人工智能 - 命题逻辑

命题逻辑是逻辑的一个分支，处理命题，这些命题是真或假的陈述。它使用逻辑连接词如 AND、OR、NOT 和 IMPLIES 来构建复杂表达式，然后应用规则来确定其真值。

人工智能中的命题逻辑

人工智能 (AI) 使用命题逻辑作为知识表示的主要方法之一，利用逻辑命题。命题是真或假但不是两者兼有的陈述。通过使用 AND、OR、NOT 和 IMPLIES 等逻辑算子组合陈述，可以创建更复杂的表达式。这使得 AI 系统能够使用逻辑推理做出更好的决策。

人工智能在基于规则的推理、自动定理证明和专家系统决策中应用命题逻辑。在机器学习中，像 Modus Ponens 和 Resolution 这样的推理规则允许机器基于提供的事实得出结论。

在人工智能中，命题是被视为陈述世界事实、情况或主张的句子，以使机器能够进行逻辑推理。命题逻辑表达式由符号（代表这些真理）和逻辑算子组成，通常用括号表示。

示例

以下是几个命题（陈述性语句）的示例 −

• 太阳从东方升起。

• 三角形有四个边。（假）

• 水在标准大气压下于 100°C 沸腾。

• 2 + 2 = 5。（假）

• 自动驾驶汽车可以在没有人类干预的情况下运行。

关于命题逻辑的事实

命题逻辑是一种形式系统，应用于数学、计算机科学和人工智能中，用于对逻辑陈述进行推理。

• 它不关注上下文和内容，仅根据结构确定命题是真还是假。

• 在命题逻辑中，运算按照优先级顺序进行：否定 (¬) 优先于合取 (∧)，然后是析取 (∨)，蕴涵 (→)，以及双条件 (↔)。

• 真值表用于确定逻辑表达式是否有效、可满足或等价。

• 命题逻辑受限，因为它无法表达对象之间的关系和量词如“forall”或“exists”，这些由一阶逻辑处理。

• 命题必须是具有真或假真值的陈述性语句，例如天空是蓝色的。像“Where is Krish?”这样的语句不是命题，因为它不是陈述性语句。

命题逻辑的关键组件

命题逻辑涉及基本构建块，如命题、逻辑连接词和真值表，用于形成逻辑表达式，从而简化知识表示，帮助 AI 基于事实进行推理和决策。

命题（陈述）

命题逻辑处理两种命题：原子命题和复合命题，它们构成了逻辑表达式的基石。

• 原子命题： 原子命题是一个基本陈述，无法分解为更小的单元。它只有一个命题符号。

  例如，像“汽车停在车库里”这样的陈述。

• 复合命题： 复合命题通过使用逻辑连接词如 AND、OR、NOT、Implies 将两个或多个原子命题组合而成。

  例如，"她喜欢咖啡 OR 她喜欢茶"。

逻辑连接词

逻辑连接词，也称为逻辑算子，是命题逻辑中用于连接或改变命题的符号。它们有助于形成复杂命题并确定组件之间的关系。以下是主要类型 −

合取（Conjunction）

两个命题的组合仅在两者均为真时才为真。

示例

太阳在照耀 AND 天气温暖。

• P = 太阳在照耀。

• Q = 天气温暖。→ P ∧ Q。

上述两个陈述的组合为 P ∧ Q。该陈述（“太阳在照耀 AND 天气温暖”）仅在两个陈述均为真时为 TRUE，如果 P 或 Q 任一为 FALSE，则整个陈述为 FALSE。

析取（Disjunction (OR, ∨)）

两个命题的析取在至少一个命题为真时为真。

示例

“下雨 OR 下雪。” 如果任一条件为真，或两者均为真，则为真。

• P = 下雨。

• Q = 下雪。→ P ∨ Q。

否定（Negation (NOT, ¬)）

命题的否定会反转其真值，如果命题为真，则否定为假，反之亦然。

例如，"汽车没有停在车道上。"（如果汽车没有停在车道上，则为真。）

蕴涵（Implication (IF-THEN, →)）

蕴涵表示如果第一个命题为真，则第二个也必须为真。它仅在第一个陈述正确而第二个陈述错误时为假。有时称为 if-then 规则。

例如，"如果下雨，则地面会湿。"（仅在下雨但地面未湿时为假。）

双条件（Biconditional (IF AND ONLY IF, ↔)）

双条件陈述在两个命题具有相同真值时为真——两者均为真或两者均为假。

例如，"她快乐 IF AND ONLY IF 她通过了考试。"（仅在她通过考试且快乐，或两者均不成立时为真。）

命题逻辑连接词表

下表展示了命题逻辑中使用的基本连接词，包括其符号、含义和示例 −

真值表

真值表是命题逻辑中所有可能命题真值及其逻辑组合的系统表示，特别是在人工智能中。

它通过显示复合命题的真值如何随其单个组件真值的变化来帮助确定逻辑陈述的有效性。

合取

AND 操作 P ∧ Q 在命题变量 P 和 Q 均为真时为真。

真值表如下 −

析取

两个命题变量 P ∨ Q 的 OR 操作在至少有一个命题变量 p 或 q 为真时为真。

真值表如下 −

蕴涵

蕴涵 P → Q 表示如果 P 则 Q。如果 P 为真且 Q 为假，则为假。其余情况均为真。

真值表如下 −

双条件

P ↔ Q 是双条件，当 P 和 Q 具有相同真值时，即两者均为假或两者均为真。

真值表如下 −

异或（Exclusive OR）

P ⊕ Q 如果恰好一个命题为真而非两者均为真，则称为异或。

真值表如下 −

否定

反转命题真值的逻辑操作。例如，如果 P 为真，则 P 的否定为假，反之亦然。

真值表如下 −

重言式、矛盾式和偶然式

重言式：重言式是一个命题，无论为其组成部分命题赋予何种真值，该命题总是真。换言之，无论我们为该陈述的组成部分赋予何种值，最终结果始终为真。

示例： P ∧ ¬P （P 或 ¬P）总是真，因为要么 P 为真，要么 P 为假，这意味着 OR 条件中的一部分总是真。

矛盾式：矛盾式是一个命题，无论为其组成部分赋予何种真值，该命题总是假。它表示一个根本不可能为真的陈述。

示例： P ∧ ¬P （P 与 ¬P）总是假，因为 P 不可能同时为真和为假。

偶然式：偶然式是一个命题，它不一定为真或为假。整个陈述的真值由各命题的真值决定。即，它在某些情况下为真，在其他情况下为假。

示例： P ∧ Q （P 与 Q）仅当 P 和 Q 均为真时为真，否则为假。

连接词的优先级

在命题逻辑中，运算顺序（优先级）如下 −

注意： 相同优先级的运算符从左到右求值。

示例：购物决策

陈述：“如果商品正在促销 AND 我有优惠券，我会买它 OR 等待更好的优惠。”

命题： 命题是一个陈述性语句，可能为真或为假，但不可能两者兼有。

• P = 商品正在促销。

• Q = 我有优惠券。

• R = 我会买它。

• S = 我会等待更好的优惠。

命题逻辑表达式： 命题逻辑表达式是由逻辑连接词将一组命题连接起来形成有意义陈述的集合。我们使用符号和连接词编写逻辑表达式。

(P ∧ Q) → (R ∨ S)

逐步求值 −

这里我们逐步遵循逻辑推理。

• 合取： 求值 (P ∧ Q)，查看是否满足两个必须条件，即促销和优惠券。

• 析取： 考虑 (R ∨ S) 以确定决策是购买还是等待。

• 蕴涵： 如果 P 和 Q 均为真，则结论必须是 R 或 S，因此 AI 系统将做出正确决策。

这就是我们在命题逻辑中实现优先级规则的方式，首先求值括号，然后是合取，接着是析取，最后是蕴涵 (IF-THEN) 以得出逻辑决策。

逻辑等价

命题逻辑中的逻辑等价意味着两个语句或命题，无论给单个组成部分分配何种真值，它们总是具有相同的真值。

• 符号："" 或 "" 表示逻辑等价。P Q 表示“P 与 Q 逻辑等价”。

• 它简化了复杂的逻辑表达式，使 AI 系统能够更有效地理解和解释。

• 逻辑等价允许 AI 从先前的知识中得出新结论。如果两个命题为真，并且 AI 知道其中一个为真，那么它可以推断另一个命题也为真。

• 在某些 AI 系统如专家系统中，使用逻辑等价通过将复杂表达式替换为更简单、等价的表达式来降低搜索或推理的复杂性。

运算符的性质

交换律： AND () 和 OR () 中变量的顺序不影响结果。（交换位置不会改变含义。）以下是交换律的示例。

• P Q Q P

• P Q Q P

结合律： AND () 和 OR () 中命题的组合方式无关紧要。（括号可以重新排列而不改变含义。）以下是结合律的示例。

• (P Q) R P (Q R)

• (P Q) R P (Q R)

分配律： AND () 可以分配到 OR () 上，OR () 可以分配到 AND () 上。（类似于代数中乘法对加法的分配。）以下是分配律的示例。

• P (Q R) (P Q) (P R)

• P (Q R) (P Q) (P R)

德摩根定律：描述了否定如何与合取和析取交互。以下是德摩根定律的示例。

• ¬(P Q) ¬P ¬Q

• ¬(P Q) ¬P ¬Q

双重否定：一个否定的否定等同于原命题。以下是双重否定的示例。

• ¬(¬P)P

蕴涵 (→)：蕴涵可以使用 NOT (¬) 和 OR () 重写。以下是蕴涵的示例。

• P → Q ¬P Q

冪等律：如果多次重复一个操作产生与执行一次相同的结果，则该操作是冪等的。以下是冪等律的示例。

• P P P

• P P P

命题逻辑的语法

命题逻辑的语法规定了构建有效逻辑命题所需的规则和符号。它包括命题、逻辑连接词和括号，以结构化的方式表示知识。

• 命题（原子语句）：这些是可能为真或为假的简单语句。通常用大写字母如 P、Q、R 等表示。

• 逻辑连接词（运算符）：用于连接或转换命题的符号，以组合或改变其真值，例如 , , ¬, →,

• 括号：用于对命题进行分组并正确排序运算，例如 (P Q) → R

• 复合命题：通过逻辑连接词如 , , ¬, → 和 组合多个原子命题得到的逻辑语句。例如，(P Q) (¬R)。

命题逻辑在 AI 中的应用

以下是命题逻辑的应用 —

• 自动推理： 自动推理使用命题逻辑，使机器能够从现有事实中推导出新知识。这有助于问题解决和决策。

  例如，假设已知事实为“房间很暗”和“灯亮了”。如果 AI 检测到黑暗，它会自动打开灯。这样它就可以使用或推断现有知识。

• 知识表示： AI 使用命题逻辑通过命题（要么为真要么为假的陈述）和逻辑连接词如 , , ¬ 和 → 来表示事实和关系。这种逻辑表示有助于 AI 通过将复杂表示简化为结构化形式，从而更快地做出决策和回答查询。

  例如，假设陈述为“客户购买了一部智能手机。”和“系统推荐手机壳”。其逻辑表示为 P → Q，表示如果客户购买智能手机，AI 系统将推荐购买手机壳。

• 决策： AI 使用命题逻辑基于条件做出决策。

  例如， “如果汽车油量低 (P)，并且附近的加油站 (Q)，那么汽车将停下来加油” (P Q → Refuel)。

• 规划和问题解决： 这些是 AI 的基本活动，机器处理情况、设定目标，并决定实现预期结果的步骤序列。命题逻辑帮助 AI 以结构化方式描述目标、约束和条件，从而系统能够逻辑地确定下一步行动。

  例如， “如果会议室可用 (P) 并且所有参与者都有空 (Q)，AI 将安排会议” (P Q) → R。

• 专家系统： 专家系统使用命题逻辑表示事实，并应用基于规则的推理来得出结论。

  例如， “申请人有稳定工作 (P) ，申请人有良好信用评分 (Q)，贷款获批” (P Q) → R，这里我们使用逻辑表示来得出结论。

• 游戏玩法： 在像国际象棋这样的游戏中，AI 使用命题逻辑做出决策。

  例如， “如果皇后靠近国王 (P) 并且我们能阻挡它 (Q)，那么我们将移动棋子” (P Q → Move Piece)。

• 自然语言处理： 命题逻辑使 AI 能够评估语言模式、提取含义，并在聊天机器人、虚拟助手、机器翻译和自动文本处理中得出逻辑结论。

  例如， 对于句子“If it rains (P), take an umbrella (Q)”，AI 学会如果下雨，就应该带伞。

命题逻辑的局限性

以下是命题逻辑的局限性

• 命题逻辑处理陈述性语句，将其视为真或假，但它无法表示对象及其相互关系。例如，“太阳很热”，命题逻辑仅能表示该语句是真还是假，但无法表示太阳与其他对象（如云）的关系。

• 它无法表达像“所有人都是必死的”或“有些学生通过了考试”这样的想法，因为它没有全称 ()或存在 ()量词。

• 我们无法用变量表示复杂语句，例如“如果某人是学生，那么他们有身份证。”

• 随着事实数量增加，命题逻辑需要太多单独的命题，这使得它在大规模 AI 系统中效率低下。

• 它难以处理不完整或不确定数据，而许多现实世界的 AI 应用需要这些数据。

• 由于命题逻辑有这些缺点，我们使用一阶逻辑 (FOL)来克服它们。FOL 添加了对象、关系和量词，提高了其在 AI 推理中的实用性。