metodología de programación i sistemas expertos - uv.mx · pdf...

Introduccion Caracterısticas de los SE Usando Prolog Interfaz con el usuario Shell Incertidumbre

Metodologıa de Programacion ISistemas Expertos

Dr. Alejandro Guerra-Hernandez

Departamento de Inteligencia Artificial

Facultad de Fısica e Inteligencia Artificial

[email protected]

http://www.uv.mx/aguerra

Maestrıa en Inteligencia Artificial 2011


Objetivos

I Familiarizarse con la terminologıa propia de los SistemasExpertos.

I Experimentar con la construccion de Sistemas Expertos enProlog

I Elaborar un mini-shell para el desarrollo de Sistemas Expertos.


Estructura de un Sistema Experto (SE)

I Componentes y Personas involucradas en el desarrollo y usode un SE:

Experto enel Dominio

Ingeniero del Conocimieno

Usuario

Ingeniero en Sistemas

Interface conel Usuario

Máquina de Inferencia

Base deConocimiento

Almacén deTrabajo

Experiencia


Componentes

I Base de conocimientos. La representacion declarativa de laexperiencia, muchas veces en forma de reglas IF-THEN.

I Almacen de trabajo. Los datos especıficos al problema que seesta resolviendo.

I Maquina de inferencia. El codigo central del SE que derivarecomendaciones con base en la base de conocimientos y losdatos especıficos del problema.

I Interfaz del usuario. El codigo que controla el dialogoentre el usuario y el SE.


Personas

I Experto del Dominio. Quien resuelve el problema que el SEintentara resolver.

I Ingeniero de Conocimiento. Quien codifica el conocimiento delos expertos para que pueda ser usado por el SE.

I Usuario. Quien consultara el SE para obtener los consejos queesperarıa de un experto del dominio.

I Ingeniero de Sistemas. Quien construye la interfaz del usuario,disena el formato declarativo de la base de conocimientos,e implementa la maquina de inferencia¿adivinan cual es su rol?


Consideraciones

I Dependiendo de la talla del SE, el ingeniero de conocimiento yel ingeniero del sistema, pueden ser la misma persona.

I Al proceso de codificar el conocimiento de los expertos, se leconoce como ingenierıa del conocimiento. El diseno delformato de la base de conocimientos y su codificacion estanıntimamente relacionados.

I Siendo esta una tarea complicada, se busca reutilizar delconocimiento codificado usando shells.


Caracterısticas de un SE 1/2

I Razonamiento guiado por las metas o encadenamiento haciaatras. Inferencia descomponiendo las metas en sub-metas.

I Manejo de incertidumbre. La habilidad del SE para trabajarcon reglas y datos que no son conocidos con precision.

I Razonamiento guiado por los datos o encadenamiento haciaadelante. Inferencia para deducir soluciones a un problema apartir de los datos iniciales disponibles.


Caracterısticas de un SE 2/2

I Representacion de datos. La forma en que los datos especıficosa un problema dado, son almacenados y accesados por el SE.

I Interfaz del usuario. La parte del SE que se usa para unainteraccion mas amigable con el usuario.

I Explicacion. La habilidad para explicar sus procesos derazonamiento y recomendaciones.


Razonamiento basado en metas

I Forma eficiente de resolver problemas modelados como casosde seleccion estructurada. Ej. identificacion y diagnostico.

I La meta del SE es elegir la mejor opcion de entre variasposibilidades enumeradas.

I Ej. reglas parte de un SE para identificar aves.

1 IF familia es albatros AND2 color es blanco3 THEN ave es albatros laysan.4

5 IF familia es albatros AND6 color es negro7 THEN ave es albatros de pies negros.


Albatros Laysan


Sub-metas

I El sistema puede usar otras reglas para resolver a la Prolog lassub-metas planteadas por las reglas de alto nivel, por ejemplo:

1 IF2 orden es tubonasales AND3 tama~no es grande AND4 alas es grandes anguladas5 THEN6 familia es albatros.


Incertidumbre

I Es muy comun en la resolucion de problemas de seleccionestructurada, que la respuesta final no es conocida con totalcerteza.

I Las reglas del experto pueden ser vagas, o el usuario puedeestar inseguro sobre sus respuestas. Esto es facilmenteobservable en el diagnostico medico.

I Los SE normalmente usan valores numericos para representarcertidumbre. Existen diveras maneras de definirlos yusarlos en el proceso de razonamiento.


Razonamiento guiado por datos

I En algunos problemas no es posible enumerar las solucionesalternativas a las preguntas planteadas. Ej. configuracion.

I El encadenamiento hacia adelante usa reglas IF-THEN paraexplorar el estado actual en la solucion del problema ymoverse a estados mas cercanos a la solucion.

I Ej. un SE para acomodar mobiliario.

1 IF no_colocada tv AND2 sofa en pared X AND3 pared Y opuesta a pared X4 THEN colocar tv en pared Y.


Reglas en Prolog

I Podemos usar las reglas de Prolog para representar las reglasdel SE.

1 ave(albatros_laysan) :-2 familia(albatros),3 color(blanco).4 ave(albatros_patas_negras) :-5 familia(albatros),6 color(obscuro).7 ave(cisne_silbador) :-8 familia(cisne),9 voz(suave_musical).

10 ave(cisne_trompetero) :-11 famila(cisne),12 voz(alta_trompeta).


Cisne Trompetero (Audubon, 1838)


Datos y Preguntas en Prolog

I Para que estas reglas tengan exito al distinguir un ave,necesitamos almacenar hechos acerca del ave que deseamosidentificar con el SE.

1 familia(albatros).2 color(obscuro).

I Ahora podemos usar metas para preguntar la SE.

?- ave(X).X = albatros_patas_negrasYes

I Prolog fue disenado para hacer IA.


Caracter jerarquico de reglas

I Representar la naturaleza jerarquica de las reglas del SE. Ej.clasificacion de un ave.

1 orden(nariz_tubular) :-2 fosas(externas_tubulares),3 habitat(mar),4 pico(gancho).5 orden(acuatico) :-6 patas(membrana),7 pico(plano).8 familia(albatros) :-9 orden(nariz_tubular),

10 tama~no(grande),11 alas(muy_largas).12 familia(cisne) :-13 orden(acuatico),14 cuello(largo),15 color(blanco),16 vuelo(pesado).


Granularidad de los datos

I Ahora el SE puede identificar al albatros a partir deobservaciones fundamentales sobre el ave.

I En la primer version, familia/1 fue implementada como unhecho, ahora se implementa como una regla. Los hechos delSE ahora reflejan datos mas primitivos:

1 fosas(externas_tubulares).2 habitat(mar).3 pico(gancho).4 tama~no(grande).5 alas(muy_largas).6 color(obscuro).

?- ave(X).X = albatros_patas_negrasYes


Otras relaciones

I El ganso canadiense puede usarse para agregar complejidad alsistema. Esta ave pasa los veranos en Canada y los inviernosen los Estados Unidos:

1 ave(ganso_canadiense) :-2 familia(ganso), estacion(invierno),3 pais(estados_unidos), cabeza(negra),4 pecho(blanco).5 ave(ganso_canadiense) :-6 familia(ganso), estacion(verano),7 pais(canada), cabeza(negra),8 pecho(blanco).


Metas con referencia a otras jerarquıas

I Las metas pueden hacer referencia a otros predicados en unajerarquıa (ontologıa) diferente:

1 pais(estados_unidos) :- region(oeste_medio).2 pais(estados_unidos) :- region(sur_oeste).3 pais(estados_unidos) :- region(nor_oeste).4 pais(estados_unidos) :- region(

atlantico_medio).5 pais(canada) :- provincia(ontario).6 pais(canada) :- provincia(quebec).7

8 region(nueva_inglaterra) :- estado(X),9 member(X,[ massachusetts , vermont ,

connecticut , maine ]).10

11 region(sur_oeste) :- estado(X),12 member(X,[florida , mississippi , alabama ,

nueva_orleans ]).


Predicados multiples

I Otras aves necesitaran de predicados multiples para seridentificada. Ej. el Mallard macho (Anas platyrhynchos), opato comun del norte, tiene la cabeza verde con un anilloblanco; la hembra tiene la cabeza cafe moteada:

1 ave(mallard):-2 familia(pato),3 voz(graznido),4 cabeza(verde).5 ave(mallard) :-6 familia(pato),7 voz(graznido),8 cabeza(cafe_moteada).


Pato comun del norte (Audubon, 1838)


Representacion

I El sistema puede mejorarse considerablemente si proveemosuna interfaz para el usuario, que pregunte por la informacioncuando esto sea necesario, en lugar de forzar al usuario aintroducirla como hechos del programa.

I Todos los datos, manejandos hasta ahora, han sido de laforma atributo–valor (proposicional).

atributo valorfamilia patovoz graznidocabeza verde


Interaccion

I Usaremos el predicado pregunta para determinar con ayudadel usuario, cuando un par atributo–valor es verdadero:

1 come(X) :- pregunta(come ,X).2 pies(X) :- pregunta(pies ,X).3 alas(X) :- pregunta(alas ,X).4 cuello(X) :- pregunta(cuello ,X).5 color(X) :- pregunta(color ,X).

I La version mas simple de pregunta es como sigue:

1 pregunta(Atrib ,Val):-2 write(Atrib:Val),3 write(’? ’),4 read(si).


Ejemplo de corrida

I La misma llamada a ave/1 inicia la consulta al SE.

?- ave(X).fosas_nasales : externas tubulares ? si.habitat : mar ? si.pico : ganchudo ? si.tama~no : grande ? si.alas : largas ? si.color : blanco ? si.X = albatros_laysan.

I Si se responde “no” a la ultima pregunta, la regla paraave(albratros laysan) falla, y por backtracking, el SEnos preguntarıa nuevamente informacion que ya sabe!

Ipregunta deberıa recordar lo preguntado.


Conocido

I Definiremos un nuevo predicado conocido/3 que nos ayude arecordar las respuestas del usuario.

I Las respuestas no se guardaran directamente en memoria, sinoque seran guardadas dinamicamente con asserta/1 cuandopregunta provea informacion nueva para el SE:

1 pregunta(A,V) :- conocido(si,A,V), !.2

3 pregunta(A,V) :- conocido(_,A,V), !, fail.4

5 pregunta(A,V) :-6 write(A:V),7 write’? : ’),8 read(Resp),9 asserta(conocido(Resp ,A,V)),

10 Resp == si.


Menues contextuales

I Para atributos de un solo valor, la interfaz pregunta una vez.

1 pregunta(A,V) :-2 not(multivariado(A)),3 conocido(si,A,V2),4 V \== V2, !, fail.

I Para atributos multivariados, una guıa sobre los valoresvalidos se implementa con el predicado menu pregunta.

1 tama~no(X) :-2 menu_pregunta(tama~no , X, [grande , mediano ,

peque~no ]).3 color(X) :-4 menu_pregunta(color ,X,[blanco ,verde ,cafe ,

negro]).


Checar pregunta

I La definicion de menu pregunta/3 es:

1 menu_pregunta(A,V,MenuLista) :-2 write(’Cual es el valor para ’,3 write(A), write(’? ’), nl ,4 write(MenuLista),nl ,5 read(Resp),6 checar(Resp ,A,V,MenuLista),7 asserta(conocido(si ,A,X)),8 X == V.9

10 checar(X,A,V,MenuLista) :-11 member(X,MenuLista), !.12 checar(X,A,V,MenuLista) :-13 write(’Ese valor no es valido , intente

nuevamente ’),14 nl, menu_pregunta(A,V,MenuLista).


Revisitando componentes

I El SE de identificacion de aves tiene dos partes: una base deconocimientos, que incluye la informacion especıfica sobre lasaves; y los predicados para controlar la interfaz con el usuario.

I Al separar estas dos partes, podemos crear un shell de SE.Con ello podemos crear un nuevo SE que identifique, porejemplo, peces y reutilizar la parte de control de la interfaz.

I Un cambio mınimo es necesario para separar las dos partes denuestro SE. Necesitamos un predicado de alto nivel que inicieel proceso de identificacion:

1 meta(X) :- ave(X).


Manteninmiento y solucion

I El shell tendra un predicado solucion/0 para labores demantenimiento del SE, para luego resolver la meta/1:

1 solucion :-2 abolish(conocido ,3), define(conocido ,3),3 meta(X),4 write(’La respuesta es: ’), write(X), nl.5

6 solucion :-7 write(’No se encontro una respuesta.’), nl.

Iabolish/2 se usa para eliminar los hechos definidospreviamente con conocido/3, cada vez que unaconsulta se va a ejecutar.

Idefine/2 permite indicarle a Prolog que conocido

estara definido en el SE, para que no cause error.


Resultado

I De esta manera tenemos que el SE ha sido dividido en dospartes. Los predicados en el shell son:

I solucion,I pregunta,I menu pregunta,I los predicados auxiliares de estos.

I Los predicados en la base de conocimientos son:I meta,I las reglas sobre el conocimiento del SE,I las reglas sobre los atributos provistos por el usuario,I las declaraciones de los atributos multi-variados.


Definiendo un REPL

1 se :- bienvenida ,2 repeat ,3 write(’> ’), read(X), do(X),4 X == quit.5

6 bienvenida :-7 write(’Este es el shell de su SE.’), nl,8 write(’Escriba: cargar , consultar , o salir

en el prompt.’), nl.9

10 do(cargar) :- cargar_bd , !.11 do(consultar) :- solucion , !.12 do(salir).13 do(X) :- write(X),14 write(’ no es un comando valido.’),15 nl, fail.16

17 cargar_bd :- write(’Nombre del archivo: ’),18 read(F),reconsult(F).


Arquitectura obtenida

Interfaz del Usuario

sepregunta

menu_pregunta

Máquina de inferencia

solucioncargar

Base de Conocimientos

metareglas

mulivaluadopreguntado

Memoria de trabajo

conocido


Un nuevo SE

I Desarrollaremos un shell que permita manejar reglas conincertidumbre y encadenamiento hacıa atras.

I Evidentemente, este SE tendra un formato de reglas propio,diferente a las reglas de Prolog, y por lo tanto, una maquinade inferencia propia.


Factores de Certidumbre (CF)

I La forma mas comun de trabajar con la incertidumbre consisteen asignar un factor de certidumbre a cada pieza deinformacion en el SE.

I La maquina de inferencia debera mantener los factores deincertidumbre conforme el proceso de inferencia se lleve acabo.

I Por ejemplo, asumamos que los factores de certidumbre(precedidos por cf) son:

I enteros entre -100 (definitivamente falso) yI +100 (definitivamente verdadero).

Ejemplo: SE encendido auto

1 RULE 12 IF not arranca AND3 bateria_mala4 THEN problema is bateria.5

6 RULE 27 IF luces_debiles8 THEN bateria_mala cf 50.9

10 RULE 311 IF radio_debil12 THEN bateria_mala cf 50.13

14 RULE 415 IF arranca AND16 olor_gasolina17 THEN18 problema is fuga cf 80.

1 RULE 52 IF arranca AND3 indicador_gasolina is

vacio4 THEN problema is tanque_vacio

cf 90.5

6 RULE 67 IF arranca AND8 indicador_gasolina is bajo9 THEN problema is tanque_vacio

cf 30.10

11 ASK arranca12 MENU (si no)13 PROMPT ’Su motor arranca? ’.14

15 ASK luces_debiles16 MENU (si no)17 PROMPT ’Sus luces estan18 debiles? ’.


Corrida

consultar , reiniciar , cargar , listar , trazar , como ,salida

: consultarSu motor arranca?: siHuele a gasolina?: siQue indica la aguja de la gasolina?: vacioproblema -tanque -vacio -cf -90problema -fuga -cf -80problema resuelto


Observaciones

I Observen que a diferencia de Prolog, el sistema no se detieneal encontrar el primer posible valor para problema. En estecaso se computan todos los valores razonables para problema yse reporta el valor de certidumbre asociado a estas soluciones.

I Recordemos que estos factores de certidumbre no sonprobabilidades, solo ponderan de alguna manera lasrespuestas.


CF en los hechos

I De igual manera, el usuario podrıa capturar factores decertidumbre sobre sus respuestas, por ejemplo:

: consultar...Huele a gasolina?si cf 50...


Caracterısticas de los CFs

I Existen diversas maneras de capturar el concepto de factor decertidumbre, pero todas ellas deben de confrontar las mismassituaciones basicas:

I Reglas cuyas conclusiones son inciertas,I Reglas cuyas premisas son inciertas,I Datos provistos por el usuario inciertos,I Combinacion de premisas inciertas con conclusiones inciertas,I Actualizar los factores de incertidumbre en los datos

almacenados en el espacio de trabajo,I Establecer un umbral sobre el cual las premisas se

consideran conocidas.


MYCYN caso 1: premisas ciertas

I Revisemos el uso de estos factores por casos. El mas simple,serıa aquel donde las premisas son totalmente ciertas:

1 arranca cf 100.2 olor_gas cf 100.

I disparan la regla 4 y por tanto, problema fuga cf 80

debera agregarse al almacen de trabajo.


MYCIN caso 2: premisas inciertas

I Normalmente no estamos totalmente seguros de las premisasde una regla y lo normal serıa tener hechos como:

1 arranca cf 80.2 olor_gas cf 50.

I Cuando esto sucede, la incertidumbre en las premisas de laregla debe combinarse con las de la conclusion:

CF = CFregla⇥ mınCFpremisa/100

I Ej. la regla 4 se activarıa con un cf = 50 (el mınimode las dos premisas) y dada la formula anterior,agregarıamos problema fuga cf 40.


Disparo de reglas

I Para que una regla dispare, su factor de certidumbre debesuperar un umbral que normalmente se fija en 20.

I Ası que bajo la definicion anterior, la regla 4 dispararıa.

I Si tuviesemos olor gas cf 15, entonces la regla nodispararıa.


MYCIN caso 3: varias reglas

I Consideren el caso donde hay mas de una regla que dasoporte a cierta conclusion.

I Cada una de las reglas que disparan contribuira al factor decertidumbre de la conclusion. Si una regla dispara y laconclusion ya se encontraba en el almacen de trabajo:

CF (X ,Y ) = X + Y (100� X )/100. Ambos X ,Y > 0

CF (X ,Y ) = X + Y /1� mın(|X |, |Y |). Uno de X ,Y < 0

CF (X ,Y ) = �CF (�X ,�Y ). Ambos X ,Y < 0


Ejemplo

I Si disparamos la regla 2 (luces debiles) con su premisa sinincertidumbre, tendrıamos que agregar al almacen de trabajobateria mala cf 50.

I Luego si disparamos la regla 3 (radio debil), el factor decertidumbre de este hecho debe modificarse a bateria mala

cf 75. Lo cual resulta intuitivo (hay mas evidencia de que labaterıa tiene problemas).

I Lo que tambien resulta intuitivo es que necesitamosprogramar nuestra propia maquina de inferencia.


Formato de las reglas

I cuando Atributo y Valor son atomos, la estructura general delas reglas se ve como:

regla(Nombre ,premisas( [av(A1,V1), av(A2,V2), ... ] ),conclusion(av(Attr ,Val), CF)).

I Por ejemplo, la regla 5 quedarıa representada como:

1 regla(5,2 premisas ([av(arranca ,si),3 av(indicador_gasolina ,vacio)]),4 conclusion(av(problema ,fuga), 80)).


Propiedades maquina de inferencia

I Dado el formato de las reglas del SE deseamos que lainferencia tome en cuenta los siguientes aspectos:

I Combine los factores de certidumbre como se indicoanteriormente.

I Mantenga el espacio de trabajo con la informacion actualizadacon las nuevas evidencias obtenidas.

I Encontrar toda la informacion acerca de un atributo enparticular cuando se pregunte por el, y poner esa informacionen el espacio de trabajo.


Hechos y metas

I Los hechos seran almacenados con el siguiente formato:

hecho(av(A,V),CF).

I Un predicado meta/2 harıa la llamada para resolver unproblema dado en estos terminos. Ej.

?- meta(av(problema ,X),CF).

Imeta/2 debe de contender con tres casos:

I El atributo–valor se conoce de antemano;I Existen reglas para deducir el atributo–valor;I Se debe preguntar al usuario.


Preguntar

I Se puede preguntar al usuario automaticamente por el valorde un atributo, ante la ausencia de reglas; o bien, se puededeclarar que atributos pueden ser preguntados al usuario.

I Ası el manejo de la base de conocimientos sea mas explıcito yprovee mayor control sobre los dialogos usuario – SE.

I Podemos definir un predicado pregunta/2 para declarar elatributo a preguntar y la frase para ello:

pregunta(pais_residencia ,’¿En que paıs vive? ’).


Meta: caso 1

I Veamos ahora los tres casos para meta/2. El primero de ellosocurre cuando la informacion ya esta en la memoria detrabajo:

1 meta(av(Atr ,Val),CF) :-2 hecho( av(Atr ,Val), CF),3 !.


Meta: caso 2

I El valor del atributo no se encuentra en la memoria detrabajo, pero es posible preguntar por ello al usuario:

1 \meta(av(Atr ,Val), CF) :-2 \+ hecho( av(Atr ,_),_),3 pregunta(Atr ,Msg), preguntar(Atr ,Msg), !,4 meta(av(Atr ,Val), CF).

I El predicado preguntar/2 interroga al usuario, quien respondecon un valor para la atributo Atr y un factor de certidumbreasociado CF . El mensaje Msg da la informacion necesariapara guiar al usuario en estas consultas:

1 preguntar(Atr ,Msg) :-2 write(Msg), read(Val), read(CF),3 asserta(fact(av(Atr ,Val),CF)).


Meta: caso 3

I El valor del atributo es desconocido, pero se puede deducirusando las reglas definidas en el sistema:

1 meta(Meta ,CFactual) :-2 buscaReglas(Meta ,CFactual).

I Esta llamada hace uso de la maquina de inferencia quedisenaremos para nuestro SE con incertidumbre.

I El factor de certidumbre se etiqueta como actual, porquees posible que cambie de valor al ir aplicando lasreglas definidas en el sistema.


Buscando reglas

I El predicado buscaReglas/2 se encarga de encontrar aquellasreglas cuya conclusion unifica con la Meta en cuestion y deactualizar el factor de certidumbre con base en las premisas deestas reglas. Si la Meta es un hecho conocido, no hay nadaque hacer, solo regresar true:

1 buscaReglas(Meta ,CFactual) :-2 regla(N, premisas(ListaPremisas),3 conclusion(Meta ,CF)),4 probar(ListaPremisas ,Contador),5 ajustar(CF,Contador ,NuevoCF),6 actualizar(Meta ,NuevoCF ,CFactual),7 CFactual == 100,8 !.9

10 buscaReglas(Meta ,CF) :-11 hecho(Meta ,CF).


Probando premisas

I Dada una lista de premisas pertenecientes a una reglaencontrada para satisfacer la Meta del SE, es necesario quebuscaReglas/2 las pruebe. Para ello definimos probar/2:

1 probar(ListaPremisas , Contador) :-2 probAux(ListaPremisas , 100, Contador).3

4 probAux ([],Contador ,Contador).5 probAux ([ Premisa1|RestoPremisas],

ContadorActual ,6 Contador) :-7 meta(Premisa1 ,CF ,Cont),8 Cont >= 20,9 probAux(RestoPremisas ,Cont ,Contador).


Ajuste de factores

I El ajuste de los factores de certidumbre se lleva a cabo de lasiguiente manera:

1 ajustar(CF1 , CF2 , CF) :-2 X is CF1 * CF2 / 100,3 int_redondear(X,CF).4

5 int_redondear(X,I) :-6 X >= 0,7 I is integer(X + 0.5).8

9 int_redondear(X,I) :-10 X < 0,11 I is integer(X - 0.5).


Actualizacion memoria de trabajo

I La actualizacion de la memoria de trabajo se lleva a cabo dela siguiente manera:

1 actualizar(Meta ,NuevoCF ,CF) :-2 hecho(Meta ,ViejoCF),3 combinar(NuevoCF ,ViejoCF ,CF),4 retract(hecho(Meta ,ViejoCF)),5 asserta(hecho(Meta ,CF)),6 !.7

8 actualizar(Meta ,CF,CF) :-9 asserta(hecho(Meta ,CF)).


Combinacion de CFs

1 combinar(CF1 , CF2 , CF) :-2 CF1 >= 0,3 CF2 >= 0,4 X is CF1 + CF2 *(100 - CF1)/100,5 int_redondear(X,CF).6

7 combinar(CF1 ,CF2 ,CF) :-8 CF1 < 0,9 CF2 < 0,

10 X is -( -CF1 -CF2 *(100+ CF1)/100),11 int_redondear(X,CF).12

13 combinar(CF1 ,CF2 ,CF) :-14 (CF1 < 0 ; CF2 < 0),15 (CF1 > 0 ; CF2 > 0),16 abs_minimum(CF1 ,CF2 ,MCF),17 X is 100 * (CF1 + CF2) / (100 - MCF),18 int_redondear(X,CF).


Interfaz con el usuario

I La interfaz con el usuario es muy parecida a la definida en laseccion anterior. Se incluyen predicados auxiliares necesariosen su definicion:

1 se :-2 repeat ,3 write(’consultar , cargar , salir’), nl,4 write(’: ’),5 read_line(X),6 ejec(X),7 X == salir.8

9 ejec(consultar) :-10 metas_principales , !.11 ejec(cargar) :-12 cargar_reglas , !.13 ejec(salir).


Auxiliares

1 metas_principales :-2 meta_principal(Atr),3 principal(Atr),4 imprime_meta(Atr),5 fail.6 metas_principales.7

8 principal(Atr) :-9 meta(av(Atr ,Val ,CF)), !.

10 principal(_) :- true.11

12 imprime_meta(Atr) :-13 nl,14 hecho(av(Atr ,Val), CF),15 CF >= 20,16 salidap(av(Atr ,Val),CF), nl , fail.17 imprime_meta(Atr) :-18 write (’Meta: ’), write(Attr),19 write(’ solucionada.’), nl , nl.

metodología de programación i sistemas expertos - uv.mx · pdf...

Documents