ thống là đơn đặt hàngcủa khách hàng và sau đó áp dụng các luật để sinh ra một cấu hình hoàn chỉnh, thốngnhất cùng với các sơ đồ biểu diễn mối quan hệ về không gian và logic của các bộ phậntrong máy (McDermott 1981).

Kiến trúc của HCG XCON được mô tả như hình 6_8.

Hình 6_8. Kiến trúc của HCG XCON

XCON là một HCG dựa trên luật, nó chứa một cơ sở các luật bao gồm khoảng 10000luật được viết với ngôn ngữ OPS5 (OPS – Official Production System). Các luật nàydùng để điều khiển quá trình tạo cấu hình cho máy, nó có một đặc điểm đặc biệt là tiềnđề của luật thường bắt đầu bằng một điều kiện kiểm tra tình huống hiện tại, chẳng hạnnhư:

IF the most current active context is distributing Massbus devices

& there is a single port disk drive that has not been assigned to a Massbus

112/197

& there are no unassigned dual port disk drives & the number of devices that eachMassbus should support is known

& there is a Massbus that has been assigned at least one disk drive and that shouldsupport additional disk drives

& the type of cable needed to connect the disk drive to the previous device is known

THEN assign the disk drive to the Massbus

Trong luật trên, điều kiện đầu tiên (được in nghiêng) là điều kiện kiểm tra xem tìnhhuống mới nhất hiện tại (most current active context) có phải là đang phân phối các thiếtbị Massbus hay không? Nếu đúng thì động cơ suy diễn mới kiểm tra các điều kiện kếtiếp, nếu sai thì bỏ qua luật này. Để có thể biết được tình huống hiện tại là gì, hệ thốngsẽ truy cập vào bộ nhớ làm việc, nơi có lưu trữ các ký hiệu về tình huống hiện tại. Chínhnhờ cấu trúc luật đặc biệt này mà mặc dù cơ sở luật có đến 10000 luật nhưng hệ thốngthực hiện quá trình đối sánh để đưa ra các luật khả thi tại một thời điểm là rất nhanh. Vớitính chất này, có thể nói công việc tạo cấu hình của R1/XCON được xem như là mộthệ thống phân chia thành các công việc nhỏ hơn với sự phụ thuộc thời gian (temporaldependency) rất mạnh, công việc này phải thực hiện trước công việc kia.

Ngoài ký hiệu tình huống, bộ nhớ làm việc của hệ thống còn chứa các thông tin như kýhiệu của các thành phần đang có, ký hiệu các cấu hình đang thực hiện dở dang, chưahoàn chỉnh. Vì các thành phần của máy thường được đặc trưng bởi nhiều thông số kỹthuật, nên bộ nhớ làm việc chỉ chứa ký hiệu của nó, còn thông tin về các thông số nàysẽ được lưu trong một cơ sở dữ liệu.

Động cơ suy diễn của XCON được phát triển bằng OPS5, sử dụng tiếp cận tìm kiếmhướng từ dữ liệu, hay suy luận tiến. Kết quả của hệ thống có thể nói là tương đươnghoặc có khi tốt hơn giải pháp của các chuyên gia con người. Về tốc độ, thì HCG cho ragiải pháp nhanh gấp mười lần chuyên gia, và đã tiết kiệm được cho công ty DEC hàngnăm khoảng 25 triệu đôla.

Kết luận về HCG dựa trên luật

Ưu điểm của HCG dựa trên luật:

• Khả năng sử dụng trực tiếp các tri thức thực nghiệm của các chuyên gia.• Tính module của luật làm cho việc xây dựng và bảo trì luật dễ dàng.• Có thể thực hiện tốt trong các lĩnh vực hạn hẹp.• Có tiện ích giải thích tốt.• Các luật ánh xạ một cách tự nhiên vào không gian tìm kiếm trạng thái.• Dễ dàng theo dõi một chuỗi các luật và sửa lỗi.

113/197

• Sự tách biệt giữa tri thức và điều khiển giúp đơn giản hóa quá trình phát triểnHCG.

Khuyết điểm của HCG dựa trên luật:

• Các luật đạt được từ các chuyên gia mang tính heuristic rất cao. Chẳng hạn nhưtrong lĩnh vực y học, luật “If sốt-cao Then bị-nhiễm-trùng” là sự kết hợp trựctiếp các triệu chứng quan sát được và các chẩn đoán, mà không thể hiện sự hiểubiết lý thuyết sâu hơn về lĩnh vực chuyên ngành (như cơ chế phản ứng của cơthể để chống lại vi trùng chẳng hạn), hoặc luật “If sốt-cao Then cho-uống-Aspirin” cũng không thể hiện tri thức về giải quyết vấn đề tức là quá trình chữabệnh như thế nào.

• Các luật heuristic “dễ vỡ”, không thể xử lý các trường hợp ngoài dự kiến. Vìcác luật được tạo ra từ kinh nghiệm của các chuyên gia trên những tình huốngđã biết, nên khi gặp phải một tình huống mới không đúng với các kinh nghiệmđó, thì các luật này không giải quyết được.

• Có khả năng giải thích chứ không chứng minh. HCG dựa trên luật chỉ có thểgiải thích rằng kết luận này là do suy luận từ các luật như thế nào, chứ khôngchứng minh được kết luận đó là đúng.

• Các tri thức thường rất phụ thuộc vào công việc. Quá trình thu thập tri thức rấtphức tạp và khó khăn, tuy nhiên, tri thức có được không thể sử dụng lại chomột công việc khác.

• Khó bảo trì các cơ sở luật lớn.

114/197

SUY LUẬN DỰA TRÊN MÔ HÌNH: (MODEL–BASEDREASONING)

SUY LUẬN DỰA TRÊN MÔ HÌNH: (MODEL–BASED REASONING)

Với các khuyết điểm của HCG dựa trên luật kể trên, tiếp cận dựa trên mô hình được đưara nhằm giải quyết các vấn đề này. Hệ thống suy luận dựa trên mô hình là một hệ thốngmà sự phân tích căn cứ trực tiếp trên một mô tả chi tiết và chức năng của một hệ thốngvật lý. Trong thiết kế và sử dụng, một hệ suy luận dựa trên mô hình tạo ra một sự môphỏng bằng phần mềm đối với chức năng của cái mà chúng ta muốn tìm hiểu hay sửachữa.

Những ứng dụng đầu tiên của tiếp cận này là cho mục đích dạy học. Nhiệm vụ của hệdạy học này là kiểm tra kiến thức của sinh viên về thiết bị hay mạch điện cũng nhưtruyền đạt bất cứ kiến thức nào mà các sinh viên bỏ sót. Từ mục đích dạy học ban đầunày, các hệ suy luận dựa trên mô hình chuyển sang các hệ tìm hỏng hóc của thiết bị(trouble-shooting system). Để tìm lỗi của một hệ thống vật lý, mô hình sẽ cho ngườidùng biết là cần phải mong đợi gì từ hệ thống, và khi nào thì cái quan sát được khác vớicái mong đợi, và sự khác biệt này dẫn đến lỗi như thế nào.

Một hệ thống chẩn đoán dựa trên mô hình đòi hỏi:

• Một mô tả cho mỗi bộ phận trong thiết bị. Từ những mô tả này mà hệ chẩnđoán có thể mô phỏng hành vi của từng bộ phận.

• Một mô tả cấu trúc bên trong của thiết bị. Đây thường là một biểu diễn của cácthành phần và sự nối kết qua lại của chúng. Những thông tin này giúp hệ thốngmô phỏng sự tương tác giữa các thành phần của thiết bị.

• Việc chẩn đoán một lỗi cụ thể đòi hỏi sự quan sát việc thực hiện thật sự củathiết bị, thông thường là việc đo các thông số vào/ra của nó.

Vì vậy, nhiệm vụ của hệ sẽ là xác định bộ phận nào có lỗi dựa trên các hành vi quan sátđược. Điều này đòi hỏi phải có thêm các luật mô tả các chế độ có lỗi đã biết cho các bộphận khác nhau và sự nối kết của chúng. Hệ suy luận khi đó cần tìm ra những lỗi có khảnăng nhất có thể giải thích hành vi quan sát được của hệ thống.

Ví dụ hệ chẩn đoán lỗi dựa trên mô hình

Xét một mạch gồm ba bộ nhân (multiplier) và hai bộ cộng liên kết với nhau như tronghình 6.14. Trong ví dụ này những giá trị đầu vào được cho tại các điểm từ A đến E vàcác giá trị đầu ra tại F và G. Những giá trị đầu ra mong muốn được đặt trong các dấu ()

115/197

và giá trị thực được đặt trong các dấu []. Nhiệm vụ đặt ra là xác định xem lỗi nằm ở đâuvà nó sẽ giải thích sự không nhất quán này.

Hình 6_9. Tận dụng hướng đi của luồng thông tin để chẩn đoán lỗi.

Ta thấy kết quả tại đầu ra F không như mong đợi, mà đầu ra này xuất ra từ bộ cộngADD-1, bộ cộng này nhận giá trị đầu vào từ MULT-1 và MULT-2. Vậy phải có mộttrong ba thiết bị có lỗi, và do đó, ta có ba giả thuyết cần xem xét.

Giả thuyết đầu tiên là ADD-1 và MULT-1 đúng, nghĩa là đầu vào X của ADD-1 đúng(6), khi đó đầu vào Y sẽ là 4, nghĩa là bộ nhân MULT-2 có lỗi. Nhưng, nếu là như vậy thìgiá trị thực tại G phải là 10, chứ không phải 12 như ta thấy. Vì vậy, có thể nói MULT-2không thể là bộ phận gây lỗi. Vậy, lỗi chỉ có thể nằm ở MULT-1 hoặc ADD-1. Chúngta có thể làm thêm một số bước kiểm tra để xác định lỗi nằm ở đâu.

Trong khi suy luận về tình huống của hình 6_9. Chúng ta có ba nhiệm vụ:

• Phát sinh giả thuyết: cho trước một lỗi, chúng ta giả thuyết những bộ phận nàođó của thiết bị đã gây ra nó.

• Kiểm nghiệm giả thuyết: cho trước một tập các bộ phận có khả năng có lỗi,chúng ta đã xác định xem bộ phận nào trong số đó có thể giải thích hành vi màchúng ta quan sát được.

• Loại trừ giả thuyết: khi có nhiều hơn một giả thuyết đúng sau pha kiểmnghiệm, như đã xảy ra trong hình 6_9, chúng ta phải xác định những thông tinbổ sung nào cần được suy ra để tiếp tục tìm kiếm lỗi.

Một điều cần lưu ý rằng trong ví dụ trên, ta chỉ giả định một thiết bị duy nhất có lỗi.Mặc dù giả thiết một lỗi duy nhất là một heuristic hữu ích, thường đúng đắn, nhưng thếgiới thực thì không đơn giản như vậy.

116/197

Kết luận về hệ suy luận dựa trên mô hình

Vì dựa trên sự hiểu biết lý thuyết về các thiết bị đang đề cập, các kỹ thuật dựa trên môhình bù đắp được nhiều hạn chế của những phương pháp có tính heuristic hơn như hệchuyên gia dựa trên luật. Một số ưu điểm của hệ thống này có thể liệt kê ra như sau:

• Tạo khả năng sử dụng tri thức về cấu trúc và chức năng của lĩnh vực trong giảiquyết vấn đề.

• Vượt qua hạn chế của HCG dựa trên luật, HCG này có khuynh hướng mạnh,“khó vỡ”.

• Một số tri thức có thể chuyển tải cho các công việc khác.• Có khả năng cung cấp các lời giải thích chỉ rõ nguyên nhân. Những giải thích

này có thể truyền đạt một sự hiểu biết sâu hơn về lỗi cho người dùng, và cũngđảm nhiệm một vai trò giảng dạy quan trọng.

Tuy nhiên, hệ suy luận này cũng có những hạn chế của nó:

• Mô hình chỉ là một mô hình nghĩa là một sự trừu tượng của hệ thống, vì vậy ởmột mức độ chi tiết nào đó có thể không đúng. Như trong ví dụ trên, chúng tađã xem giá trị tại những dây dẫn đầu vào cũng như các dây dẫn nối kết bêntrong là đúng đắn, ta không thể kiểm tra tình trạng của dây dẫn. Điều gì sẽ xảyra nếu dây dẫn bị đứt, hoặc có sự kết nối lỏng lẻo với các bộ phận?

• Có một giả thiết ngầm hiểu về thế giới đóng, những gì không nằm trong môhình có nghĩa là không tồn tại. Vì trong mô hình ta không mô tả dây dẫn, nên taxem như chúng không tồn tại, vì vậy không thể kiểm tra chúng.

• Hệ suy luận này đòi hỏi phải có một mô hình lý thuyết rõ ràng. Nên việc tíchlũy tri thức có thể gặp nhiều khó khăn, khó đạt được mô hình tốt, có khi làkhông tồn tại mô hình rõ ràng như trong một số chuyên ngành y khoa, tàichính…

• Hệ thống tạo ra có thể lớn và chậm, độ phức tạp cao, có nhiều tình huống ngoạilệ.

Mặc dù vậy, HCG dựa trên mô hình là một bổ sung quan trọng cho các công cụ của kỹsư tri thức.

117/197

SUY LUẬN DỰA TRÊN TRƯỜNG HỢP: (caSe–BASEDREASONING)

SUY LUẬN DỰA TRÊN TRƯỜNG HỢP: (caSe–BASED REASONING)

Các luật heuristic và mô hình lý thuyết là hai kiểu thông tin mà các chuyên gia người sửdụng để giải quyết vấn đề. Một chiến lược mạnh khác mà các chuyên gia sử dụng là suyluận từ những tình huống, là những ví dụ về các bài toán trong quá khứ và lời giải củachúng. Ví dụ, một luật sư sẽ chọn những tình huống luật đã xảy ra trong quá khứ tươngtự với tình huống của thân chủ của anh ta và gợi ý cho anh ta một phương pháp thuyếtphục tòa hợp lý để bênh vực cho thân chủ. Các nhà lập trình máy tính sử dụng lại mãcủa họ, khi sửa chữa một chương trình cũ để thích nghi với tình huống mới có cấu trúctương tự. Các kiến trúc sư sử dụng kiến thức của họ về những tòa nhà tốt và được ưathích trong quá khứ để thiết kế những tòa nhà mới mà người ta cảm thấy vừa ý và thuậntiện,… Tóm lại, suy luận từ những tình huống đã có là khả năng có tính chất nền tảngcủa trí thông minh con người. Và suy luận dựa trên tình huống cũng phát triển theo tiếpcận đó.

HCG dựa trên tình huống (Case-based Reasoning – CBR) sử dụng một CSDL riêng biệtchứa giải pháp của các tình huống đã giải quyết để dựa vào đó tìm kiếm giải pháp chomột tình huống mới. Các tình huống thường được lưu lại như là một tập hợp các luậttình huống – hành động (situation – action). Các sự kiện mô tả tình huống của luật lànhững đặc điểm nổi bật của tình huống được ghi nhận.

Khi giải quyết một vấn đề, một CBR phải:

• Truy vấn các tình huống thích hợp từ bộ nhớ (hay CSDL) của nó, dựa vào sựtương tự của một số đặc điểm nổi bật.

• Sửa đổi tình huống đó để có thể áp dụng trong tính huống hiện tại.• Áp dụng tình huống đã chuyển đổi vào bài toán mới.• Lưu lại lời giải và kết quả của nó (thành công hay thất bại).

CBR đưa ra hàng loạt ưu điểm cho việc xây dựng các chuyên gia:

• Đơn giản hóa việc tích lũy tri thức từ các chuyên gia với việc lưu trữ một cáchtrực tiếp các tri thức có được, đó là những lời giải của chuyên gia cho hàng loạtcác bài toán.

• Bằng cách tìm giải pháp của một tình huống tương tự đã có để đưa ra lời giảicho phép rút ngắn thời gian suy luận của hệ thống. Tuy nhiên, điều này cầnphải xem xét lại nếu hệ thống có một CSDL tình huống rất lớn.

118/197

• Thao tác lưu lại lời giải và kết quả của nó tạo khả năng tự học cho hệ thống:giúp hệ thống tránh lỗi cũ và tận dụng những thành công trong quá khứ

• Việc phân tích tri thức của lĩnh vực chỉ diễn ra một lần, đó là khi tìm kiếm mộtsự biểu diễn hợp lý cho các tình huống, hay quá trình chọn các đặc điểm nổi bật(salient features) của các tình huống để có thể so sánh và đưa ra kết luận về tínhtương đương của hai tình huống nào đó. Đây cũng là khó khăn lớn nhất của tiếpcận này. Vì nếu ta chọn các đặc điểm nổi bật dùng để so sánh hai tình huốngkhông phù hợp, thì kết luận của ta về tính tương đương của hai tình huống cóthể sẽ không chính xác, và khi tình huống chọn ra không đúng sẽ không cho ramột lời giải thích hợp.

• Ở đây, ta sẽ không nghiên cứu sâu về vấn đề này, tuy nhiên đọc giả có thể thamkhảo thêm về các tài liệu của Kolodner (1993) và các đồng nghiệp khác.

• Việc tích lũy tri thức và lập trình là tương đối đơn giản.• Các chiến lược sắp xếp (index) thích hợp làm tăng sức mạnh của phương pháp

này.

Tiếp cận này cũng có các khuyết điểm của nó:

• Các tình huống không thể hiện tri thức sâu về lĩnh vực bài toán, do đó khó giảithích tại sao đưa ra lời giải như vậy, hoặc có thể đưa ra lời giải sai hoặc khôngtốt.

• Một cơ sở chứa các tình huống lớn phải xem xét sự tương xứng giữa tính toánvà lưu trữ. Vì khi CSDL lớn lên, thời gian cần đẻ lấy ra một tình huống thíchhợp cũng lớn lên. Cuối cùng thì chi phí cho việc tìm kiếm một tình huống sẽlớn hơn thời gian cần thiết để rút ra một lời giải bằng cách suy luận từ các luậthoặc từ mô hình (hai tiếp cận trước).

• Khó đưa ra tiêu chuẩn đánh giá sự tương tự của các tình huống, và sắp xếpchúng.

Tóm tẮt

Nội dung chính của chương này bao gồm:

• Hệ chuyên gia là một hệ thống sử dụng các tri thức thu thập được từ kinhnghiệm của các chuyên gia để giải quyết các vấn đề ở mức độ chuyên gia.

• Không phải vấn đề nào cần giải quyết cũng phù hợp với giải pháp hệ chuyêngia.

• Một HCG được phát triển theo phương pháp lập trình thăm dò.• Việc thu thập tri thức từ chuyên gia là một việc làm khó khăn và cần có sự hợp

tác chặt chẽ giữa kỹ sư tri thức và các chuyên gia.• Mô hình khái niệm là một công cụ hỗ trợ cho quá trình thu thập tri thức.

119/197

• Hệ chuyên gia dựa trên luật có kiến trúc và cơ chế hoạt động tương tự như mộthệ sinh, đây là một trong những kỹ thuật đầu tiên và được sử dụng rộng rãi nhấtdùng cho biểu diễn tri thức trong lĩnh vực HCG.

• Hệ chuyên gia dựa trên mô hình là một hệ thống mà sự phân tích căn cứ trựctiếp trên một mô tả chi tiết và chức năng của một hệ thống vật lý.

• Hệ chuyên gia dựa trên tình huống sử dụng một CSDL để chứa các tình huốngđã giải quyết để dựa vào đó tìm kiếm giải pháp cho một tình huống mới.

Bài tập chương VI

Trong thí dụ 6.1 đã giới thiệu một tập hợp luật dùng cho chẩn đoán các trục trặc trongô tô. Hãy chỉ ra ai có thể là những kỹ sư tri thức, những chuyên gia chuyên ngành vàngười dùng cuối cho một ứng dụng như vậy ? Thảo luận các ý kiến này ?

Bổ sung thêm một số luật dưới dạng IF ... THEN ... vào tập luật trong thí dụ 6.1 để môtả các quan hệ trong lĩnh vực này. Vẽ đồ thị AND/OR biểu diễn những quan hệ giữa cácluật trong tập luật vừa mới xây dựng.

Xét đồ thị AND/OR vừa thiết kế trong bài tập 6.2, cho biết bạn đề nghị cơ chế tìm kiếmhướng dữ liệu hay hướng mục tiêu ? Tìm kiếm theo chiều rộng hay theo chiều sâu ? Cóthể áp dụng heuristic cho quá trình tìm kiếm không ?

Chọn một lĩnh vực khác thích hợp đối với việc thiết kế một hệ chuyên gia. Xây dựngmột tập hợp luật minh họa cho ứng dụng này.

120/197

SUY LUẬN KHÔNG CHẮC CHẮNGiới thiệu

GIỚI THIỆU:

Trong các chương trước, các thủ tục suy diễn của chúng ta đã tuân theo mô hình suyluận sử dụng trong phép tính vị từ: từ các tiền đề đúng đắn, các luật suy diễn vững chắcsinh ra những kết luận mới, đảm bảo là đúng đắn. Tuy nhiên, trong thực tế, có rất nhiềutình huống chúng ta phải rút ra những kết luận tốt từ những bằng chứng được xác địnhnghèo nàn và không chắc chắn thông qua việc sử dụng những suy diễn không vững chắc.Đây không phải là một nhiệm vụ không thể thực hiện được, trái lại chúng ta thực hiệnchúng rất thành công trong hầu hết mọi khía cạnh của cuộc sống; chẳng hạn như chúngta phát biểu những chẩn đoán y học đúng đắn và đề xuất cách điều trị từ những triệuchứng không rõ ràng; phân tích những trục trặc của xe ôtô từ những biểu hiện của nó;nhận ra bạn bè chỉ qua giọng nói hoặc điệu bộ của họ,…

Như vậy, ở đây ta có hai loại thông tin không chắc chắn: một là dữ liệu ban đầu đượccho là không chắc chắn, không đủ, không đáng tin cậy,… hai là các luật mà ta sử dụngđể suy luận không hợp logic, suy luận ngược từ kết luận về điều kiện, hay có thể gọi làsuy luận theo kiểu phỏng đoán (abduction). Suy luận phỏng đoán khác với kiểu suy luậnvững chắc đề cập ở chương II. Luật modus ponens phát biểu rằng nếu ta có luật P → Qvà có P thì ta có thể kết luận Q, như trong luật sau đây:

If ắc quy hoặc dây cáp bị trục trặc

Then động cơ không khởi động được và đèn không sáng.

Đây là một luật luôn luôn đúng hay một suy diễn vững chắc (sound inference rule),nhưng nó không giúp ích cho quá trình chẩn đoán các trục trặc xe hơi. Tuy nhiên, đảongược của nó:

If động cơ không khởi động được và đèn không sáng.

Then ắc quy hoặc dây cáp bị trục trặc

lại rất hữu dụng cho việc chẩn đoán trục trặc xe. Đây là một phỏng đoán (abduction) từtriệu chứng quan sát được suy ngược trở lại nguyên nhân của chúng, nên gọi là luật suydiễn không vững chắc (unsound inference rule) vì cũng có thể là ắc quy và dây cáp bìnhthường, nhưng chiếc xe chỉ đơn giản là có môtơ khởi động hỏng và đèn pha đã bị đứt.

121/197

Mặc dù phỏng đoán là không vững chắc, nhưng nó thường đóng vai trò thiết yếu tronggiải quyết vấn đề. Trong chương này, chúng tôi đề cập đến hai tiếp cận xử lý suy diễnphỏng đoán và sự không chắc chắn. Tiếp cận thứ nhất là tiếp cận thống kê, trong hướngtiếp cận này sẽ trình bày hai phương pháp: lý thuyết xác suất Bayesian và đại số hệ sốchắc chắn Stanford. Tiếp cận thứ hai là suy luận theo logic mờ.


122/197

/home/voer/vpt/src/vpt.transformer/vpt/transformer/transforms/20140409-114654-764b3239-1/8b9fa2d1/chapter7.ppt

TIẾP CẬN THỐNG KÊ ĐỐI VỚI TÍNH KHÔNG CHẮCCHẮN

TIẾP CẬN THỐNG KÊ ĐỐI VỚI TÍNH KHÔNG CHẮC CHẮN

Suy luận Bayes

Suy luận Bayes dựa trên lý thuyết xác suất hình thức và được sử dụng rộng rãi trong mộtsố lĩnh vực nghiên cứu hiện nay, bao gồm cả nhận dạng và phân loại. Trước khi đi vàolý thuyết về Bayes, ta hãy cùng nhau xem lại một số khái niệm cơ bản của lý thuyết xácsuất.

Định nghĩa

• Xác suất tiên nghiệm (prior probability) hay xác suất vô điều kiện(unconditional probability): là xác suất của một sự kiện trong điều kiện khôngcó tri thức bổ sung cho sự có mặt hay vắng mặt của nó.

• Xác suất hậu nghiệm (posterior probability) hay xác suất có điều kiện(conditional probability): là xác suất của một sự kiện khi biết trước một haynhiều sự kiện khác.

Ví dụ, cho trước một căn bệnh d và một triệu chứng s, thì xác suất một người có triệuchứng s bị bệnh d được tính theo:

Để tính P(d | s) theo công thức trên thì ta phải thực hiện các cuộc điều tra thống kê trênmột phạm vi cộng đồng dân cư rộng lớn mới cho ta được một xác suất chính xác. Bayesđưa ra một công thức tính khác cho phép ta tính được P(d | s) từ những kết quả thống kêđã có trước đó hoặc những kết quả thống kê dễ đạt được hơn.

Công thức Bayes

Ta ký hiệu P(h | e) là xác suất khẳng định giả thuyết h đúng cho trước bằng chứng e.Công thức Bayes được phát biểu như sau:

123/197

Công thức này nói rằng xác suất đúng của giả thuyết h khi quan sát được bằng chứng e,bằng với xác xuất cho rằng chúng ta sẽ quan sát được bằng chứng e nếu giả thuyết h làđúng, nhân với xác suất tiên nghiệm của h, tất cả chia cho xác suất tiên nghiệm của việcquan sát được bằng chứng e.

Thí dụ 7.1: Bằng chứng (hay triệu chứng): bệnh nhân bị sốt

Giả thuyết (hay bệnh): bệnh nhân bị cảm cúm

Câu hỏi :

Giả sử ta có các thông tin sau:

• 75% trường hợp bệnh nhân mắc bệnh quai bị đều bị cúm• Cơ hội một người bị bệnh quai bị là 1/15000• Cơ hội một người bị cúm là 1/1000

Hãy xác định xác suất điều kiện của một bệnh nhân mắc bệnh quai bị biết rằng ngườinày không bị cúm.

*Công thức Bayes tổng quát:

Trong thực tế có nhiều giả thuyết cạnh tranh nhau, vì vậy công thức Bayes tổng quátnhất là:

P(hi | e) là xác suất mà hi đúng khi biết bằng chứng e.

P(hi) là xác suất mà hi đúng tính trên tất cả các giả thuyết

124/197

P(e | hi) là xác suất quan sát được e khi hi đúng. Thông thường, tất cả các P(e | hk) phảiđộc lập nhau.

n là số giả thuyết có khả năng

Lấy một ví dụ, giả sử chúng ta muốn khảo sát bằng chứng địa chất tại một địa điểm nàođó để xem nó có thích hợp cho việc tìm kim loại đồng hay không. Chúng ta cần phảibiết trước xác suất tìm thấy từng loại trong tập hợp các khoáng sản (chính là các P(hk))và xác suất của cho sự hiện diện của một bằng chứng nào đó khi từng khoáng sản cụ thểđược tìm thấy (chính là các P(e | hk)). Khi đó, chúng ta có thể sử dụng định lý Bayes đểxác định khả năng thực sự đồng có ở đó, sau khi thu thập được các bằng chứng tại địađiểm đó. Phương pháp này được sử dụng bởi PROSPECTOR, một hệ chuyên gia đượcxây dựng tại đại học Standford và tổ chức SRI. Hệ chuyên gia này được dùng trong thămdò khoáng sản và đã tìm ra nhiều mỏ khoáng sản có giá trị lớn ở một số nơi.

Tại sao sử dụng luật Bayes

Điểm quan trọng của lý thuyết Bayes là các con số ở vế phải của công thức dễ dàng xácđịnh, ít nhất là khi so sánh với vế trái. Như trong ví dụ trên, do số lượng nhỏ hơn, nênviệc xác định số bệnh nhân bị cúm kèm theo triệu chứng sốt dễ hơn là xác định số ngườicó triệu chứng sốt bị cúm.

P (sốt | cúm) chính là tri thức về nguyên nhân (knowledge of causes), tức là xác suấthậu nghiệm ở vế phải, thì dễ dàng có được hơn là tri thức về chẩn đoán (diagnosticknowledge), P(cúm | sốt), tức là xác suất hậu nghiệm ở vế phải. Vì vậy, ta nói luật Bayescho phép chúng ta sử dụng tri thức về nguyên nhân để suy ra tri thức về chẩn đoán.

Đại số hệ số chắc chắn Stanford

Một số đề án hệ chuyên gia đã cố gắng cải biên những kỹ thuật Bayes để chúng thíchnghi với những nhu cầu giải quyết vấn đề của họ. Một tiếp cận quan trọng trong sốnhững cải tiến đó là đại số hệ số chắc chắn đã được sử dụng tại đại học Stanford trongquá trình phát triển chương trình MYCIN.

Khi suy luận với tri thức heuristic, các chuyên gia có thể đưa ra các ước lượng niềm tinhữu ích về các kết luận. Họ ước lượng các kết luận bằng các thuật ngữ như “có nhiềukhả năng”, “không chắc”, “hầu như chắc chắn” hay “có thể”. Những ước lượng này rõràng là không dựa trên sự phân tích các xác suất một cách cẩn thận. Thay vào đó, tựchúng là những heuristic được lấy ra từ kinh nghiệm trong quá trình suy luận về lĩnhvực của vấn đề. Vì vậy, sẽ rất hữu ích nếu ta có thể lượng hóa các ước lượng niềm tinnày để đưa chúng vào quá trình suy luận.

125/197

Lý thuyết về đại số hệ số chắc chắn Stanford

Lý thuyết về độ chắc chắn Stanford (Stanford certainty theory) đưa ra một số giả thiếtđơn giản cho việc tạo ra các độ đo niềm tin và có một số quy tắc đơn giản tương đươngcho việc kết hợp những niềm tin này khi chương trình tiến đến kết luận của nó. Giả thiếtthứ nhất là tách “niềm tin ủng hộ” ra khỏi “niềm tin chống lại” một quan hệ:

Gọi MB(H | E) là độ đo của niềm tin vào khả năng đúng của giả thuyết H, khi có bằngchứng E

Gọi MD(H | E) là độ đo của sự hoài nghi vào khả năng đúng của giả thuyết H, khi cóbằng chứng E

Giá trị của các độ đo này chỉ rơi vào một trong hai trường hợp:

0 < MB(H | E) < 1 trong khi MD(H | E) = 0,

hoặc: 0 < MD(H | E) < 1 trong khi MB(H | E) = 0

Hai độ đo này ràng buộc lẫn nhau ở chỗ một bằng chứng chỉ có thể hoặc là ủng hộ hoặclà chống lại một giả thuyết nào đó. Đây là sự khác biệt quan trọng giữa lý thuyết chắcchắn và lý thuyết xác suất. Ngay khi liên kết giữa các độ đo niềm tin và hoài nghi đượcthiết lặp xong, chúng được ràng buộc với nhau thêm một lần nữa bởi hệ số chắc chắnCF:

CF (H | E) = MB(H | E) – MD(H | E)

Như đã thảo luận ban đầu, ta có hai vấn đề không chắc chắn là dữ liệu và luật. Vì vậy, ởđây ta cũng có 2 loại hệ số CF là hệ số chắc chắn cho dữ kiện (fact), và hệ số chắc chắncho luật (rule). Để dễ phân biệt ta sử dụng ký hiệu CFf cho dữ kiện và CFr cho luật

Các hệ số chắc chắn Stanford

Hệ số chắc chắn dành cho dữ kiện: dữ kiện ở đây bao gồm dữ liệu ban đầu, dữ liệu suyluận được và kết luận (giả thuyết):

CFf(fact) Î[-1,1]:

• CFf càng tiến về 1 thể hiện sự tin tưởng dữ kiện là đúng càng mạnh• CFf tiến về -1 thể hiện sự tin tưởng dữ kiện là không đúng càng mạnh• CFf có giá trị xung quanh 0 cho thấy tồn tại rất ít bằng cớ cho việc ủng hộ hay

chống lại dữ kiện. Vì vậy, nếu lấy dữ liệu này đi suy luận thì độ chính xác sẽ rấtthấp. Do đó, người ta thường đưa ra một giới hạn (threshold) nhằm tránh việc

126/197

suy luận với thông tin không chắc chắn như vậy (vd: 0.2). Nghĩa là nếu dữ kiệnnào có CF nhỏ hơn giới hạn, ta sẽ không sử dụng trong quá trình suy luận.

Hệ số chắc chắn dành cho luật:

CFr(rule) Î[-1,1] : thể hiện sự tin tưởng của các chuyên gia vào độ tin cậy của luật.

Các quy tắc tính toán trên CF

Quy tắc kết hợp các CFf của các điều kiện:

Thông thường, một luật thường có tiền đề (vế trái) tạo thành từ những kết nối and/or củanhiều điều kiện. Khi một luật sinh được sử dụng, các CF liên kết với mỗi điều kiện củatiền đề sẽ được kết hợp với nhau để tạo ra một độ đo chắc chắn cho toàn bộ tiền đề (toànbộ vế trái của luật) theo công thức sau:

CF ( ĐK 1 And ĐK 2 ) = Min[CF(ĐK 1 ), CF(ĐK 2 )]

CF (ĐK1 Or ĐK2) = Max[CF(ĐK1), CF(ĐK2)]

Thí dụ 7.2: CF(bệnh nhân bị sốt) = 0.9

CF(bệnh nhân bị hắc hơi) = 0.6

=> CF(bệnh nhân bị sốt And bệnh nhân bị hắc hơi) = 0.6

=> CF(bệnh nhân bị sốt Or bệnh nhân bị hắc hơi) = 0.9

Quy tắc tính CF cho dữ kiện suy ra từ luật:

Khi hệ thống sử dụng các luật không chắc chắn (nghĩa là đi kèm theo một hệ số CF) đểsuy ra kết luận, thì các hệ số CF của tiền đề cũng sẽ được truyền từ tiền đề sang kết luậnthông qua luật theo quy tắc sau:

CF f (KL) = CF r (luật) * CF f (ĐK)

Thí dụ 7.3: CF(bệnh nhân bị sốt) = 0.8

CF(If bệnh nhân bị sốt Then bệnh nhân bị cúm) = 0.5

=> CF(bệnh nhân bị cúm) = 0.4

Quy tắc kết hợp nhiều CF của các kết luận từ nhiều luật

127/197

Khi có nhiều luật cùng đưa ra một kết luận (vế phải) giống nhau, thì các giá trị CF đạtđược từ các luật này sẽ được kết hợp theo quy tắc sau:

Nếu KL từ luật 1 có giá trị CFf1(KL)

Nếu KL từ luật 2 có giá trị CFf2(KL)

Thì,

nếu CFf1(KL) & CFf2(KL) trái dấu

Trong đó, |X| là trị tuyệt đối của X

Thí dụ 7.4: CF(bệnh nhân bị sốt) = 1

CF(bệnh nhân bị hắc hơi) = 0.8

CF(If bệnh nhân bị hắc hơi Then bệnh nhân bị cúm) = 0.5

CF(If bệnh nhân bị sốt Then bệnh nhân bị cúm) = 0.6

=> CF1(bệnh nhân bị cúm) = 0.4

=> CF2(bệnh nhân bị cúm) = 0.6

=> CF(bệnh nhân bị cúm) = 0.4 + 0.6 – 0.24 = 0.76

Sơ đồ sau đây minh họa cho các tính toán trên :

128/197

Hình 7.1 – Minh họa tính kết hợp CF

Với cách tính toán này, ta có thể nhận thấy rằng kết quả CF phải luôn nằm trong khoảng[-1,+1]. Kết hợp các CF cùng dấu sẽ làm tăng CF hay phép đo CF kết hợp mang tínhtuyến tính, và ngược lại, các CF nghịch nhau sẽ xóa bớt lẫn nhau.

Câu hỏi :

Ta có các tri thức sau:

• Nếu một người quan sát được UFO thì kết luận có sự xuất hiện của UFO (0.4)• Nếu một máy rada phát hiện được một UFO thì kết luận có sự xuất hiện của

UFO (0.7)

Hãy cho biết giá trị CF của kết luận ‘Có sự xuất hiện của UFO’ là bao nhiêu biết rằngcó hai người quan sát được UFO (0.8) và một máy rada phát hiện được một UFO (0.6).

Ví dụ: Hệ chuyên gia MYCIN

Như đã giới thiệu sơ qua ở chương VI, hệ chuyên gia MYCIN được phát triển tại đạihọc Stanford vào thập niên 1970 bởi Feigenbaum, Buchanan and Ted Shortliffe (mộtbác sĩ).

Mục đích của hệ chuyên gia MYCIN là giúp đỡ các bác sĩ trong việc chẩn đoán và điềutrị các bệnh viêm màng não và nhiễm trùng máu. Chức năng chủ yếu của MYCIN lànhận dạng các cơ quan bị nhiễm trùng và chọn các loại thuốc khống chế bệnh trên các cơquan này. Giao diện người dùng của MYCIN là sử dụng đối thoại dạng văn bản với bácsĩ để thu thập dữ liệu bao gồm dữ liệu tổng quát về bệnh nhân, các kết quả xét nghiệmvà các triệu chứng của bệnh nhân.

Các vấn đề trong lĩnh vực y khoa thường phải suy luận với các thông tin không đầy đủ,mơ hồ, không chắc chắn. Để đối phó với khó khăn này, MYCIN sử dụng lý thuyết chắcchắn Stanford làm nền tảng cho suy luận của hệ. Vì vậy, mỗi dữ liệu, mỗi luật trongMYCIN đều có một hệ số chắc chắn CF đi kèm

Dữ liệu được mô tả theo cấu trúc sau:

129/197

Ví dụ luật 50 của MYCIN có dạng:

IF (a) the infection is primary-bacteria, and

(b) the site of the culture is one of the serile sites, and

(c) the suspected portal of entry is gastrointestinal tract

THEN there is suggestive evidence (0.7) that infection is bacteroid

Trong luật trên số 0.7 được đặt trong ngoặc chính là hệ số CF của luật.

Cơ sở luật của MYCIN có khoảng 450 luật được viết bằng ngôn ngữ LISP. Động cơ suydiễn của MYCIN được cài đặt với kỹ thuật suy luận hướng từ mục tiêu (goal-driven), nótìm kiếm gần như là vét cạn để chọn ra mục tiêu có chỉ số CF cao nhất làm kết luận cuốicùng của hệ thống.

Để hiểu rõ hơn cơ chế suy luận của MYCIN, chúng ta hãy xét một ví dụ minh họa sau.

Thí dụ 7.5: MINI-MYCIN là một hệ chuyên gia nhỏ chuyên phân biệt giữa chân bịgãy,chân bị quá mỏi hay chân bị nhiễm trùng.

Nó gồm các luật sau:

1. IF đau và sốt THEN bị nhiễm trùng 0.62. IF đau và sưng THEN bị chấn thương 0.83. IF quá tải THEN bị nhiễm trùng 0.54. IF bị chấn thương AND đỏ THEN bị gãy 0.85. IF bị chấn thương AND di chuyển được THEN quá mỏi 1.0

Sử dụng MINI-MYCIN để chẩn đoán tình trạng chân của Minh, biết rằng: chân củaMinh đang bị đau (1.0). Khi tôi kiểm tra nó, thấy nó sưng tấy (0.6) and hơi đỏ (0.1). Tôikhông có nhiệt kế nhưng tôi nghĩ anh ta có bị sốt (0.4). Tôi biết Minh là một vận độngviên marathon, các khớp của anh ta thường xuyên làm việc quá tải (1.0). Minh có thể dichuyển chân của anh ấy.

130/197

Hãy vẽ đồ thị And/Or minh họa cho quá trình suy luận để đi đến kết luận của MINI-MYCIN.

Giải:

Vì MYCIN là hệ thống hoạt động theo cơ chế suy diễn lùi (hay hướng từ mục tiêu), nênhệ thống sẽ lần lượt tính toán giá trị CF của từng mục tiêu. Các đồ thị And/Or sau đâysẽ được trình bày lần lượt theo thứ tự thực hiện của hệ thống:

Hình 7.2 – Đồ thị AND/OR cho quá trình suy diễn lùi trong Thí dụ 7.5

Vậy: Bị nhiễm trùng là mục tiêu có giá trị CF cao nhất nên ta kết luận chân của Minh bịnhiễm trùng.

Từ ví dụ minh họa ta thấy MYCIN hầu như kích hoạt tất cả các luật để tìm giá trị CFcho từng mục tiêu.

Câu hỏi :

Tại sao hệ MYCIN phải kích hoạt hầu như tất cả các luật để có thể đưa ra kết luận ?

131/197

* Một số nhận xét về các luật của MYCIN:

• Mỗi luật của MYCIN là một sự kết hợp tri thức của nhiều lĩnh vực khác nhau.Ví dụ như luật ‘IF tuổi bệnh nhân < 7 THEN không nên cấp thuốc tetracyline’là sự kết hợp của các loại tri thức:

• Tri thức về miền, mà cụ thể ở đây là tri thức về y học: Tetracyline làm đổi màuxương đang phát triển và trẻ em dưới 7 tuổi thì đang mọc răng.

• Tri thức giải quyết vấn đề, cụ thể ở đây là tri thức về trị bệnh: Trước khi kê mộtloại thuốc phải kiểm tra các chống chỉ định, có hai loại chống chỉ định: chỉ địnhliên quan đến bệnh và chỉ định liên quan đến bệnh nhân.

• Tri thức về thế giới: Hầu hết mọi người đều cho rằng hàm răng màu nâu thìkhông đẹp.

◦ Tổng hợp các tri thức trên, các chuyên gia đưa ra một luật hết sức đơngiản. Chính tính heuristic này đã hỗ trợ một phương pháp giải quyết vấnđề hiệu quả.

• Ngoài ra, điều khiển của quá trình suy luận cũng được thể hiện trong các luậtcủa MYCIN. Các điều kiện của vế trái luật được sắp xếp với thứ tự trước sauphù hợp với tri thức của miền. Ví dụ luật sau:

IF sự nhiễm trùng là bệnh viêm màng não

And sự nhiễm trùng là do vi khuẩn

And chỉ có chứng cớ gián tiếp

And tuổi của bệnh nhân > 16

And bệnh nhân là một người nghiện rượu

THEN chứng cớ cho viêm phổi song cầu khuẩn 0.7

là kết quả của sự tổng hợp nhiều tri thức :

• Tri thức về miền: các bệnh nhân bị nghiện rượu thì đáng nghi ngờ với vi khuẩnviêm phổi song cầu khuẩn

• Tri thức giải quyết vấn đề: lọc sự chẩn đoán theo từng bước; tức là hệ thống sẽkiểm tra từng điều kiện của vế trái theo thứ tự của nó. Chỉ khi điều kiện cònđúng thì mới tiếp tục kiểm tra điều kiện kế tiếp.

• Tri thức về thế giới: người nghiện rượu thì hiếm khi dưới 17 tuổi. Vì vậy, cầnphải kiểm tra tuổi của bệnh nhân trước khi hỏi bệnh nhân có phải là ngườinghiện rượu hay không. Vì nếu không, thì câu hỏi có thể gây sốc cho cha mẹcủa các trẻ nhỏ.

132/197

Lý thuyết chắc chắn có thể bị đánh giá như là một giải pháp quá tình thế (ad hoc). Mặcdù nó được định nghĩa ở dạng đại số hình thức, nhưng ý nghĩa của các độ đo chắc chắnkhông có nền tảng chặt chẽ như lý thuyết xác suất hình thức. Tuy nhiên, lý thuyết chắcchắn không cố gắng tạo ra một kiểu đại số dành cho suy luận “chính xác”. Đúng hơn nólà sự ‘bôi trơn’ cho phép hệ chuyên gia kết hợp những niềm tin khi nó suy luận vấn đề.Mặc dù CF được sử dụng để duy trì chương trình chạy và thu thập thông tin, sức mạnhcủa chương trình chủ yếu vẫn phụ thuộc vào chất lượng của các luật.

133/197

SUY LUẬN VỚI CÁC TẬP MỜ (fUZZY LOGIC)

SUY LUẬN VỚI CÁC TẬP MỜ (fUZZY LOGIC)

Logic truyền thống hay logic ‘giòn’:

Logic truyền thống chỉ quan tâm đến 2 giá trị tuyệt đối (đúng hoặc sai). Logic truyềnthống luôn tuân theo 2 giả thuyết. Một là tính thành viên của tập hợp: Với một phần tửvà một tập hợp bất kỳ, thì phần tử hoặc là thuộc tập hợp đó, hoặc thuộc phần bù của tậpđó. Giả thiết thứ hai là định luật loại trừ trung gian, khẳng định một phần tử không thểvừa thuộc một tập hợp vừa thuộc phần bù của nó.

Thí dụ 7.6: Nếu nhiệt độ trên 35 độ C thì nóng, ngược lại là không nóng. Hình bên dướiminh họa tập hợp “NÓNG” gồm tất cả các nhiệt độ từ 35 độ C trở lên

Hình 7.3 - Biểu diễn tập nhiệt độ “NÓNG”.

Từ hình vẽ ta thấy logic giòn không thể hiện được sự khác biệt giữa các thành viên trongcùng một tập hợp. Giữa hai nhiệt độ 45 và 55 độ C, logic này không thể hiện được nhiệtđộ nào nóng hơn nhiệt độ nào.

Ngoài ra, logic này còn có một nhược điểm khác quan trọng hơn đó là chúng không thểbiểu diễn được các dữ kiện mang tính mơ hồ, không chính xác mà trong thực tế lại córất nhiều phát biểu bằng ngôn ngữ tự nhiên ở dạng này; chẳng hạn như:

John thì khá cao => như vậy John có thuộc tập hợp những người cao hay không?

Hoặc: John thì rất cao => như thế nào là rất cao?

Vì vậy, logic truyền thống không thể hỗ trợ cho những suy luận trên những thông tinmang tính mơ hồ, thiếu chính xác như vậy.

134/197

Khái niệm Logic mờ:

Để khắc phục khuyết điểm của logic truyền thống, Lotfi Zadeh đã đưa ra lý thuyết mớivề logic gọi là logic mờ (fuzzy logic).

Lý thuyết của Zadeh biểu diễn tính mờ hay tính thiếu chính xác trong các phát biểu (nhưở mục trên) theo cách định lượng bằng cách đưa ra một hàm tư cách thành viên tập hợp(set membership function) nhận giá trị thực giữa 0 và 1.

Khái niệm về tập mờ:

Cho S là một tập hợp và x là một phần tử của tập hợp đó. Một tập con mờ F của S đượcđịnh nghĩa bởi một hàm tư cách thành viên μF(x) đo “mức độ” mà theo đó x thuộc vềtập F. Trong đó, 0 ≤ μF(x) ≤ 1.

Khi μF(x) = 0 nghĩa là x hoàn toàn không thuộc tập F.

Khi μF(x) = 1 nghĩa là x thuộc F hoàn toàn.

Nếu μF(x) = 0 hoặc 1 thì tập F được xem là “giòn”

Thí dụ 7.7: S là tập hợp tất cả các số nguyên dương và F là tập con mờ của S được gọi là“số nguyên nhỏ”. Trong đó: μF(1) = 1.0, μF(2) = 1.0, μF(3) = 0.9, μF(4) = 0.8,.. μF(50)= 0.001, v.v… được biểu diễn như trong hình 7.3:

Hình 7.4 - Biểu diễn tập mờ của “các số nguyên nhỏ”

Thí dụ 7.8: Hình bên dưới minh họa hàm thành viên cho các tập mờ thể hiện người đànông “Thấp”, “Cao” và “Trung bình”.

Hình 7.5 - Biểu diễn của các tập mờ “Thấp”, “Trung bình”, và “Cao”

Từ hình 7.5, ta thấy những người đàn ông cao 4’ thì hoàn toàn thuộc về tập mờ ‘Thấp’.Còn những người đàn ông có chiều cao 4’8” thì vừa thuộc tập mờ ‘Thấp’, vừa thuộctập mờ ‘Trung bình’. Còn những người đàn ông có chiều cao 6’1” thì chỉ thuộc tập mờ‘Cao’ với m <1.

135/197

Tính chất:

• Hai tập mờ bằng nhau: A = B nếu ∀x Î X, mA (x) = mB (x)• Tập con: A Í B nếu ∀x Î X, mA (x) £ mB (x)• Một phần tử có thể thuộc về nhiều hơn một tập mờ. Như trong ví dụ 2 (hình

7.4), một người đàn ông cao 5’10” thuộc về cả hai tập “trung bình” và “cao”.• Tổng các giá trị mờ của một phần tử khác 1:

μThấp(x) + μTrungbình(x) + μCao(x) ≠ 1

• Từ hàm thành viên cho trước, ta có thể suy ra được mức độ một thành viênthuộc về một tập hợp, hay có thể xác định được giá trị mờ của nó đối với mộttập mờ.

Thí dụ 7.9: Một hàm thành viên cho tập mờ thể hiện một người là “Trẻ”, “Trung niên”và “Già”.

Hình 7.6 - Biểu diễn của các tập mờ “Trẻ”, “Trung niên”, và “Già”

Từ hình trên, nếu cho biết tuổi của một người, ta có thể xác định mức độ người đó thuộcvề lớp người trẻ, trung niên và già. Chẳng hạn như:

- An 28 tuổi => μTre(An) = 0.8 và μTrung niên(An) = 0.3

• Bảo 35 tuổi => μTre(Bảo) = 0.3 và μTrung niên(Bảo) = 0.8• Châu 23 tuổi => μTre(Châu) = 1.0

Câu hỏi :

Hãy cho biết giá trị mờ μTrẻ, μTrung niên, μGià của các dữ liệu sau biết rằng:

136/197

1. Tấm 23 tuổi2. Cám 35 tuổi

Ta gọi các con số 0.8, 0.2, 1.0 là các giá trị mờ (fuzzy values). Vậy từ các giá trị chínhxác hay giá trị ‘giòn’ (số tuổi: 28, 35, 23…), ta đã suy ra các giá trị mờ tương ứng. Thaotác này gọi là mờ hóa (fuzzification) các giá trị giòn.

Các toán tử logic trên tập mờ:

Logic mờ không quan tâm đến cách thức các tập mờ được tạo ra như thế nào, mà quantâm đến các luật hỗ trợ cho việc suy luận trên các tập mờ này. Phần này sẽ trình bày cácphép toán thao tác trên các tập mờ, đó là phép bù (complement) phép hợp (union), phépgiao (intersection).

Phép hợp hay toán tử OR:

A ? B

137/197

Khái niệm: Hợp của hai tập mờ (A?B) thể hiện mức độ một phần tử thuộc về một tronghai tập là bao nhiêu.

Công thức: MA∨ B(x) = max (μA(x) , μB(x) )

Thí dụ 7.10 :

μTre(An) = 0.8 và μTrung niên(An) = 0.3

=> μTre ∨ Trung Niên(An) = max( 0.8, 0.3) = 0.8

Phép giao hay toán tử AND:

Khái niệm: Giao của hai tập mờ (A?B) thể hiện mức độ một phần tử thuộc về cả hai tậplà bao nhiêu.

A ? B

Công thức: MA∧ B(x) = min (μA(x) , μB(x) )

138/197

Thí dụ 7.11 :

μTre(An) = 0.8 và μTrung niên(An) = 0.3

=> μTre ∧ Trung Niên(An) = min( 0.8, 0.3) = 0.3

Phép bù hay toán tử NOT:

A’

Khái niệm: Bù của một tập mờ thể hiện mức độ một phần tử không thuộc về tập đó làbao nhiêu.

Công thức: M?A(x) = 1 - μA(x)

Thí dụ 7.12: μTrẻ(An) = 0.8

M?Trẻ(An) = 1 – 0.8 = 0.2

139/197

Nhận xét: Logic mờ không tuân theo các luật về tính bù của logic truyền thống: M?A∨

A(x) ? 1 và M?A ∧ A(x) ? 0

Thí dụ 7.13: M?A∨ A(x) = max (0.8, 0.2) = 0.8

M?A ∧ A(x) = min( 0.8, 0.2) = 0.2

Luật mờ

Một luật mờ là một biểu thức if- then được phát biểu ở dạng ngôn ngữ tự nhiên thể hiệnsự phụ thuộc nhân quả giữa các biến.

Thí dụ 7.14:ifnhiệt độ là lạnh và giá dầu là rẻthensưởi ấmnhiều.

Trong đó: - ‘nhiệt độ’, ‘giá dầu’ và ‘sưởi ấm’ là các biến

- ‘lạnh’, ‘rẻ’, ‘nhiều’ là các giá trị hay chính là các tập mờ.

Hoặc: if một người có chiều cao là cao và cơ bắp là lực lưỡngthenchơi bóng rổ hay.

Các biến ở đây sẽ là: ‘chiều cao’, ‘cơ bắp’, ‘chơi bóng rổ’

Các giá trị hay tập mờ là: ‘cao’, ‘lực lưỡng’, ‘hay’.

Thủ tục ra quyết định mờ: (fuzzy decision making procedure)

Để hệ thống mờ có thể suy luận bằng các luật mờ và đưa ra kết luận từ các số liệu chínhxác ở đầu vào, hệ thống thực hiện 3 bước:

• Mờ hóa: Tính toán các giá trị mờ từ các giá trị chính xác ở đầu vào.• Suy luận mờ: Áp dụng tất cả các luật mờ có thể áp dụng để tính ra giá trị mờ

cho kết luận, sau đó kết hợp các kết quả đầu ra.• Phi mờ hóa: Xác định giá trị chính xác từ kết quả mờ có được ở bước 2. Có

nhiều kỹ thuật phi mờ hóa có thể áp dụng được, phương pháp thông dụng nhấtlà phương pháp trọng tâm (centriod method).

Thí dụ 7.15: Cho hệ thống mờ dùng trong điều trị bệnh gồm các luật sau đây:

• IF sốt nhẹ THEN liều lượng asperine thấp• IF sốt THEN liều lượng asperine bình thường

140/197

• IF sốt cao THEN liều lượng asperine cao• IF sốt rất cao THEN liều lượng asperine cao nhất

Và các tập mờ được biểu diễn như sau:

Hình 7.7 - Biểu diễn của các tập mờ trong Thí dụ 7.15

Một bệnh nhân sốt ở 38.7 độ, hãy xác định liều lượng asperince cần thiết để cấp chobệnh nhân.

Giải:

Bước 1: Mờ hóa giá trị x = 38.7 đã cho: ta thấy 38.7 thuộc về các tập mờ như sau:

μSốt nhẹ (x) = 0.3 μSốt (x) = 0.7 μSốt cao (x) = 0 μSốt rất cao (x) = 0

Bước 2: Ta thấy có 2 luật 1 và 2 có thể áp dụng cho ra hai liều lượng aspirine:

μThấp (x) = 0.3 μBình thường (x) = 0.7

141/197

Kết hợp các giá trị mờ này lại ta được vùng được tô màu sau đây:

Bước 3: Phi mờ hóa kết quả bằng cách tính trọng tâm của diện tích được tô trong hìnhtrên, chiếu xuống trục hoành ta được giá trị ±480mg, đây chính là liều lượng aspirinecần cấp cho bệnh nhân.

TỔNG KẾT CHƯƠNG VII :


• Mặc dù phỏng đoán là không vững chắc, nhưng nó thường đóng vai trò thiếtyếu trong giải quyết vấn đề. Có nhiều tiếp cận đã được đưa ra nhằm tạo ra cáchệ thống có thể suy luận trên những thông tin không chắc chắn hoặc không đầyđủ để đưa ra các kết luận hữu ích.

• Luật Bayes dựa trên lý thuyết xác suất hình thức cho phép chúng ta sử dụng trithức về nguyên nhân để suy ra tri thức về chẩn đoán.

• Lý thuyết về yếu tố chắc chắn Standford đưa ra khái niệm hệ số chắc chắn CFcho phép các chuyên gia kết hợp những niềm tin của mình vào dữ liệu và cácluật khi phát biểu. Đồng thời đại số chắc chắn Standford cũng cung cấp các quytắc và công thức sử dụng để tính các giá trị CF cho các kết luận trong quá trìnhsuy luận.

• Lý thuyết mờ đưa ra khái niệm tập mờ và hàm thành viên thể hiện mức độ mộtthành viên thuộc vào tập mờ, đồng thời đưa ra các quy tắc tính toán giá trị mờkhi suy luận trên các luật mờ.

Bài tập chương VII

Giả sử có một phương pháp xét nghiệm HIV.

• Gọi TP là sự kiện xét nghiệm cho kết quả dương tính.• Gọi TN là sự kiện xét nghiệm cho kết quả âm tính.• Gọi HP là sự kiện người đang được xét nghiệm có HIV dương tính.• Gọi HN là sự kiện người đang được xét nghiệm có HIV âm tính.

Kết quả được gọi là ‘sai dương tính’ khi xét nghiệm cho kết quả dương tính trong khingười đó thực sự không bị nhiễm HIV

142/197

Kết quả được gọi là ‘sai âm tính’ khi xét nghiệm cho kết quả âm tính trong khi người đóthực sự có nhiễm HIV

Cho một số dữ liệu sau:

• Tỉ lệ ‘sai dương tính’ là: P(TP|HN) = 0.02• Tỉ lệ ‘sai âm tính’ là: P(TN|HP) = 0.01• Tỉ lệ người bị nhiễm HIV trong cộng đồng là 0.10

Nếu một người nhận được kết quả xét nghiệm dương tính, thì xác suất người đó thật sựbị HIV là bao nhiêu?

Sử dụng ví dụ nhỏ dưới đây để minh họa cơ chế suy luận của EMYCIN bằng đồ thịAND/OR để cho thấy thứ tự sử dụng các luật, thứ tự các câu hỏi được đặt ra và thứ tựcác kết luận được đưa ra như thế nào,...

MINI-MINI-MYCIN là một hệ chuyên gia chuyên phân biệt bệnh dị ứng, sởi, hoặc sốtvàng da. Nó bao gồm các luật sau:

• IF cảm-thấy-khó-chịu AND chấm-đỏ THEN dị-ứng (0.6)• IF cảm-thấy-khó-chịu AND sốt THEN nhiễm-trùng (0.8)• IF du-lịch-nước-ngoài THEN sốt-vàng-da (0.5)• IF nhiễm-trùng AND chấm-đỏ THEN sởi (0.6)• IF nhiễm-trùng AND vàng-mắt THEN sốt-vàng-da (0.5)

Sử dụng các dữ liệu sau: John cảm thấy khó chịu (0.1). Có những chấm đỏ trên khắpngười (0.8). Tôi không có nhiệt kế nhưng tôi nghĩ anh ta bị sốt (0.5). Tôi biết John vừađi du lịch nước ngoài về (1.0). Mắt anh ta có vẻ vàng (0.4).

Hãy cho biết các phát biểu sau đây thuộc loại không chắc chắn, mờ, cả hai hay khôngcó loại nào:

• Cảnh sát phạt một chiếc xe đang tăng tốc• An thì cao hơn Bảo nhiều.• Chỉ có 20% khách đến tham dự thích biểu triển lãm.• Một nhóm rất đông sinh viên đã tham gia cuộc diễu hành.• Ăn quá nhiều muối có thể gây bệnh huyết áp cao.

143/197

CÁC CHỦ ĐỀ NÂNG CAOGiới thiệu

GIỚI THIỆU:

Như đã giới thiệu trong chương I, suy luận tự động có thể xem là nhánh nghiên cứu lâuđời nhất của AI, bắt nguồn từ Logic Theorist và General Problem Solver của Newell vàSimon.

Sức hấp dẫn của suy luận tự động nằm trong tính chặt chẽ và tổng quát của logic. Bởivì logic là một hệ thống hình thức, nên ta có thể tự động hóa nó. Rất nhiều vấn đề khácnhau có thể giải quyết được bằng cách biểu diễn các mô tả vấn đề và các thông tin liênquan ở dạng các tiên đề luận lý và xem bài toán như là các định lý cần chứng minh.

Nổ lực của các nhà khoa học trong lĩnh vực này là tự động hóa quá trình chứng minh cácđịnh lý dựa vào các tiên đề cơ sở. Mặc dù cho đến nay vẫn chưa đạt được mục tiêu banđầu, nhưng nhánh nghiên cứu này đã tạo ra nhiều kết quả rất quan trọng trong việc hìnhthức hóa các giải thuật tìm kiếm và phát triển các ngôn ngữ biểu diễn hình thức như Đạisố quan hệ mà ta đã học ở chương II.

Trong chương này ta sẽ tiếp tục khảo sát một trong những thành quả của lĩnh vực này,đó là phương pháp chứng minh Hợp Giải (resolution). Một ứng dụng quan trọng củahợp giải đó là làm nền tảng cho trình thông dịch của ngôn ngữ PROLOG đang được sửdụng hiện nay.

Hợp giải là một kỹ thuật chứng minh định lý được biểu diễn bằng đại số mệnh đề hayđại số vị từ. Hợp giải được phát triển vào giữa thập niên 60 do Robinson đề xướng. Hợpgiải sử dụng phản chứng để chứng minh một vấn đề. Hay nói cách khác, để chứng minhmột câu (nghĩa là chứng minh câu này đúng), hợp giải sẽ chỉ ra rằng phủ định của câu sẽtạo ra một mâu thuẫn với các câu đã biết. Tiếp cận này trái ngược với kỹ thuật mà chúngta đã sử dụng để chứng minh ở chương II, chương III, tức là sử dụng phép dẫn xuất đểchứng minh.

Trước khi đi vào phương pháp chứng minh hợp giải, chúng ta sẽ xem một ví dụ sử dụngLogic Vị Từ để biểu diễn tri thức và sử dụng phép dẫn xuất ở chương II để chứng minh.

Thí dụ 8.1: Xét ví dụ với tập hợp các câu như sau:

• Marcus was a man.• Marcus was a Pompeian.

144/197

• All Pompeians were Romans.• Caesar was a ruler.• All Romans were either loyal to Caesar or hated him.• Everyone is loyal to someone.• People only try to assasinate rulers they are not loyal to.• Marcus tried to assasinate Caesar.

Hãy chứng minh ‘Was Marcus loyal to Caesar?’

Các câu trên có thể được biểu diễn dưới dạng các câu hay công thức dạng chuẩn (wff)trong ngôn ngữ Phép tính vị từ như sau:

Chứng minh ?loyalto(marcus, caesar)

Để chứng minh mục tiêu trên, chúng ta sử dụng luật suy diễn để biến đổi thành mục tiêumới (hay nhiều mục tiêu con mới), và cứ tiếp tục cho đến khi không còn mục tiêu nàochưa thỏa mãn.

Quá trình này có thể biểu diễn bằng một đồ thị AND/OR. Ở đây, để đơn giản ta chỉ vẽmột đường duy nhất.

Hình bên dưới minh họa một cách chứng minh cho mục tiêu trên:

145/197

Đến đây ta gặp phải một vấn đề là mặc dù chúng ta biết Marcus là một người đàn ông(man), chúng ta không có cách nào kết luận Marcus là một người (person). Vì vậy, taphải thêm vào cơ sở tri thức một câu như sau:

∀X man (X) ∨ woman (X) → person(X)

Với câu 9 vừa thêm vào, ta có thể chứng minh thành công mục tiêu trên.

Từ chứng minh trên, chúng ta có nhận xét như sau:

• Thậm chí các kết luận rất đơn giản cũng đòi hỏi phải chứng minh qua nhiềubước.

• Quá trình tạo ra một chứng minh có liên quan đến nhiều quá trình khác nhaunhư quá trình đối sánh, thay thế, áp dụng luật Modus Ponens. Quá trình này sẽphức tạp hơn nếu như các luật có nhiều từ hai mục ở vế phải hay vế trái gồmnhiều biểu thức phức tạp And hay Or với nhau.

Từ những nhận xét này cho thấy việc xây dựng một chương trình có thể chứng minhđược như con người là không dễ dàng chút nào. Vì vậy, ta cần một phương pháp chứngminh đơn giản hơn. Và Hợp Giải (resolution) ra đời như là một công cụ chứng minhhiện đại và mạnh mẽ hơn cho ngành suy luận tự động. Sự đơn giản trong phép chứngminh của hợp giải xuất phát từ nguyên nhân: Thay vì suy luận trên các câu vị từ, hợpgiải thao tác trên các câu đã được chuyển thành một dạng chuẩn trước khi bắt đầu quátrình chứng minh để làm giảm tính phức tạp của vấn đề. Phần còn lại của chương này sẽgiới thiệu về thủ tục Hợp giải này.


146/197

/home/voer/vpt/src/vpt.transformer/vpt/transformer/transforms/20140409-114654-764b3239-1/f5812ee3/Slide-chuong8.doc

NHẬN XÉT VỀ PHƯƠNG PHÁP HỢP GIẢI

NHẬN XÉT VỀ PHƯƠNG PHÁP HỢP GIẢI:

Các kết quả của Robinson đã đặt nền móng cho một loạt các nghiên cứu có liên quanđến việc vận dụng phương pháp hợp giải và các phương pháp tương tự trong lĩnh vựcchứng minh định lý tự động. Những ưu điểm chính của phương pháp hợp giải là tínhtổng quát, tính phổ dụng, khả năng áp dụng tốt đối với các dạng câu Horn (tức là câu códạng A1 ∧ A2 ∧ … An -> B), song nó cũng có hai nhược điểm chủ yếu:

• Trong quá trình tư duy, thông thường con người không sử dụng chiến lược suydiễn này. Vì vậy một người khó có thể giao tiếp với chương trình chứng minhsử dụng phương pháp hợp giải, để có thể cho nó một lời khuyên hay nhận lờikhuyên từ nó. Việc chứng minh các vấn đề khó vẫn còn là một điều khó khănđối với máy tính, vì vậy về mặt thực tế, nếu con người và máy tính có thể tươngtác với nhau cũng là điều rất quan trọng .

• Trong khi chuyển các câu về dạng mệnh đề, chúng ta đã đánh mất các thông tinkinh nghiệm có giá trị chứa trong các câu ban đầu.

Ví dụ: Với câu ‘Người am hiểu và không quanh co là người được giáo dục tốt’

Chuyển về dạng mệnh đề:

Câu này cũng có thể diễn dịch thành ‘một người không phải là người am hiểu nếu nhưanh ta không quanh co và không được giáo dục tốt’! Điều này cho thấy ý nghĩa của câuphát biểu ban đầu đã bị mất hoàn toàn.

TỔNG KẾT CHƯƠNG VIII :


• Hợp giải (hay còn gọi là thủ tục Robinson) là một kỹ thuật chứng minh định lýđược biểu diễn bằng đại số mệnh đề hay đại số vị từ. Hợp giải sử dụng phảnchứng để chứng minh một vấn đề.

• Trước khi áp dụng thủ tục Robinson, các câu phải được chuyển về dạng chuẩnhay dạng mệnh đề. Một mệnh đề là một tuyển của các biến mệnh đề.

147/197

• Thủ tục hợp giải là một quá trình lặp đơn giản. Ở mỗi lần lặp, ta tìm hai mệnhđề có chứa hai biến mệnh đề bù nhau để hợp giải và cho ra mệnh đề mới. Quátrình này cứ tiếp tục cho đến khi ta được một mệnh đề rỗng.

• Trong logic vị từ, nếu biến mệnh đề có đối số là biến, thì muốn biết hai biếnmệnh có bù nhau hay không ta phải đối sánh chúng theo giải thuật đồng nhất đãhọc ở chương 2. Sau khi hợp giải chúng, ta phải giữ lại tập phép thế trả ra bởigiải thuật đồng nhất này.

• Hợp giải có thể phát hiện trường hợp không tồn tại sự mâu thuẫn, khi đó mộtmệnh đề kết quả sẽ xuất hiện lặp lại.

• Để hỗ trợ tốt hơn cho quá trình chứng minh, hợp giải có thể sử dụng hàm tínhtoán, vị từ tính toán hay mối quan hệ bằng.

• Có thể sử dụng hợp giải cho các bài toán dạng trả lời câu hỏi bằng cách sửdụng thêm biểu thức phụ hay biểu thức ‘câm’.

Bài tập chương VIII

Đưa câu vị từ sau về dạng mệnh đề:

Ta có các tri thức như sau:

• Ngón tay là bộ phận của bàn tay• Bàn tay là bộ phận của cánh tay• Cánh tay là bộ phận của cơ thể

Sử dụng hợp giải hãy chứng minh ngón tay là bộ phận của cơ thể

Giả sử các hiểu biết của một chuyên gia trong một tình huống nào đó được phát biểudưới dạng các biểu thức logic mệnh đề sau đây :

148/197

Hãy chứng minh g đúng bằng thủ tục hợp giải.

Sử dụng các tri thức đã cho ở bài tập 2.3:

• John thích mọi loại thức ăn.• Táo là thức ăn.• Gà là thức ăn.• Tất cả mọi thứ ăn được mà vẫn còn sống thì đó là thức ăn.• Bill ăn đậu phộng và Bill vẫn còn sống.• Sue ăn mọi thứ mà Bill ăn.• Hãy biểu diễn tri thức trên theo logic vị từ.• Hãy sử dụng hợp giải để chứng minh “John thích đậu phộng”• Sử dụng hợp giải để trả lời câu hỏi : “Sue ăn gì ?”

Giải lại bài tập 2.4 bằng thủ tục hợp giải.

149/197

HỌC MÁY (MACHINE LEARNING)Giới thiệu

GIỚI THIỆU:

Khi được hỏi về những kỹ năng thông minh nào là cơ bản nhất đồng thời khó tự độnghóa nhất của con người ngoài các hoạt động sáng tạo nghệ thuật, hành động ra quyếtđịnh mang tính đạo đức, trách nhiệm xã hội thì người ta thường đề cập đến vấn đề ngônngữ và học. Trãi qua nhiều năm, hai lĩnh vực này vẫn là mục tiêu, thách thức của khoahọc TTNT.

Tầm quan trọng của việc học thì không cần phải tranh cãi, vì khả năng học chính là mộttrong những thành tố quan trọng của hành vi thông minh. Mặc dù tiếp cận hệ chuyên giađã phát triển được nhiều năm, song số lượng các hệ chuyên vẫn còn hạn chế. Một trongnhững nguyên nhân chủ yếu là do quá trình tích lũy tri thức phức tạp, chi phí phát triểncác hệ chuyên gia rất cao, nhưng chúng không có khả năng học, khả năng tự thích nghikhi môi trường thay đổi. Các chiến lược giải quyết vấn đề của chúng cứng nhắc và khicó nhu cầu thay đổi, thì việc sửa đổi một lượng lớn mã chương trình là rất khó khăn.Một giải pháp hiển nhiên là các chương trình tự học lấy cách giải quyết vấn đề từ kinhnghiệm, từ sự giống nhau, từ các ví dụ hay từ những ‘chỉ dẫn’, ‘lời khuyên’,...

Mặc dù học vẫn còn là một vấn đề khó, nhưng sự thành công của một số chương trìnhhọc máy thuyết phục rằng có thể tồn tại một tập hợp các nguyên tắc học tổng quát chophép xây dựng nên các chương trình có khả năng học trong nhiều lĩnh vực thực tế.

Chương này sẽ giới thiệu sơ lược về lĩnh vực nghiên cứu này, đồng thời đi vào chi tiếtmột số giải thuật học quan trọng.

Định nghĩa ‘học’

Theo Herbert Simon: ‘Học được định nghĩa như là bất cứ sự thay đổi nào trong một hệthống cho phép nó tiến hành tốt hơn trong lần thứ hai khi lặp lại cùng một nhiệm vụhoặc với một nhiệm vụ khác rút ra từ cùng một quần thể các nhiệm vụ đó’

Định nghĩa này mặc dù ngắn nhưng đưa ra nhiều vấn đề liên quan đến việc phát triểnmột chương trình có khả năng học. Học liên quan đến việc khái quát hóa từ kinh nghiệm:hiệu quả thực hiện của chương trình không chỉ cải thiện với ‘việc lặp lại cùng một nhiệmvụ’ mà còn với các nhiệm vụ tương tự. Vì những lĩnh vực đáng chú ý thường có khuynhhướng là to lớn, nên các chương trình học – CTH (learner) chỉ có thể khảo sát một phầnnhỏ trong toàn bộ các ví dụ có thể; từ kinh nghiệm hạn chế này, CTH vẫn phải khái quát

150/197

hóa được một cách đúng đắn những ví dụ chưa từng gặp trong lĩnh vực đó. Đây chínhlà bài toán quy nạp (induction), và nó chính là trung tâm của việc học. Trong hầu hếtcác bài toán học, dữ liệu luyện tập sẵn có thường không đủ để đảm bảo đưa ra được mộtkhái quát hóa tối ưu, cho dù CTH sử dụng giải thuật nào. Vì vậy, các giải thuật học phảikhái quát hóa theo phương pháp heuristic, nghĩa là chúng sẽ chọn một số khía cạnh nàođó mà theo kinh nghiệm là cho hiệu quả trong tương lai để khái quát. Các tiêu chuẩn lựachọn này gọi là thiên lệch quy nạp (inductive bias).

Có nhiều nhiệm vụ học (learning task) khác nhau. Ở đây chỉ trình bày nhiệm vụ họcquy nạp (inductive learning), đây là một trong những nhiệm vụ học cơ bản. Nhiệm vụcủa CTH là học một khái quát (generalization) từ một tập hợp các ví dụ. Học khái niệm(concept learning) là một bài toán học quy nạp tiêu biểu: cho trước một số ví dụ củakhái niệm, chúng ta phải suy ra một định nghĩa cho phép người dùng nhận biết một cáchđúng đắn những thể hiện của khái niệm đó trong tương lai.

Các tiếp cận học:

Có ba tiếp cận học: tiếp cận ký hiệu (symbol-based learning), tiếp cận mạng neuron haykết nối (neural or connectionist networks) và tiếp cận nổi trội (emergent) hay di truyềnvà tiến hóa (genetic and evolutionary learning).

Các CTH thuộc tiếp cận dựa trên ký hiệu biểu diễn vấn đề dưới dạng các ký hiệu(symbol), các giải thuật học sẽ tìm cách suy ra các khái quát mới, hợp lệ, hữu dụng vàđược biểu diễn bằng các ký hiệu này. Có nhiều giải thuật được đưa ra theo tiếp cận họcnày, tuy nhiên phần II của chương này chỉ trình bày một giải thuật được sử dụng rộngrãi trong số đó, đó là giải thuật quy nạp cây quyết định ID3.

Ngược lại với tiếp cận ký hiệu, tiếp cận kết nối không học bằng cách tích lũy các câutrong một ngôn ngữ ký hiệu. Giống như bộ não động vật chứa một số lượng lớn các tếbào thần kinh liên hệ với nhau, mạng neuron là những hệ thống gồm các neuron nhântạo liên hệ với nhau. Tri thức của chương trình là ngầm định trong tổ chức và tương táccủa các neuron này. Phần III sẽ đi vào chi tiết của tiếp cận này.

Tiếp cận thứ ba là tiếp cận nổi trội mô phỏng cách thức các hệ sinh học tiến hóa trong tựnhiên, nên còn được gọi là tiếp cận di truyền và tiến hóa. Phần IV sẽ đi vào chi tiết củatiếp cận này.


151/197

/home/voer/vpt/src/vpt.transformer/vpt/transformer/transforms/20140409-114654-764b3239-1/203bcc4e/chapter9.ppt

TIẾP CẬN KÝ HIỆU: gIẢI THUẬT QUY NẠP CÂYQUYẾT ĐỊNH ID3

TIẾP CẬN KÝ HIỆU: gIẢI THUẬT QUY NẠP CÂY QUYẾT ĐỊNH ID3

Giới thiệu

Giải thuật quy nạp cây ID3 (gọi tắt là ID3) là một giải thuật học đơn giản nhưng tỏ rathành công trong nhiều lĩnh vực. ID3 là một giải thuật hay vì cách biểu diễn tri thức họcđược của nó, tiếp cận của nó trong việc quản lý tính phức tạp, heuristic của nó dùng choviệc chọn lựa các khái niệm ứng viên, và tiềm năng của nó đối với việc xử lý dữ liệunhiễu.

ID3 biểu diễn các khái niệm (concept) ở dạng các cây quyết định (decision tree). Biểudiễn này cho phép chúng ta xác định phân loại của một đối tượng bằng cách kiểm tracác giá trị của nó trên một số thuộc tính nào đó.

Như vậy, nhiệm vụ của giải thuật ID3 là học cây quyết định từ một tập các ví dụ rènluyện (training example) hay còn gọi là dữ liệu rèn luyện (training data). Hay nói kháchơn, giải thuật có:

• Đầu vào: Một tập hợp các ví dụ. Mỗi ví dụ bao gồm các thuộc tính mô tả mộttình huống, hay một đối tượng nào đó, và một giá trị phân loại của nó.

• Đầu ra: Cây quyết định có khả năng phân loại đúng đắn các ví dụ trong tập dữliệu rèn luyện, và hy vọng là phân loại đúng cho cả các ví dụ chưa gặp trongtương lai.

Ví dụ, chúng ta hãy xét bài toán phân loại xem ta ‘có đi chơi tennis’ ứng với thời tiếtnào đó không. Giải thuật ID3 sẽ học cây quyết định từ tập hợp các ví dụ sau:

152/197

Bảng 9.1 - Tập dữ liệu rèn luyện cho khái niệm ‘Có đi chơi tennis không?’

Tập dữ liệu này bao gồm 14 ví dụ. Mỗi ví dụ biểu diễn cho tình trạng thời tiết gồmcác thuộc tính quang cảnh, nhiệt độ, độ ẩm và gió; và đều có một thuộc tính phân loại‘chơi Tennis’ (có, không). ‘Không’ nghĩa là không đi chơi tennis ứng với thời tiết đó,‘Có’ nghĩa là ngược lại. Giá trị phân loại ở đây chỉ có hai loại (có, không), hay còn tanói phân loại của tập ví dụ của khái niệm này thành hai lớp (classes). Thuộc tính ‘Chơitennis’ còn được gọi là thuộc tính đích (target attribute).

Mỗi thuộc tính đều có một tập các giá trị hữu hạn. Thuộc tính quang cảnh có ba giá trị(âm u, mưa, nắng), nhiệt độ có ba giá trị (nóng, mát, ấm áp), độ ẩm có hai giá trị (cao,TB) và gió có hai giá trị (mạnh, nhẹ). Các giá trị này chính là ký hiệu (symbol) dùng đểbiểu diễn bài toán.

Từ tập dữ liệu rèn luyện này, giải thuật ID3 sẽ học một cây quyết định có khả năng phânloại đúng đắn các ví dụ trong tập này, đồng thời hy vọng trong tương lai, nó cũng sẽphân loại đúng các ví dụ không nằm trong tập này. Một cây quyết định ví dụ mà giảithuật ID3 có thể quy nạp được là:

153/197

Hình 9.1 - Cây quyết định cho khái niệm ‘Có đi chơi tennis không?’

Các nút trong cây quyết định biểu diễn cho một sự kiểm tra trên một thuộc tính nào đó,mỗi giá trị có thể có của thuộc tính đó tương ứng với một nhánh của cây. Các nút lá thểhiện sự phân loại của các ví dụ thuộc nhánh đó, hay chính là giá trị của thuộc tính phânloại.

Sau khi giải thuật đã quy nạp được cây quyết định, thì cây này sẽ được sử dụng để phânloại tất cả các ví dụ hay thể hiện (instance) trong tương lai. Và cây quyết định sẽ khôngthay đổi cho đến khi ta cho thực hiện lại giải thuật ID3 trên một tập dữ liệu rèn luyệnkhác.

Ứng với một tập dữ liệu rèn luyện sẽ có nhiều cây quyết định có thể phân loại đúng tấtcả các ví dụ trong tập dữ liệu rèn luyện. Kích cỡ của các cây quyết định khác nhau tùythuộc vào thứ tự của các kiểm tra trên thuộc tính.

Vậy làm sao để học được cây quyết định có thể phân loại đúng tất cả các ví dụ trong tậprèn luyện? Một cách tiếp cận đơn giản là học thuộc lòng tất cả các ví dụ bằng cách xâydựng một cây mà có một lá cho mỗi ví dụ. Với cách tiếp cận này thì có thể cây quyếtđịnh sẽ không phân loại đúng cho các ví dụ chưa gặp trong tương lai. Vì phương phápnày cũng giống như hình thức ‘học vẹt’, mà cây không hề học được một khái quát nàocủa khái niệm cần học. Vậy, ta nên học một cây quyết định như thế nào là tốt?

Occam’s razor và một số lập luận khác đều cho rằng ‘giả thuyết có khả năng nhất làgiả thuyết đơn giản nhất thống nhất với tất cả các quan sát’, ta nên luôn luôn chấp nhậnnhững câu trả lời đơn giản nhất đáp ứng một cách đúng đắn dữ liệu của chúng ta. Trongtrường hợp này là các giải thuật học cố gắng tạo ra cây quyết định nhỏ nhất phân loạimột cách đúng đắn tất cả các ví dụ đã cho. Trong phần kế tiếp, chúng ta sẽ đi vào giảithuật ID3, là một giải thuật quy nạp cây quyết định đơn giản thỏa mãn các vấn đề vừanêu.

154/197

Giải thuật ID3 xây dựng cây quyết định từ trên–xuống

ID3 xây dựng cây quyết định (cây QĐ) theo cách từ trên xuống. Lưu ý rằng đối với bấtkỳ thuộc tính nào, chúng ta cũng có thể phân vùng tập hợp các ví dụ rèn luyện thànhnhững tập con tách rời, mà ở đó mọi ví dụ trong một phân vùng (partition) có một giá trịchung cho thuộc tính đó. ID3 chọn một thuộc tính để kiểm tra tại nút hiện tại của cây vàdùng trắc nghiệm này để phân vùng tập hợp các ví dụ; thuật toán khi đó xây dựng theocách đệ quy một cây con cho từng phân vùng. Việc này tiếp tục cho đến khi mọi thànhviên của phân vùng đều nằm trong cùng một lớp; lớp đó trở thành nút lá của cây.

Vì thứ tự của các trắc nghiệm là rất quan trọng đối với việc xây dựng một cây QĐ đơngiản, ID3 phụ thuộc rất nhiều vào tiêu chuẩn chọn lựa trắc nghiệm để làm gốc của cây.Để đơn giản, phần này chỉ mô tả giải thuật dùng để xây dựng cây QĐ, với việc giả địnhmột hàm chọn trắc nghiệm thích hợp. Phần kế tiếp sẽ trình bày heuristic chọn lựa củaID3.

Ví dụ, hãy xem xét cách xây dựng cây QĐ của ID3 trong hình sau từ tập ví dụ rèn luyệntrong bảng 9.1.

Hình 9.2 - Một phần cây quyết định xây dựng được

Bắt đầu với bảng đầy đủ gồm 14 ví dụ rèn luyện, ID3 chọn thuộc tính quang cảnh để làmthuộc tính gốc sử dụng hàm chọn lựa thuộc tính mô tả trong phần kế tiếp. Trắc nghiệmnày phân chia tập ví dụ như cho thấy trong hình 9.2 với phần tử của mỗi phân vùng đượcliệt kê bởi số thứ tự của chúng trong bảng.

* ID3 xây dựng cây quyết định theo giải thuật sau:

Function induce_tree(tập_ví_dụ, tập_thuộc_tính)

begin

155/197

if mọi ví dụ trong tập_ví_dụ đều nằm trong cùng một lớp then

return một nút lá được gán nhãn bởi lớp đó

else iftập_thuộc_tính là rỗng then

return nút lá được gán nhãn bởi tuyển của tất cả các lớp trong tập_ví_dụ

else begin

chọn một thuộc tính P, lấy nó làm gốc cho cây hiện tại;

xóa P ra khỏi tập_thuộc_tính;

với mỗi giá trị V của P

begin

tạo một nhánh của cây gán nhãn V;

Đặt vào phân_vùngV các ví dụ trong tập_ví_dụ có giá trị V tại thuộc tính P;

Gọi induce_tree(phân_vùngV, tập_thuộc_tính), gắn kết quả vào nhánh V

end

end

end

ID3 áp dụng hàm induce_tree một cách đệ quy cho từng phân vùng. Ví dụ, phân vùngcủa nhánh “Âm u” có các ví dụ toàn dương, hay thuộc lớp ‘Có’, nên ID3 tạo một nút lávới nhãn là lớp ‘Có’. Còn phân vùng của hai nhánh còn lại vừa có ví dụ âm, vừa có vídụ dương. Nên tiếp tục chọn thuộc tính “Độ ẩm” để làm trắc nghiệm cho nhánh Nắng,và thuộc tính Gió cho nhánh Mưa, vì các ví dụ trong các phân vùng con của các nhánhcây này đều thuộc cùng một lớp, nên giải thuật ID3 kết thúc và ta có được cây QĐ nhưhình 9.3.

156/197

Hình 9.3 - Cây quyết định đã xây dựng xong.

Lưu ý, để phân loại một ví dụ, có khi cây QĐ không cần sử dụng tất cả các thuộc tínhđã cho, mặc dù nó vẫn phân loại đúng tất cả các ví dụ.

* Các khả năng có thể có của các phân vùng (partition):

Trong quá trình xây dựng cây QĐ, phân vùng của một nhánh mới có thể có các dạngsau:

• Có các ví dụ thuộc các lớp khác nhau, chẳng hạn như có cả ví dụ âm và dươngnhư phân vùng “Quang cảnh = Nắng” của ví dụ trên => giải thuật phải tiếp tụctách một lần nữa.

• Tất cả các ví dụ đều thuộc cùng một lớp, chẳng hạn như toàn âm hoặc toàndương như phân vùng “Quang cảnh = Âm u” của ví dụ trên => giải thuật trả vềnút lá với nhãn là lớp đó.

• Không còn ví dụ nào => giải thuật trả về mặc nhiên• Không còn thuộc tính nào => nghĩa là dữ liệu bị nhiễu, khi đó giải thuật phải sử

dụng một luật nào đó để xử lý, chẳng hạn như luật đa số (lớp nào có nhiều ví dụhơn sẽ được dùng để gán nhãn cho nút lá trả về).

157/197

Từ các nhận xét này, ta thấy rằng để có một cây QĐ đơn giản, hay một cây có chiều caolà thấp, ta nên chọn một thuộc tính sao cho tạo ra càng nhiều các phân vùng chỉ chứa cácví dụ thuộc cùng một lớp càng tốt. Một phân vùng chỉ có ví dụ thuộc cùng một lớp, tanói phân vùng đó có tính thuần nhất. Vậy, để chọn thuộc tính kiểm tra có thể giảm thiểuchiều sâu của cây QĐ, ta cần một phép đo để đo tính thuần nhất của các phân vùng, vàchọn thuộc tính kiểm tra tạo ra càng nhiều phân vùng thuần nhất càng tốt. ID3 sử dụnglý thuyết thông tin để thực hiện điều này.

Thuộc tính nào là thuộc tính dùng để phân loại tốt nhất?

Quinlan (1983) là người đầu tiên đề xuất việc sử dụng lý thuyết thông tin để tạo ra cáccây quyết định và công trình của ông là cơ sở cho phần trình bày ở đây. Lý thuyết thôngtin của Shannon (1948) cung cấp khái niệm entropy để đo tính thuần nhất (hay ngượclại là độ pha trộn) của một tập hợp. Một tập hợp là thuần nhất nếu như tất cả các phần tửcủa tập hợp đều thuộc cùng một loại, và khi đó ta nói tập hợp này có độ pha trộn là thấpnhất. Trong trường hợp của tập ví dụ, thì tập ví dụ là thuần nhất nếu như tất cả các ví dụđều có cùng giá trị phân loại.

Khi tập ví dụ là thuần nhất thì có thể nói: ta biết chắc chắn về giá trị phân loại của mộtví dụ thuộc tập này, hay ta có lượng thông tin về tập đó là cao nhất. Khi tập ví dụ có độpha trộn cao nhất, nghĩa là số lượng các ví dụ có cùng giá trị phân loại cho mỗi loại làtương đương nhau, thì khi đó ta không thể đoán chính xác được một ví dụ có thể có giátrị phân loại gì, hay nói khác hơn, lượng thông tin ta có được về tập này là ít nhất. Vậy,điều ta mong muốn ở đây là làm sao chọn thuộc tính để hỏi sao cho có thể chia tập vídụ ban đầu thành các tập ví dụ thuần nhất càng nhanh càng tốt. Vậy trước hết, ta cần cómột phép đo để đo độ thuần nhất của một tập hợp, từ đó mới có thể so sánh tập ví dụnào thì tốt hơn. Phần kế tiếp sẽ trình bày công thức tính entropy của một tập hợp.

Entropy đo tính thuần nhất của tập ví dụ

Khái niệm entropy của một tập S được định nghĩa trong Lý thuyết thông tin là số lượngmong đợi các bít cần thiết để mã hóa thông tin về lớp của một thành viên rút ra một cáchngẫu nhiên từ tập S. Trong trường hợp tối ưu, mã có độ dài ngắn nhất. Theo lý thuyếtthông tin, mã có độ dài tối ưu là mã gán –log2p bits cho thông điệp có xác suất là p.

Trong trường hợp S là tập ví dụ, thì thành viên của S là một ví dụ, mỗi ví dụ thuộc mộtlớp hay có một giá trị phân loại.

Entropy có giá trị nằm trong khoảng [0..1],

Entropy(S) = 0 tập ví dụ S chỉ toàn ví dụ thuộc cùng một loại, hay S là thuần nhất.

Entropy(S) = 1 tập ví dụ S có các ví dụ thuộc các loại khác nhau với độ pha trộn là caonhất.

158/197

0 < Entropy(S) < 1 ? tập ví dụ S có số lượng ví dụ thuộc các loại khác nhau là khôngbằng nhau.

Để đơn giản ta xét trường hợp các ví dụ của S chỉ thuộc loại âm (-) hoặc dương (+).

Hình 9.4 minh họa sự phụ thuộc của giá trị entropy vào xác suất xuất hiện của ví dụdương.

Hình 9.4 - Entropy(S)

Cho trước:

• Tập S là tập dữ liệu rèn luyện, trong đó thuộc tính phân loại có hai giá trị, giảsử là âm (-) và dương (+)

• p+ là phần các ví dụ dương trong tập S.• p_ là phần các ví dụ âm trong tập S.

Khi đó, entropy đo độ pha trộn của tập S theo công thức sau:

Một cách tổng quát hơn, nếu các ví dụ của tập S thuộc nhiều hơn hai loại, giả sử là có cgiá trị phân loại thì công thức entropy tổng quát là:

Entropy(S) = ∑i = 1c − pilog2pi

Lượng thông tin thu được đo mức độ giảm entropy mong đợi

Entropy là một số đo đo độ pha trộn của một tập ví dụ, bây giờ chúng ta sẽ định nghĩamột phép đo hiệu suất phân loại các ví dụ của một thuộc tính. Phép đo này gọi là lượngthông tin thu được, nó đơn giản là lượng giảm entropy mong đợi gây ra bởi việc phânchia các ví dụ theo thuộc tính này.

159/197

Một cách chính xác hơn, Gain(S,A) của thuộc tính A, trên tập S, được định nghĩa nhưsau:

Gain(S,A) = Entropy(S) − ∑v ∈ Values(A)∣Sv∣∣S∣ Entropy(Sv)

trong đó Values(A) là tập hợp có thể có các giá trị của thuộc tính A, và Sv là tập con củaS chứa các ví dụ có thuộc tính A mang giá trị v.

Câu hỏi :

Áp dụng giải thuật ID3 kết hợp với công thức entropy và gain để tạo ra cây quyết định

đơn giản nhất cho bài toán phân loại xem ta ‘có đi chơi tennis’ từ tập dữ liệu rèn luyện

đã cho trong bảng 9.1.

Tìm kiếm không gian giả thuyết trong ID3

Cũng như các phương pháp học quy nạp khác, ID3 cũng tìm kiếm trong một không giancác giả thuyết một giả thuyết phù hợp với tập dữ liệu rèn luyện. Không gian giả thuyếtmà ID3 tìm kiếm là một tập hợp các cây quyết định có thể có. ID3 thực hiện một phéptìm kiếm từ đơn giản đến phức tạp, theo giải thuật leo-núi (hill climbing), bắt đầu từ câyrỗng, sau đó dần dần xem xét các giả thuyết phức tạp hơn mà có thể phân loại đúng cácví dụ rèn luyện. Hàm đánh giá được dùng để hướng dẫn tìm kiếm leo núi ở đây là phépđo lượng thông tin thu được.

Hình 9.5 - Không gian tìm kiếm của ID3.

160/197

Từ cách nhìn ID3 như là một giải thuật tìm kiếm trong không gian các giả thuyết, ta cómột số nhận xét như sau:

• Không gian giả thuyết các cây quyết định của ID3 là một không gian đầy đủcác cây quyết định trên các thuộc tính đã cho trong tập rèn luyện. Điều này cónghĩa là không gian mà ID3 tìm kiếm chắc chắn có chứa cây quyết định cầntìm.

• Trong khi tìm kiếm, ID3 chỉ duy trì một giả thuyết hiện tại. Vì vậy, giải thuậtnày không có khả năng biểu diễn được tất cả các cây quyết định khác nhau cókhả năng phân loại đúng dữ liệu hiện có.

• Giải thuật thuần ID3 không có khả năng quay lui trong khi tìm kiếm. Vì vậy, nócó thể gặp phải những hạn chế giống như giải thuật leo núi, đó là hội tụ về cựctiểu địa phương.

• Vì ID3 sử dụng tất cả các ví dụ ở mỗi bước để đưa ra các quyết định dựa trênthống kê, nên kết quả tìm kiếm của ID3 rất ít bị ảnh hưởng bởi một vài dữ liệusai (hay dữ liệu nhiễu).

• Trong quá trình tìm kiếm, giải thuật ID3 có xu hướng chọn cây quyết định ngắnhơn là những cây quyết định dài. Đây là tính chất thiên lệch quy nạp của ID3.

Đánh giá hiệu suất của cây quyết định:

Một cây quyết định sinh ra bởi ID3 được đánh giá là tốt nếu như cây này có khả năngphân loại đúng được các trường hợp hay ví dụ sẽ gặp trong tương lai, hay cụ thể hơn làcó khả năng phân loại đúng các ví dụ không nằm trong tập dữ liệu rèn luyện.

Để đánh giá hiệu suất của một cây quyết định người ta thường sử dụng một tập ví dụtách rời, tập này khác với tập dữ liệu rèn luyện, để đánh giá khả năng phân loại của cây

161/197

trên các ví dụ của tập này. Tập dữ liệu này gọi là tập kiểm tra (validation set). Thôngthường, tập dữ liệu sẵn có sẽ được chia thành hai tập: tập rèn luyện thường chiếm 2/3 sốví dụ và tập kiểm tra chiếm 1/3.

Chuyển cây về các luật

Thông thường, cây quyết định sẽ được chuyển về dạng các luật để thuận tiện cho việccài đặt và sử dụng. Ví dụ cây quyết định cho tập dữ liệu rèn luyện trong bảng 9.1 có thểđược chuyển thành một số luật như sau :

If (Quang-cảnh =nắng) ∧ (Độ ẩm = Cao) Then Chơi-Tennis = No

If (Quang-cảnh =nắng) ∧ (Độ ẩm = TB) Then Chơi-Tennis = Yes

If (Quang-cảnh =Âm u) Then Chơi-Tennis = Yes

…

Khi nào nên sử dụng ID3

Giải thuật ID3 là một giải thuật học đơn giản nhưng nó chỉ phù hợp với một lớp các bàitoán hay vấn đề có thể biểu diễn bằng ký hiệu. Chính vì vậy, giải thuật này thuộc tiếpcận giải quyết vấn đề dựa trên ký hiệu (symbol – based approach).

Tập dữ liệu rèn luyện ở đây bao gồm các ví dụ được mô tả bằng các cặp “Thuộc tính– giá trị”, như trong ví dụ ‘Chơi tennis’ trình bày trong suốt chương này, đó là ‘Gió– mạnh’, hay ‘Gió – nhẹ’,… và mỗi ví dụ đều có một thuộc tính phân loại, ví dụ như‘chơi_tennis’, thuộc tính này phải có giá trị rời rạc, như có, không.

162/197

Tuy nhiên, khác với một số giải thuật khác cũng thuộc tiếp cận này, ID3 sử dụng các vídụ rèn luyện ở dạng xác suất nên nó có ưu điểm là ít bị ảnh hưởng bởi một vài dữ liệunhiễu. Vì vậy, tập dữ liệu rèn luyện ở đây có thể chứa lỗi hoặc có thể thiếu một vài giátrị ở một số thuộc tính nào đó. Một giải pháp thường được áp dụng đối với các dữ liệubị thiếu là sử dụng luật đa số, chương trình tiền xử lý dữ liệu sẽ điền vào các vị trí còntrống giá trị có tần số xuất hiện cao nhất của thuộc tính đó.

Bên cạnh các vấn đề cơ bản được trình bày trong phần này, ID3 còn được thảo luậnnhiều vấn đề liên quan như làm sao để tránh cho cây quyết định không bị ảnh hưởngquá nhiều (overfitting) vào dữ liệu rèn luyện, để nó có thể tổng quát hơn, phân loại đúngđược cho các trường hợp chưa gặp. Có nhiều giải pháp đã được đưa ra như cắt tỉa lạicây quyết định sau khi học, hoặc cắt tỉa các luật sau khi chuyển cây về dạng luật. Mộtvấn đề khác nữa đó là nếu như một vài thuộc tính nào đó có giá trị liên tục thì sao. Giảiquyết các vấn đề này dẫn đến việc sinh ra nhiều thế hệ sau của ID3, một giải thuật nổibật trong số đó là C4.5 (Quinlan 1996). Ngoài ra, một số kỹ thuật được tạo ra để thao táctrên dữ liệu nhằm tạo ra các cây quyết định khác nhau trên cùng tập dữ liệu rèn luyện đãcho như kỹ thuật bagging and boosting.

163/197

TIẾP CẬN KẾT NỐI: MẠNG NEURON

TIẾP CẬN KẾT NỐI: MẠNG NEURON

Giới thiệu

Các mô hình học theo tiếp cận này bắt chước theo cách học của các hệ thần kinh sinhvật. Các hệ thống theo mô hình này có khi còn được gọi là các hệ kết nối (connectionistsystems), tính toán neural (Neural computing), mạng neural (Neural Networks), các hệxử lý phân tán song song (parallel distributed processing – PDP).

Không giống như các giải thuật của tiếp cận ký hiệu, các mô hình này không sử dụng kýhiệu một cách tường minh để giải quyết vấn đề. Thay vào đó, chúng giữ cho trí tuệ pháttriển trong các hệ thống gồm các thành phần (neuron sinh học hay neuron nhân tạo) đơngiản, tương tác thông qua một quá trình học hay thích nghi mà nhờ đó kết nối giữa cácthành phần này được điều chỉnh. Việc xử lý của các hệ thống này được phân tán trênmột tập hợp các lớp neuron. Các hệ thống này giải quyết vấn đề song song theo nghĩarằng tất cả các neuron trong tập hợp hay trong các lớp sẽ xử lý tín hiệu vào một cáchđồng thời và độc lập.

Trong khi các giải thuật của tiếp cận ký hiệu sử dụng ký hiệu để mô tả các mẫu của bàitoán như ta đã thấy trong giải thuật ID3 thì những nhà thiết kế mạng neuron phải tạora một sơ đồ mã hóa các mẫu (pattern) của bài toán thành các đại lượng số để đưa vàomạng. Việc chọn lựa một sơ đồ mã hóa thích hợp đóng vai trò quyết định cho sự thànhcông hay thất bại trong việc học của mạng.

Các mẫu (pattern) của bài toán được mã hóa thành các vector số. Các kết nối giữa cácthành phần, hay neuron, cũng được biểu diễn bằng các giá trị số. Cuối cùng, sự biến đổicủa các mẫu cũng là kết quả của các phép toán số học, thông thường là phép nhân matrận. Sự chọn lựa kiến trúc kết nối của nhà thiết kế mạng neuron góp phần vào tính thiênlệch quy nạp (inductive bias) của hệ thống.

Các giải thuật và kiến trúc dùng để cài đặt mạng neuron thường được huấn luyện(trained) hay tạo điều kiện (conditioned) chứ không được lập trình một cách tường tận.Và đây chính là sức mạnh chủ yếu của tiếp cận này.

Các phương pháp của tiếp cận này phát huy sức mạnh của chúng trong các bài toán màkhó có thể giải quyết bằng các mô hình ký hiệu. Tiêu biểu là các bài toán đòi hỏi các kỹnăng dựa vào nhận thức, hay các bài toán thiếu một cú pháp định nghĩa rõ ràng.

Các bài toán thích hợp với tiếp cận kết nối thường là:

164/197

• Bài toán phân loại (classification): quyết định một giá trị đưa vào thuộc loạihay nhóm nào,

• Bài toán nhận dạng mẫu (pattern recognition): nhận dạng cấu trúc trong các dữliệu có thể là bị nhiễu.

• Bài toán dự đoán (prediction): chẳng hạn như nhận dạng bệnh từ các triệuchứng, nhận dạng tác nhân từ các hiệu ứng,…

• Bài toán tối ưu (optimization): tìm một tổ chức ràng buộc tốt nhất• Bài toán lọc nhiễu (Noise filtering): hay phân biệt các tín hiệu với nền, tìm ra

các thành phần không quan trọng trong một tín hiệu.

Cơ bản về mạng kết nối:

Thành phần cơ bản của một mạng neuron là một neuron nhân tạo, như mô tả trong hình9.6 sau đây.

Một neuron nhân tạo

Hình 9. 6 minh họa một neuron nhân tạo bao gồm:

Hình 9.6 - Một neuron nhân tạo.

• Các tín hiệu đầu vào, xi. Các dữ liệu này có thể đến từ môi trường, hay đượckích hoạt từ các neuron khác. Các mô hình khác nhau có thể có miền giá trị củađầu vào khác nhau; thông thường các giá trị đầu vào này là các số rời rạc(discrete) lấy từ tập {0,1} hay {-1,1} hay số thực.

• Một tập các trọng số (weight) có giá trị thực, wi. Các trọng số này dùng để môtả sức mạnh kết nối, hay sức mạnh của các kết nối thiên lệch (bias link)

165/197

• Một mức kích hoạt (activation level) hay hàm kích hoạt Σwixi. Mức kích hoạtcủa một neuron được xác định bởi sức mạnh tích lũy từ các tín hiệu đầu vàocủa nó nơi mà mỗi tín hiệu đầu vào được tỷ lệ lại bằng trọng số kết nối wi ởđầu vào đó. Vì vậy, mức kích họat được tính toán bằng cách lấy tổng các giá trịđầu vào sau khi được tỉ lệ hóa, Σwixi.

• Một hàm ngưỡng (threshold function), f. Hàm này tính kết quả đầu ra củaneuron bằng cách xác định xem mức kích hoạt nằm dưới hay trên một giá trịngưỡng là ít hay nhiều. Hàm ngưỡng này có khuynh hướng tạo ra trạng thái tắt/mở của các neuron.

Các đặc trưng của một mạng Neuron

Ngoài các tính chất của một neuron đơn lẻ, một mạng neuron còn được đặc trưng bởicác tính chất toàn cục như sau:

- Hình thái mạng (network topology): là mô hình hay mẫu kết nối giữa các neuron đơnlẻ.

Hình 9.7 - Các hình thái mạng neuron khác nhau.

• Giải thuật học (learning algorithm): là giải thuật dùng để điều chỉnh các trọngsố ở các đầu vào của các neuron. Trong các phần tiếp theo của chương này sẽtrình bày một số giải thuật học tiêu biểu.

• Sơ đồ mã hóa (encoding schema): Bao gồm việc thông dịch dữ liệu thực tếthành các giá trị đầu vào của mạng, và việc thông dịch giá trị đầu ra của mạngthành một kết quả có ý nghĩa.

Mạng neuron McCulloch-Pitts

Ví dụ đầu tiên về tính toán neural được MacCulloch và Pitts đưa ra vào 1943. Đầu vàocủa một neuron McCulloch-Pitts là +1 (kích thích) hoặc –1 (ức chế). Hàm kích hoạtnhân mỗi đầu vào với giá trị trọng số tương ứng và cộng chúng lại; nếu tổng lớn hơnhay bằng không, thì neuron trả về 1, ngược lại, là –1.

166/197

McCulloch-Pitts cho thấy các neuron này có thể được xây dựng để tính toán bất cứ hàmlogic nào, chứng minh rằng các hệ thống gồm các neuron này cung cấp một mô hìnhtính toán đầy đủ.

Hình 9.8 minh họa các neuron McCulloch-Pitts dùng để tính hàm logic and và or.

Hình 9.8 - Các neuron McCulloch-Pitts dùng để tính toán các hàm logic and và or .

Các neuron này có 3 đầu vào: x và y là các giá trị cần đưa vào, còn đầu vào thứ ba, đôikhi còn được gọi là một thiên lệch (bias), có giá trị hằng là +1.

Ba đầu vào của neuron and có 3 trọng số tương ứng là +1, +1 và –2. Vì vậy, với cácgiá trị bất kỳ của x, y, neuron tính giá trị x+y-2; nếu giá trị này nhỏ hơn 0, nó trả về –1.Ngược lại trả về 1.

Bảng bên dưới minh họa cho tính toán neuron x and y.

Bảng 9.2 - Mô hình McCulloch-Pitts cho logic and.

167/197

Mặc dù McCulloch-Pitts chứng minh cho sức mạnh của tính toán neural, nhưng sức hấpdẫn của tiếp cận này chỉ thực sự bắt đầu khi các giải thuật học thực tế bắt đầu phát triển.Phiên bản đầu tiên của mạng neuron có kèm giải thuật học được Frank Rosenblatt đưara vào cuối thập niên 1950, có tên gọi là perceptron.

Học perceptron

Giải thuật học perceptron

Perceptron là mạng neuron đơn tầng. Cách lan truyền tín hiệu của perceptron tương tựvới neuron McCulloch-Pitts. Các giá trị đầu vào và các mức kích hoạt của perceptronlà -1 hoặc 1; trọng số là các số thực. Mức kích hoạt được xác định qua tổng tổngwixi.Perceptron sử dụng một hàm ngưỡng giới hạn cứng, khi một kích hoạt nằm bên trênngưỡng, hàm sẽ cho kết quả là 1, và -1 nếu ngược lại. Cho trước các giá trị đầu vào xi,các trọng số wi, và một ngưỡng, t, hàm ngưỡng f của perceptron sẽ trả về:

1 nếu ∑wixi >= t -1 nếu ∑wixi < t

Perceptron sử dụng một hình thức đơn giản của học có giám sát (supervised learning).Sau khi perceptron cố gắng giải quyết một mẫu bài toán (mẫu này rút ra từ tập dữ liệurèn luyện – training data), chương trình đóng vai trò như một người thầy giáo sẽ cungcấp cho nó kết quả đúng của mẫu bài toán đó (giá trị này cũng lấy từ tập dữ liệu rènluyện). Dựa vào sự khác biệt giữa kết quả đúng được cung cấp và kết quả mà perceptrontính toán được, nó sẽ tự điều chỉnh các trọng số của nó để làm thu hẹp khoảng cách lỗi.Perceptron sử dụng luật như sau: với c là một hằng số cho trước, hằng số này thể hiệntốc độ học và d là giá trị đầu ra mong muốn, perceptron sẽ điều chỉnh trọng số trên thànhphần thứ i của vectơ đầu vào một lượng deltawi:

f(tổngwixi) chính là giá trị đầu ra của perceptron, nó có giá trị +1 hoặc -1. Vì vậy, hiệugiữa d và f(tổngwixi) là 0, 2 hoặc -2. Vì vậy, với mỗi thành phần của vectơ đầu vào:

• Nếu giá trị đầu ra mong muốn và giá trị đầu ra thật bằng nhau, thì không làm gìcả.

• Nếu giá trị đầu ra thực là -1 và 1 là giá trị mong muốn, thì tăng trọng số củađường thứ i lên 2cxi.

168/197

• Nếu giá trị đầu ra thực là 1 và -1 là giá trị mong muốn, thì giảm trọng số củađường thứ i -2cxi

Sở dĩ c được gọi là hằng số thể hiện tốc độ học vì nếu c lớn thì các giá trị điều chỉnhdeltawi sẽ lớn, như vậy, đẩy nhanh quá trình wi hội tụ về giá trị đúng của nó.

Sau khi được huấn luyện bằng một tập hợp khá lớn các ví dụ rèn luyện cho trước, thủtục này sẽ sinh ra một tập các trọng số có tính chất làm giảm thiểu trung bình lỗi trêntoàn tập ví dụ rèn luyện. Theo Minsky và Papert 1969, nếu tồn tại một tập hợp các trọngsố đem lại đầu ra đúng cho mọi ví dụ rèn luyện, thì thủ tục học perceptron sẽ học đượcnó.

Sử dụng mạng perceptron cho bài toán phân loại

Bài toán phân loại

Hình 9.9 - Một hệ thống phân loại đầy đủ.

Hình trên đưa ra một cái nhìn khái quát về bài toán phân loại. Dữ liệu thô từ một khônggian các điểm có thể có sau khi qua bộ chuyển đổi (transducer) sẽ được chọn và chuyểnđổi thành một không gian các dữ liệu hay mẫu mới. Trong không gian mẫu mới này, bộtrích lọc đặc trưng (feature extractor) sẽ chọn ra các đặc trưng của dữ liệu, và cuối cùng,dữ liệu thể hiện qua các đặc trưng sẽ được đưa vào máy phân loại (classifier) để cho rakết quả lớp phân loại (class) của dữ liệu đó.

Trong dây chuyền này, mạng perceptron nói riêng và mạng neuron nói chung đóng vaitrò như một máy phân loại.

169/197

Một dữ liệu đầu vào sẽ được biểu diễn như một vectơ gồm n thành phần (thể hiện chon đặc trưng) x1, x2, …, xn. Các dữ liệu này có thể thuộc 1 trong m lớp class1, class2, …classm. Máy phân loại sẽ có nhiệm vụ xác định xem dữ liệu đầu vào thuộc về lớp nào.

Ví dụ perceptron

Trong ví dụ đơn giản dưới đây, bộ chuyển đổi và bộ trích lọc đặc trưng đã chuyển thôngtin của bài toán thành các tham số của không gian hai chiều. Bảng 9.3 thể hiện dữ liệurèn luyện của perceptron gồm có 2 đặc trưng (x1 và x2) mang giá trị thực, và kết quảmong muốn (output) gồm hai giá trị 1 hoặc -1, thể hiện cho hai lớp phân loại của dữliệu. Hình 9.10 thể hiện hình ảnh của các điểm dữ liệu trong bảng 9.3 cùng với đườngphân cách hai lớp dữ liệu được tạo ra sau khi mạng percpetron được huấn luyện trên tậpdữ liệu này.

Perceptron dùng để phân loại bài toán này được thiết kế như sau:

Hình 9.11- Mạng perceptron cho ví dụ của bảng 9.3.Tín hiệu đầu vào: 2 tham số x1 vàx2, cùng với một đầu vào thiên lệch (bias) luôn có giá trị 1.

Mức kích hoạt:

170/197

net = w1x1 + w2x2 + w3

Hàm ngưỡng f(net) là một hàm dấu, hay còn gọi là hàm ngưỡng hai cực tuyến tính

f(net) = +1, nếu net>0f(net) = -1, nếu net<=0

Tín hiệu thiên lệch phục vụ cho việc chuyển dịch hàm ngưỡng trên trục tung. Phạm vicủa chuyển dịch này sẽ được học bằng cách điều chỉnh trọng số w3 trong khi huấn luyệnmạng.

Bây giờ chúng ta sử dụng các điểm dữ liệu của bảng 9.3 để luyện tập perceptron củahình 9.6.

Giả thiết ban đầu các trọng số wi có giá trị ngẫu nhiên lần lượt là: [0.75,0.5,-0.6]

Sử dụng giải thuật học perceptron trình bày ở trên với tốc độ học c được chọn là một sốdương nhỏ 0.2

Chúng ta bắt đầu bằng ví dụ đầu tiên trong bảng 9.3:

f(net)1 = f(0.75 * 1 + 0.5 * 1 – 0.6 *1 ) = f(0.65) = 1

Ta thấy f(net)1 có giá trị đúng với giá trị đầu ra mong muốn, nên ta không điều chỉnhtrọng số. Cho nên W2 = W1 , W là vectơ trọng số đại diện cho 3 trọng số w1,w2,w3.

Đến ví dụ thứ 2:

f(net)2 = f(0.75 * 9.4 + 0.5 * 6.4 – 0.6 *1 ) = f(9.65) = 1

Nhưng giá trị mong đợi ở đây là -1, vì vậy, ta cần điều chỉnh trọng số theo luật học:

Wt = Wt-1 + c( dt-1 – f(net)t-1)Xt-1

trong đó: c là hằng số học

W, X: là vectơ trọng số, và vectơ dữ liệu đầu vào

171/197

t là thời điểm

Trong trường hợp này: c = 0.2, d2 = -1, và f(net)2 = 1

Áp dụng luật học trên, ta có:

Bây giờ chúng ta xét ví dụ thứ 3:

f(net)3 = f(-3.01 * 2.5 -2.06 * 2.1 – 1.0 *1 ) = f(-12.84) = -1

Trong khi giá trị mong đợi của ví dụ này là 1, nên các trọng số tiếp tục được điều chỉnh

Cứ tiếp tục như thế, sau 10 lần lặp, đường phân cách tuyến tính như trong hình 9.10xuất hiện. Sau khi lặp lại việc huấn luyện perceptron trên tập dữ liệu đã cho, khoảng500 lần lặp tổng cộng, vectơ trọng số hội tụ về giá trị [-1.3, -1.1, 10.9]. Và đây chính làcác hệ số của phương trình đường phân cách tuyến tính trong hình 9.10:

-1.3 * x1 – 1.1 * x2 + 10.9 = 0.

Giới hạn của perceptron – tính tách rời tuyến tính của bài toán

Ban đầu, mạng perceptron được chào đón một cách nhiệt tình. Tuy nhiên, Nils Nilsson(1965) và những người khác đã phân tích những giới hạn của mô hình perceptron. Họchứng minh rằng perceptron không thể giải quyết một lớp các bài toán khó, cụ thể là cácbài toán mà các điểm dữ liệu không thể tách rời tuyến tính. Một ví dụ cho bài toán phânloại không tuyến tính đó là phép toán ex-or. Ex-or có bảng chân lý như sau:

172/197

Từ đồ thị hình 9.12, ta thấy không thể tìm được bất cứ một đường thẳng nào có thểtách rời các điểm dữ liệu của lớp 0: {(0,0), (1,1)} ra khỏi các điểm dữ liệu của lớp 1:{(0,1),(1,0)}.

Chúng ta có thể quan niệm tập hợp các giá trị dữ liệu đối với một mạng neuron nhưdùng để định nghĩa một không gian. Mỗi tham số của dữ liệu đầu vào tương ứng vớimột chiều trong không gian, và mỗi giá trị đầu vào sẽ định nghĩa một điểm trong khônggian đó. Trong bài toán ex-or trên, bốn giá trị đầu vào, được đánh chỉ số theo các tọa độx1, x2, tạo thành các điểm dữ liệu trong hình 9.12. Bài toán học một phân loại nhị phâncủa các dữ liệu rèn luyện rút lại thành bài toán tách các điểm này thành hai nhóm. Nhưvậy, đối với một không gian n chiều, một sự phân loại là phân tách được một cách tuyếntính nếu như các lớp của nó có thể được tách ra bởi một mặt phẳng n-1 chiều. (Trongkhông gian hai chiều thì mặt siêu phẳng n-1 chiều là một đường thẳng, trong không gian3 chiều thì nó là một mặt phẳng, …).

Luật Delta

Một cách dễ dàng để tổng quát hóa mạng perceptron là thay hàm ngưỡng giới hạn cứngbằng một hàm kích hoạt kiểu khác. Chẳng hạn như, hàm kích hoạt liên tục (để có khảnăng lấy vi phân) tạo điều kiện cho các giải thuật học phức tạp hơn.

173/197

Hình 9.13 - Các hàm ngưỡng.

Hình 9.13 minh họa đồ thị của một số hàm ngưỡng: hình 9.13a là một hàm ngưỡng haicực, hình 9.13b minh họa một hàm kích hoạt sigmoidal thông dụng (hàm sigmoidal làhàm có hình cong như chữ S), được gọi là hàm logistic, hàm này có công thức như sau:

f(net) = 1/(1 + e-l*net) với net = tổngi wixi

Cũng như các hàm định nghĩa trước đây, xi là đầu vào của đường thứ i, wi là trọng sốtrên đường vào i, và λ là “tham số nén” được sử dụng để điều chỉnh độ cong của đường.Khi λ càng lớn, thì đường cong càng tiệm cận với hàm ngưỡng tuyến tính (trong hình9.13a). Khi càng tiến gần đến 1, nó càng gần như là một đường thẳng.

Hàm logistic có một tính chất đặc biệt là, đạo hàm của hàm này có một công thức rấtđơn giản:

f ’(net) = f(net) * (1- f(net)) (1-1)

Từ hình 9.13 ta thấy với các hàm ngưỡng liên tục, neuron sẽ cho kết quả chính xác hơnnhờ vào việc điều chỉnh tham số λ.

Việc đưa ra các hàm kích hoạt liên tục đã làm đề xuất các tiếp cận mới để làm giảm lỗitrong khi học. Qui luật học do Widrow-Hoff đưa ra vào khoảng 1960 độc lập với hàmkích hoạt, tối thiểu hóa bình phương của lỗi giữa giá trị đầu ra mong muốn và kích hoạtcủa neuron, neti = WXi. Một trong số luật học quan trọng cho các hàm kích hoạt liên tụclà luật delta (Rumelhart et al. 1986).

174/197

Để sử dụng luạt delta, mạng phải sử dụng mootj hàm ngưỡng liên tục để có thể lấy viphân. Hàm logistic đã trình bày bên trên có được tính chất này. Khi đó công thức họctheo luật delta cho việc điều chỉnh trọng số ở đầu vào thứ j của nút thứ i là:

deltaw = c(di – Oi) f’(neti)xj

trong đó, c là hằng số điều khiển tốc độ học, di và Oi là các giá trị đầu ra thực sự vàmong muốn của nút thứ i. f’(neti) là đạo hàm của hàm kích hoạt cho nút thứ i, và xj làđầu vào thứ j của nút thứ i. Thay thế công thức đạo hàm (1-1) của hàm logistic f’(net),ta được công thức để điều chỉnh trọng số như sau:

deltaw = c(di – Oi) Oi( 1 – Oi) xj (1-2)

Từ công thức này cho thấy, công thức điều chỉnh trọng số này chỉ có thể áp dụng chocác nút của mạng perceptron đơn tầng, vì tại đó ta mới có các giá trị đầu ra mong muốndi.

Học Lan truyền ngược:

Như đã phân tích ở trên, ta thấy các mạng perceptron đơn tầng có khả năng giới hạn,chúng không thể phân loại được các bài toán không tách rời tuyến tính. Trong phần tiếptheo, chúng ta sẽ thấy rằng các mạng đa tầng có thể giải quyết được các bài toán này.

Hình 9.14 - Học lan truyền ngược trong mạng kết nối có một tầng ẩn.

175/197

Các neuron trong một mạng đa tầng (xem hình 9.14) được kết nối với nhau theo từnglớp, trong đó các neuron ở tầng k sẽ truyền kích hoạt của chúng chỉ cho các neuron ởtầng k+1. Xử lý tín hiệu đa tầng có nghĩa là các lỗi nằm sâu bên trong mạng có thể lanra và phát triển một cách phức tạp thông qua các tầng liên tiếp. Vì vậy, việc phân tíchnguyên nhân gây ra lỗi ở tầng ra (output layer) là rất phức tạp. Giải thuật học lan truyềnngược sẽ cung cấp một phương pháp điều chỉnh trọng số trong trường hợp này.

Giải thuật học lan truyền ngược

Từ lập luận cho rằng tại các nút của một mạng đa tầng, lỗi mà một nút phải chịu tráchnhiệm cũng phải được chia phần cho các nút ở tầng ẩn trước nó và vì vậy các trọng sốphải được điều chỉnh một cách phù hợp.

Giải thuật lan truyền ngược bắt đầu tại tầng ra và truyền các lỗi ngược về xuyên qua cáctầng ẩn (như hình 9.14).

Hình 9.15 - tổng j –delta j *w ij là tổng đóng góp của nút i vào lỗi ở tầng ra.

Luật delta tổng quát để điều chỉnh trọng số của đầu vào thứ k của nút thứ i:

deltawk = c(di – Oi) Oi (1 – Oi) xk cho nút ở tầng ra

deltawk = c tổngj (deltaj wij) Oi (1 – Oi) xk cho nút ở tầng ẩn

với deltaj = (dj – Oj) Oj (1 – Oj)

176/197

j chạy trên các nút của tầng kế tiếp mà tại đó nút i truyền các đầu ra của nó.

Đối với mạng có nhiều hơn một tầng ẩn, ta cũng áp dụng thủ tục tương tự một cách đệquy để truyền lỗi từ tầng ẩn thứ n vào tầng ẩn thứ n-1.

Ví dụ 1: Mạng NetTalk

Mạng NETtalk là một ví dụ hay cho việc sử dụng giải pháp mạng neuron để giải quyếtmột vấn đề học khó. NETtalk học để đọc được văn bản tiếng Anh. Đây là một nhiệm vụkhó khăn đối với tiếp cận học dựa trên ký hiệu, vì phát âm trong tiếng Anh mang tínhbất quy tắc. Mặc dù có các chương trình dựa trên luật (rule-based) đã được viết để giảiquyết vấn đề này, nhưng chúng đều phức tạp và thực hiện chưa hoàn hảo.

NETtalk học để đọc một chuỗi văn bản và trả về một âm vị cùng với trọng âm liên hệcho mỗi chữ cái trong chuỗi. Vì phát âm của một chữ cái đơn nhất phụ thuộc vào cácchữ cái xung quanh nó, người ta đưa vào NETtalk một cửa sổ gồm 7 ký tự. Khi văn bảndịch chuyển qua cửa sổ này, NETtalk trả về một cặp âm vị/trọng âm cho mỗi chữ cái.

Hình 9.15 minh họa kiến trúc của mạng NETtalk. Mạng gồm có 3 tầng neuron. Cácneuron đầu vào tương ứng với cửa sổ 7 ký tự của văn bản. Mỗi vị trí trong cửa sổ đượcbiểu diễn bởi 29 neuron đầu vào, 26 neurons cho 26 ký tự alphabet, và 3 neurons chodấu và khoảng trắng. Ký tự ở mỗi ví trí trong cửa sổ sẽ kích hoạt neuron tương ứng.Các neuron đầu ra mã hóa âm sử dụng 21 đặc điểm khác nhau của cách phát âm của conngười. 5 neurons còn lại mã hóa dấu nhấn và giới hạn âm tiết. NETtalk có 80 neuron ởtầng ẩn, 26 giá trị đầu ra và 18.629 kết nối.

Hình 9.15 - Hình thái mạng của NETtalk.

177/197

Kết quả của NETtalk là có thể phát âm đúng 60% sau khi rèn luyện với một tập dữ liệurèn luyện gồm 500 ví dụ và lặp lại 100 lượt.

Ngoài kết quả đạt được trên, NETtalk còn cho thấy một số tính chất đáng chú ý củamạng neuron, có nhiều tính chất trong số đó phản ánh bản chất tự nhiên của việc học ởngười. Chẳng hạn như, việc học, khi được đo bằng phần trăm câu trả lời đúng, sẽ tiếntriển nhanh lúc đầu, sau đó chậm dần khi tỉ lệ đúng tăng lên. Và cũng như con người,khi neuron càng học phát âm được nhiều từ, thì nó càng phát âm đúng các từ mới nhiềuhơn.

Ví dụ 2: Exclusive–or

Một ví dụ khác cho mạng đa tầng là dùng để giải quyết bài toán Ex-or mà mạng đơntầng không thể phân loại được.

Hình 9.16 minh họa mạng với hai đầu vào, một nút ẩn và một nút đầu ra. Mạng cũng cóhai đầu vào thiên lệch (bias), một đi vào nút ẩn và một đi vào nút đầu ra. Một điểm đặcbiệt là các đầu vào cũng được nối trực tiếp vào nút đầu ra. Liên kết thêm vào này chophép nhà thiết kế mạng neuron đạt được một mạng với ít nút hơn trên tầng ẩn và hội tụnhanh hơn.

Giá trị net cho nút ẩn và nút đầu ra cũng được tính như cách thông thường, là tổng củacác tích giữa giá trị đầu nhân với trọng số. Các trọng số được điều chỉnh theo giải thuậthọc lan truyền ngược và sử dụng hàm kích hoạt sigmoidal.

Thật ra, mạng neuron trong hình 9.16 không phải là một mạng duy nhất có thể giải quyếtbài toán này.

Hình 9.16 - Một mạng lan truyền ngược dùng để giải quyết bài toán exclusive-or.

178/197

Mạng này được rèn luyện với 4 ví dụ: (0,0) → 0; (1,0) → 1; (0,1) → 1; (1,1) → 0

Sau khi được huấn luyện 1400 lượt với 4 dữ liệu trên, các trọng số hội tụ về các giá trịnhư sau:

WH1 = -7.0 WHB = 2.6 WO1 = -5.0 WH2 = -7.0

WOB = 7.0 WO2 = -4.0 WHO = -11.0

Với giá trị đầu vào là (0,0), giá trị đầu ra của nút ẩn sẽ là:

f(0 * (-7.0) + 0 * (-7.0) + 1* 2.6 ) = f(2.6) → 1

Kết quả trả về của nút đầu ra cho (0,0) sẽ là:

f(0 * (-5.0) + 0 * (-4.0) + 1 * (-11.0) + 1 * (7.0)) = f(-4.0) → 0

Như vậy, ta thấy rằng mạng lan truyền ngược đã phân loại được các điểm dữ liệu khôngtuyến tính.

Nhận xét chung về mạng neuron

Nói chung các mạng đa tầng là đầy đủ về mặt tính toán (computationally complete), cónghĩa là có thể giải quyết được mọi bài toán. Tuy nhiên, để thiết kế một mạng neuron đatầng thì nhà thiết kế phải giải quyết được những vấn đề sau:

• Làm sao để chọn số nút ẩn và số tầng ẩn thích hợp?• Khi nào sử dụng các nút thiên lệch?• Cách chọn một tập rèn luyện?• Điều chỉnh các trọng số như thế nào?• Nên chọn tốc độ học như thế nào?

Nói chung, không có một quy luật nào về tất cả những điều này, nó phụ thuộc vào kinhnghiệm của nhà thiết kế, cũng như là kết quả của quá trình thử-sai lặp đi lặp lại.

179/197

TIẾP CẬN XÃ HỘI VÀ NỔI TRỘI: GIẢI THUẬT DITRUYỀN (GENETIC ALGORITHM - GA)

TIẾP CẬN XÃ HỘI VÀ NỔI TRỘI: GIẢI THUẬT DI TRUYỀN(GENETIC ALGORITHM - GA)

Giới thiệu

Cũng như các mạng neuron, các thuật toán di truyền cũng dựa trên một ẩn dụ sinh học:Các thuật toán này xem việc học như là sự cạnh tranh trong một quần thể gồm các lờigiải ứng viên đang tiến hóa của bài toán. Một hàm ‘thích nghi’ (fitness function) sẽ đánhgiá mỗi lời giải để quyết định liệu nó có đóng góp cho thế hệ các lời giải kế tiếp haykhông. Sau đó, thông qua các phép toán tương tự với biến đổi gene trong sinh sản hữutính, giải thuật sẽ tạo ra một quần thể các lời giải ứng viên mới.

Giải thuật

Hình 9.17 - Giải thuật di truyền.

Hình 9.17 mô tả giải thuật di truyền tổng quát. Tùy theo từng bài toán mà nhà thiết kếgiải thuật sẽ phải mô tả chi tiết hơn về:

180/197

• Phương pháp biểu diễn một cá thể trong quần thể các lời giải ứng viên của bàitoán, hay nói khác hơn là hình thức biểu diễn một lời giải tiềm năng của bàitoán. Không phải lời giải của mọi bài toán đều có thể được mã hóa một cách dễdàng và tự nhiên dưới dạng biểu diễn mức bit như trong bài toán thỏa mãn CNFdưới đây.

• Độ lớn của quần thể là số lượng ứng viên có trong quần thể. Thông thường cácứng viên của quần thể ban đầu được chọn một cách ngẫu nhiên. Độ lớn củaquần thể là không đổi qua các thế hệ, vì vậy, sẽ có một quá trình chọn lọc vàloại bỏ một số lời giải ứng viên có độ thích nghi thấp.

• Điều kiện dừng của vòng lặp: có thể là chương trình đạt tới một số lần lặp nhấtđịnh nào đó, hay đạt tới trung bình độ tốt nào đó của quần thể,…

• Hàm đánh giá (fitness function): Dùng để đánh giá một ứng viên có tốt haykhông. Một ứng viên càng tốt nghĩa là độ thích nghi của nó càng cao và tiếnđến trở thành lời giải đúng của bài toán. Việc thiết kế một hàm đánh giá tốt làrất quan trọng trong thuật toán di truyền. Một hàm đánh giá không chính xác cóthể làm mất đi các ứng viên tốt trong quần thể.

• Chọn lựa bao nhiêu phần trăm lời giải tốt để giữ lại? Hay chọn bao nhiêu lờigiải ứng viên để kết hợp với nhau và sinh ra lời giải con?

• Phương pháp tạo thành viên mới từ thành viên hiện có, còn gọi là toán tử ditruyền (genetic operators): Các toán tử di truyền phổ biến là

◦ Lai ghép (cross-over): Toán tử lai ghép lấy hai lời giải ứng viên và chiatừng lời giải ra thành hai phần, sau đó trao đổi các phần với nhau để tạora ứng viên mới. Ví dụ xem hình 9.18.

◦ Đột biến (mutation): Đột biến lấy một ứng viên đơn lẻ và thay đổi mộtcách ngẫu nhiên một khía cạnh nào đó của nó. Ví dụ xem hình 9.18.

Độ thích nghi(fitness)

Hình 9.18 - Ví dụ minh họa giải thuật và toán tử di truyền.

181/197

Trong ví dụ minh họa bằng hình 9.18, ta thấy tại thế hệ thứ n ta có một lời giải có độthích nghi rất thấp (2), và vì vậy, nó không được sử dụng trong quá trình tái sản xuất.Thay vào đó, lời giải có độ thích nghi cao nhất (13) sẽ được nhân đôi và đưa vào quátrình tái sản xuất.

Hoặc ít phổ biến hơn là các toán tử di truyền:

• Đảo ngược (inversion): Đảo ngược thứ tự các bit trong mẫu lời giải.• Trao đổi (Exchange): Trao đổi hai bit bất kỳ trong mẫu lời giải với nhau.

Một toán tử di truyền tốt đóng một vai trò quan trọng trong thuật toán di truyền. Toántử di truyền phải bảo toàn những mối quan hệ cốt yếu trong quần thể; ví dụ, sự có mặtvà sự duy nhất của tất cả các thành phố trong hành trình của người bán hàng trong bàitoán người đi bán hàng.

• Thay thế thành viên mới cho các thành viên hiện có như thế nào?• …

Ví dụ 1: Bài toán thỏa CNF

Bài toán thỏa mãn dạng chuẩn hội (Conjunctive normal form – CNF) là một bài toánđơn giản: Một biểu thức của các mệnh đề (clause) ở dạng chuẩn hội hay CNF khi nólà một dãy các biến mệnh đề được kết nối với nhau bởi toán tử quan hệ and (∧). Mỗimệnh đề có dạng là một tuyển (disjunction), gồm các toán tử quan hệ or (∨) trên cácbiến mệnh đề (literal).

Ví dụ : Nếu ta có 6 biến mệnh đề a, b, c, d, e và f, thì biểu thức sau đây là một CNF:

(1-3)

Thỏa mãn CNF có nghĩa rằng chúng ta phải tìm ra một phép gán true hoặc false (1 hoặc0) cho mỗi biến mệnh đề a, b, c, d, e, f sao cho biểu thức CNF có giá trị là TRUE.

Một cách biểu diễn tự nhiên cho lời giải của bài toán này là một dãy sáu bit, mỗi bit theothứ tự a, b, c, d, e, f biểu diễn true (1) hoặc false (0) cho mỗi biến mệnh đề. Như vậymẫu bit:

182/197

1 0 1 0 1 0

cho biết a, c, và e là true và b, d, và f là false, và do đó khi thay các giá trị này vào biểuthức (1-3), thì cho giá trị false.

Chúng ta muốn rằng các toán tử di truyền sinh ra các thế hệ lời giải sao cho biểu thứcCNF mang trị true, vì vậy mỗi toán tử phải sinh ra một mẫu 6-bit của phép gán true chobiểu thức. Cách biểu diễn lời giải dưới dạng một mẫu các bit như trên mang lại cho tarất một điều rất thuận lợi là bất kỳ toán tử di truyền nào (lai ghép, đột biến, đảo ngược,hay trao đổi) đều tạo ra một mẫu bit mới là một lời giải khả dĩ hợp lệ.

Việc chọn lựa một hàm thích nghi cho quần thể các chuỗi bit này không phải hoàn toàndễ dàng. Thoạt nhìn chuỗi bit, ta khó có thể xác định một hàm thích nghi để đánh giáđược chất lượng của nó như thế nào, nghĩa là khó đoán được độ tốt của nó so với đáp ánđúng. Đáp án đúng ở đây chính là chuỗi bit sao cho biểu thức CNF có giá trị true.

Tuy nhiên có một số cách khác. Nếu ta chú ý đến biểu thức CNF (1-3), thì ta thấy rằngnó được tạo thành từ hội của 5 mệnh đề. Do đó chúng ta có thể thiết lập một hệ phânhạng cho phép chúng ta sắp hạng các lời giải (mẫu bit) tiềm năng trong khoảng giá trị từ0 đến 5, tùy thuộc vào số mệnh đề mà mẫu đó thỏa mãn. Do đó mẫu:

1 1 0 0 1 0 có độ thích nghi là 1



1 0 1 0 1 1 có độ thích nghi là 5, và nó chính là một lời giải.

Ví dụ 2: Bài toán người đi bán hàng TSP

Bài toán người bán hàng (traveling salesperson problem – TSP) là một bài toán cổ điểnđối với AI và khoa học máy tính

Phát biểu của bài toán TSP: Một người bán hàng có nhiệm vụ ghé thăm N thành phốnhư là một phần của lộ trình bán hàng. Đường đi giữa mỗi cặp thành phố có một chiphí (ví dụ như độ dài đoạn đường, giá vé máy bay). Hãy tìm ra đường đi có chi phíthấp nhất cho người bán hàng để bắt đầu lên đường tại một thành phố, thăm tất cả cácthành phố khác chỉ đúng một lần rồi quay lại thành phố xuất phát.. Như chúng đã giới thiệu ở chương III, toàn bộ không gian trạng thái của nó đòi hỏiphải xem xét N! trạng thái để có thể tìm ra lời giải tối ưu, trong đó N là số thành phốcần đi qua. Khi N khá lớn thì bài toán sẽ bị bùng nổ tổ hợp, vì vậy người ta đặt vấn đềlà có cần thiết hay không cho việc chạy một máy trạm làm việc đắt tiền trong nhiều giờđể cho một lời giải tối ưu hay chỉ nên chạy một PC rẻ tiền trong vài phút để có được

183/197

những kết quả “đủ tốt”. Giải thuật di truyền chính là một giải pháp cho lựa chọn thứhai.

Ở bài toán này, dùng mẫu bit để biểu diễn cho lời giải của bài toán không phải là mộtcách hay. Chẳng hạn, ta có chín thành phố cần ghé thăm 1, 2, …9, ta xem mỗi thành phốnhư một mẫu 4 bit 0001, 0010,… 1001. Khi đó một lời giải khả dĩ sẽ có hình thức nhưsau:

0001 0010 0011 0100 0101 0110 0111 1000 1001

Với cách biểu diễn như vậy, việc thiết kế các toán tử di truyền sẽ trở nên rất khó khăn.Toán tử lai ghép nhất định là không được, vì chuỗi mới được tạo từ hai cha mẹ khácnhau hầu như sẽ không biểu diễn một đường đi trong đó ghé thăm mỗi thành phố đúngmột lần. Trong thực tế, với lai ghép, một số thành phố có thể bị xóa bỏ trong khi cácthành phố khác được ghé thăm nhiều hơn một lần, và vì vậy đó không phải là một lờigiải hợp lệ. Còn toán tử đột biến thì thế nào? Giả sử bit trái nhất của thành phố thứ sáu,0110, được đột biến thành 1? 1110, hay là 14, thì nó không còn là một thành phố hợp lệ.

Một cách tiếp cận khác là sẽ bỏ qua biểu diễn dạng mẫu bit và đặt cho mỗi thành phốmột tên theo bảng chữ cái hoặc số, ví dụ 1, 2, …9; xem đường đi qua các thành phố làmột sự sắp thứ tự của chín ký số này, và sau đó chọn toán tử di truyền thích hợp để tạora các đường đi mới. Ở đây ta thấy phép trao đổi (exchange) ngẫu nhiên hai thành phốtrong đường đi có thể sử dụng được, còn phép toán lai ghép (crossover) thì không. Việctrao đổi các đoạn của một đường đi với những đoạn khác của cùng đường đi đó, hoặcbất cứ toán tử nào sắp xếp lại các chữ cái của đường đi ấy (mà không xóa bỏ, thêm,hay nhân đôi bất cứ thành phố nào) đều có thể sử dụng được. Tuy nhiên, những phươngpháp này gây khó khăn cho việc đưa vào thế hệ con cháu những thành phần “tốt hơn”của các mẫu trong các đường đi qua của các thành phố của hai cha mẹ khác nhau.

Nhiều nhà nghiên cứu đã đưa ra các toán tử lai ghép có khả năng khắc phục những vấnđề này, trong đó có toán tử lai ghép có thứ tự (order crossover) do Davis đưa ra vào năm1985. Lai ghép có thứ tự xây dựng con cháu bằng cách chọn một dãy con các thành phốtrong đường đi của một mẫu cha mẹ. Nó cũng bảo toàn thứ tự tương đối các thành phốtừ cha mẹ kia. Đầu tiên, chọn hai điểm cắt, biểu thị bởi dấu “|”, điểm cắt này được chenvào một cách ngẫu nhiên vào cùng một vị trí của mỗi mẫu cha mẹ. Những điểm cắt nàylà ngẫu nhiên, nhưng một khi được chọn, thì những vị trí như nhau sẽ được sử dụng chocả hai cha mẹ. Ví dụ, có hai mẫu cho mẹ p1 và p2, với các điểm cắt sau thành phố thứba và thứ bảy:

p1 = (1 9 2 | 4 6 5 7 | 8 3)

p2 = (4 5 9 | 1 8 7 6 | 2 3)

184/197

Hai mẫu con c1 và c2 sẽ được sinh ra theo cách sau. Đầu tiên, các đoạn giữa hai điểmcắt sẽ được chép vào các mẫu con:

c1 = (x x x | 4 6 5 7 | x x)

c2 = (x x x | 1 8 7 6 | x x)

Bước kế tiếp là bắt đầu từ điểm cắt thứ hai của một trong hai mẫu cha mẹ, nếu ta đangmuốn hoàn tất mẫu c1, thì ta sẽ bắt đầu từ điểm cắt thứ hai của mẫu p2, ta chép cácthành phố từ điểm cắt này theo thứ tự vào các chỗ còn trống của c1, bỏ qua những thànhphố mà c1 đã có (các ký số được in đậm và nghiêng trong sơ đồ bên dưới). Khi đến cuốimẫu p2, thì quay lại đầu mẫu p2 tiếp tục chép sang c1 cho đến khi c1 đủ.

Với giải thuật lai ghép này, các đường đi của thế hệ con sẽ được đảm bảo là các đườngđi hợp lệ, đi qua mỗi thành phố một lần duy nhất.

Tóm lại, trong lai ghép thứ tự, các mảnh của một đường đi được truyền từ một cha mẹ,p1, sang một con, c1, trong khi sắp xếp của các thành phố còn lại của con c1 được thừakế từ cha mẹ kia, p2. Điều này ủng hộ cho trực giác hiển nhiên là thứ tự của các thànhphố đóng vai trò quan trọng trong việc tạo ra đường đi với chi phí thấp nhất, và vì vậyviệc truyền lại các đoạn thông tin có thứ tự này từ các cha mẹ có độ thích nghi cao sangcon cái là một điều rất quan trọng.

Ngoài toán tử lai ghép thứ tự trên, còn có rất nhiều toán tử lai ghép và đột biến khácđược đưa ra để giải quyết bài toán này. Bảng 9.5 liệt kê các toán tử lai ghép, bảng 9.6liệt kê các toán tử đột biến.

Năm Tác giả

Alternating Position Crossover (AP) (1999) Larranaga, Kuijpers, Poza, Murga

Cycle Crossover (CX) (1987) Oliver, Smith and Holland

Distance Preserving Crossover (DPX) (1996) Freisbein and Merz

Edge Assembly Crossover (EAX) (1997) Nagata and Kobayashi

Edge Recombination Crossover (ER) (1989) Whitley, Timothy, Fuquay

185/197

Heuristic Crossover (HEU) (1987) Grefenstette

Inver-over Operator (IOO) (1998) Tao and Michalewicz

Maximal Preservative Crossover (MPX) (1988) Mühlenbein, Schleuter and Krämer

Position Based Crossover (POS) (1991) Syswerda

Order Crossover (OX1) (1985) Davis

Order Based Crossover (OX2) (1991) Syswerda

Partially mapped Crossover (PMX) (1985) Goldberg and Lingle

Voting Recombination Crossover (VR) (1989) Mühlenbein

Bảng 9.5 - Danh sách các toán tử lai ghép cho bài toán TSP.

Bảng 9.6 - Danh sách các toán tử đột biến cho bài toán TSP.

Đánh giá giải thuật

Các ví dụ vừa nêu trên làm nổi bật những vấn đề mang tính duy nhất của thuật toán ditruyền về biểu diễn tri thức, chọn toán tử di truyền, và thiết kế hàm thích nghi. Biểu diễnđược chọn phải hỗ trợ cho các toán tử di truyền. Một điểm dáng lưu ý nữa là các toántử di truyền phải được thiết kế sao cho bảo lưu được những mảnh thông tin có ý nghĩatrong lời giải tiềm năng từ thế hệ này sang các thế hệ tiếp theo.

Một sức mạnh quan trọng của thuật toán di truyền là bản chất song song trong tìm kiếmcủa nó. Các thuật toán này thực hiện một dạng mạnh của leo núi (hill climbing) trongđó duy trì nhiều lời giải (trong quần thể các lời giải), loại bỏ những lời giải không cótriển vọng, và nâng cao chất lượng của những lời giải tốt. Hình 9.19 phỏng theo Holland

186/197

(1986), cho thấy nhiều lời giải hội tụ về các điểm tối ưu trong không gian tìm kiếm.Trong hình này, trục hoành biểu diễn các điểm có thể có trong không gian lời giải, trongkhi trục tung phản ánh chất lượng của những lời giải đó. Các điểm chấm nằm trên cunglà các thành viên của quần thể hiện tại. Khởi đầu, những lời giải được rải trong khônggian những lời giải có thể có. Sau một vài thế hệ, chúng có khuynh hướng cụm lại xungquanh những vùng có chất lượng lời giải cao hơn.

Hình 9.19- Các thuật toán di truyền được xem là leo núi song song (theo Holland1986)Tuy nhiên, với sức mạnh như vậy, giải thuật genetic cũng không thể áp dụng chotất cả các bài toán có thể có. Vì như ta thấy qua hai ví dụ trên, lời giải của bài toán phảiđược biểu diễn dưới một dạng mẫu thích hợp cho các toán tử di truyền hoạt động.Trong thực tế có nhiều bài toán không thể làm được điều này. Vì vậy, khi nghiên cứuvề giải thuật này, có rất nhiều câu hỏi đã được đưa ra nhằm hiểu rõ hơn nữa về bảnchất hoạt động của nó:

• Liệu chúng ta có thể đưa ra những đặc điểm về các loại bài toán mà giải thuậtdi truyền (GA) có thể thực hiện tốt

• Các loại bài toán nào thì không thích hợp với GA.• Dựa vào đâu để ta có thể nói là GA thực hiện tốt hay không tốt đối với một loại

bài toán nào đó?• Liệu có những qui luật nào mô tả hành vi của GA ở mức vĩ mô? Hay cụ thể

hơn, là liệu có bất kỳ sự phán đoán nào về sự thay đổi của độ thích nghi của cácnhóm con trong quần thể theo thời gian?

• Có cách nào để mô tả các hiệu ứng khác nhau của các toán tử di truyền như laighép, đột biến, đảo ngược, v.v…

• Trong những trường hợp nào (bài toán nào, toán tử di truyền nào) thì GA sẽthực hiện tốt hơn các phương pháp nghiên cứu của TTNT truyền thống.

Những câu hỏi này (và còn nhiều hơn nữa) vẫn đã và đang được các nhà khoa học nhưHolland, Mitchell, Golderg,… nghiên cứu.

187/197

TỔNG KẾT CHƯƠNG IX


• Giới thiệu tổng quát về một nhánh nghiên cứu mới của Trí Tuệ Nhân Tạo, đó làHọc máy. Học được định nghĩa như là bất cứ sự thay đổi nào trong một hệthống cho phép nó tiến hành tốt hơn trong lần thứ hai khi lặp lại cùng mộtnhiệm vụ hoặc với một nhiệm vụ khác rút ra từ cùng một quần thể các nhiệmvụ đó.

• Có ba tiếp cận học: Tiếp cận thứ nhất là tiếp cận ký hiệu, hai là tiếp cận mạngneuron hay kết nối và tiếp cận thứ ba là tiếp cận nổi trội haydi truyền và tiếnhóa.

• Các chương trình học theo tiếp cận ký hiệu sẽ biểu diễn vấn đề dưới dạng cácký hiệu. Chương này trình bày một giải thuật được sử dụng rộng rãi của tiếpcận này, đó là ID3. ID3 sẽ học từ tập dữ liệu rèn luyện bao gồm rất nhiều ví dụ,mỗi ví dụ bao gồm một tập các cặp ‘thuộc tính – giá trị’. Thuộc tính và giá trị ởđây là các ký hiệu. Sau khi học xong, ID3 biểu diễn khái niệm học được bằngmột cây quyết định.

• Tiếp cận kết nối hay mạng neuron mô phỏng hệ thần kinh của con người để họcđược các khái niệm mà không sử dụng ký hiệu để biểu diễn vấn đề. Mạng đơntầng perceptron cho thấy sức mạnh của mạng neuron, tuy nhiên khả năng ápdụng của chúng chỉ hạn chế cho các bài toán có tính tách rời tuyến tính. Mạngđa tầng áp dụng giải thuật học lan truyền ngược đã vượt qua những hạn chế củamạng perceptron, chứng tỏ được sức mạnh thực sự của tiếp cận này.

• Tương tự như tiếp cận kết nối, tiếp cận di truyền và tiến hóa có cảm hứng bắtnguồn từ tri thức của con người về sự tiến hóa của sinh vật: chỉ có những cá thểcó khả năng thích nghi với sự thay đổi của môi trường thì mới tồn tại và pháttriển. Thuật toán di truyền mô phỏng theo nguyên lý đó.

Bài tập chương IX

Cho một tập hợp các ví dụ rèn luyện như sau:

An muốn áp dụng giải thuật ID3 để xây dựng cây quyết định với tập dữ liệu rèn luyệntrên. Áp dụng các công thức tính entropy và gain, hãy giúp An xác định thuộc tính nào

188/197

(A1, A2, hay A3) là thuộc tính tốt nhất để hỏi đầu tiên nhằm tạo ra một cây quyết địnhđơn giản nhất. (Lưu ý: phải trình bày các tính toán entropy và gain để đi đến kết luận).

Ứng dụng giải thuật di truyền để tìm giá trị của các biến x, y, z sao cho hàm f(x,y,z) =ysin(zcos(x)) – xcos(zsin(y)) đạt giá trị lớn nhất. Biết rằng 0 < x < 10, 0< y < 10, 0 <z< 10.

Cho một tập hợp gồm 10 ví dụ rèn luyện như sau:

Tập dữ liệu trên thể hiện quyết định sẽ chờ bàn hay không của một người khi bước vàomột nhà hàng đông khách không còn bàn trống. Quyết định của anh ta sẽ phụ thuộcvào một số yếu tố như hôm đó có phải là ngày cuối tuần không (cuối-tuần) – A1, anhta có đang đói không (đang-đói) – A2, thời gian chờ bàn (TG-chờ) – A3: dưới 10 phút(0-10), từ 10 đến 30 phút (10-30) hay trên 30 phút (>30).

Áp dụng các công thức tính entropy và gain, để xác định thuộc tính tốt nhất để hỏi kếtiếp nhằm tạo ra một cây quyết định đơn giản nhất theo giải thuật ID3. Trình bày cáctính toán entropy và gain ở mỗi bước.

189/197

TÀI LIỆU THAM KHẢOTÀI LIỆU THAM KHẢO

SÁCH

George F. Luger, William A. Stubblefield – Artificial Intelligence - Structure andStrategies for Complex Problem Solving(3rd edition) - Wesley Publishing Company,1997

Bùi Xuân Toại, Trương Gia Việt (Biên dịch) – Trí tuệ nhân tạo – Các cấu trúc và chiếnlược giải quyết vấn đề - NXB Thống kê, 2000

Elaine Rich, Kevin Knight – Artificial Intelligence (Second Edition) – McGraw-Hill,1991.

Tom M. Mitchell – Machine Learning – McGraw Hill, Inc, 1997

Jean-Louis Laurière – Problem solving methods and Artificial Intelligence - PrenticeHall, 1987,1990

Judea Pearl – Heuristics – Intelligent Search Strategies for Computer Problem Solving– Addison-Wesley Publishing company, 1984

Stuart J. Russell and Peter Norvig – ArtificalIntelligence: A Modern Approach– PrenticeHall. Second edition, 2002

Bạch Hưng Khang, Hoàng Kiếm – Trí tuệ nhân tạo – Các phương pháp và ứng dụng -NXB Khoa học kỹ thuật, 1989

PTS. Nguyễn Thanh Thủy – Trí tuệ nhân tạo – Các phương pháp giải quyết vấn đề vàkỹ thuật xử lý tri thức– NXB Giáo dục, 1995.

Nguyễn Trung Tuấn – Trí tuệ nhân tạo (tài liệu dùng cho sinh viên, kỹ sư, cử nhânngành CNTT) - NXB Giáo dục, 1998

TRANG WEB

Wikipedia – Bách khoa toàn thư mở - Lịch sử ngành Trí tuệ nhân tạo

http://en.wikipedia.org/wiki/Artificial_intelligence

190/197

http://vi.wikipedia.org/wiki/L�ch_s�_ng�nh_tr�_tu�_nh�n_t�o

Artificial Intelligence: A Modern Approach (Second Edition) by StuartRussell and Peter Norvig : Introduction on AI


Heuristic search

http://www.macs.hw.ac.uk/~alison/ai3notes/subsection2_6_2_3.html

Blackboard Architecture

http://www.nb.net/~javadoug/bb.htm

Wikipedia – Bách khoa toàn thư mở - Hệ chuyên gia

http://en.wikipedia.org/wiki/Expert_system

Hệ chuyên gia

http://www.macs.hw.ac.uk/~alison/ai3notes/chapter2_5.html

Hệ chuyên gia MYCIN

http://www.cs.cf.ac.uk/Dave/AI1/mycin.html

Fuzzy Logic

http://pandora.compsci.ualr.edu/ milanova/7399-11/week14/ FuzzyLogic.ppt

Wikipedia – Bách khoa toàn thư mở - Học máy: http://en.wikipedia.org/wiki/Machine_learning

191/197


http://www.macs.hw.ac.uk/~alison/ai3notes/subsection2_6_2_3.html

http://www.nb.net/~javadoug/bb.htm

http://en.wikipedia.org/wiki/Expert_system

http://www.macs.hw.ac.uk/~alison/ai3notes/chapter2_5.html

http://www.cs.cf.ac.uk/Dave/AI1/mycin.html

http://en.wikipedia.org/wiki/Machine_learning

http://en.wikipedia.org/wiki/Machine_learning

Tham gia đóng góp

Tài liệu: Trí tuệ nhân tạo

Biên tập bởi: Trần Ngân Bình

URL: http://voer.edu.vn/c/764b3239

Giấy phép: http://creativecommons.org/licenses/by/3.0/

Module: Lời nói đầu

Các tác giả: Huynh Tram Vo

URL: http://www.voer.edu.vn/m/9091b0ec


Module: GIỚI THIỆU TỔNG QUAN VỀ TRÍ TUỆ NHÂN TẠO


URL: http://www.voer.edu.vn/m/69497232


Module: GIỚI THIỆU VỀ TRÍ TUỆ NHÂN TẠO


URL: http://www.voer.edu.vn/m/be6c71bf


Module: LỊCH SỬ HÌNH THÀNH VÀ PHÁT TRIỂN CỦA TRÍ TUỆ NHÂN TẠO


URL: http://www.voer.edu.vn/m/2c2f7092


Module: ĐỊNH NGHĨA TRÍ TUỆ NHÂN TẠO


URL: http://www.voer.edu.vn/m/bc02d3a0


Module: KHÁI QUÁT CÁC LĨNH VỰC ỨNG DỤNG CỦA TTNT


URL: http://www.voer.edu.vn/m/0022c3a8

192/197


Module: MỘT SỐ TỔNG KẾT VỀ TTNT


URL: http://www.voer.edu.vn/m/e868b119


Module: LOGIC HÌNH THỨC


URL: http://www.voer.edu.vn/m/9dce2657


Module: ĐỐI SÁNH MẪU VÀ PHÉP HỢP NHẤT


URL: http://www.voer.edu.vn/m/7e324e08


Module: MỞ ĐẦU


URL: http://www.voer.edu.vn/m/70515552


Module: CÁC CHIẾN LƯỢC DÙNG CHO TÌM KIẾM TRONG KHÔNG GIANTRẠNG THÁI (TK-KGTT)


URL: http://www.voer.edu.vn/m/83f45674


Module: DÙNG KHÔNG GIAN TRẠNG THÁI ĐỂ BIỂU DIỄN QUÁ TRÌNH SUYLUẬN BẰNG PHÉP TÍNH VỊ TỪ


URL: http://www.voer.edu.vn/m/5e57f683


Module: MỞ ĐẦU


URL: http://www.voer.edu.vn/m/2ab0f63d

193/197


Module: THUẬT TOÁN TÌM KIẾM HEURISTIC


URL: http://www.voer.edu.vn/m/90488a73


Module: SỬ DỤNG HEURISTIC TRONG CÁC TRÒ CHƠI


URL: http://www.voer.edu.vn/m/a66239c3


Module: TÌM KIẾM DỰA TRÊN CƠ SỞ ĐỆ QUI


URL: http://www.voer.edu.vn/m/2b04cc7e


Module: HỆ THỐNG LUẬT SINH (HỆ SINH – PRODUCTION SYSTEM)


URL: http://www.voer.edu.vn/m/23be6661


Module: KIẾN TRÚC BẢNG ĐEN (BLACKBOARD ARCHITECTURE)


URL: http://www.voer.edu.vn/m/13967c0c


Module: GiỚi thiỆu:


URL: http://www.voer.edu.vn/m/e66281f2


Module: TỔNG QUAN VỀ CÔNG NGHỆ HỆ CHUYÊN GIA


URL: http://www.voer.edu.vn/m/50e51387


194/197

Module: HỆ chuyên gia DỰA trên LUẬT (RULE–BASED ES)


URL: http://www.voer.edu.vn/m/cb7ee57c


Module: SUY LUẬN DỰA TRÊN MÔ HÌNH: (MODEL–BASED REASONING)


URL: http://www.voer.edu.vn/m/62b77327


Module: SUY LUẬN DỰA TRÊN TRƯỜNG HỢP: (caSe–BASED REASONING)


URL: http://www.voer.edu.vn/m/339b82be


Module: Giới thiệu


URL: http://www.voer.edu.vn/m/8b9fa2d1


Module: TIẾP CẬN THỐNG KÊ ĐỐI VỚI TÍNH KHÔNG CHẮC CHẮN


URL: http://www.voer.edu.vn/m/205e7423


Module: SUY LUẬN VỚI CÁC TẬP MỜ (fUZZY LOGIC)


URL: http://www.voer.edu.vn/m/016c4f61




URL: http://www.voer.edu.vn/m/f5812ee3


Module: NHẬN XÉT VỀ PHƯƠNG PHÁP HỢP GIẢI

195/197


URL: http://www.voer.edu.vn/m/0ed5547f




URL: http://www.voer.edu.vn/m/203bcc4e


Module: TIẾP CẬN KÝ HIỆU: gIẢI THUẬT QUY NẠP CÂY QUYẾT ĐỊNH ID3


URL: http://www.voer.edu.vn/m/cb4f35f8


Module: TIẾP CẬN KẾT NỐI: MẠNG NEURON


URL: http://www.voer.edu.vn/m/d120b932


Module: TIẾP CẬN XÃ HỘI VÀ NỔI TRỘI: GIẢI THUẬT DI TRUYỀN (GENETICALGORITHM - GA)


URL: http://www.voer.edu.vn/m/0499fa55


Module: TÀI LIỆU THAM KHẢO


URL: http://www.voer.edu.vn/m/6ad41374


196/197

Chương trình Thư viện Học liệu Mở Việt Nam

Chương trình Thư viện Học liệu Mở Việt Nam (Vietnam Open Educational Resources– VOER) được hỗ trợ bởi Quỹ Việt Nam. Mục tiêu của chương trình là xây dựng khoTài nguyên giáo dục Mở miễn phí của người Việt và cho người Việt, có nội dung phongphú. Các nội dung đểu tuân thủ Giấy phép Creative Commons Attribution (CC-by) 4.0do đó các nội dung đều có thể được sử dụng, tái sử dụng và truy nhập miễn phí trướchết trong trong môi trường giảng dạy, học tập và nghiên cứu sau đó cho toàn xã hội.

Với sự hỗ trợ của Quỹ Việt Nam, Thư viện Học liệu Mở Việt Nam (VOER) đã trở thànhmột cổng thông tin chính cho các sinh viên và giảng viên trong và ngoài Việt Nam. Mỗingày có hàng chục nghìn lượt truy cập VOER (www.voer.edu.vn) để nghiên cứu, họctập và tải tài liệu giảng dạy về. Với hàng chục nghìn module kiến thức từ hàng nghìntác giả khác nhau đóng góp, Thư Viện Học liệu Mở Việt Nam là một kho tàng tài liệukhổng lồ, nội dung phong phú phục vụ cho tất cả các nhu cầu học tập, nghiên cứu củađộc giả.

Nguồn tài liệu mở phong phú có trên VOER có được là do sự chia sẻ tự nguyện của cáctác giả trong và ngoài nước. Quá trình chia sẻ tài liệu trên VOER trở lên dễ dàng nhưđếm 1, 2, 3 nhờ vào sức mạnh của nền tảng Hanoi Spring.

Hanoi Spring là một nền tảng công nghệ tiên tiến được thiết kế cho phép công chúng dễdàng chia sẻ tài liệu giảng dạy, học tập cũng như chủ động phát triển chương trình giảngdạy dựa trên khái niệm về học liệu mở (OCW) và tài nguyên giáo dục mở (OER) . Kháiniệm chia sẻ tri thức có tính cách mạng đã được khởi xướng và phát triển tiên phongbởi Đại học MIT và Đại học Rice Hoa Kỳ trong vòng một thập kỷ qua. Kể từ đó, phongtrào Tài nguyên Giáo dục Mở đã phát triển nhanh chóng, được UNESCO hỗ trợ và đượcchấp nhận như một chương trình chính thức ở nhiều nước trên thế giới.

197/197

trí tuệ nhân tạo

Documents