虚拟现实与人工智能应用技术融合性研究中的自动推理

从一个或几个已知的判断（前提）逻辑地推论出一个新的判断（结论）的思维形式称为推理，这是事物的客观联系在意识中的反映。自动推理是知识的使用过程，人解决问题就是利用以往的知识，通过推理得出结论。自动推理是人工智能研究的核心问题之一。

按照新的判断推出的途径来划分，自动推理可分为演绎推理、归纳推理和反绎推理。演绎推理是一种从一般到个别的推理过程。演绎推理是人工智能中的一种重要的推理方式，目前研制成功的智能系统中，大多用演绎推理实现。

与演绎推理相反，归纳推理是一种从个别到一般的推理过程。归纳推理是机器学习和知识发现的重要基础，是人类思维活动中最基本、最常用的一种推理形式。顾名思义，反绎推理是由结论倒推原因。在反绎推理中，我们给定规则p→q和q的合理信念。然后，希望在某种解释下得到谓词p为真。反绎推理不可靠，但由于q的存在，它又被称为最佳解释推理。

按推理过程中推出的结论是否单调地增加，推理又分为单调推理和非单调推理。其单调含义是指已知为真的命题数目随着推理的进行而严格地增加。在单调逻辑中，新的命题可以加入系统，新的定义可以被证明，并且这种加入和证明决不会导致前面已知的命题或已证的命题变成无效。在本质上人类的思维及推理活动并不单调。人们对周围世界中的事物的认识、信念和观点，总是处于不断调整之中。例如，根据某些前提推出某一结论，但当人们又获得另外一些事实后，却又取消这一结论。在这种情况下，结论并不随着条件的增加而增加，这种推理过程就是非单调推理。非单调推理是人工智能自动推理研究的成果之一。1978年，赖特（Reiter R）首先提出了非单调推理方法封闭世界假设（CWA），并提出了默认推理。1979年，杜伊尔（Doyle）建立了真值维护系统TMS。1980年，麦卡锡提出了限定逻辑。(www.xing528.com)

在现实世界中存在大量不确定问题。不确定性来自人类的主观认识与客观实际之间存在差异。事物发生的随机性，人类知识的不完全、不可靠、不精确和不一致，自然语言中存在的模糊性和歧义性都反映了这种差异，都会带来不确定性。针对不同的不确定性的起因，人们提出了不同的理论和推理方法。在人工智能中，有代表性的不确定性理论和推理方法有Bayes理论、Dempster-Shafer证据理论和Zadeh模糊集理论等。

搜索是人工智能的一种问题求解方法，搜索策略决定着问题求解的一个推理步骤中知识被使用的优先关系。可分为无信息导引的盲目搜索和利用经验知识导引的启发式搜索。启发式知识常由启发式函数来表示，启发式知识利用得越充分，求解问题的搜索空间就越小，解题效率越高。典型的启发式搜索方法有A*、AO＊算法等。近几年，搜索方法研究开始注意那些具有百万节点的超大规模的搜索问题。