1 归结演绎推理

归结推理（Resolution）是一种经典的自动推理方法，可以用于判定一个命题是否为真。其基本思想是将待证明的命题与其否定命题归结为一个矛盾集合，从而说明原命题是不成立的。其主要步骤如下：

将待证明的命题转化为一个子句集合
将待证明的命题的否定形式也转化为一个子句集合。
用所有可能的方式将两个子句进行配对，如果存在一对子句中的正文字与否定文字相同，则使用这对子句进行归结。具体来说，将这两个子句中的正文字和否定文字分别删除，将剩余部分合并成一个新的子句，称为归结子句。
如果成功归结出一个空子句，则说明矛盾集合成立，即待证明的命题不成立；如果无法进行归结操作，则说明待证明的命题无法判断是否成立。

归结的步骤原理主要是利用逻辑上的结构特征，对两个子句中相同的文字进行删除，最终得到一个归结子句。通过归结的过程，将待证明的命题转化为一个矛盾的子句集合，从而判定它是否成立。这个过程类似于反证法，假设待证明的命题为真，然后将其与否命题进行归结，最终发现得到矛盾的结论，从而说明原命题不成立。

子句集：

谓词公式化为子句集步骤_哔哩哔哩_bilibili

归结：

总结：

2 可信度分析

CF模型

可信度推理 - penoy - 博客园 (cnblogs.com)

对于结论的合成

加权的不确定性推理

※

3 模糊推理-构造

扎德方法构造模糊关系：

例题：

4 A*

局部择优和全局择优※。

5 遗传算法

遗传算法是一种基于生物进化过程的随机搜索算法，主要用于解决优化问题。其主要流程包括以下步骤：

初始化种群

在初始时，需要从问题空间中随机生成一组个体（也称为染色体），作为种群的初始集合。

评估适应度

对于每个个体，需要计算其适应度分值，以评价其解决问题的能力。适应度分值通常定义为目标函数的值，或者根据目标函数的值进行转换得到。

选择操作

按照适应度的高低对个体进行选择，使得适应度更高的个体有更大的概率被选择，从而保留优秀的个体。

交叉操作

对被选择的个体进行交叉操作，产生新的个体，其基因来自于两个父代个体的染色体。交叉操作是遗传算法中最重要的操作之一，其目的是继承优秀的特征，增强种群的多样性。

变异操作

对新产生的个体进行变异操作，以引入新的基因变异，从而增加种群的多样性。变异操作是保证算法全局搜索能力的一个重要环节。

评估适应度

对交叉、变异后的新个体，计算其适应度分值。

生成新种群

选择、交叉、变异和适应度评估这四个步骤组成了遗传算法的一个迭代过程。每次迭代完成后，需要根据某种策略生成新的种群，通常选择一些具有较高适应度分值的个体作为新种群的成员。

终止条件

当达到某个终止条件时，算法停止迭代，输出最优解或近似最优解。

以上是遗传算法的主要步骤，其中每个步骤的实现都有多种不同的技术和策略，需要根据具体问题进行调整和选取。