人工智能中的情景演算

情境演算：它是什么？

情境演算是一种逻辑框架，用于表示和推理动态领域。计算机科学家和认知科学家约翰·麦卡锡于 1963 年首次提出。它的基本原理是，可达到的状态，或我们称之为情境，可以用达到这些状态所需的步骤来描述。通过将情境作为参数，可以使用关系来描述在给定情境下为真的内容。

基本上，情境演算可以被认为是活动的基于特征的表示。在这里，我们只考虑确定性动作、完全可观测的环境和独立的参与者。

状态可以与情境相关联。情境和状态在两个重要方面有所不同。它们是

1. 状态之间的相等性与情境之间的相等性之间存在差异。如果多个情境序列产生相同的条件，那么多个情境可能引用同一状态。
2. 并非所有状态都必然具有相似的情境。无法访问的状态没有匹配的情境；只有可访问的状态才有。如果存在一系列可用于从一个状态转移到另一个状态的步骤，那么该状态被认为是可访问的。

情境要么是

1. init：这是起点，或者
2. do(A, S)：如果动作 A 可以在情境 S 中执行，这是执行动作 A 后产生的情境。

有几个 do(A, S) 项没有特定状态的含义。然而，在某些情况下，代理将不得不就这样的（可能的）情境做出决定，而不知道状态 S 是否可行。

表示法在人工智能中的意义是什么？

在人工智能中，知识表示至关重要。专注于思考以及思考如何帮助人工智能系统智能行为的人工智能领域被称为知识表示和推理（KR, KRR）。

它涉及从现实世界获取数据，并以计算机可以理解、处理和用于解决现实世界的问题或完成任务的方式呈现这些数据。

本质上，知识表示使机器能够理解、解释和推理。此外，它还解释了如何在人工智能中表示知识。它不仅仅是将信息存储在数据库中；它还使智能机器人能够从它们的经验和知识中学习，使它们能够以类似于人类的方式智能地行动。

简单来说，知识表示之所以重要，是因为它使人工智能驱动的机器人能够从现有数据、专业知识或经验中学习，从而使它们能够像人类一样行事。

人工智能系统必须能够表示以下类型的知识

• 我们全球领域中所有关于物品的信息被称为对象。
• 事件是世界上发生的事情。
• 绩效：这指的是需要了解如何执行的动作。
• 本质上，元知识是我们对自己知识的理解。
• 事实：这些是关于世界以及我们所支持的原因的真实事实。
• 基于知识的代理的核心要素是知识库，用 KB 表示。它是一系列句子。

描述情境演算本体

情境、动作和流是情境演算本体的组成部分。

思考情境的一种方式是将其视为世界的即时快照。这些逻辑概念包括初始情境以及通过将动作应用于情境而产生的所有后续情境。

任何其值可以被改变的东西都可以被认为是流。本质上，这些是根据情境变化的谓词和函数。如果一个流语句在给定的情境下为真，则其值为真；否则，其值为假。也允许外部或非时态函数。函数 Wumpus 的 LeftLegOf 和谓词 G1 的 Gold 是这些的两个示例。

在最基本的情境演算形式中，两个公理定义了每个动作。它们分别是效果公理和可能性公理。

效果公理解释了在执行可能动作时会发生什么，而可能性公理则指出了何时可以执行该动作。

人工智能中的框架问题是什么？

当使用一阶逻辑 (FOL) 表示关于现实世界中机器人信息时出现的挑战，例如人工智能中的框架问题。当试图使用传统的一阶语言表示机器人的状态时，需要使用许多公理来暗示环境中事物不会随机改变。

在他们 1969 年的论文“人工智能的哲学问题”中，约翰·麦卡锡和帕特里克·J·海耶斯最初指出了这个问题。这个问题成为了关于人工智能知识表示相关挑战的其他普遍讨论的跳板。

本质上，框架问题是找到足够且可接受的公理集，以便能够对机器人环境进行可行的描述。

即使在非常简单的领域，也会出现这个问题。问题在于，仅仅识别动作改变的条件并不一定意味着所有其他条件都保持不变。框架公理的使用可以帮助解决这个问题。这些框架公理非常清楚地表明，当执行一个动作时，它不会改变任何不受其影响的条件。

为了使该动作不对该条件产生任何影响，每个动作-条件对都必须遵循这些框架公理之一。挑战在于形式化一个动态领域，而不显式声明框架公理。

海耶斯和麦卡锡所阐述的框架问题在 20 世纪 80 年代后期得到了解决。

有几种形式主义用于解决框架问题。以下解决方案列表说明了该问题是如何解决的

1. 流遮蔽解决方案
2. 谓词完成解决方案
3. 后继状态公理解决方案
4. 流演算解决方案
5. 事件演算解决方案
6. 默认逻辑解决方案
7. 答案集编程解决方案
8. 分离逻辑解决方案
9. 动作描述语言（这些与其说是解决问题，不如说是规避问题）