【专家系统介绍】

文章目录

• 前言
• 一、什么是专家系统？
• 二、专家系统的历史与地位
• 三、专家系统的典型架构与组件
• 四、知识表示方式
• 五、推理策略：前向链与后向链
• 六、示例
• • 1. 目标
  • 2. 代码
  • 说明
• 七、优点与局限

前言

随着人工智能技术多元化发展，专家系统（Expert Systems）作为早期符号AI的重要分支，仍然在许多规则密集型、因果可解释性强的场景中保持价值。

一、什么是专家系统？

专家系统是一类模拟人类专家在特定领域决策过程的软件系统。其典型目标是将“领域知识”编码为可执行形式，使系统能在特定问题上给出建议或判断。与机器学习依赖大量数据不同，专家系统强调显式知识表示和可解释的推理过程。

关键特点：

• 知识可解释、来源通常是专家或领域文档。
• 适合规则明确、决策路径能被表达为规则或模型的领域（如诊断、配置、故障排查、法律咨询辅助等）。
• 推理过程透明，可以给出“为什么这样结论”的解释。

二、专家系统的历史与地位

专家系统兴起于20世纪70–80年代（代表系统：MYCIN、DENDRAL），推动了早期AI工程化。1990年代后，统计学习与神经网络兴起，但专家系统在需要强可解释性、规则确定性的领域仍有应用，例如医疗诊断辅助、设备故障定位、合规审核、配置管理等。

三、专家系统的典型架构与组件

四、知识表示方式

• 产生式规则（if condition then action）：最常见，易于理解与维护。 例：IF 症状 = 发烧 AND 咳嗽 THEN 可能 = 呼吸道感染

• 事实 / 断言（facts/assertions）：例如 age(张三, 35)、has_symptom(病人, fever)。

• 框架（Frame） 与 对象模型：用于表示对象及其属性和默认值。

• 语义网络 / 本体（ontology）：用于表示实体及其关系，便于复杂语义检索。

设计准则：简洁、可扩展、能被推理机高效匹配。

五、推理策略：前向链与后向链

• 前向链（Forward chaining）：从已知事实出发，应用规则产生新事实，直到无法再推导或达到目标。适用于数据驱动的场景（如传感器告警推理）。

• 后向链（Backward chaining）：从目标（要证明的命题）倒推需要哪些事实或子目标，常用于决策支持和问答系统（例如Prolog的查询机制）。

实现时常见问题：冲突解决（多个规则同时可触发时如何选择），循环检测（避免无限推导），优先级与权重控制，事实撤销/回溯策略。

六、示例

1. 目标

实现一个“简易医疗诊断”专家系统原型。用户输入一组症状，系统运用规则推导可能的诊断，并能输出推理路径（哪些规则与事实导致结论）。

2. 代码

"""
simple_expert.py
一个简化的前向链规则引擎实现，包含解释追踪功能。
"""

from typing import Any, Dict, List, Tuple, Callable, Set
import pprint

# 事实用简单的 key->value 形式或 set of tuples 表示
# 规则使用字典表示：{"name": str, "conditions": List[callable], "action": callable, "priority": int}
# 为了易用，这里条件函数接受 facts 并返回 bool，action 接受 facts 并可能添加新事实

class SimpleEngine:
def __init__(self):
self.facts: Set[Tuple[str, Any]] = set() # 例如: ("has_symptom", "fever")
self.rules: List[Dict] = []
self.explanation: List[str] = [] # 记录触发的规则与原因

def assert_fact(self, key: str, value: Any):
fact = (key, value)
if fact not in self.facts:
self.facts.add(fact)
# For tracing:
self.explanation.append(f"断言事实: {fact}")

def add_rule(self, name: str, conditions: List[Callable[['SimpleEngine'], bool]],
action: Callable[['SimpleEngine'], bool], priority: int = 0):
self.rules.append({
"name": name, "conditions": conditions, "action": action, "priority": priority
})
# 定义规则后保持按优先级排序（高优先级先触发）
self.rules.sort(key=lambda r: r["priority"], reverse=True)

def _conditions_met(self, rule: Dict) –> bool:
return all(cond(self) for cond in rule["conditions"])

def run(self, max_cycles: int = 100):
cycle = 0
fired_any = True
while fired_any and cycle < max_cycles:
fired_any = False
for rule in self.rules:
if self._conditions_met(rule):
fired_any = True
self.explanation.append(f"规则触发: {rule['name']}")
changed = rule["action"](self) # action 返回 True 表示添加了新事实
if changed:
self.explanation.append(f"规则 {rule['name']} 导致事实变更")
else:
self.explanation.append(f"规则 {rule['name']} 未引入新事实（已存在或无新增）")
# 简化处理：一次触发后重新开始规则扫描（避免饥饿、保证优先级效果）
break
cycle += 1

if cycle >= max_cycles:
self.explanation.append("达到最大推理循环次数，终止。")

def has_fact(self, key: str, value: Any) –> bool:
return (key, value) in self.facts

def pretty_facts(self):
return sorted(list(self.facts))

def pretty_explanation(self):
return "\\n".join(self.explanation)

# ————————-
# 以下定义领域：简化医疗诊断
# ————————-

def make_medical_engine():
engine = SimpleEngine()

# 条件辅助
def has_sym(sym):
return lambda eng: eng.has_fact("symptom", sym)

def assert_diagnosis(diagnosis):
def action(eng: SimpleEngine) –> bool:
if not eng.has_fact("diagnosis", diagnosis):
eng.assert_fact("diagnosis", diagnosis)
return True
return False
return action

# 规则示例：发烧 + 咳嗽 -> 可能呼吸道感染
engine.add_rule(
name="r_resp_infect",
conditions=[has_sym("fever"), has_sym("cough")],
action=assert_diagnosis("respiratory_infection"),
priority=10
)

# 规则：发烧 + 头痛 -> 可能流感
engine.add_rule(
name="r_flu",
conditions=[has_sym("fever"), has_sym("headache")],
action=assert_diagnosis("influenza"),
priority=8
)

# 规则：咳嗽但无发烧 -> 可能过敏或轻微炎症
engine.add_rule(
name="r_allergy",
conditions=[has_sym("cough"), lambda eng: not eng.has_fact("symptom", "fever")],
action=assert_diagnosis("allergy_or_mild_inflammation"),
priority=5
)

# 规则：如果诊断为呼吸道感染且有呼吸困难 -> 标记为需要紧急处理
engine.add_rule(
name="r_emergency",
conditions=[lambda eng: eng.has_fact("diagnosis", "respiratory_infection"),
has_sym("shortness_of_breath")],
action=lambda eng: (eng.assert_fact("action", "seek_emergency_care") or True),
priority=20
)

return engine

# ————————-
# 演示
# ————————-
if __name__ == "__main__":
e = make_medical_engine()
# 输入事实（来自用户或问诊）
e.assert_fact("symptom", "fever")
e.assert_fact("symptom", "cough")
# 运行推理
e.run()
print("事实集：")
pprint.pprint(e.pretty_facts())
print("\\n推理说明：")
print(e.pretty_explanation())

说明

七、优点与局限

优点：

• 强可解释性，推理链明确；
• 业务规则可直接表达并由领域专家维护；
• 在规则明确的领域效率高、开发周期短。

局限：

• 知识获取与维护昂贵（需要领域专家持续投入）；
• 难以处理高维、噪声大或隐含模式的任务（这些适合统计/深度学习方法）；
• 难以扩展到极大规模规则集合（需配合高效匹配算法与工程化手段）。