基于知识Petri网的确定性和不确定性联合推理

知识推理是人工智能的核心领域,旨在研究如何从已知(知识库和推理规则)推理出未知,以帮助智能体做出科学决策.而智能体所处的环境存在不可观性和不确定性,因此知识库通常不仅包含确定性知识,还包含不确定性知识,而且推理过程需要两类知识紧密协作.然而,目前的推理方法无法将两类知识统一表示,常常将两者对应的推理过程割裂进行.基于此,为了实现在统一的模型架构下完成确定性和不确定性联合推理,给出了一种知识Petri网推理方法.首先,定义了一种新的知识Petri网,使其不仅能够描述确定性的知识规范,也可以描述先验概率知识;其次,根据知识Petri网的网结构,给出了一种知识Petri网概率独立剪枝算法,能够指数级地降低不确定性推理的计算复杂性;最后,利用知识Petri网及其概率独立剪枝算法,给出了一种新型推理算法,实现了确定性和不确定性的联合推理,并利用Wumpus世界进行了演示和验证.

知识Petri网与机器人装配规划

介绍了知识Ｐｅｔｒｉ网（ＫＰＮ），在柔性装配系统中基于ＫＰＮ机器人装配规划的任务，以及用ＫＰＮ为机器人装配规划的任务，以及用ＫＰＮ为机器人装配规划建模和ＫＰＮ的运行。文中论述了如何建立邻接链表、构造ＫＰＮ，以及最后如何运行ＫＰＮ，获得最佳装配规划。最后，阐述了基于ＫＰＮ的机器人装配规划系统中数据库、规则库及推理机的构造。基于ＫＰＮ的机器人装配规划，与目前常用的机器人装配规划方法，如启发式搜索法ＡＯ和线性规划ＬＰ法相比，具有如下主要优点：由于将人工智能用于Ｐｅｔｒｉ网中，故智能强；适应性强，既适用于整套产品零件同时到达装配站，也适用于各零件分时到达装配站时的规划；算法简单，规划速度快，更适用于在线规划。

基于OKPN的发动机装配系统建模方法研究

以发动机装配系统为研究对象,提出了面向对象的知识Petri网建模方法(Object-oriented Knowledge Petri Net,OKPN),以实现对发动机装配系统的分析和优化的支撑。论文从系统建模角度出发,采用面向对象的思想,将发动机装配系统抽象成若干个功能关联的装配单元,并以装配单元为基本建模对象,构建了发动机典型装配单元OKPN模型。在此基础上,将各装配单元进行抽象和封装,根据各装配单元之间工艺关系,建立装配单元之间的消息传递机制,构建能够反映装配系统运行流程的发动机装配系统OKPN模型,该模型具有模块化和可重用性等特点。最后,以某乘用车发动机装配系统为对象进行实例验证,证明了该方法的有效性和可行性。