新世纪信念修正研究动态

站在人工智能角度,从局部化信念修正和Horn信念修正这两个目前的热点,阐述信念修正理论的新世纪研究动态。     

基于Rough集的合作多Agent信念修正

1引言 信念修正是当今人工智能领域中的研究热点之一,研究在接收到新知识时信念集合如何改变的问题.我们用一个例子来说明信念修正的意义.     

信念修正的一种数据结构--LAT

1前言 信念修正(Belief Revision)是研究知识进化过程的一种理论方法.20世纪80年代,瑞典著名哲学家、人工智能专家Alchourrón和其同事G(a)rdenfors与Makinson发展起来的AGM理论[1](或称AGM假设)是比较典型也是比较完整的信念修正体系,并且在知识工程、演绎数据库、逻辑程序理论等领域的研究中获得非常有意义的应用,深受国际人工智能界的关注.     

智能体行动推理中的信念修正

信念修正中的加强修正算法在保留低秩非矛盾信念时存在不足,流演算由于其表示公式的局限,无法较好的与信念修正结合来进行行动推理。针对以上不足,提出了依赖信念修正算法和Strategy-Axiom-Reasoning模型。该算法满足Ind假设并且较好的保留了条件信念和低秩非矛盾信念,SAR模型继承并改进了流演算的公理系统,用公式集表示信念集,较好的实现了与信念修正的结合。最后将依赖信念修正算法运用到SAR模型中,用实验证明了其可行性。     

一种基于可信度的迭代信念修正方法

信念修正主要解决在接收到新信息时,如何对原有知识库进行操作的问题．经典的迭代信念修正主要关注信念修正的一致性,并未考虑多agent系统中信息具有不可靠性,以及信念修正过程对修正结果的影响．基于可信度的迭代信念修正方法,通过证据理论以及信度函数方法估计信息的可信度,并由此确定最优的最大协调子集作为信念修正的结果．基于可信度的迭代信念修正算子具有历史依赖性,即修正结果不仅与当前的信念集和接收到的新信息有关,也与信念集中曾经接收到的信息相关．     

有限信念集上修正的一种方法

讨论了信念集是有限子句集时的信念修正方法.首先给出了一阶逻辑上求所有极小不协调子集的一个过程,证明了该过程的正确性;然后讨论了由有极小不协调的子集来实现信念修正的方法,介绍所开发的信念修正的原型系统;最后与相关工作进行了比较.     

对称协调博弈问题的多智能体强化学习

针对多机器人协调问题,利用协调博弈中智能体策略相似性,提出智能体的高阶信念修正模型和学习方法PEL,使智能体站在对手角度进行换位推理,进而根据信念修正将客观观察行为和主观信念推理结合起来。证明了信念修正模型的推理置信度只在0和1两个值上调整即可协调成功。以多机器人避碰为实验背景进行仿真,表明算法比现有方法能够取得更好的协调性能。     

不一致信念的定量非修正方法满足AGM公设的讨论

常识推理的核心问题为信念修正问题，研究人员就此已经提出了许多方法，其中AGM理论是最有影响的一个。本文讨论并逐条证明了定量非修正方法满足AGM公设的情况，表明该方法是一种性质良好的信念修正方法。     

有缺指派下的信念修正逻辑

经典的AGM信念修正理论和以D-P假设为代表的迭代信念修正理论都是以完全指派为可能世界而进行的理论研究.把这些研究推广到有缺指派的领域中与完全指派为每个原子命题符号都指派真假值不同,有缺指派是一个三值指派,它可以为每个原子命题符号指派真、假和不确定三值之一.以有缺指派为可能世界,对D-P系统进行了推广,证明了相应的表示定理.     

基于主Agent信念修正的推测计算及其资源协商

基于假设推理(abduction-based)的推测计算(speculative computation)是在资源信息不能及时到达时,利用缺省假设进行计算的过程.在计算过程中,如果应答和信念不一致,则主Agent将修正它的信念.为了实现目标,在有限时间内使推测计算的结果更精确,主Agent要通过协商获得尽可能多的实际信息,协商是降低决策风险的主要途径.在介绍假设推理和推测计算的基本原理的基础上,提出了基于时间约束的推测计算扩展框架、基于时间约束的进一步协商框架和基于信念修正的协商算法,并将进一步协商框架和协商算法嵌入到推测计算的过程中,在协商过程中赋予主Agent更强的信念修正能力.最后,在货物运输领域的实验中,证实了基于信念修正的推测计算的有效性.