《人工智能原理及其应用》
人工智能（Artificial Intelligence, AI）是计算机科学的一个分支，它致力于研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统。本讲义主要探讨了人工智能中的一个重要方面——确定性推理。
确定性推理是人工智能中的一种基本方法，它基于已知的事实和精确的知识，通过一系列形式化的规则和算法来得出结论。在这个过程中，推理的核心任务是设计出有效的策略来解决问题。
推理方法通常可以根据知识表示方式、算法特性、逻辑基础和知识的确定性来进行分类。例如，“图搜索”方法包括状态空间法和与或图，而“逻辑论证”方法则涉及谓词逻辑。推理算法有完备性和不完备之分，如宽度优先和深度优先搜索。启发式推理利用经验技巧来加速问题解决，而默认推理则处理知识不完全的情况。
确定性推理强调知识和结论的精确性，与非确定性推理相对，后者允许在不确定性或模糊信息下进行推理。单调推理意味着新增知识不会推翻原有结论，而非单调推理则可能导致结论的改变。推理的控制策略关注如何指导推理过程以更高效地达成目标，包括推理方向、求解策略、限制策略以及冲突消解策略。
正向推理是从事实出发推导结论，适用于诊断、监控和预测等问题，但可能效率较低且目标不明确。逆向推理则是从目标出发寻找事实，效率高但易受目标选择影响。混合推理结合两者优势，适应不同场景，如事实不足、结论可信度低或需要多结论的情况。
冲突消解策略是处理不同知识间的矛盾，通过对知识排序选择优先级，如特殊知识、新鲜知识、差异大、领域特点、上下文关系和前提条件少的知识优先考虑。
逻辑基础是推理的基石，其中谓词公式是表达复杂关系的基础。谓词公式的解释、永真性、可满足性、等价性和蕴含性是理解其逻辑关系的关键。前束范式、置换和合一则用于简化和统一谓词公式，帮助推理过程更加有效。
人工智能中的确定性推理是一个复杂而精巧的过程，涉及到知识表示、推理策略、逻辑基础等多个层面。理解和掌握这些原理对于构建能够模拟人类智能的系统至关重要。通过深入研究这些概念和技术，我们可以创建出更加智能和高效的AI应用程序，以解决现实世界中的各种挑战。
