學習（Learning）是人工智慧中一個最具挑戰性的研究課題，如何使得一專家系統能
隨著執行次數的累積，而能漸次地累積建構工具（Expert System Building Tool ）
設計上一項可探求之方向，本論文將在一個具中間（Mete）能力的專家系統建構工具
中，利用啟發性資訊（Heuristic Information ）做為推論機之控制策略，以設計一
具有學習能力之推論引擎（Inference Engine）。
傳統專家系統推論機的控制策略（Control Strategy），不論其是前推式推論或者是
逆推式推論，對於選擇下一個節點的搜尋策略上大多是盲目的，所以在一個知識庫龐
大的專家系統中，當推論時，使用於矛盾解決（Conflict Resolution ）的法則群會
相當的多，同時花在配對（Match Phase ）的時間也會相對的增大；因此，採用有效
的控制策略以精簡推論之次數，並減少工作記憶區（Working Memory）之需求，將是
一個很重要的問題，為解決此問題，本文嘗試在每次系統執行成功之後，建立啟發性
資訊作為控制策略之依據，然後在另一次推論中，將修改法則間之法則強度（Rule S
-trength），使得系統隨著對某一特定目標（Goal）執行成功次數的增加，經由目標
作逆推式推論所建立之搜尋樹（Searth Tree ）也將逐漸地減小，而產生一較佳之搜
尋樹，因此使推論機在多次推論中具有學習能力。
此一專家系統建構工具的控制策略是在以法則基底（RuleˍBased ）為基礎的知識庫
中運作，而構成此知識庫知識的要件是屬性（Attribute ）與值（Value ）的配對，
推論的方法，則是以找到目標屬性的值為最終目的之逆推式推論法，此外在推論過程
中，當系統得到某一屬性之值時，亦加上類似前推式推論的動作，使得此以屬性為導
向的控制策略中，在引用之下一法則僅需經由指標的指向即可而不需做搜尋，因此，
提高了推論的效率且降低所需之空間，然後在每次系統執行成功後，採用法則追蹤法
（Rule Trace）修改法則強度，以資另一次推論的參考，並以構成此推論機使用啟發
性資訊之學習性控制策略。
此具中間知識能力的專家系統建議工具，包括知識表示法，以法則為基底的知識庫，
以屬性為導向的混合式推論機，學習式的控制策略，以及啟發性資訊的建立等相關軟
體均已設計完成，而此利用啟發性資訊採用學習式的控制策略之專家系統建構工具，
經實例加以測試與比較，證明確實具有學習能力及較高的推論效能。
|