本案例说明在电子商务领域怎样使用规则。有经纪人的交易（brokeredtrade）通过独立的第三方———经纪人实现。经纪人匹配买家的需求和卖家的能力，当双方都满意时，提议进行交易。
01
有经纪人的交易
作为一个具体应用，下面讨论公寓租赁这种常见但通常乏味耗时的活动。
适当的网络服务可以相当大地减少工作量。首先给出一个潜在租赁者的需求。
颜炯正在找一个至少45平方米且至少有两个卧室的公寓。
如果是在三楼或三楼以上，楼必须有电梯。
而且可以养宠物。
颜炯愿意为市中心的45平方米大小的公寓付900元，为在市郊的类似公寓付750元。
并且，他愿意为公寓超出45平方米的部分每平方米支付15元，为花园每平方米付6元。
他的付款总额不会超过1200元。在给定的可选项中，他将选择最便宜的，第二优先的是有花园的，最后才是有额外空间的。
1
●
颜炯需求的形式化描述
我们用下面的谓词描述公寓的属性：
size（x，y）              y是公寓x的大小（单位为平方米）
bedrooms（x，y）    x有y个卧室
price（x，y）            y是x的价格
floor（x，y）             x是在第y层楼
garden（x，y）         x有大小为y的花园
lift（x）                     在x所在的大楼里有电梯
pets（x）                  在x里允许养宠物
central（x）              x位于市中心
我们还使用下面的谓词：
acceptable（x）        公寓x满足颜炯的要求
offer（x，y）             颜炯愿意为x付y元
现在我们来表达颜炯的需求。
不考虑具体需求，任何公寓都是可接受的，表示为
r1：=>acceptable（X）
但是，如果颜炯的某条要求没有被满足，则X就是不可接受的。
规则r2~r6是对规则r1的例外情况的特殊规定，所以这些规则都比r1优先。
r2>r1，r3>r1，r4>r1，r5>r1，r6>r1
然后，给出计算颜炯愿意为一个公寓支付的价钱的规则。
仅当颜炯愿意付出的价钱少于房东提出的价钱时，此公寓才是可接受的（假设没有议价发生），这用规则和优先序表示为
r9：offer（X，Y），price（X，Z），Y<Z=>>acceptable（X）
r9>r1
2
●
可选公寓的表达
每个可供选择的公寓都有唯一的名字，它的属性以事实形式表达。
例如，公寓a1可以描述如下。
表5-1罗列出所有可选公寓的描述。
实际应用中，待租公寓的报价信息可以存储在关系数据库中。
如果将颜炯的需求和可选公寓的描述相匹配，我们将发现
（1）公寓a1不可接受，因为它只有一个卧室（规则r2）。
（2）公寓a4和a6不可接受，因为不许养宠物（规则r4）。
（3）对于a2，颜炯愿意付900元，但实际价格更高（规则r7和r9）。
（4）公寓a3、a5和a7是可接受的（规则r1）。
表5-1可选公寓
3
●
选择一间公寓
至此已经识别出颜炯可以接受的公寓。
这个筛选是有价值的，因为它减少了值得关注的公寓数目，选出来的可以实地考察。
不过，通过进一步考虑颜炯的偏好（preferences），有可能进一步减少公寓数目，直至减少到一个。
颜炯的偏好是基于价格、花园大小和房子大小的，而且这3个因素按顺序排列，这可以用规则和优先序表示如下。
r10：cheapest（X）=>rent（X）
r11：cheapest（X），largestGarden（X）=>rent（X）
r12：cheapest（X），largestGarden（X），largest（X）=>rent（X）
r12>r10
r12>r11
r11>r10
此外，我们需要规定最多只有一个公寓会被租用。
利用其他规则，从可接受公寓的集合可以推出这些规则的前提。
为了简单起见，这里只列出该例子中用到的事实。
cheapest（a3）
cheapest（a5）
largest（a3）
largest（a7）
largestGarden（a5）
于是，经过下列推理，可以得出租用a5的决定。
（1）规则r11的前提被a5满足，所以由r11推出rent（a5）。
（2）规则r10的前提被a3满足，所以由r10推出rent（a3）。这就构成一个冲突。但由于r11优先于r10，所以这个冲突被化解，rent（a3）被rent（a5）“击败”。换句话说，r10在当前情况下“失效”。
（3）这是唯一的冲突，因为其他公寓都不满足r11和r12的前提。
这样就做出了一个选择“租用a5”，颜炯马上就能搬进去。
02
参考书籍
《人工智能（第3版）》
作者：贲可荣、张彦铎
定价：79.90元
ISBN：9787302511984
“十二五”普通高等教育本科国家级规划教材
高等学校计算机教育规划教材
内容简介
人工智能是研究理解和模拟人类智能、智能行为及其规律的一门学科。其主要任务是建立智能信息处理理论，进而设计可以展现某些近似于人类智能行为的计算系统。本书介绍人工智能的理论、方法和技术及其应用，除了讨论那些仍然有用的和有效的基本原理和方法之外，着重阐述一些新的和正在研究的人工智能方法与技术，特别是近期发展起来的方法和技术。此外，用比较多的篇幅论述人工智能的应用，包括互联网智能等新增内容。
本书包括下列内容：
简述人工智能的起源与发展，讨论人工智能的定义、人工智能与计算机的关系以及人工智能的研究和应用领域；
论述知识表示、推理和不确定推理的主要方法，包括谓词逻辑、产生式系统、语义网络、框架、脚本、知识图谱、归结推理、非单调推理、主观Bayes方法、确定性理论、证据理论、模糊逻辑和模糊推理等；
讨论常用搜索原理，如盲目搜索、启发式搜索、min-max搜索、α-β剪枝和约束满足等；并研究一些比较高级的搜索技术，如贪婪局部搜索、局部剪枝搜索、模拟退火算法、遗传算法等；
介绍了分布式人工智能与Agent、计算智能、反向传播神经网络、深度学习、竞争网络、支持向量机等已成为当前研究热点的人工智能技术和方法；
比较详细地分析人工智能的主要应用领域，涉及智能规划、自然语言处理、信息检索、语言翻译、语音识别、计算机视觉、群体智能、机器人等。
本书适用于计算机专业大学高年级和非计算机专业研究生人工智能的教材，也可作为希望深入学习人工智能的科技人员的参考书。
作者简介
贲可荣，海军工程大学教授、博士生导师，中国计算机学会理论计算机科学专委副主任、软件工程专委委员，担任军队人工智能专业组专家。硕士、博士先后师从南京大学莫绍揆先生、国防科技大学陈火旺先生，打下了扎实的理论基础。《计算机科学与探索》执行编委，《海军新军事变革丛书》编委会常务副主任、《人工智能应用丛书》编委会执行副主任。评为教育部骨干教师、首届湖北省优秀研究生导师、海军名师工作室领衔名师、第三届大学教学名师，获军队院校育才奖金奖。
张彦铎，教授，博士生导师，国务院政府特殊津贴获得者。现任武汉工程大学党委常委、副校长，智能机器人湖北省重点实验室主任，国家一流本科专业建设点“智能科学与技术”专业负责人，湖北优秀教学团队“新一代人工智能新工科教学团队”负责人。获全国优秀教育工作者、湖北省师德标兵/优秀共产党员/十大杰出青年等荣誉称号。
本书特色
根据作者近30年人工智能科研与教学经验，边教学边构思；分析国内外知名大学人工智能精品教材及课程教学安排，研究课程体系、教学方法和教材体系建设。
在教学研究的基础上，力求形成“以不变的基本理论与方法为主体，充分反映人工智能技术发展水平，以培养学生具备继续学习能力为目标”的编写思路；在写作上力求做到用作者自己对问题理解的语言进行描述，便于学生的学习和理解；教材定位注意适应国内多数普通高校的实际教学需要。
本书介绍人工智能的理论、方法和技术及其应用，除了讨论那些仍然有用的和有效的基本原理和方法之外，着重阐述一些新的人工智能方法与技术，特别是近期发展起来的方法和技术。此外，用比较多的篇幅论述人工智能的应用，包括知识图谱、深度学习、语音识别、计算机视觉、群体智能等新的应用研究。
注重实践。第2版附录给出的28个人工智能课程大作业，本书以案例及思考题的方式给出。本书附录介绍了人工智能编程语言Python和手写体识别案例。
目录
向上滑动阅览
第1章 绪论
1.1  人工智能的定义与概况  
1.2  人类智能与人工智能
  1.2.1 智能信息处理系统的假设
  1.2.2 人类智能的计算机模拟 
  1.2.3 弱人工智能和强人工智能
1.3  人工智能各学派的认知观
1.4  人工智能的研究与应用领域  
  1.4.1 智能感知   
  1.4.2 智能推理   
  1.4.3 智能学习   
  1.4.4 智能行动   
1.5 人工智能发展展望
  1.5.1 新一轮人工智能发展特征 
  1.5.2 未来40年的人工智能问题
  1.5.3 人工智能鲁棒性和伦理   
  1.5.4 新一代人工智能发展规划 
习题
第2章 知识表示和推理
2.1 概述
  2.1.1 知识和知识表示
  2.1.2 知识-策略-智能
  2.1.3 人工智能对知识表示方法的要求 
  2.1.4 知识的分类   
  2.1.5 知识表示语言问题 
  2.1.6 现代逻辑学的基本研究方法 
2.2 命题逻辑
  2.2.1 语法 
  2.2.2 语义 
  2.2.3 命题演算形式系统PC   
2.3 谓词逻辑
  2.3.1 语法 
  2.3.2 语义 
  2.3.3 谓词逻辑形式系统FC   
  2.3.4 一阶谓词逻辑的应用   
2.4 归结推理
  2.4.1 命题演算中的归结推理 
  2.4.2 谓词演算中的归结推理 
  2.4.3 谓词演算归结反演的合理性和完备性   
  2.4.4 案例：一个基于逻辑的财务顾问
2.5 产生式系统 
  2.5.1 产生式系统的表示 
  2.5.2 案例：九宫图游戏 
  2.5.3 案例：传教士和野人问题   
  2.5.4 产生式系统的控制策略 
2.6 语义网络
  2.6.1 基本命题的语义网络表示
  2.6.2 连接词在语义网络中的表示 
  2.6.3 语义网络的推理
  2.6.4 语义网络表示的特点
2.7 框架
  2.7.1 框架的构成
  2.7.2 框架系统的推理
  2.7.3 框架表示的特点
2.8 脚本 52
  2.8.1 脚本概念 
  2.8.2 案例：饭店脚本
2.9 知识图谱
  2.9.1 知识图谱及其表示 
  2.9.2 百度知识图谱技术方案 
  2.9.3 案例：知识图谱在互联网金融行业中的应用 
2.10 基于知识的系统 
  2.10.1 知识获取
  2.10.2 知识组织
  2.10.3 知识应用
  2.10.4 常识知识和大规模知识处理
  2.10.5 常识推理
  2.10.6 案例：知识图谱应用  
2.11 小结 
习题
第3章  搜索技术
3.1 概述
3.2 盲目搜索方法
3.3 启发式搜索 
  3.3.1 启发性信息和评估函数 
  3.3.2 最好优先搜索算法 
  3.3.3 贪婪最好优先搜索算法 
  3.3.4 A算法和A*算法   
  3.3.5 迭代加深A*算法   
3.4 问题归约和AND-OR图启发式搜索   
  3.4.1 问题归约的描述   
  3.4.2 问题的AND-OR图表示  
  3.4.3 AO*算法  
3.5 博弈
  3.5.1 极大极小过程 
  3.5.2 α-β过程
  3.5.3 效用值估计方法   
3.6 案例分析
  3.6.1 八皇后问题   
  3.6.2 洞穴探宝 
  3.6.3 五子棋   
习题
第4章 高级搜索
4.1 爬山法搜索 
4.2 模拟退火搜索
  4.2.1 模拟退火搜索的基本思想   
  4.2.2 模拟退火算法 
  4.2.3 模拟退火算法关键参数和操作的设计   
4.3 遗传算法
  4.3.1 遗传算法的基本思想   
  4.3.2 遗传算法的基本操作   
4.4 案例分析
  4.4.1 爬山算法求解旅行商问题
  4.4.2 模拟退火算法求解旅行商问题
  4.4.3 遗传算法求解旅行商问题
习题
第5章 不确定知识表示和推理
5.1 概述
  5.1.1 什么是不确定推理
  5.1.2 不确定推理要解决的基本问题
  5.1.3 不确定性推理方法分类
5.2 非单调逻辑
  5.2.1 非单调逻辑的产生  
  5.2.2 缺省推理逻辑  
  5.2.3 非单调逻辑系统
  5.2.4 非单调规则
  5.2.5 案例：有经纪人的交易  
5.3 主观 Bayes方法
  5.3.1 全概率公式和 Bayes公式
  5.3.2 主观 Bayes方法
5.4 确定性理论
  5.4.1 建造医学专家系统时的问题
  5.4.2 C-F模型
  5.4.3 案例：帆船分类专家系统  
5.5 证据理论
  5.5.1 假设的不确定性
  5.5.2 证据的不确定性和组合函数
  5.5.3 规则的不确定性
  5.5.4 不确定性的传递与组合
  5.5.5 证据理论案例
5.6 模糊逻辑和模糊推理
  5.6.1 模糊集合及其运算
  5.6.2 模糊关系
  5.6.3 语言变量
  5.6.4 模糊逻辑和模糊推理 
  5.6.5 案例：抵押申请评估决策支持系统  
5.7 小结
习题
第6章 Agent
6.1 概述
6.2 Agent及其结构  
  6.2.1 Agent定义
  6.2.2 Agent要素及特性 
  6.2.3 Agent的结构特点 
  6.2.4 Agent的结构分类 
6.3 Agent应用案例  
6.4 Agent通信  
  6.4.1 通信方式 
  6.4.2 Agent通信语言ACL
6.5 协调与协作 
  6.5.1 引言 
  6.5.2 合同网
  6.5.3 协作规划 
6.6 移动Agent 
  6.6.1 移动Agent产生的背景 
  6.6.2 定义和系统组成   
  6.6.3 实现技术 
  6.6.4 移动Agent系统
  6.6.5 移动Agent技术的应用场景 
6.7 多agent系统开发框架JADE   
  6.7.1 程序模型 
  6.7.2 可重用开发包 
  6.7.3 开发和运行的支持工具 
6.8 案例：火星探矿机器人
  6.8.1 需求分析 
  6.8.2 设计与实现   
6.9小结
习题
第7章  机器学习
7.1 机器学习概述 
  7.1.1 学习中的元素  
  7.1.2 目标函数的表示 
  7.1.3 学习任务的类型 
  7.1.4 机器学习的定义和发展史
  7.1.5 机器学习的主要策略 
  7.1.6 机器学习系统的基本结构
7.2 基于符号的机器学习
  7.2.1 归纳学习  
  7.2.2 决策树学习 
  7.2.3 基于范例的学习 
  7.2.4 解释学习  
  7.2.5 案例：通过EBG学习概念cup
  7.2.6 强化学习  
7.3 基于神经网络的机器学习
  7.3.1 神经网络概述  
  7.3.2 基于反向传播网络的学习
  7.3.3 案例：基于反向传播网络拟合曲线
  7.3.5 深度学习  
  7.3.6 案例：深度学习在计算机视觉中的应用   
  7.3.7 竞争网络   
  7.3.8 案例：学习向量量化解决分类问题 
7.4 基于统计的机器学习 
  7.4.1 支持向量机 
  7.4.2 案例：XOR问题 
  7.4.3 统计关系学习  
7.5小结
习题
第8章 自然语言处理技术
8.1 自然语言理解的一般问题
  8.1.1 自然语言理解的概念及意义
  8.1.2 自然语言理解研究的发展
  8.1.3 自然语言理解的层次
8.2 词法分析
8.2.1 案例：单词音节划分
8.3 句法分析
  8.3.1 短语结构文法和 Chomsky文法体系
  8.3.2 句法分析树
  8.3.3 转移网络  
8.4 语义分析
  8.4.1 语义文法  
  8.4.2 格文法
8.5 大规模真实文本的处理
  8.5.1 语料库语言学及其特点   
  8.5.2 统计学方法的应用及所面临的问题
  8.5.3 汉语语料库加工的基本方法   
  8.5.4 语义资源建设  
8.6 信息搜索
  8.6.1 信息搜索概述   
  8.6.2 搜索引擎  
  8.6.3 智能搜索引擎   
  8.6.4 搜索引擎的发展趋势
8.7 机器翻译
  8.7.1 机器翻译系统概述  
  8.7.2 机器翻译的基本模式和方法  
  8.7.3 统计机器翻译  
  8.7.4 利用深度学习改进统计机器翻译   
  8.7.5 端到端神经机器翻译 
  8.7.6 未来展望   
8.8 语音识别
  8.8.1 智能语音技术概述
  8.8.2 组成单词读音的基本单元
  8.8.3 信号处理  
  8.8.4 单个单词的识别 
  8.8.5 隐马尔可夫模型 
  8.8.6 深度学习在语音识别中的应用
8.9 机器阅读理解
  8.9.1 机器阅读理解评测数据集 
  8.9.2 机器阅读理解的一般方法 
  8.9.3 机器阅读理解研究展望   
8.10 机器写作   
  8.10.1 机器原创稿件  
  8.10.2 机器二次创作  
  8.10.3 机器写作展望  
8.11 聊天机器人 
  8.11.1 聊天机器人应用场景
  8.11.2 聊天机器人系统的组成结构及关键技术 
  8.11.3 聊天机器人研究存在的挑战  
8.12 小结
习题
第9章  智能规划
9.1 规划问题   
9.2 状态空间搜索规划   
9.3 偏序规划   
9.4 命题逻辑规划   
9.5 分层任务网络规划   
9.6 非确定性规划   
9.7 时态规划   
9.8 多Agent规划
9.9 案例分析   
  9.9.1 规划问题的建模与规划系统的求解过程 
  9.9.2 Shakey世界  
9.10小结
习题   
第10章  机器人学
10.1 概述  
  10.1.1 机器人的分类
  10.1.2 机器人的特性
  10.1.3 机器人学的研究领域  
10.2 机器人系统
  10.2.1 机器人系统的组成
  10.2.2 机器人的工作空间
  10.2.3 机器人的性能指标
10.3 机器人的编程模式与语言
10.4 机器人的应用与展望
  10.4.1 机器人应用  
  10.4.2 机器人发展展望  
10.5 案例分析：仿真机器人运动控制算法  
  10.5.1 仿真平台使用介绍
  10.5.2 仿真平台与策略程序的关系
  10.5.3 策略程序的结构  
  10.5.4 动作函数及说明  
  10.5.5 策略
  10.5.6 各种定位球状态的判断方法
  10.5.7 比赛规则
10.6小结
习题
第11章 互联网智能 
11.1 概述  
11.2 语义网与本体   
  11.2.1 语义网的层次模型 
  11.2.2 本体的基本概念
  11.2.3 本体描述语言OWL  
  11.2.4 本体知识管理框架 
  11.2.5 本体知识管理系统Protégé  
  11.2.6 本体知识管理系统KAON 
11.3 Web技术的演化 
  11.3.1 Web1.0  
  11.3.2 Web2.0  
  11.3.3 Web3.0  
  11.3.4 互联的社会  
11.4 Web挖掘   
  11.4.1 Web内容挖掘  
  11.4.2 Web结构挖掘  
  11.4.3 Web使用挖掘  
  11.4.4 互联网信息可信度问题 
  11.4.5 案例：反恐作战数据挖掘
  11.4.6 案例：微博博主特征行为数据挖掘
11.5 集体智能  
  11.5.1 社群智能  
  11.5.2 集体智能系统  
  11.5.3 全球脑
  11.5.4 互联网大脑（云脑）
  11.5.5 智联网
  11.5.6 案例：智能网联汽车
  11.5.7 案例：城市计算
11.6 小结 
习题
附录A 人工智能编程语言Python
  A.1 人工智能编程语言概述
  A.2 Python语言优势 
  A.3 Python人工智能相关库   
  A.4 Python语法简介 
附录B 手写体识别案例 
  B.1 MNIST数据集
  B.2 Softmax回归模型
  B.3 Softmax回归的程序实现  
  B.4 模型的训练  
  B.5 模型的评价  
  B.6 完整代码及运行结果  
｜申请样书｜
■  如果您是高校教师（普通高校/职业院校教师）可关注微信公众号 “书圈” （ID:itshuquan），根据提示申请本书。
03
精彩推荐
继续阅读
阅读原文