21 PDF

‫ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ‬
‫ﺗرﺟﻣﺔ ﻓﺻول ﻣﻧزﻟﺔ ﻋن ﻣوﻗﻊ ‪ www.myreaders.info‬اﻟﻘﺳم اﻟﺧﺎص ﺑﺎﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‪....‬‬
‫‪- ١‬ﻣﺪﺧﻞ ﻣﺒﺴﻂ ﰲ ﺃﻫﻢ ﻣﻮﺍﺿﻴﻊ ﻋﻠﻢ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ‬

‫‪Introduction to Artificial Intelligence‬‬
‫‪ -٢‬ﺣﻞ ﺍﳌﺴﺎﺋﻞ ﻭﺍﻟﺒﺤﺚ ﻭﺍﺳﱰﺍﺗﻴﺠﻴﺎﺕ ﺍﻟﺘﺤﻜﻢ‬
‫‪Problem Solving Search and Control Strategies‬‬
‫‪ -٣‬ﻗﻀﺎﻳﺎ ﲤﺜﻴﻞ ﺍﳌﻌﺮﻓﺔ‪ ،‬ﺍﳌﻨﻄﻖ ﺍﳋﱪﻱ ﻭﺍﻟﻘﻮﺍﻧﲔ‬
‫‪Knowledge Representation Issues, Predicate Logic, Rules‬‬
‫ﻣﻠﺤﻖ ‪ + ١‬ﻣﻠﺤﻖ ‪ +٢‬ﻣﻠﺤﻖ ‪...٣‬‬
‫ﺗﺮﲨﺔ ﻭﺇﻋﺪﺍﺩ ﻓﻬﺪ ﺁﻝ ﻗﺎﺳﻢ‬

‫‪fhdalqasem@yahoo.com‬‬
‫ﻧﻘﻼ ﻋن اﻟراﺑط‪:‬‬
‫‪www.myreaders.info/html/artificial_intelligence.html‬‬
‫رﺳﺎﻟﺔ ﻟﻠﻘﺎرئ اﻟﻌزﯾز‬

‫ﯾرﺟﻰ ﻣن ﻛل ﻣن اﺳﺗﺧدم أو ﻗرأ ﻫذا اﻟﻛﺗﺎب أن ﯾﺳﺟل أي ﻣﻼﺣظﺎت أو ﻣﻘﺗرﺣﺎت أو ﺣﺗﻰ ﻣﺗطﻠﺑﺎت ﻟﺗﺣﺳﯾن أو‬
‫ﻣراﺟﻌﺔ ﻫذا اﻟﻛﺗﯾب اﻻﻟﻛﺗروﻧﻲ وﯾرﺳﻠﻬﺎ ﻋﻠﻰ ﺑرﯾدي اﻻﻟﻛﺗروﻧﻲ اﻟﻣوﺿﺢ أﻋﻼﻩ‪ ،‬أو ﯾﺳﺟﻠﻬﺎ ﻓﻲ ﺻﻔﺣﺔ اﻟﺗواﺻل‬
‫‪.www.adv-info-tech.com‬‬ ‫ﺑﻣوﻗﻊ ‪:‬ﺗﻛﻧوﻟوﺟﯾﺎ اﻟﻣﻌﻠوﻣﺎت اﻟﻣﺗﻘدﻣﺔ ﻋﻠﻰ اﻟراﺑط‬
‫ﻣﻊ ﺧﺎﻟص ﺷﻛري وﺗﻘدﯾري ﻟﻛل ﻣن ﻗرأ أو ﺻوب ﻛﺗﯾﺑﺎﺗﻲ اﻟﺳﺎﺑﻘﺔ أو ﺗﺳﺎءل ﺣوﻟﻬﺎ أو ﻋﻧﻬﺎ‪............‬‬
‫ﻓﻬد‬
99 - ٢
-١ -
‫ﻣدﺧل ﻣﺑﺳط ﻓﻲ أﻫم ﻣواﺿﯾﻊ‬
‫ﻋﻠﻢ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ‬

Introduction to Artificial Intelligence
:‫ﻣﻘدﻣﺔ‬
Definitions ‫ ﺗﻌرﯾﻔﺎت‬
Goals of AI ‫ أﻫداف اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‬
AI Approaches ‫ ﻣﻧﻬﺟﯾﺎت اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‬
AI Techniques ‫ ﺗﻘﻧﯾﺎت اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‬
‫ اﻟﺗﻘﻧﯾﺎت اﻟﺗﻲ ﺗﺟﻌل ﺳﻠوك اﻟﻧظﺎم ﯾﺑدو ذﻛﯾﺎ‬.١
Techniques that make system to behave as Intelligent
Biology-inspired AI techniques ‫ اﻟﺗﻘﻧﯾﺎت اﻟﺗﻲ ﺗﺳﺗﻠﻬم اﻟﺑﯾوﻟوﺟﻲ‬.٢
Branches of AI ‫ ﻓروع ﻋﻠم اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‬
Applications of AI ‫ ﺗطﺑﯾﻘﺎت اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‬
References ‫ اﻟﻣراﺟﻊ‬

fhdalqasem@yahoo.com
:‫ﻧﻘﻼ ﻋن اﻟراﺑط‬
www.myreaders.info/html/artificial_intelligence.html
___________
www.myreaders.info/html/artificial_intelligence.html ‫ ﻣن إﻋداد ﻓﻬد آل ﻗﺎﺳم ﻧﻘﻼ ﻋن‬،‫ﻣدﺧل إﻟﻰ ﻋﻠم اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‬
‫‪99 - ٣‬‬
‫ﻣﺎ ﻫﻮ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ ‪What is Artificial Intelligence‬؟‬

‫ﯾﻌﺗﺑر اﻟﻌﺎﻟم اﻷﻣرﯾﻛﻲ ﺟون ﻣﺎﻛﺎرﺛﻲ ‪ John McCarthy‬ﻫو اﻟذي ﺻك ﻣﺻطﻠﺢ اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ﻓﻲ ‪١٩٥٦‬م‪ ،‬وﻗد ﻋرﻓﻪ‬
‫ﺑﺄﻧﻪ ﻋﻠم وﻫﻧدﺳﺔ ﺻﻧﺎﻋﺔ اﻵﻻت اﻟذﻛﯾﺔ أو " ‪،"the science and engineering of making intelligent machines‬‬
‫وﺧﺎﺻﺔ ﺑراﻣﺞ اﻟﺣﺎﺳوب اﻟذﻛﯾﺔ‪ .‬أو ﻫو ﻓرع ﻋﻠوم اﻟﺣﺎﺳوب اﻟذي ﯾﻬدف إﻟﻰ إﻧﺷﺎء اﻵﻻت اﻟذﻛﯾﺔ‪.‬‬
‫واﻟذﻛﺎء ‪ Intelligence‬ﻛﻣﻔﻬوم ﯾﺻﻌب ﺗﻌرﯾﻔﻪ ﺑدﻗﺔ‪ ،‬وﯾﻣﻛن اﻋﺗﺑﺎرﻩ اﻟﺟزء اﻟﺣﺳﺎﺑﻲ اﻟذي ﯾﻌطﯾﻧﺎ اﻟﻘدرة ﻋﻠﻰ ﺗﺣﻘﯾق اﻷﻫداف‬
‫ﻓﻲ اﻟﻌﺎﻟم ﻣن ﺣوﻟﻧﺎ‪ ،‬وﻟدى اﻟﻧﺎس ﻣﺧﺗﻠف اﻟدرﺟﺎت ﻣن اﻟذﻛﺎء‪ ،‬وﻛذﻟك اﻟﺣﯾواﻧﺎت وﺑﻌض اﻵﻻت‪ ،‬وﻓق ﻫذا اﻟﺗﻌرﯾف‪.‬‬
‫ﻛﻧﺎ أﻧﻧﺎ ﻧﺳﺗطﯾﻊ ﺗﻌرﯾف اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ﺑﺄﻛﺛر ﻣن ﺗﻌرﯾف ﻣﻧﻬﺎ‪:‬‬
‫‪ ‬اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ‪ AI‬ﻫو دراﺳﺔ اﻟﻘدرات اﻟذﻫﻧﯾﺔ ﻣن ﺧﻼل اﺳﺗﺧداﻣﻪ ﻟﻠﻧﻣﺎذج اﻻﺣﺗﺳﺎﺑﯾﺔ ‪computational‬‬
‫‪.models‬‬
‫‪ ‬اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ‪ AI‬ﻫو دراﺳﺔ ﻛﯾﻔﯾﺔ ﺟﻌل اﻟﺣواﺳﯾب ﺗﻘوم ﺑﺄﺷﯾﺎء ﯾﻘوم ﺑﻬﺎ اﻹﻧﺳﺎن ﺑﺷﻛل أﻓﺿل ﻓﻲ اﻟوﻗت‬
‫اﻟﺣﺎﻟﻲ‪.‬‬
‫‪ ‬اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ‪ AI‬ﻫو دراﺳﺔ وﺗﺻﻣﯾم اﻟﻌﻣﻼء اﻷذﻛﯾﺎء ‪ ،intelligent agents‬ﺣﯾث أن اﻟﻌﻣﯾل اﻟذﻛﻲ ﻫو ﻧظﺎم‬
‫ﯾدرك ﺑﯾﺋﺗﻪ وﯾﻘدم أﻓﻌﺎﻻ ﺗزﯾد ﻣن ﻓرﺻﺔ ﻧﺟﺎﺣﻪ ﻓﻲ أﻫداﻓﻪ‪.‬‬
‫ﺗﻌرﯾﻔﺎت ‪: Definitions‬‬
‫اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ )‪ Artificial Intelligence (AI‬ﻟﻪ ﺗﻌرﯾﻔﺎت ﻣﺗﻌددة ‪ ،‬وﻓﯾﻣﺎ ﯾﻠﻲ ﻣﺟﻣوﻋﺔ ﺗﻌرﯾﻔﺎت ﻣﻧﻘوﻟﺔ ﻣن ﺑﻌض‬
‫اﻟﻛﺗب اﻟﻧﺻﯾﺔ ‪:textbooks‬‬
‫)‪" (b‬دراﺳﺔ اﻟﻘدرات اﻟذﻫﻧﯾﺔ ﻣن ﺧﻼل اﺳﺗﺧدام اﻟﻧﻣﺎذج )‪" (a‬ﻣﺟﻬود ﺟدﯾد ﻟﺟﻌل اﻟﺣواﺳﯾب ﺗﻔﻛر‪...‬آﻻت ﻓﯾﻬﺎ ﻋﻘول‪ ،‬ﺑﺷﻛل ﻛﺎﻣل‬
‫اﻻﺣﺗﺳﺎﺑﯾﺔ"‪" ،‬دراﺳﺔ اﻟﺣوﺳﺑﺔ اﻟﺗﻲ ﺗﺟﻌل ﻣن اﻟﻣﻣﻛن اﻹدراك وﺣرﻓﻲ" "أﺗﻣﺗﺔ اﻷﻧﺷطﺔ اﻟﺗﻲ ﺗرﺑط اﻟذﻛﺎء اﻟﺑﺷري ﺑﺎﻟﻔﻌل‪ ،‬ﻣﺛل ﺻﻧﺎﻋﺔ‬
‫اﻟﻘرارات وﺣل اﻟﻣﺳﺎﺋل واﻟﺗﻌﻠم ‪"...‬‬ ‫واﻟﺗﻔﺳﯾر واﻟﻔﻌل"‬
‫‪'The exciting new effort to make computers think ..‬‬ ‫‪'The study of mental faculties through the use of‬‬
‫'‪machines with minds, in the full and literal sense‬‬ ‫‪computational models' (Charniak and McDermott,‬‬
‫‪(Haugeland, 1985). 'The automation of activities that we‬‬ ‫‪1985). 'The study of the computations that make‬‬
‫‪associate with human thinking, activities such as‬‬ ‫‪it possible to perceive, reason, and act' (Winston,‬‬
‫‪decision-making, problem solving, learning ' (Bellman,‬‬ ‫)‪1992‬‬
‫)‪1978‬‬
‫)‪" (d‬ﻫو ﺣﻘل دراﺳﺔ اﻟذي ﯾﺑﺣث ﺗوﺿﯾﺢ وﻣﺣﺎﻛﺎة اﻟﺳﻠوك اﻟذﻛﻲ )‪" (C‬ﻫو ﻓن إﻧﺷﺎء آﻻت ﺗﻧﺟز وظﺎﺋف ﺗﺗطﻠب ذﻛﺎء ﻋﻧدﻣﺎ ﯾؤدﯾﻬﺎ‬
‫ﻓﻲ ﺷﻛل ﻋﻣﻠﯾﺎت ﺣﺳﺎﺑﯾﺔ"‪" ،‬ﻫو ﻓرع ﻋﻠوم اﻟﺣﺎﺳوب اﻟذي ﯾﻬﺗم اﻻﻧﺳﺎن"‪" ،‬ﻫو دراﺳﺔ ﻛﯾﻔﯾﺔ ﺟﻌل اﻟﺣواﺳﯾب ﺗﻔﻌل أﺷﯾﺎء ﯾﻣﻛن ﻟﻺﻧﺳﺎن أن‬
‫ﯾؤدﯾﻬﺎ ﺑﺷﻛل أﻓﺿل"‬ ‫ﺑﺎﺗﻣﺗﺔ اﻟﺳﻠوك اﻟذﻛﻲ"‬
‫‪'The art of creating machines that perform functions‬‬ ‫‪'A field of study that seeks to explain and‬‬
‫'‪that require intelligence when performed by people‬‬ ‫‪emulate‬‬ ‫‪intelligent‬‬ ‫‪behavior‬‬ ‫‪in‬‬ ‫‪terms‬‬ ‫‪of‬‬
‫‪(Kurzweil, 1990),‬‬ ‫)‪computational processes' (Schalkoff, 1990‬‬
‫‪'The study of how to make computers do things at‬‬ ‫‪'The‬‬ ‫‪branch‬‬ ‫‪of‬‬ ‫‪computer‬‬ ‫‪science‬‬ ‫‪that‬‬ ‫‪is‬‬
‫'‪which, at the moment, people are better‬‬ ‫‪concerned with the automation of intelligent‬‬
‫)‪(Rich and Knight, 1991‬‬ ‫)‪behavior' (Luger and Stubblefield, 1993‬‬
‫___________‬
‫ﻣدﺧل إﻟﻰ ﻋﻠم اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‪ ،‬ﻣن إﻋداد ﻓﻬد آل ﻗﺎﺳم ﻧﻘﻼ ﻋن ‪www.myreaders.info/html/artificial_intelligence.html‬‬
‫‪99 - ٤‬‬
‫وﺑدراﺳﺔ اﻟﺗﻌرﯾﻔﺎت اﻟﺛﻣﺎﻧﯾﺔ أﻋﻼﻩ‪ ،‬ﻧﺟد أن‪:‬‬

‫‪ .١‬اﻟﺗﻌرﯾﻔﺎت ﻣن اﻷﻋﻠﻰ إﻟﻰ اﻷﺳﻔل‪:‬‬
‫اﻟﺗﻌرﯾﻔﺎت ﻓﻲ )‪(a‬و)‪ (b‬ﻫﻲ ﺗﻌرﯾﻔﺎت ﻣﺗﻌﻠﻘﺔ ﺑﺎﻟﺗﻔﺳﯾر ‪ ،reasoning‬ﺑﯾﻧﻣﺎ ﺗﻠك اﻟﺗﻌرﯾﻔﺎت ﻓﻲ )‪(c‬و)‪ (d‬ﻓﻬﻲ ﺗﻌرﯾﻔﺎت ﺗﻬﺗم‬
‫أﻛﺛر ﺑﺎﻟﺳﻠوك ‪.behavior‬‬
‫‪ .٢‬اﻟﺗﻌرﯾﻔﺎت ﻣن اﻟﯾﻣﯾن إﻟﻰ اﻟﯾﺳﺎر‪:‬‬
‫اﻟﺗﻌرﯾﻔﺎت ﻓﻲ )‪ (c‬و )‪ (a‬ﺗﻘﯾس اﻟﻧﺟﺎح ﺑﻣﻘﯾﺎس اﻷداء اﻟﺑﺷري ‪ ،human performance‬ﺑﯾﻧﻣﺎ ﺗﻠك اﻟﺗﻌرﯾﻔﺎت ﻓﻲ اﻟﯾﻣﯾن )‪(b‬‬
‫و )‪ (d‬ﻓﺗﻘﯾس اﻟﻣﻔﻬوم اﻟﻣﺛﺎﻟﻲ ﻟﻠذﻛﺎء واﻟذي ﯾﺳﻣﻰ ﺑﺎﻟﻣﻌﻘوﻟﯾﺔ ‪.rationality‬‬
‫ﻣﻼﺣظﺔ‪ :‬ﯾﻛون اﻟﻧظﺎم ﻋﻘﻼﻧﯾﺎ ‪ rational‬إذا ﻛﺎن ﯾﻔﻌل اﻷﺷﯾﺎء اﻟﺳﻠﯾﻣﺔ‪.‬‬
‫اﻟذﻛـــــﺎء ‪:Intelligence‬‬
‫ﻛﻣﺎ أﺳﻠﻔﻧﺎ ﻫو ﻣﻔﻬوم ﯾﺻﻌب ﺻﯾﺎﻏﺔ ﺗﻌرﯾف ﻣﺣدد ﻟﻪ‪ ،‬وﻟﻛﻧﻪ ﻣرﺗﺑط ﺑﻣﻬﺎم ﺗﺷﻣل اﻟﻌﻣﻠﯾﺎت اﻟذﻫﻧﯾﺔ ‪.mental processes‬‬
‫ﻓﯾﻣﺎ ﯾﻠﻲ أﻣﺛﻠﺔ ﻷﺷﻛﺎل اﻟﻌﻣﻠﯾﺎت اﻟذﻫﻧﯾﺔ اﻟﻣﺧﺗﻠﻔﺔ اﻟﺗﻲ ﯾؤدﯾﻬﺎ اﻹﻧﺳﺎن ﻋﺎدة ٕواذ ﻗﺎﻣت ﺑﻬﺎ اﻵﻟﺔ أو اﻟﺣﯾوان اﻋﺗﺑرﻧﺎﻩ ﺳﻠوﻛﺎ ذﻛﯾﺎ‪:‬‬
‫‪ Solving problems‬ﺣل اﻟﻣﺳﺎﺋل‬ ‫‪ Creativity‬اﻹﺑداع‬
‫‪ Classification‬اﻟﺗﺻﻧﯾف‬ ‫‪ pattern recognition‬اﻛﺗﺷﺎف اﻷﻧﻣﺎط‬
‫‪ Induction‬اﻻﺳﺗﻘراء‬ ‫‪ Learning‬اﻟﺗﻌﻠم‬
‫‪ building analogies‬ﺑﻧﺎء اﻟﻘﯾﺎﺳﺎت )اﻟﻘﯾﺎس(‬ ‫‪ Deduction‬اﻻﺳﺗﻧﺗﺎج‬
‫‪ language processing‬ﻣﻌﺎﻟﺟﺔ اﻟﻠﻐﺔ اﻟطﺑﯾﻌﯾﺔ‬ ‫‪ Optimization‬اﻟﺗﺣﺳﯾن‪ ،‬اﻷﻣﺛﻠﺔ‬
‫اﻟﻣﻌرﻓﺔ وأﻣﺛﻠﺔ ﻛﺛﯾرة أﺧرى‬ ‫‪knowledge and many more.‬‬
‫اﻟﺳﻠوك اﻟذﻛﻲ ‪ :Intelligent Behavior‬ﯾظﻬر اﻟﺳﻠوك اﻟذﻛﻲ ﺑﺻور ﻣﺧﺗﻠﻔﺔ ﻣﻧﻬﺎ‪:‬‬

‫‪Perceiving one’s environment.‬‬ ‫إدراك اﻟﻛﺎﺋن ﻟﺑﯾﺋﺗﻪ‬
‫‪Learning and understanding from experience.‬‬ ‫اﻟﺗﻌﻠم واﻟﻔﻬم ﻣن اﻟﺗﺟﺎرب‬
‫‪Knowledge applying successfully in new situations.‬‬ ‫ﺗطﺑﯾق اﻟﻣﻌﺎرف ﺑﻧﺟﺎح ﻋﻠﻰ ﺣﺎﻻت ﺟدﯾدة‬
‫‪Communicating with others, and more like.‬‬ ‫اﻟﺗواﺻل ﻣﻊ اﻵﺧرﯾن‬
‫‪Acting in complex environments.‬‬ ‫اﻟﻔﻌل ﻓﻲ اﻟﺑﯾﺋﺎت اﻟﻣﻌﻘدة‬
‫اﻟﺗﻔﺳﯾر ﻟﺣل اﻟﻣﺳﺎﺋل واﻛﺗﺷﺎف اﻟﻣﻌرﻓﺔ اﻟﻣﺧﻔﯾﺔ ‪Reasoning to solve problems and discover hidden‬‬
‫‪knowledge.‬‬ ‫)ﻏﯾر اﻟظﺎﻫرة(‬
‫‪Thinking abstractly, using analogies.‬‬ ‫اﻟﺗﻔﻛﯾر اﻟﻣﺟرد واﺳﺗﺧدام اﻟﻘﯾﺎس‬
‫‪Creativity, Ingenuity, Expressive-ness, Curiosity.‬‬ ‫اﻹﺑداع‪ ،‬اﻟﺑراﻋﺔ‪ ،‬اﻟﻘدرة ﻋﻠﻰ اﻟﺗﻌﺑﯾر‪ ،‬اﻟﻔﺿول‪...‬‬
‫ﻓﻬم اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ‪:Understanding AI‬‬
‫ﻣن أﺟل ﻣﻌرﻓﺔ ﻣدى ﺻﻌوﺑﺔ اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ﯾﺟب أن ﻧﻌرف إﺟﺎﺑﺔ اﻟﺗﺳﺎؤﻻت اﻟﺗﺎﻟﯾﺔ‪:‬‬
‫ﻛﯾف ﻧﻛﺗﺳب اﻟﻣﻌرﻓﺔ ‪ knowledge‬وﻧﻘوم ﺑﺗﻣﺛﯾﻠﻬﺎ ‪ represented‬وﺗﺧزﯾﻧﻬﺎ ‪stored‬؟‬
‫ﻛﯾف ﻧﻧﺗﺞ اﻟﺳﻠوك اﻟذﻛﻲ ‪ intelligent behavior‬وﻧﻌﻠﻣﻪ ‪ learned‬ﻟﻶﺧرﯾن؟‬
‫ﻛﯾف ﻧﺳﺗﺧدم وﻧطور وﻧﺑرﻣﺞ ﺧﺑرات إﻧﺳﺎﻧﯾﺔ ﻣﺛل اﻟﺣﺎﻓز ‪ motives‬واﻟﻌﺎطﻔﺔ ‪ emotions‬وﺗﻘدﯾر اﻷوﻟوﯾﺔ ‪priorities‬؟‬
‫ﻛﯾف ﻧﺳﺗطﯾﻊ ﺗﺣوﯾل اﻹﺷﺎرات اﻟﺣﺳﯾﺔ ‪ sensory signals‬إﻟﻰ رﻣوز‪ symbols‬؟‬
‫___________‬
‫‪99 - ٥‬‬
‫‪ reason‬أﺣداث ﺑﺎﻟﻣﺎﺿﻲ‪ ،‬واﻟﺗﺧطﯾط ‪plan‬‬ ‫ﻛﯾف ﯾﺗم ﻣﻌﺎﻟﺟﺔ اﻟرﻣوز ﺑﺻورة ﻣﻧطﻘﯾﺔ ﻣﺣوﺳﺑﺔ‪ ،‬ﻣن أﺟل ﻓﻬم أﺳﺑﺎب‬
‫ﻟﻠﻣﺳﺗﻘﺑل؟‬
‫ﻛﯾف ﺗﺳﺗطﯾﻊ آﻟﯾﺎت ‪ mechanisms‬اﻟذﻛﺎء إﻧﺗﺎج اﻟظواﻫر ‪ phenomena‬اﻹﻧﺳﺎﻧﯾﺔ ﻣﺛل اﻟﺗوﻫم ‪ illusion‬واﻟﺗﺻدﯾق ‪belief‬‬
‫واﻷﻣل ‪ hope‬واﻟﺧوف ‪ fear‬واﻟﺣﻠم ‪ dreams‬واﻟﻌطف ‪ kindness‬واﻟﺣب ‪love‬؟‬
‫اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ اﻟﻘوي أو اﻟﺻﻠب ‪:Hard or Strong AI‬‬
‫ﺑﺷﻛل ﻋﺎم ‪ ،‬ﻓﺈن ﺑﺣوث اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ﺗﻬدف إﻟﻰ إﻧﺷﺎء ذﻛﺎء اﺻطﻧﺎﻋﻲ ﯾﺳﺗطﯾﻊ أن ﯾﻛرر اﻹﻧﺳﺎن اﻟذﻛﻲ ‪replicate‬‬
‫‪ human intelligence‬ﺗﻣﺎﻣﺎ‪ .‬وﯾطﻠق اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ اﻟﻘوي ﻋﻠﻰ اﻵﻟﺔ اﻟﺗﻲ ﺗﻘﺗرب أو ﺗﺣل ﻣﺣل اﻟذﻛﺎء اﻹﻧﺳﺎﻧﻲ‪ ،‬ﺑﺣﯾث‬
‫ﺗﻛون ﻗﺎدرة ﻋﻠﻰ اﻧﺟﺎز أﻋﻣﺎل اﻹﻧﺳﺎن‪ ،‬وﺗطﺑﯾق ﻧطﺎق واﺳﻊ ﻣن اﻷﻋﻣﺎل ﺣﺳب اﻟﺧﻠﻔﯾﺔ اﻟﻣﻌرﻓﯾﺔ‪ ،‬وﯾﻛون ﻟﻬﺎ درﺟﺔ ﻣﺎ ﻣن‬
‫اﻟﺷﻌور ﺑﺎﻟذات ‪ .self-consciousness‬ﻓﯾﻬدف اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ اﻟﻘوي أو اﻟﺻﻠب إﻟﻰ ﺑﻧﺎء آﻻت ﻟﻬﺎ ﻗدرات ﻣﻌرﻓﯾﺔ‬
‫‪ intellectual ability‬ﻻ ﺗﺧﺗﻠف ﻋن اﻟﻛﺎﺋﻧﺎت اﻟﺑﺷرﯾﺔ‪.‬‬
‫اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ اﻟﺑرﻣﺟﻲ أو اﻟﺧﻔﯾف ‪:Soft or Weak AI‬‬
‫اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ اﻟﺧﻔﯾف ﯾطﻠق ﻋﻠﻰ اﺳﺗﺧدام اﻟﺑرﻣﺟﯾﺎت ‪ software‬ﻟدراﺳﺔ أو إﻧﺟﺎز ﺣل ﻣﺳﺄﻟﺔ ﻣﻌﯾﻧﺔ‪ ،‬أو ﻻﺳﺗﻧﺑﺎط ﻣﻬﺎم‪،‬‬
‫ﻗد ﻻ ﯾدﺧل ﺿﻣﻧﻬﺎ ﺟﻣﯾﻊ ﻗدرات اﻟﺗﻌرف اﻹﻧﺳﺎﻧﻲ ‪.human cognitive‬‬
‫ﻣﺛﺎل‪ :‬ﺑرﻧﺎﻣﺞ اﻟﺷطرﻧﺞ اﻟﺷﻬﯾر ﺑـ ‪.Deep Blue‬‬
‫اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ اﻟﺧﻔﯾف ﻻ ﯾﺗﻣﯾز ﺑﺎﻟوﻋﻲ ﺑﺎﻟذات ‪ ،self-awareness‬ﻓﻬو ﯾظﻬر ﻣدى ﻛﺑﯾر ﻣن ﻗدرات اﻟﺗﻌرف اﻹﻧﺳﺎﻧﻲ‪،‬‬
‫وﻫو ذﻛﺎء ﻓﺣﺳب‪ ،‬ﯾﺣل ﻣﺳﺎﺋل ﻣﺣددة‪.‬‬
‫ﻋﻠوم اﻟﺗﻌرف ‪:Cognitive Science‬‬
‫ﺗﻬدف إﻟﻰ ﺗطوﯾر واﺳﺗﻛﺷﺎف وﺗﻘﯾﯾم اﻟﻧظرﯾﺎت اﻟﻣﺗﻌﻠﻘﺔ ﺑﻛﯾﻔﯾﺔ ﻋﻣل اﻟﻌﻘل ‪ ، mind‬ﻣن ﺧﻼل اﺳﺗﺧدام اﻟﻧﻣﺎذج اﻻﺣﺗﺳﺎﺑﯾﺔ‬
‫‪ ،computational models‬ﻓﺎﻟﻣﻬم ﻓﯾﻬﺎ ﻟﯾس ﻣﺎ ﯾﺣدث‪ ،‬وﻟﻛن ﻛﯾف ﺣدﯾث اﻷﻣر‪ ،‬ﺑﻣﻌﻧﻰ أن اﻟﺳﻠوك اﻟذﻛﻲ ﻻ ﯾﻛﻔﻲ‪ٕ ،‬واﻧﻣﺎ‬
‫ﯾﺟب أن ﯾﻌﻣل اﻟﺑرﻧﺎﻣﺞ ﺑطرﯾﻘﺔ ذﻛﯾﺔ ‪.intelligent manner‬‬
‫ﻣﺛﺎل ذﻟك‪ :‬ﺑراﻣﺞ اﻟﺷطرﻧﺞ ‪ Chess programs‬ﺗﻌﻣل ﺑﺷﻛل ﻧﺎﺟﺢ‪ ،‬ﻟﻛﻧﻬﺎ ﺗﻘول اﻟﻘﻠﯾل ﻋن طرﯾﻘﺔ اﻟﺑﺷر ﻓﻲ ﻟﻌب وﺗﻌﻠم‬
‫اﻟﺷطرﻧﺞ‪.‬‬
‫___________‬
‫‪99 - ٦‬‬
‫ﺃﻫﺪﺍﻑ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ ‪Goals of AI‬‬

‫إن ﺗﻌرﯾﻔﺎت اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ اﻟﻣﺧﺗﻠﻔﺔ ﺗﻌطﻲ ﻟﻧﺎ أرﺑﻌﺔ أﻫداف ﻣن اﻟﻣﻣﻛن ﺗﻌﻘﺑﻬﺎ‪:‬‬
‫‪1. Systems that think like humans.‬‬ ‫‪.١‬ﻧظم ﺗﻔﻛر ﻣﺛل اﻹﻧﺳﺎن‪.‬‬
‫‪2. Systems that think rationally.‬‬ ‫‪ .٢‬ﻧظم ﺗﻔﻛر ﺑﺷﻛل ﻋﻘﻼﻧﻲ‪.‬‬
‫‪3. Systems that act like humans .‬‬ ‫‪ .٣‬ﻧظم ﺗﻌﻣل ﻣﺛل اﻹﻧﺳﺎن‪.‬‬
‫‪4. Systems that act rationally.‬‬ ‫‪ .٤‬ﻧظم ﺗﻌﻣل ﺑﺷﻛل ﻋﻘﻼﻧﻲ‪.‬‬
‫وﺑﺷﻛل ﺗﻘﻠﯾدي‪ ،‬ﺟﻣﯾﻊ اﻷﻫداف اﻟﺳﺎﺑﻘﺔ ﻣوﺟودة ﻓﻲ أرﺑﻌﺔ ﻣﻧﻬﺟﯾﺎت ﺗرﺗﺑط ﺑﻬﺎ ﺣﺳب اﻟﺟدول اﻟﺗﺎﻟﻲ‪:‬‬
‫‪Human-like‬‬ ‫‪Rationally‬‬
‫ﻣﺛل اﻻﻧﺳﺎن‬ ‫ﻋﻘﻼﻧﯾﺎ‬
‫‪Think‬‬ ‫‪(1) Cognitive science Approach‬‬ ‫‪(2) Laws of thought Approach‬‬
‫اﻟﺗﻔﻛﯾر‬ ‫ﻣﻧﻬﺟﯾﺔ ﻋﻠوم اﻟﺗﻌرف‬ ‫ﻣﻧﻬﺟﯾﺔ ﻗواﻧﯾن اﻟﺗﻔﻛﯾر‬
‫‪Act‬‬ ‫‪(3) Turing Test Approach‬‬ ‫‪(4) Rational agent Approach‬‬
‫اﻟﻔﻌل‬ ‫ﻣﻧﺟﯾﺔ اﺧﺗﺑﺎر ﺗورﯾﻧﺞ‬ ‫ﻣﻧﻬﺟﯾﺔ اﻟﻌﻣﯾل اﻟﻌﻘﻼﻧﻲ‬
‫ﻣﻼﺣظﺔ‪:‬‬
‫أﻏﻠب أﻋﻣﺎل اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ﺗﻘﻊ ﻓﻲ اﻟﻣﻧﻬﺟﯾﺗﯾن )‪ (٢‬و )‪.(٤‬‬
‫اﻷﻫداف اﻟﻌﺎﻣﺔ ﻟﻠذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ‪:General AI Goal‬‬
‫‪ .١‬ﺗﻛرار اﻟذﻛﺎء اﻹﻧﺳﺎﻧﻲ‪ :‬ﻻ ﯾزال ﻫدﻓﺎ ﺑﻌﯾدا‪.‬‬
‫‪ .٢‬ﺣل ﻣﺷﻛﻠﺔ اﻟﻣﻬﺎم اﻟﻣﻛﺛﻔﺔ ﻟﻠﻣﻌرﻓﺔ‪.‬‬
‫‪ .٣‬ﻋﻣل اﺗﺻﺎل ذﻛﻲ ‪ intelligent connection‬ﺑﯾن اﻹدراك ‪ perception‬واﻟﻔﻌل ‪.action‬‬
‫‪ .٤‬ﺗﺣﺳﯾن اﻟﺗﻔﺎﻋل‪/‬اﻻﺗﺻﺎل اﻹﻧﺳﺎﻧﻲ اﻹﻧﺳﺎﻧﻲ‪ ،‬واﻹﻧﺳﺎﻧﻲ اﻟﺣﺎﺳوﺑﻲ‪ ،‬واﻟﺣﺎﺳوﺑﻲ اﻟﺣﺎﺳوﺑﻲ‪.‬‬
‫اﻟﻬﻧدﺳﺔ اﻟﻣﻌﺗﻣدة ﻋﻠﻰ أﻫداف اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ‪:Engineering based AI Goal‬‬
‫ﯾﺳﻌﻰ ﻫذا اﻟﻔرع اﻟﻬﻧدﺳﻲ اﻟﻣﻬم إﻟﻰ ﺗطوﯾر ﻣﻔﺎﻫﯾم وﻧظرﯾﺎت وﺗطﺑﯾﻘﺎت ﻟﺑﻧﺎء اﻵﻻت اﻟذﻛﯾﺔ ‪ ، intelligent machine‬ﻣﻊ‬
‫اﻟﺗرﻛﯾز ﻋﻠﻰ ﺑﻧﺎء اﻟﻧظم ‪.system building‬‬
‫اﻟﻌﻠوم اﻟﻣﻌﺗﻣد ﻋﻠﻰ أﻫداف اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ‪.Science based AI Goal‬‬
‫ﯾﺳﻌﻰ ﻫذا اﻟﻌﻠم إﻟﻰ ﺗطوﯾر ﻣﻔﺎﻫﯾم ‪ concepts‬وآﻟﯾﺎت ‪ mechanisms‬وﻣﻔردات ﻟﻐوﯾﺔ ‪ vocabulary‬ﺗؤدي إﻟﻰ ﻓﻬم اﻟﺳﻠوك‬
‫اﻟذﻛﻲ اﻟﺣﻲ ‪ ، biological intelligent behavior‬ﻣﻊ اﻟﺗرﻛﯾز ﻋﻠﻰ ﻓﻬم اﻟﺳﻠوك اﻟذﻛﻲ ‪.intelligent behavior‬‬
‫___________‬
‫‪99 - ٧‬‬
‫ﻣﻨﻬﺠﻴﺎﺕ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ ‪AI Approaches‬‬

‫اﻟﻣﻧﻬﺟﯾﺎت اﻟﺗﻲ ذﻛرﻧﺎﻫﺎ ﺳﺎﺑﻘﺎ ﺗﻌرف ﺑواﺳطﺔ اﺧﺗﯾﺎر أﻫداف اﻟﻧﻣوذج اﻻﺣﺗﺳﺎﺑﻲ ‪ ،computational model‬وﺗﻌﺗﻣد ﻋﻠﻰ‬
‫ﺗﻘﯾﯾم أداء اﻟﻧظﺎم اﻟذي ﯾﻧﺗﺞ ﻋﻧﻬﺎ‪.‬‬
‫‪ (١‬ﻣﻧﻬﺟﯾﺔ ﻋﻠوم اﻟﺗﻌرف‪ :‬اﻟﺗﻔﻛﯾر ﻣﺛل اﻹﻧﺳﺎن ‪:Cognitive science : Think human-like‬‬
‫ﻫﻲ ﻣﻧﻬﺟﯾﺔ ﺗﻌﺗﻣد ﻋﻠﻰ وﺟود ﻣﺟﻬود ﺟدﯾد ﻟﺻﻧﻊ ﺣواﺳﯾب ﻣﻔﻛرة ‪ ،computers think‬وﻫذا ﯾﻌﻧﻲ أن اﻵﻻت ﯾﻛون ﻣﻌﻬﺎ‬
‫ﻋﻘل‪ ،‬ﺑﺎﻟﻣﻌﻧﻰ اﻟﻛﻠﻲ أو ﺑﺎﻟﻣﻌﻧﻰ اﻟﺣرﻓﻲ‪ ،‬وﻻ ﺗرﻛز اﻟﻣﻧﻬﺟﯾﺔ ﻓﻘط ﻋﻠﻰ اﻟﺳﻠوك واﻟﻣدﺧﻼت‪/‬ﻣﺧرﺟﺎت ‪ ،I/O‬ﻓﻬﻲ ﺗﻧظر أﯾﺿﺎ‬
‫إﻟﻰ ﻋﻣﻠﯾﺔ اﻟﺗﻔﺳﯾر ‪ ،reasoning process‬ﻣﻬﺗﻣﺔ ﺑﻛﯾﻔﯾﺔ اﻟﺣﺻول ﻋﻠﻰ اﻟﻧﺗﺎﺋﺞ‪ ،‬وﻫﻲ ﻻ ﺗﻬدف ﻓﻘط إﻟﻰ إﻧﺗﺎج ﺳﻠوك ﺷﺑﯾﻪ‬
‫ﺑﺎﻹﻧﺳﺎن ‪ ،human-like behavior‬ﺑل ﺗﻬدف أﯾﺿﺎ إﻟﻰ إﻧﺗﺎج ﻣﺗﺳﻠﺳﻠﺔ اﻟﺧطوات اﻟﺗﻲ ﺗﻘود إﻟﻰ ﻋﻣﻠﯾﺔ اﻟﺗﻔﺳﯾر‪ ،‬ﺑﺷﻛل‬
‫ﻣﺷﺎﺑﻪ ﻟﻠﺧطوات اﻟﺗﻲ ﯾﺗﺑﻌﻬﺎ اﻹﻧﺳﺎن ﻣن أﺟل ﻧﻔس اﻟﻣﻬﺎم‪.‬‬
‫‪ (٢‬ﻣﻧﻬﺟﯾﺔ ﻗواﻧﯾن اﻟﺗﻔﻛﯾر‪ :‬اﻟﺗﻔﻛﯾر ﺑﻣﻌﻘوﻟﯾﺔ ‪:Laws of Thought : Think Rationally‬‬
‫ﺗﻬﺗم ﻫذﻩ اﻟﻣﻧﻬﺟﯾﺔ ﺑدراﺳﺔ اﻟﻘدرات اﻟذﻫﻧﯾﺔ ‪ mental faculties‬ﻣن ﺧﻼل اﺳﺗﺧدام اﻟﻧﻣﺎذج اﻻﺣﺗﺳﺎﺑﯾﺔ‪ ،‬ﺑﻣﻌﻧﻰ دراﺳﺔ اﻟﺣوﺳﺑﺔ‬
‫اﻟﺗﻲ ﺗﺟﻌل ﻣن اﻟﻣﻣﻛن )ﻟﻶﻟﺔ( اﻹدراك ‪ perceive‬واﻟﺗﻔﺳﯾر ‪ reason‬واﻟﻔﻌل ‪.act‬‬
‫ﺗرﻛز ﻫذﻩ اﻟﻣﻧﻬﺟﯾﺔ ﻋﻠﻰ آﻟﯾﺎت اﻻﺳﺗدﻻل ‪ inference mechanisms‬اﻟﻣﺑرﻫن رﯾﺎﺿﯾﺎ ﻋﻠﻰ ﺻﺣﺗﻬﺎ ‪provably correct‬‬
‫واﻟﺗﻲ ﺗﺿﻣن ﺣﺻوﻟﻧﺎ ﻋﻠﻰ اﻟﺟواب اﻟﻣﺛﺎﻟﻲ ‪ optimal solution‬ﻟﻠﻣﺳﺎﺋل‪.‬‬
‫ﻛﻣﺎ ﺗطور أﻧظﻣﺔ اﻟﺗﻣﺛﯾل اﻟﺗﻲ ﺗﺳﻣﺢ ﻟﻼﺳﺗدﻻل ﻛﻲ ﯾﺻﺑﺢ ﻋﻠﻰ اﻷﻗل ﺑﺎﻟﺻورة اﻟﻣﻧطﻘﯾﺔ اﻟﺷﻬﯾرة اﻟﺗﻲ ﺗﻠﺧﺻﻬﺎ اﻟﻌﺑﺎرة‪:‬‬
‫"ﻛل اﻟرﺟﺎل ﻓﺎﻧون‪ .‬ﺳﻘراط رﺟل‪ .‬إذا ﯾﻛون ﺳﻘراط ٍ‬
‫ﻓﺎن" أو‬
‫”‪“Socrates is a man. All men are mortal. Therefore Socrates is mortal.‬‬
‫وذﻟك ﺑﻬدف ﺻﯾﺎﻏﺔ ﻋﻣﻠﯾﺎت اﻟﺗﻔﺳﯾر ﻛﻧظﺎم‪ ،‬وﻓق ﻗواﻋد ﻣﻧطﻘﯾﺔ ‪ٕ ،rules logical‬واﺟراءات اﺳﺗدﻻل‪.‬‬
‫واﻟﻣﺷﻛﻠﺔ ﻏﺎﻟﺑﺎ ﺗﻛون أﻧﻪ ﻻ ﯾﻣﻛن ﺣل ﺟﻣﯾﻊ اﻟﻣﺳﺎﺋل ﻓﻘط ﺑﺎﻟﺗﻔﺳﯾر واﻻﺳﺗﻧﺑﺎط‪.‬‬
‫‪ (٣‬ﻣﻧﻬﺟﯾﺔ اﺧﺗﺑﺎر ﺗﯾورﻧﺞ‪ :‬اﻟﻔﻌل ﻣﺛل اﻻﻧﺳﺎن ‪Turing Test : Act Human-like‬‬
‫ﺗﻌﺗﺑر ﻫذﻩ اﻟﻣﻧﻬﺟﯾﺔ‪ :‬ﻓن إﻧﺷﺎء اﻵﻻت اﻟﺗﻲ ﺗﻧﺟز وظﺎﺋف ﺗﺗطﻠب اﻟذﻛﺎء ﻋﻧد اﻧﺟﺎزﻫﺎ ﺑواﺳطﺔ اﻹﻧﺳﺎن‪ ،‬أي دراﺳﺔ ﻛﯾﻔﯾﺔ‬
‫ﺻﻧﺎﻋﺔ ﺣواﺳﯾب ﺗﻔﻌل اﻷﺷﯾﺎء اﻟﺗﻲ ﯾﻘوم ﺑﻬﺎ اﻹﻧﺳﺎن ﺑﺷﻛل أﻓﺿل ﻓﻲ اﻟوﻗت اﻟﺣﺎﻟﻲ‪.‬‬
‫وﺗرﻛز ﻋﻠﻰ اﻟﻔﻌل‪ ،‬ﻻ ﻋﻠﻰ اﻟﺳﻠوك اﻟذﻛﻲ‪ ،‬اﻟﻣﺗﻣرﻛز ﺣول ﺗﻣﺛﯾل اﻟﻣﻌﺎرف ﻓﻲ اﻟﻌﺎﻟم ﺣوﻟﻧﺎ‪ ،‬ﻓﺎﻟﻣﻧﻬﺟﯾﺔ اﻟﺳﻠوﻛﯾﺔ ﻻ ﺗرﻛز ﻋﻠﻰ‬
‫ﻛﯾﻔﯾﺔ اﻟﺣﺻول ﻋﻠﻰ اﻟﻧﺗﺎﺋﺞ‪ ،‬ﺑل ﺗرﻛز ﻋﻠﻰ اﻟﺣﺻول ﻋﻠﻰ ﻧﺗﺎﺋﺞ ﻣﺷﺎﺑﻬﺔ ﻟﻧﺗﺎﺋﺞ ﻋﻣل اﻹﻧﺳﺎن‪.‬‬
‫ﻣﺛﺎل ﯾوﺿﺢ اﺧﺗﺑﺎر ﺗﯾورﻧﺞ ‪:Turing Test‬‬
‫‪ ‬ﺛﻼﺛﺔ ﻏرف ﻓﻲ اﻷوﻟﻰ ﺷﺧص واﻟﺛﺎﻧﯾﺔ ﻓﯾﻬﺎ ﺣﺎﺳوب واﻟﺛﺎﻟﺛﺔ ﻓﯾﻬﺎ ﺷﺧص ﯾﺳﻣﻰ اﻟﻣﺳﺗﺟوب ‪.interrogator‬‬
‫‪ ‬ﯾﺳﺗطﯾﻊ اﻟﻣﺳﺗﺟوب اﻟﺗواﺻل ﻣﻊ اﻟﻐرﻓﺗﯾن ﺑواﺳطﺔ ﺟﻬﺎز ﺗﻠﻐراف‪/‬اﻟﻣﺑرﻗﺔ ‪ ،teletype‬ﻣن أﺟل ﺗﺟﺎوز ﻣﺷﻛﻠﺔ ﻣﺣﺎﻛﺎة‬
‫اﻵﻟﺔ ﻟﻣظﻬر أو ﺻوت اﻹﻧﺳﺎن‪.‬‬
‫‪ ‬ﯾﺣﺎول اﻟﻣﺳﺗﺟوب ﺗﺣدﯾد أي اﻟﻐرﻓﺗﯾن ﻓﯾﻬﺎ إﻧﺳﺎن وأﯾﻬﻣﺎ ﻓﯾﻬﺎ آﻟﻪ‪.‬‬
‫‪ ‬ﺗﺣﺎول اﻵﻟﺔ ﺣﯾن ﺗرد ﻋﻠﻰ اﻟﻣﺳﺗﺟوب أن ﺗﺧدﻋﻪ‪ ،‬وﺗﺟﻌﻠﻪ ﯾﺻدق اﻧﻬﺎ إﻧﺳﺎن‪ ،‬وﯾﺣﺎول اﻟﺷﺧص أﯾﺿﺎ أن ﯾﻘﻧﻊ‬
‫اﻟﻣﺳﺗﺟوب أﻧﻪ ﻫو اﻹﻧﺳﺎن‪.‬‬
‫‪ ‬ﺗﺟﺗﺎز اﻵﻟﺔ اﺧﺗﺑﺎر ﺗﯾورﻧﺞ إذا ﻧﺟﺣت ﻓﻲ ﺧداع اﻟﻣﺳﺗﺟوب‪ ،‬وﺟﻌﻠﺗﻪ ﯾﺳﺗﻧﺗﺞ أن اﻵﻟﺔ ﻛﺎﺋن ذﻛﻲ‪.‬‬
‫واﻟﻬدف ﻣن اﻻﺧﺗﺑﺎر ﻫو ﺗطوﯾر ﻧظم ﺗﻛون ﻣﺛل اﻹﻧﺳﺎن ‪.human-like‬‬
‫___________‬
‫‪99 - ٨‬‬
‫‪ (٤‬ﻣﻧﻬﺟﯾﺔ اﻟﻌﻣﯾل اﻟﻌﻘﻼﻧﻲ‪ :‬اﻟﻔﻌل ﺑﻣﻌﻘوﻟﯾﺔ ‪Rational Agent : Act Rationally‬‬

‫ﺗﺣﺎول ﻫذﻩ اﻟﻣﻧﻬﺟﯾﺔ ﺗوﺿﯾﺢ وﻣﺣﺎﻛﺎة اﻟﺳﻠوك اﻟذﻛﻲ‪ ،‬ﺑﺷﻛل ﻣﺷﺎﺑﻪ ﻟﻠﻌﻣﻠﯾﺎت اﻻﺣﺗﺳﺎﺑﯾﺔ‪ ،‬ﻓﻬﻲ ﺗﺄﺧذ ﻓﻲ اﻻﻋﺗﺑﺎر ﻣﺳﺄﻟﺔ أﺗﻣﺗﺔ‬
‫اﻟذﻛﺎء ‪.automation of intelligence‬‬
‫وﺗرﻛز ﻫذﻩ اﻟﻣﻧﻬﺟﯾﺔ ﻋﻠﻰ اﻟﻧظم اﻟﺗﻲ ﺗﻌﻣل ﺑﻛﻔﺎءة‪ ،‬وﻟﯾس ﺑﺎﻟﺿرورة ﺑﻣﺛﺎﻟﯾﺔ ﻓﻲ ﻛل اﻟﺣﺎﻻت‪ ،‬وﻣن اﻟﻣﻘﺑول اﻟﺣﺻول ﻋﻠﻰ‬
‫ﺗﻔﺳﯾرات ﻏﯾر ﻛﺎﻣﻠﺔ ‪ imperfect reasoning‬ﻣﺎدام اﻟﻌﻣل ﻗﺎﺋﻣﺎ‪ .‬ﻓﺎﻟﻬدف ﻫﻧﺎ ﻫو ﺗطوﯾر ﻧظﺎم ﯾﻛون ﻋﻘﻼﻧﻲ وﻛﻔؤ‪.‬‬
‫ﺗﻘﻨﻴﺎﺕ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ ‪AI Techniques‬‬
‫ﻟﻘد ظﻬرت ﻓﻲ ﻣﺳﯾرة اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ﺗﻘﻧﯾﺎت ﻣﺗﻌددة‪ ،‬ﯾﻣﻛن ﺗطﺑﯾﻘﻬﺎ ﻓﻲ ﻣﺧﺗﻠف ﻣﻬﺎم وأﻫداف اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‪.‬‬
‫ﺗﻬﺗم اﻟﺗﻘﻧﯾﺎت ﺑﻛﯾﻔﯾﺔ ﺗﻣﺛﯾل ‪ represent‬وﻣﻌﺎﻟﺟﺔ ‪ manipulate‬وﺗﻔﺳﯾر ‪ reason‬اﻟﻣﻌرﻓﺔ‪ ،‬ﻣن أﺟل ﺣل اﻟﻣﺳﺎﺋل اﻟﻣﺧﺗﻠﻔﺔ‪.‬‬
‫وﯾﻣﻛن ﺗﺻﻧﯾف ﻫذﻩ اﻟﺗﻘﻧﯾﺎت إﻟﻰ ﻧوﻋﯾن‪:‬‬
‫‪ .١‬اﻟﺗﻘﻧﯾﺎت اﻟﺗﻲ ﺗﺟﻌل ﺳﻠوك اﻟﻧظﺎم ﯾﺑدو "ذﻛﯾﺎ"‬
‫"‪Techniques that make system to behave as "Intelligent‬‬
‫‪ .٢‬اﻟﺗﻘﻧﯾﺎت اﻟﺗﻲ ﺗﺳﺗﺧدم ﻋﻠم اﻟﺑﯾوﻟوﺟﻲ ‪Biology-inspired AI techniques‬‬
‫وﻣن اﻟﺗﻘﻧﯾﺎت اﻟﺗﻲ ﺗﺟﻌل ﺳﻠوك اﻟﻧظﺎم ﯾﺑدو ذﻛﯾﺎ ‪:Techniques that make system to behave as Intelligent‬‬
‫‪Describe and match‬‬ ‫‪ Goal reduction‬اﻟوﺻف واﻟﻣطﺎﺑﻘﺔ‬ ‫ﺗﻘﻠﯾص اﻟﻬدف‬
‫‪Constraint satisfaction‬‬ ‫‪ Tree Searching‬ﺷرط اﻟرﺿﺎ‬ ‫اﻟﺑﺣث ﻓﻲ اﻟﺷﺟرة‬
‫‪Generate and test‬‬ ‫‪ Rule based systems‬إﻧﺗﺎج واﺧﺗﺑﺎر‬ ‫ﻧظم اﻟﻘواﻋد‬
‫وﻣن اﻟﺗﻘﻧﯾﺎت اﻟﺗﻲ ﺗﺳﺗﺧدم ﻋﻠم اﻟﺑﯾوﻟوﺟﻲ ‪:Biology-inspired AI techniques‬‬
‫‪Neural Networks‬‬ ‫اﻟﺷﺑﻛﺎت اﻟﻌﺻﺑﯾﺔ‬
‫‪Genetic Algorithms‬‬ ‫اﻟﺧوارزﻣﯾﺎت اﻟﺟﯾﻧﯾﺔ‬
‫‪Reinforcement learning‬‬ ‫اﻟﺗﻌﻠم اﻟﻐزﯾر‬
‫‪ (١‬اﻟﺗﻘﻧﯾﺎت اﻟﺗﻲ ﺗﺟﻌل ﺳﻠوك اﻟﻧظﺎم ﯾﺑدو "ذﻛﯾﺎ"‪:‬‬

‫‪ .١‬ﺗﻘﻧﯾﺔ اﻟوﺻف واﻟﻣطﺎﺑﻘﺔ ‪Describe and Match‬‬
‫ﻫذﻩ اﻟﺗﻘﻧﯾﺔ ﺗﺳﺗﺧدم ﻣﻔﻬوم اﻟﻧﻣوذج ﻋﻣوﻣﺎ‪ ،‬وﺗطﺑﻘﻪ ﻋﻠﻰ ﻧﻣوذج ﺟزﺋﻲ ﻣن ﻧﻣوذج اﻟﺣﺎﻟﺔ اﻟﻣﺣددة‪ ،‬ﻫو اﻟﻧﻣوذج اﻻﺣﺗﺳﺎﺑﻲ‪،‬‬
‫ﻟﺗﺻﻣﯾم ﻧظﺎم ﺗﻣﺛﯾل ﺣﺎﺳوﺑﻲ أو ﺣﺳﺎﺑﻲ‪ ،‬ﯾﻣﺛل ﻋﻼﻗﺎت اﻻﻧﺗﻘﺎل ﻟﻣﺟﻣوﻋﺔ ﻣن اﻟﺣﺎﻻت ﻓﻲ ﻧظﺎم اﻧﺗﻘﺎل اﻟﺣﺎﻟﺔ‪ ،‬وﯾﺳﺗﺧدم ﻧظﺎم‬
‫اﻧﺗﻘﺎل اﻟﺣﺎﻟﺔ اﻟﻣﺣدد‪ ،‬ﻟﺗﺣدﯾد ﺟﻣﯾﻊ اﻟﺣﺎﻻت اﻟﻣﻣﻛﻧﺔ ﻟﻠوﺻول إﻟﻰ ﺣﺎﻟﺔ اﻟﻬدف ﻓﻲ ﺣل ﻣﺳﺎﺋل اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‪ ،‬وﻣن‬
‫ﻋﯾوب ﻫذﻩ اﻟﺗﻘﻧﯾﺔ ﻋدم إﻣﻛﺎﻧﯾﺔ ﺗطﺑﯾﻘﻬﺎ ﻋﻠﻰ اﻟﻣﺳﺎﺋل اﻟﺗﻲ ﺗﺗﻛون ﻣن ﺣﺎﻻت ﻛﺛﯾرة‪ ،‬أو ﻣﻌﻘدة‪ ،‬ﻓﯾﻣﺎ ﯾﻠﻲ ﺗﻌرﯾﻔﺎت ﺗوﺿﺢ‬
‫اﻟﻣﻘﺻود ﺑﻛل اﻟﻣﻔﺎﻫﯾم اﻟﺳﺎﺑﻘﺔ‪.‬‬
‫اﻟﻧﻣوذج ‪ :Model‬ﻫو وﺻف ﻟﺳﻠوك اﻟﻧظﺎم ‪.system’s behavior‬‬
‫ﻧﻣوذج اﻟﺣﺎﻟﺔ اﻟﻣﺣدودة ‪ : Finite state model‬ﯾﺗﻛون ﻫذا اﻟﻧﻣوذج ﻣن ﻣﺟﻣوﻋﺔ ﻣن اﻟﺣﺎﻻت ‪ ،states‬وﻣﺟﻣوﻋﺔ ﻣن‬
‫اﻟﺣوادث اﻟﻣﺳﺗﺧدﻣﺔ ﻟﻺدﺧﺎل ‪ ،input events‬وﯾوﺿﺢ اﻟﻌﻼﻗﺔ ‪ relations‬ﺑﯾﻧﻬﺎ‪ ،‬وﺑﺈﻋطﺎء اﻟﺣﺎﻟﺔ اﻟﺣﺎﻟﯾﺔ وﺣﺎدث اﻹدﺧﺎل‪،‬‬
‫ﻧﺳﺗطﯾﻊ ﺗﺣدﯾد اﻟﺣﺎﻟﺔ اﻟﺣﺎﻟﯾﺔ اﻟﺗﺎﻟﯾﺔ ﻟﻠﻧﻣوذج‪.‬‬
‫___________‬
‫‪99 - ٩‬‬
‫اﻟﻧﻣوذج اﻻﺣﺗﺳﺎﺑﻲ ‪:Computation model‬‬

‫ﻫو ﻧﻣوذج ﺟزﺋﻲ وﻓق ﻧﻣوذج اﻟﺣﺎﻟﺔ اﻟﻣﺣدودة‪ ،‬وﯾﺷﻣل ﻣﺟﻣوﻋﺔ ﻣن اﻟﺣﺎﻻت‪ ،‬وﻣﺟﻣوﻋﺔ ﻣن ﺣﺎﻻت اﻟﺑدء‪ ،‬وﻣدﺧﻼت ﻣرﺗﺑﺔ‬
‫أﺑﺟدﯾﺎ‪ ،‬وداﻟﺔ اﻧﺗﻘﺎل ‪ ،transition function‬وظﯾﻔﺗﻬﺎ ﺗﺣوﯾل اﻟرﻣوز اﻟﻣدﺧﻠﺔ واﻟﺣﺎﻻت اﻟﺣﺎﻟﯾﺔ إﻟﻰ اﻟﺣﺎﻟﺔ اﻟﺗﺎﻟﯾﺔ‪.‬‬
‫ﻧظﺎم اﻟﺗﻣﺛﯾل اﻟﺣﺎﺳوﺑﻲ ‪:Representation of computational system‬‬
‫وﯾﺷﻣل وﺻﻔﺎ ﻟﺣﺎﻟﺔ ﺑدء وﺣﺎﻟﺔ ﻧﻬﺎﯾﺔ‪ ،‬وﻣﺟﻣوﻋﺔ ﻣن ﻗواﻋد اﻻﻧﺗﻘﺎل ‪ ،transition rules‬اﻟﺗﻲ ﯾﻣﻛن ﺗطﺑﯾﻘﻬﺎ‪ ،‬واﻟﻣﺷﻛﻠﺔ ﻓﯾﻪ ﻫﻲ‬
‫اﻟﺑﺣث ﻋن ﻗواﻋد اﻻﻧﺗﻘﺎل اﻟﻣﻧﺎﺳﺑﺔ‪.‬‬
‫ﻋﻼﻗﺔ اﻻﻧﺗﻘﺎل ‪:Transition relation‬‬
‫إذا ﻛﺎن ﻫﻧﺎك زوج ﻣن اﻟﺣﺎﻻت )'‪ ،(S, S‬وﻛﺎﻧت ﺣرﻛﺔ اﻟﻧظﺎم ﺗﻧﻘﻠﻪ ﻣن اﻟﺣﺎﻟﺔ ‪ S‬إﻟﻰ اﻟﺣﺎﻟﺔ '‪ ، S‬ﻓﺈﻧﻧﺎ ﻧﻣﺛل ﻋﻼﻗﺔ اﻻﻧﺗﻘﺎل‬
‫ﺑﺎﻟﺷﻛل ’‪.S => S‬‬
‫ﻧظﺎم اﻧﺗﻘﺎل اﻟﺣﺎﻟﺔ ‪:State-transition system‬‬
‫وﯾﻛون ﻫذا اﻟﻧظﺎم ﻣﺣددا ‪ ،deterministic‬إذا ﻛﺎﻧت ﺟﻣﯾﻊ اﻟﺣﺎﻻت ﻟﻬﺎ ﻋﻠﻰ اﻷﻛﺛر ﺧﻠف واﺣد ‪ ،one successor‬ﻛﻣﺎ‬
‫ﯾﻛون ﻫذا اﻟﻧظﺎم ﻏﯾر ﻣﺣددا ‪ non-deterministic‬إذا ﻛﺎﻧت اﻟﺣﺎﻟﺔ اﻟواﺣدة ﻋﻠﻰ اﻷﻗل ﻟﻬﺎ أﻛﺛر ﻣن ﺧﻠف واﺣد‪.‬‬
‫وﻛﻣﺛﺎل ﻋﻠﻰ اﻻﻧﺗﻘﺎﻻت اﻟﻣﻣﻛﻧﺔ ﺑﯾن اﻟﺣﺎﻻت ﻧﺄﺧذ اﻟﻣﺛﺎل اﻟﺷﻬﯾر ﻟﻌﺑﺔ أﺑراج ﻫﺎﻧوي ‪ Towers of Hanoi puzzle‬ﻓﯾﻣﺎ ﯾﻠﻲ‪.‬‬
‫ﻣﺛﺎل‪ :‬ﻟﻌﺑﺔ اﺑراج ﻫﺎﻧوي ﺑﻘرﺻﯾن اﺛﻧﯾن ﻓﻘط ‪Puzzle of Towers of Hanoi with only 2 disks‬‬
‫ﺣل اﻟﻣﺳﺄﻟﺔ اﻟﺗﺎﻟﯾﺔ ﻣﻌطﻰ اﻟﺣﺎﻟﺗﯾن اﻻﺑﺗداﺋﯾﺔ واﻟﻬدف‪:‬‬
‫ﻗم ﺑﺗﺣرﯾك اﻷﻗراص ﻣن اﻟوﺗد ﻓﻲ أﻗﺻﻰ اﻟﺷﻣﺎل إﻟﻰ اﻟوﺗد ﻓﻲ اﻗﺻﻰ اﻟﯾﻣﯾن طﺎﻟﻣﺎ اﻟﺗزﻣت ﺑﺎﻟﺷروط‪:‬‬
‫‪ ‬ﻻ ﺗﺿﻊ اﻟﻘرص اﻷﻛﺑر ﻓوق اﻟﻘرص اﻷﺻﻐر‪.‬‬
‫‪ ‬ﺣرك ﻗرص واﺣد ﻓﻲ اﻟﻣرة‪ ،‬ﻣن وﺗد إﻟﻰ آﺧر‪.‬‬
‫‪ ‬اﻟوﺗد اﻷوﺳط ﯾﻣﻛن أن ﯾﺳﺗﺧدم ﻛﻣﺧزن ﻣﺗوﺳط‪.‬‬
‫اﻟﻣطﻠوب‪ :‬ﻧﻔذ اﻟﻠﻌﺑﺔ ﻟﺗﺣﻘق اﻟﻬدف ﺑﺄﻗل ﻋدد ﻣﻣﻛن ﻣن اﻟﺧطوات‪.‬‬
‫ﻓﯾﻣﺎ ﯾﻠﻲ ﺟﻣﯾﻊ ﺣﺎﻻت اﻻﻧﺗﻘﺎل اﻟﻣﺣﺗﻣﻠﺔ ﻓﻲ ﻟﻌﺑﺔ أﺑراج ﻫﺎﻧوي اﻟﺗﻲ ت‬
‫ﺣﺗوي ﻋﻠﻰ ﻗرﺻﯾن ﻓﻘط‪:‬‬
‫___________‬
‫‪99 - ١٠‬‬
‫وأﻗﺻر اﻟﺣﻠول ‪ Shortest Solution‬ﻫو ﻣﺗﺳﻠﺳﻠﺔ ﻣن اﻟﺣﺎﻻت اﻻﻧﺗﻘﺎﻟﯾﺔ اﺑﺗداء ﻣن اﻟﺣﺎﻟﺔ اﻟﻌﻠﯾﺎ ﻓﻲ اﻟﺷﺟرة )اﻟﺣﺎﻟﺔ‬
‫اﻻﺑﺗداﺋﯾﺔ( ﻷﺳﻔل اﻟﺷﺟرة وﺻوﻻ اﻟﺟزء اﻷدﻧﻰ ﯾﺳﺎرا‪.‬‬
‫‪ .٢‬ﺗﺧﻔﯾض اﻟﻬدف ‪:Goal Reduction‬‬

‫إﺟراءات ﺗﺧﻔﯾض اﻟﻬدف ﻫﻲ ﺣﺎﻟﺔ ﺧﺎﺻﺔ ﻣن اﻟﻌرض اﻹﺟراﺋﻲ ﻟﻠﻣﻌرﻓﺔ ‪ knowledge‬ﻓﻲ اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‪ ،‬ﻛﺗﻣﺛﯾل ﻣﻌﺗﻣد‬
‫ﻋﻠﻰ اﻟﻣﻧطق ‪ logic-based representations‬ﺑدﯾﻼ ﻋن اﻟﺗﻣﺛﯾل اﻟﺻرﯾﺢ اﻟﻣﺑﺎﺷر‪ ،‬أي ﻋرض إﺟراءات اﻟﻣﺳﺎﻟﺔ ﺑدﻻ ﻣن‬
‫ﻋرض ﻛﺎﺋﻧﺎﺗﻬﺎ وﺧﺻﺎﺋﺻﻬﺎ‪ ،‬ﻛﻣﺎ ﺳﯾﺄﺗﻲ ﻓﻲ ﻣوﺿوع‪ :‬ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ‪.‬‬
‫ﯾﺗم ﺗﻧﻔﯾذ ﻋﻣﻠﯾﺎت ﻫذﻩ اﻟﺗﻘﻧﯾﺔ‪ ،‬ﺑﺎﻟﺗﻘﺳﯾم اﻟﻬرﻣﻲ ﻟﻠﻬدف اﻟﻣﻘﺻود‪ ،‬إﻟﻰ أﻫداف ﺟزﺋﯾﺔ أو ﻓرﻋﯾﺔ ‪ ،sub-goals‬أﻛﺛر ﻣن ﻣرة‪،‬‬
‫ﺣﺗﻰ ﻧﺻل إﻟﻰ اﻷﻫداف اﻟﺟزﺋﯾﺔ اﻟﺗﻲ ﺗﺣﺗوي ﻋﻠﻰ ﺣل ﻣﺑﺎﺷر‪ ،‬وﺑﺎﻟوﺻول إﻟﯾﻬﺎ ﻧﻘول أن اﻟﻬدف أﺻﺑﺢ ﻣﻘﻧﻌﺎ‪.‬‬
‫وﯾﺗم ﺗوﺿﯾﺢ ﺧطوات ﻫذﻩ اﻟﺗﻘﻧﯾﺔ ﺑﺻﯾﻐﺔ اﻟﺷﺟرﯾﺔ اﻟﺛﻧﺎﺋﯾﺔ اﻟﺑﯾﺎﻧﯾﺔ‪ ،‬اﻟﺗﻲ ﯾﺗﻛون ﻛل ﻓرع ﻓﯾﻬﺎ ﻣن اﺣﺗﻣﺎﻟﯾن )ﯾﻣﯾن أو ﯾﺳﺎر(‪،‬‬
‫وﯾرﺑط ﺑﯾن ﻫذﻩ اﻟﻔروع اﻟﺻﯾﻐﺔ اﻟﻣﻧطﻘﯾﺔ ‪ ،AND/OR‬ﻋﻠﻰ أن ﺗرﺳم ﻫذﻩ اﻟﺷﺟرة ﻣن اﻷﻋﻠﻰ ﻷﺳﻔل‪ ،‬وﺗﺗﻛون ﻣن‪:‬‬
‫ﻣﺳﺗوﯾﺎت اﻟﻬدف ‪Goal levels‬‬
‫اﻷﻫداف ﻋﺎﻟﯾﺔ اﻟﻣﺳﺗوى ﻫﻲ أﻫداف ﻋﺎﻟﯾﺔ ﻓﻲ ﻣﺳﺗواﻫﺎ ﺑﺎﻟﺷﺟرة‪ ،‬واﻷﻫداف ﻣﻧﺧﻔﺿﺔ اﻟﻣﺳﺗوى ﻫﻲ أﻫداف ﻣﻧﺧﻔﺿﺔ ﻓﻲ‬
‫ﻣﺳﺗواﻫﺎ ﺑﺎﻟﺷﺟرة‪ ،‬أي ﻫﻲ أﻫداف ﺟزﺋﯾﺔ ﻣن اﻷﻫداف اﻷﻋﻠﻰ‪.‬‬
‫اﻟﺧطوط أو اﻷﻗواس ‪Arcs‬‬
‫ﻫﻲ ﺧطوط ﺗﺗوﺟﻪ ﻣن اﻟﻣﺳﺗوﯾﺎت اﻷﻋﻠﻰ ﻟﻸﺳﻔل‪ ،‬ﯾﺑدأ ﻛل ﻗوس وﯾﻧﺗﻬﻲ ﻓﻲ اﻟﻧﻘطﺔ ‪ node‬اﻟطرﻓﯾﺔ‪ ،‬وذﻟك ﻟﺗﻣﺛﯾل ﺗﺧﻔﯾض‬
‫اﻟﻬدف ﻋﺎﻟﻲ اﻟﻣﺳﺗوى إﻟﻰ ﻫدف ﻓرﻋﻲ ﻣﻧﺧﻔض اﻟﻣﺳﺗوى‪.‬‬
‫اﻟﻧﻘطﺔ ‪node‬‬
‫ﻫﻲ اﻷﻫداف اﻟﻔرﻋﯾﺔ اﻟﻣﺣددة ﻓﻲ أﺳﻔل اﻟﺷﺟرة اﻟﺗﻲ ﺗﻣﺛل اﻷﻫداف اﻟﻔﻌﻠﯾﺔ ﻏﯾر اﻟﻣﻣﻛن ﺗﺧﻔﯾﺿﻬﺎ ‪.action goals‬‬
‫وﯾﺗم اﺳﺗﺧدام ﺑﻧﯾﺔ اﻟﺷﺟرة اﻟﺑﯾﺎﻧﯾﺔ اﻟﺛﻧﺎﺋﯾﺔ )و‪/‬أو( ‪ AND-OR tree/graph‬ﻣن أﺟل ﺗﻣﺛﯾل اﻟﻌﻼﻗﺎت ﺑﯾن اﻷﻫداف واﻷﻫداف‬
‫اﻟﻔرﻋﯾﺔ‪ ،‬واﻷﻫداف اﻟﻔرﻋﯾﺔ اﻟﺑدﯾﻠﺔ و اﻷﻫداف اﻟﻔرﻋﯾﺔ اﻟﻣﺷﺗرﻛﺔ‪ ،‬ﻛﻣﺎ ﺳﯾوﺿﺢ اﻟﻣﺛﺎل اﻟﺗﺎﻟﻲ‪.‬‬
‫___________‬
‫‪99 - ١١‬‬
‫ﻣﺛﺎل ﯾوﺿﺢ ﺗﻘﻧﯾﺔ ﺗﺧﻔﯾض اﻟﻬدف ‪Goal Reduction‬‬

‫ﻓﯾﻣﺎ ﯾﻠﻲ ﻣﺛﺎل ﻟﺷﺟرة ﺑﯾﺎﻧﯾﺔ ﺛﻧﺎﺋﯾﺔ أو‪ /‬و‪ ،‬ﻟﺗﻣﺛﯾل ﻣﺟﻣوﻋﺔ ﻣن اﻟﺣﻘﺎﺋق ‪ facts‬ﻣﺛل‪ :‬اﻟﺗﻣﺗﻊ‪ ،‬ﻛﺳب‪/‬إدﺧﺎل اﻟﻣﺎل‪ ،‬اﻟﺳن‬
‫اﻟﻣﺗﻘدﻣﺔ‪....‬اﻟﺦ‪ ،‬وﻫﻲ ﻣﻔﺎﻫﯾم ﯾﻣﻛن ﺗﻣﺛﯾﻠﻬﺎ ﺑﻬذﻩ اﻟﺗﻘﻧﯾﺔ أﻛﺛر ﻣن ﻏﯾرﻫﺎ‪ ،‬ﻟﻛوﻧﻬﺎ ﻏﯾر ﻣﻌﺗﻣدة ﻋﻠﻰ اﻟﻣﻧطق اﻟﺑﺳﯾط وﻟﯾﺳت‬
‫ﺻرﯾﺣﺔ ﺗﻣﺎﻣﺎ‪ .‬و اﻟﻣﺳﺄﻟﺔ ﻫﻲ ‪ :‬ﻛﯾف ﯾزداد اﻟﺗﻣﺗﻊ ﺑﺎﻟﺣﯾﺎة؟‪،‬‬
‫أﻣﺎ اﻹﺟﺎﺑﺔ ﻓﺑﻌد ﺗﺧﻔﯾﺿﻬﺎ ﻧﺣﺻل ﻋﻠﻰ اﻹﺟﺎﺑﺎت اﻟﺗﻲ ﯾوﺿﺣﻬﺎ اﻟﺷﻛل اﻟﺳﺎﺑق‪.‬‬
‫اﻟﺑﻧﯾﺔ اﻟﺷﺟرﯾﺔ اﻟﺳﺎﺑﻘﺔ ﺗﺻف اﻟﺗﺎﻟﻲ‪:‬‬
‫‪ ‬اﻟﻌﻼﻗﺔ اﻟﻬرﻣﯾﺔ ﺑﯾن اﻷﻫداف واﻷﻫداف اﻟﻔرﻋﯾﺔ‪:‬‬
‫إن اﻟﺣﺎﻟﺔ ”‪ “going on strike‬ﻫﻲ ﻫدف ﻓرﻋﻲ ‪ sub-goal‬ﻟﻠﻬدف ”‪ “earning more money‬اﻟذي ﯾﻣﺛل ﻫدﻓﺎ ﻓرﻋﯾﺎ‬
‫ﻟﻠﻬدف ” ‪ ،“improving standard of living‬ﻓﯾﻣﺎ ﯾﻣﺛل ﻫذا اﻷﺧﯾر ﻫدﻓﺎ ﻓرﻋﯾﺎ ﻟﻠﻬدف ‪“improving enjoyment of‬‬
‫”‪.life‬‬
‫‪ ‬طرق ﺑدﯾﻠﺔ ﻟﻣﺣﺎوﻟﺔ ﺗﺣدﯾد اﻟﻬدف ‪:Alternative ways of trying to solve a goal‬‬
‫إن اﻟﺣﺎﻟﺔ ”‪ “going on strike‬و اﻟﺣﺎﻟﺔ ”‪ “increasing productivity‬ﻫﻲ طرق ﺑدﯾﻠﺔ ﻟﻬدف اﻟﺣﺻول ﻋﻠﻰ اﻟﻣﺎل ‪“earn‬‬
‫”‪....more money‬وﻫﻛذا ﺑﺎﻟﻧﺳﺑﺔ ﻟﻠﺣﺎﻻت اﻷﺧرى‪.‬‬
‫‪ ‬اﻷﻫداف اﻟﻔرﻋﯾﺔ اﻟﻣرﺗﺑطﺔ أو اﻟﻣﺷﺗرﻛﺔ ‪:Conjoint sub-goals‬‬
‫ﻣن أﺟل أﺻﺣﺎب اﻟﺳن اﻟﻣﺗﻘدﻣﺔ ”‪ ، “provide for old age‬ﻻ ﻧﺣﺗﺎج ﻓﻘط أن ﻧﻛﺳب ﻣﺎل أﻛﺛر ”‪،“earn more money‬‬
‫ٕواﻧﻣﺎ ﻧﺣﺗﺎج أﯾﺿﺎ أن ﻧدﺧر اﻟﻣﺎل ”‪.“save money‬‬
‫وﻣن اﻟﻣﺛﺎل اﻟﺳﺎﺑق ﻧﺟد أﻧﻧﺎ ﺣﺻﻠﻧﺎ ﻓﻲ اﻟﻧﻬﺎﯾﺔ ﺑﻌد ﺗﻘﻠﯾص اﻟﻬدف إﻟﻰ اﻹﺟﺎﺑﺎت اﻷرﺑﻌﺔ ﻓﻲ اﻟﻧﻘﺎط اﻟطرﻓﯾﺔ‪ ،‬اﻟﺗﻲ ﺗرﺗﺑط‬
‫ﺑﺎﻻرﺗﺑﺎطﺎت اﻟﻣﻧطﻘﯾﺔ أو‪/‬و‪ ،‬ﺑﺣﯾث ﯾﻣﻛن أن ﻧﺻوﻏﻬﺎ ﺑﺎﻟﺷﻛل‪:‬‬
‫اﻟﻣﺳﺄﻟﺔ‪ :‬ﻛﯾف ﯾزداد اﻟﺗﻣﺗﻊ ﺑﺎﻟﺣﯾﺎة؟‬
‫اﻹﺟﺎﺑﺔ ﻣن اﻷﻋﻠﻰ إﻟﻰ أﺳﻔل ﻛﺻﯾﺎﻏﺔ ﻣﻧطﻘﯾﺔ‪:‬‬
‫اﻟﻌﻤﻞ ﺑﺸﻜﻞ أﻗﻞ )اﻟﺮاﺣﺔ( أو )ادﺧﺎر اﻟﻣﺎل و )ﺗﻧﻔﯾذ إﺿراب ﺑﺎﻟﻌﻣل أو زﯾﺎدة اﻹﻧﺗﺎﺟﯾﺔ( (‪ ،‬أو ﺑﺄﺳﻠوب اﻟﻠﻐﺔ اﻟطﺑﯾﻌﯾﺔ ‪:‬‬
‫___________‬
‫‪99 - ١٢‬‬
‫)ﻟﯾزداد اﻟﺗﻣﺗﻊ ﺑﺎﻟﺣﯾﺎة‪ ،‬ﻋﻠﯾك أن ﺗطﺎﻟب ﺑزﯾﺎدة راﺗﺑك ﻋﺑر اﻹﺿراب ﻋن اﻟﻌﻣل‪ ،‬أو ﺑزﯾﺎدة إﻧﺗﺎﺟﯾﺗك )ﻓﻲ ﻋﻣﻠك أو ﺑﺄوﻗﺎت‬
‫إﺿﺎﻓﯾﺔ(‪ ،‬وﻣﻊ ﻫذا ﯾﺟب ادﺧﺎر اﻟﻣﺎل‪ ،‬أو )ٕواﻻ( اﺧﺗر ﻟﻧﻔﺳك ﻋﻣل أﻗل ﻣﺟﻬود(‪.‬‬
‫ﻣﻊ اﻹﺷﺎرة إﻟﻰ اﻟرؤﯾﺔ اﻟﻣﺎدﯾﺔ اﻟظﺎﻫرة ﻓﻲ ﻫذﻩ اﻹﺟﺎﺑﺔ‪ ،‬ﻓﺎﻟﻘﺿﯾﺔ اﻷوﻟﻰ ﻣن ﻗﺿﺎﯾﺎ اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‪ ،‬ﻫﻲ أﺗﻣﺗﺔ اﻟﺗﻔﻛﯾر‬
‫اﻟﻣﺎدي ﻟﻺﻧﺳﺎن‪ ،‬أﻣﺎ اﻟﺟﺎﻧب اﻟﻧﻔﺳﻲ واﻟروﺣﻲ ﻓﻬﻲ ﻗﺿﯾﺔ أﻛﺛر ﺗﻌﻘﯾدا ﻻ ﯾﺑدو أن ﻣﺳﺎﺋل اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ﺗﻬﺗم ﺑﻬﺎ ﻓﻲ‬
‫اﻟﻌﺻر اﻟﺣﺎﻟﻲ‪ ،‬إﻻ ﺑﻌد ﺣل اﻏﻠب ﻣﺳﺎﺋل اﻟﻘﺿﯾﺔ اﻷوﻟﻰ‪.‬‬
‫‪ .٣‬ﺗﻘﻧﯾﺎت ﺷرط اﻟرﺿﺎ ‪Constraint Satisfaction Techniques‬‬
‫اﻟﻘﯾد أو اﻟﺷرط ‪ constraint‬ﻫو ﻋﻼﻗﺔ ﻣﻧطﻘﯾﺔ ﺧﻼل ﻋدة ﻣﺗﻐﯾرات ﻣﺛﻼ‪" :‬رﺳم اﻟداﺋرة داﺧل اﻟﻣرﺑﻊ"‪ ،‬وﻫﻲ ﻣﺳﺎﻟﺔ ﻫﻧدﺳﯾﺔ‬
‫ﺷﻬﯾرة‪ ،‬ﺗﺣﺗﺎج إﻟﻰ ﺗطﺑﯾق ﻣﺟﻣوﻋﺔ ﻣن اﻟﺷروط ﻣﺗﻌﻠﻘﺔ ﺑﺎﻟﻣرﺑﻊ وﺑﺎﻟداﺋرة‪ .‬ﻓﺎﻟﺷروط ﺗرﺑط اﻟﻛﺎﺋﻧﺎت ﺑدﻗﺔ‪ ،‬ﺑدون ﺗﺣدﯾد اﻟﻣوﻗف‬
‫ﻣﻧﻬﺎ أو ﺣذف أي ﻛﺎﺋن‪ ،‬ﻟﺗظل اﻟﻌﻼﻗﺔ ﺳﻠﯾﻣﺔ‪.‬‬
‫ﻗﯾد أو ﺷرط اﻟرﺿﺎ ‪:Constraint satisfaction‬‬
‫ﻫﻲ ﻋﻣﻠﯾﺔ إﯾﺟﺎد ﺣل ﻟﻣﺟﻣوﻋﺔ ﻣن اﻟﻘﯾود‪/‬اﻟﺷروط‪ ،‬ﺑﺣﯾث ﺗﺣدد اﻟﺷروط اﻟﻘﯾم اﻟﻣﺳﻣوح ﺑﻬﺎ ﻟﻠﻣﺗﻐﯾرات‪ ،‬وﻹﯾﺟﺎد اﻟﺣل ﯾﺗم ﺗﻘﯾﯾم‬
‫ﻫذﻩ اﻟﻣﺗﻐﯾرات ﻟﻔﺣص ﻣدى ﻣطﺎﺑﻘﺗﻬﺎ ﻟﺷروط اﻟرﺿﺎ ‪ ،Satisfaction‬أو ﺷروط اﻟﻘﺑول‪.‬‬
‫ﻣﺳﺄﻟﺔ ﺷرط اﻟرﺿﺎ وﺣﻠﻬﺎ ‪:Constraint Satisfaction Problem (CSP) and its solution‬‬
‫‪ ‬ﺗﺗﻛون ﻣﺳﺄﻟﺔ ﺷرط اﻟرﺿﺎ )‪ (CSP‬ﻣن‪:‬‬
‫‡ اﻟﻣﺗﻐﯾرات‪ ،‬ﻣﺟﻣوﻋﺔ اﻟﻣﻧﺗﻬﯾﺔ } ‪.X = {x1 , . . . , xn‬‬
‫‡ اﻟﻧطﺎق‪ ،‬اﻟﻣﺟﻣوﻋﺔ اﻟﻣﻧﺗﻬﯾﺔ ‪ Di‬ﻟﻠﻘﯾم اﻟﻣﺣﺗﻣﻠﺔ اﻟﺗﻲ ﯾﻣﻛن أن ﯾﺄﺧذﻫﺎ اﻟﻣﺗﻐﯾر‪. xi‬‬
‫‡ اﻟﺷروط‪ ،‬ﻣﺟﻣوﻋﺔ ﻣن اﻟﻘﯾم اﻟﺗﻲ ﺗﺣدد ﻣطﺎﺑﻘﺔ اﻟﻣﺗﻐﯾرات ﻟﻠﺷروط ﻓﻲ ﻧﻔس اﻟوﻗت‪ ،‬ﻣﺛﻼ )‪.(D1 != D2‬‬
‫‪ ‬ﺣل اﻟﻣﺳﺄﻟﺔ ‪ CSP‬ﻛﺎرﺗﺑﺎط ﺑﯾن اﻟﻘﯾم ﻣن اﻟﻧطﺎق اﻟﻣﺣدد إﻟﻰ ﺟﻣﯾﻊ اﻟﻣﺗﻐﯾرات اﻟﺗﻲ ﺗطﺎﺑق أو ﺗﻧﺎﺳب ﻛل ﻗﯾد‪ ،‬وﯾﻣﻛن‬
‫أن ﯾﻛون‪:‬‬
‫‡ ﺣل واﺣد ﻣﻘﺑول‪ ،‬دون أن ﻧﺣددﻩ ﺑﺎﻟﺿﺑط‪.‬‬
‫‡ ﺟﻣﯾﻊ اﻟﺣﻠول ﻣرﺿﯾﺔ وﻣﻘﺑوﻟﺔ‪.‬‬
‫‡ اﻟﺣل اﻟﻣﺛﺎﻟﻲ او اﻟﺣل اﻟﺟﯾد‪ ،‬ﻣﺳﺄﻟﺔ اﻟﺷرط اﻟﻣﺛﺎﻟﻲ ‪.(COP) Constraint Optimization Problem‬‬
‫ﺗوﺟد ﺗطﺑﯾﻘﺎت ﻛﺛﯾرة ﻟﺗﻘﻧﯾﺔ ﺷرط اﻟرﺿﺎ ‪ ،Constraint satisfaction‬ﻓﻲ اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ وﻣﺟﺎﻻت ﻛﺛﯾرة ﻣﺛل ﻟﻐﺎت‬
‫اﻟﺑرﻣﺟﺔ ‪ Programming Languages‬واﻟﺣوﺳﺑﺔ اﻟرﻣوزﯾﺔ ‪ Symbolic Computing‬واﻟﻣﻧطق اﻻﺣﺗﺳﺎﺑﻲ‬
‫‪. Computational Logic‬‬
‫ﻣﺛﺎل ﻟﻌﺑﺔ اﻟﻣﻠﻛﺎت‪-‬ن ‪N-Queens puzzle‬‬
‫ﻟﯾﻛن ﻟدﯾﻧﺎ ﻋدد ﺻﺣﯾﺢ ‪ N‬ﻣن اﻟﻣﻠﻛﺎت ﻓﻲ رﻗﻌﺔ ﺷطرﻧﺞ أﺑﻌﺎدﻫﺎ ‪ ،N*N‬ﯾﺗم وﺿﻌﻬﺎ ﺑﺣﯾث ﺗﺣﻘق ﺷرط اﻟرﺿﺎ وﻫو أن ﻻ ﺗﻬدد‬
‫ﻣﻠﻛﺔ أي ﻣﻠﻛﺔ أﺧرى ﻓﻲ اﻟرﻗﻌﺔ‪ ،‬وﯾﻛون ذﻟك ﻋﻧدﻣﺎ ﺗﻛون ﻣﻠﻛﺗﺎن ﻣﺗﻘﺎﺑﻠﺗﺎن ﻓﻲ ﻧﻔس اﻟﺻف أو اﻟﻌﻣود أو ﺑﺷﻛل ﻣﺎﺋل‪.‬‬
‫اﻟﺣل‪ :‬ﻣن أﺟل ﻧﻣذﺟﺔ ﻫذﻩ اﻟﻣﺳﺄﻟﺔ‬
‫‪ ‬ﻟﻧﻔﺗرض أن ﻛل ﻣﻠﻛﺔ ﻓﻲ ﻋﻣود ﻣﺧﺗﻠف ﻋن اﻷﺧرى‪.‬‬
‫‪ ‬ﻟﻧرﺑط اﻟﻣﺗﻐﯾرات )‪ Ri (i = 1 to N‬ﺑﺎﻟﻣﻠﻛﺔ ﻓﻲ اﻟﻌﻣود رﻗم ‪ ،i‬ﻣﻊ ﺗﺣدﯾد ﻣوﻗﻊ اﻟﻣﻠﻛﺔ ﻓﻲ اﻟﺻف‪.‬‬
‫‪ ‬وﻟﻧطﺑق ﺷرط ﻋدم اﻟﺗﻬدﯾد ﺑﯾن ﻛل زوج ﻣن اﻟﻘطﻊ ‪ Ri‬و ‪ ، Rj‬وﻟﻧطور ﺑﻌدﻫﺎ اﻟﺧوارزﻣﯾﺔ‪.‬‬
‫___________‬
‫‪99 - ١٣‬‬
‫ﻣﺛﺎل ‪ :‬ﻟﻌﺑﺔ اﻟﻣﻠﻛﺎت اﻟﺛﻣﺎن ‪8 - Queens puzzle‬‬

‫ﺑﺎﻟﻧظر إﻟﻰ اﻟﺷﻛل أدﻧﺎﻩ‪ ،‬ﻗﯾﻣﺔ ‪ ،N=8‬وﺑﺗﺟرﺑﺔ اﻟﺣﻠول اﻟﻣﻣﻛﻧﺔ ﻧﺟد أن ﻟﻌﺑﺔ اﻟﻣﻠﻛﺎت اﻟﺛﻣﺎن ﺗﺣﺗوي ﻋﻠﻰ ‪ ٩٢‬ﺣل ﻣﺧﺗﻠف‪،‬‬
‫ﺑﺎﻟطﺑﻊ ﺗوﺟد ﺣﻠول ﻣﺗﻧﺎظرة‪ ،‬أي ﺗﺗطﺎﺑق ﻟو ﻗﻣﻧﺎ ﺑﻌﻛس اﻟرﻗﻌﺔ أو ﺗدوﯾرﻫﺎ‪ ،‬وﻟو ﻗﻣﻧﺎ ﺑﺎﺣﺗﺳﺎب اﻟﺣﻠول اﻟﻣﺗﻧﺎظرة ﻛﺄﻧﻬﺎ ﺣل واﺣد‪،‬‬
‫ﻧﺟد أن اﻟﻠﻌﺑﺔ ﻟﻬﺎ ‪ ١٢‬ﺣﻼ وﺣﯾدا‪ ،‬وﻓﻘط ﺣﻠﯾن ﻣﻧﻬﻣﺎ ﻣﻌروﺿﺎن أدﻧﺎﻩ‪.‬‬
‫ﺷﻛل ﯾوﺿﺢ ﺣﻠﯾن ﻣﺧﺗﻠﻔﯾن ﻟﻠﻌﺑﺔ اﻟﻣﻠﻛﺎت اﻟﺛﻣﺎن‬
‫ﻣﺛﺎل‪ :‬ﺗﻠوﯾن اﻟﺧرﯾطﺔ ‪Map Coloring‬‬

‫ﻣﻌطﻰ ﺧرﯾطﺔ رﺳوﻣﯾﺔ )أو ﺑﯾﺎﻧﯾﺔ ‪ (graph‬وﻋدد ﻣن اﻷﻟوان‪ ،‬اﻟﻣﺳﺄﻟﺔ ﻫﻲ ﻛﯾف ﻧرﺑط اﻷﻟوان ﺑﺗﻠك اﻟﻣﺳﺎﺣﺎت ﻓﻲ اﻟﺧرﯾطﺔ‪،‬‬
‫)ﯾﻧظر ﻟﻬﺎ ﻛﻧﻘﺎط(‪ ،‬ﺑﺣﯾث ﯾﺗﺣﻘق اﻟﺷرط اﻟذي ﯾﻘﺗﺿﻲ ﻣﻧﻊ أن ﺗرﺗﺑط ﻧﻘطﺗﯾن )ﻣﺳﺎﺣﺗﯾن( ﻣﺗﺟﺎورﺗﯾن ﺑﻧﻔس اﻟﻠون‪.‬‬
‫اﻟﺣل‪:‬‬
‫ﻣن أﺟل أن ﺗﻧﻣذج ﻣﺳﺄﻟﺔ ﺗﻠوﯾن اﻟﺧرﯾطﺔ‪:‬‬
‫‪ ‬ﻧﻘوم ﺑﺗﺳﻣﯾﺔ ﻛل ﻧﻘطﺔ )ﻣﺳﺎﺣﺔ( ﻓﻲ اﻟﺧرﯾطﺔ ﺑﻣﺗﻐﯾر ) ﻧطﺎق اﻟﻣﺗﻐﯾرات ﯾﻛون ﻣﻧﺎظر ﻟﻣﺟﻣوﻋﺔ اﻷﻟوان(‪.‬‬
‫‪ ‬ﻧﻘدم ﺷرط ﻋدم ﺗﺳﺎوي ﻗﯾم أي ﻣﺗﻐﯾرﯾن ﯾﺳﻣﯾﺎن ﻧﻘطﺗﯾن ﻣﺗﺟﺎورﺗﯾن‪.‬‬
‫ﻧظرﯾﺔ اﻷﻟوان اﻷرﺑﻌﺔ ‪:Four Color Theorem‬‬
‫ﺗﻧص ﻫذﻩ اﻟﻧظرﯾﺔ ﻋﻠﻰ أﻧﻪ ﯾﻛﻔﻲ ﻟرﺳم أي ﺧرﯾطﺔ أن ﻧﺳﺗﺧدم أرﺑﻌﺔ أﻟوان ﻣﺧﺗﻠﻔﺔ ﻓﻘط‪ ،‬ﺑﺣﯾث ﺗﻛون اﻟﻣﻧﺎطق‪ ،‬اﻟﺗﻲ ﻟﻬﺎ ﺣدود‬
‫ﻋﺎﻣﺔ ﻣﺷﺗرﻛﺔ‪ ،‬ﻣﻠوﻧﺔ ﺑﺄﻟوان ﻣﺧﺗﻠﻔﺔ‪.‬‬
‫ﺧرﯾطﺔ رﺑﺎﻋﯾﺔ اﻷﻟوان‬
‫___________‬
‫‪99 - ١٤‬‬
‫‪ .٤‬ﺗﻘﻧﯾﺔ ﺷﺟرة اﻟﺑﺣث ‪Tree Searching‬‬

‫إن ﻛﺛﯾر ﻣن اﻟﻣﺳﺎﺋل ﯾﻣﻛن ﺗوﺻﯾﻔﻬﺎ ﺑﺗﻘﻧﯾﺔ ﺷﺟرة اﻟﺑﺣث‪ ،‬ﻣﺛل ﺗﺧﻔﯾض اﻟﻬدف‪ ،‬وﺣل اﻟﻣﺳﺄﻟﺔ ﯾﻛون ﺑﺈﯾﺟﺎد ﻣﺳﺎر ﻣﻧﺎﺳب ﺧﻼل‬
‫اﻟﺷﺟرة‪ ،‬ﯾﺣﻘق اﻟﻬدف اﻟذي ﯾﺳﻌﻰ إﻟﯾﻪ ﺣل اﻟﻣﺳﺄﻟﺔ‪ ،‬وﯾﺳﻣﻰ اﻟﺑﺣث ﻣن ﺧﻼل اﻟﺷﺟرة ﻛﺎﻣﻠﺔ‪ ،‬ﺣﺗﻰ ﻧﺟد اﻟﻣﺳﺎر اﻟﻣﻧﺎﺳب‪،‬‬
‫ﺑﺎﻟﺑﺣث اﻟﺷﺎﻣل ‪.exhaustive search‬‬
‫اﺳﺗراﺗﯾﺟﯾﺎت ﺷﺟرة اﻟﺑﺣث ‪Tree search strategies‬‬
‫اﻟﺑﺣث ﺑﺎﻟﻌﻣق أوﻻ ‪Depth-first search‬‬
‫وﯾﺳﻣﻰ أﯾﺿﺎ ﺑﺎﻟﺑﺣث اﻟرأﺳﻲ‪ ،‬وﻓﯾﻪ ﻧﻔﺗرض أن أي ﻣﺳﺎر ‪ path‬ﻛﺎﻣل‪ ،‬ﻫو أﻓﺿل ﻣن أي ﻣﺳﺎر آﺧر‪ ،‬ﻓﻲ ﻛل ﻧﻘطﺔ ﻣن‬
‫اﻟﺷﺟرة‪ ،‬ﻧﻘوم ﺑﺄﺧذ أي ﻣﺳﺎر‪ ،‬وﻓﺣﺻﻪ ﻟﻸﻣﺎم ﺣﺗﻰ إﯾﺟﺎد اﻟﺣل‪ ،‬أو اﻟوﺻول إﻟﻰ ﻧﻘطﺔ ﻣﯾﺗﺔ ‪) dead end‬ﻧﻘطﺔ ﻻ ﯾوﺟد ﺑﻌدﻫﺎ‬
‫ﻧﻘﺎط ﻓرﻋﯾﺔ(‪ ،‬وﻓﻲ ﺣﺎﻟﺔ اﻟوﺻول إﻟﻰ ﻧﻘطﺔ ﻣﯾﺗﺔ‪ ،‬ﯾﺗم اﻟﺗﺗﺑﻊ اﻟﺧﻠﻔﻲ إﻟﻰ أﻗرب ﻧﻘطﺔ ﻓﻲ اﻟﺷﺟرة ﯾﻛون ﻓﯾﻬﺎ ﺗﻔرع آﺧر ﻟم ﻧﺳر‬
‫ﻓﯾﻪ ﺑﻌد‪ ،‬وﻧﺧﺗﺑر ذﻟك اﻟﻣﺳﺎر ﺣﺗﻰ ﻧﻬﺎﯾﺗﻪ‪.‬‬
‫ﻋﻣﻠﯾﺔ اﻟﺗﺗﺑﻊ اﻟﺧﻠﻔﻲ ‪ backtrack‬ﯾﻣﻛن أن ﯾﻛون ﻋﻠﻰ ﻧوﻋﯾن‪ ،‬ﻫﻣﺎ اﻟﻣﺗزاﻣن واﻟﻣﻌﺗﻣد‪ ،‬ﻓﺎﻟﺗﺗﺑﻊ اﻟﺧﻠﻔﻲ اﻟﻣﺗزاﻣن‬
‫‪ :Chronological backtracking‬ﯾﻛون اﻟﺗراﺟﻊ ﻓﯾﻪ ﻋن ﻛل ﺷﻲء‪ ،‬ﻋﻧدﻣﺎ ﻧﺗﺣرك ﻋﻛس اﻟﻣﺳﺎر )ﻷﻋﻠﻰ اﻟﺷﺟرة(‪ ،‬ﺣﺗﻰ‬
‫اﻟوﺻول إﻟﻰ اﻟﻧﻘطﺔ ‪ node‬اﻟﻣﻧﺎﺳﺑﺔ‪ ،‬أﻣﺎ اﻟﺗﺗﺑﻊ اﻟﺧﻠﻔﻲ اﻟﻣﻌﺗﻣد ‪ :Dependency directed backtracking‬ﻓﻼ ﯾﺗم‬
‫اﻟﺗراﺟﻊ إﻻ ﻋن ﺧﯾﺎرات اﻻﻧﺳﺣﺎب واﻟﺗراﺟﻊ ﻓﻘط‪ ،‬أي ﺗﻠك اﻟﺗﻲ ﺗﻌﺗﻣد ﻋﻠﻰ اﻟﻧﻬﺎﯾﺔ اﻟﻣﯾﺗﺔ‪.‬‬
‫إﺳﺗراﺗﯾﺟﯾﺔ اﻟﺑﺣث ﺗﺳﻠق اﻟﺗل ‪ :Hill climbing‬ﯾﺷﺑﻪ إﺳﺗراﺗﯾﺟﯾﺔ اﻟﺑﺣث اﻟرأﺳﻲ‪ ،‬ﻟﻛﻧﻪ ﯾطﺑق ﺑﻌض اﻟﻘرارات اﻟﻛﻣﯾﺔ‪/‬اﻟﺣﺳﺎﺑﯾﺔ‬
‫‪ quantitative decision‬ﻋﻠﻰ اﻟﻣﺳﺎر )اﻷﻛﺛر اﺣﺗﻣﺎﻻ(‪ ،‬ﻟﻛﻲ ﯾﺗم إﺗﺑﺎﻋﻪ ﻓﻲ ﻧﻘطﺔ ﻣﻌﯾﻧﺔ‪.‬‬
‫اﻟﺑﺣث ﺑﺎﻟﻌرض أوﻻ ‪ :Breadth-first search‬وﯾﺳﻣﻰ أﯾﺿﺎ ﺑﺎﻟﺑﺣث اﻷﻓﻘﻲ‪ ،‬اﻟﺑﺣث ﻋن اﻟﺣل ﻣن ﺧﻼل ﺟﻣﯾﻊ اﻟﻧﻘﺎط‬
‫‪ nodes‬ﻓﻲ ﻣﺳﺗوى ﻣﺣدد‪ ،‬ﻗﺑل اﻻﺳﺗﻣرار ﺑﺎﻟﺑﺣث ﻓﻲ اﻟﻣﺳﺗوﯾﺎت اﻷدﻧﻰ‪.‬‬
‫اﻟﺑﺣث اﻟﺷﻌﺎﻋﻲ ‪ :Beam search‬ﻫذﻩ اﻹﺳﺗراﺗﯾﺟﯾﺔ ﺗﺷﺑﻪ إﺳﺗراﺗﯾﺟﯾﺔ اﻟﺑﺣث اﻷﻓﻘﻲ اﻟﺳﺎﺑﻘﺔ‪ ،‬ﻣن ﺟﻬﺔ اﻟﺑﺣث )ﻣﺳﺗوى‬
‫ﻣﺳﺗوى ‪ ،(level by level‬ﻟﻛﻧﻬﺎ ﺗﺧﺗﺎر ﻓﻘط ﻓﻲ ﻛل ﻣﺳﺗوى‪ ،‬ﺗﻠك اﻟﻧﻘﺎط اﻷﻛﺛر اﺣﺗﻣﺎﻻ ﻟﻠوﺻول إﻟﻰ اﻟﺣل‪ ،‬ﺑدﻻ ﻣن اﻟﺑﺣث‬
‫ﻓﻲ أي ﻧﻘطﺔ ﺗﻣر ﻣﻧﻬﺎ‪.‬‬
‫اﻟﺑﺣث ﻋن اﻷﻓﺿل أوﻻ ‪ :Best-first search‬ﺗﺷﺑﻪ طرﯾﻘﺔ اﻟﺑﺣث اﻟﺷﻌﺎﻋﻲ ﻟﻛﻧﻬﺎ ﺗﺳﺗﻣر ﻓﻘط ﻣن اﻟﻧﻘطﺔ اﻷﻛﺛر اﺣﺗﻣﺎﻻ‬
‫ﻣن ﻛل ﻣﺳﺗوى‪.‬‬
‫‪ .٥‬ﺗﻘﻧﯾﺔ اﻓﺗرض واﺧﺗﺑر )‪Generate and Test (GT‬‬
‫اﻏﻠب اﻟﺧوارزﻣﯾﺎت اﻟﻣﺳﺗﺧدﻣﺔ ﻟﺣل ﻣﺳﺄﻟﺔ ﺷرط اﻟرﺿﺎ )‪ (CSPs‬ﺗﺑﺣث ﺑطرﯾﻘﺔ ﻣﻧﺗظﻣﺔ ﻣن ﺧﻼل ﻣﺟﻣوﻋﺔ ﻣن اﻟﻘﯾم اﻟﻣﻣﻛﻧﺔ‬
‫اﻻرﺗﺑﺎط‪ .‬ﻓﺧوارزﻣﯾﺔ ﺣل ﻣﺳﺄﻟﺔ ﺷرط اﻟرﺿﺎ ﺗﺿﻣن إﯾﺟﺎد ﺣل‪ ،‬إن ﻛﺎن ﻣوﺟودا‪ ،‬أو إﺛﺑﺎت ﻋدم وﺟود ﺣل ﻟﺗﻠك اﻟﻣﺳﺄﻟﺔ‪ .‬وﻟﻛن‬
‫ﻋﯾﺑﻬﺎ ﻫو أﺧذﻫﺎ وﻗت وﻗت طوﯾل ﻟﻔﻌل ذﻟك‪.‬‬
‫طرﯾﻘﺔ اﻓﺗرض‪-‬ﺛم‪-‬واﺧﺗﺑر ‪Generate-and-test method‬‬
‫ﺗﺧﻣن ﻫذﻩ اﻟطرﯾﻘﺔ ﻓﻲ اﻟﺑداﯾﺔ اﻟﺣل‪ ،‬وﻣن ﺛم ﺗﺧﺗﺑر ﻣﺎ إذا ﻛﺎن ﻫذا اﻟﺣل ﺻﺣﯾﺣﺎ‪ ،‬ﺑﻣﻌﻧﻰ أن ﺗﺣﻘق ﺷرط اﻟرﺿﺎ‪ ،‬وﻟﻛن‬
‫ﺑﺄﺳﻠوب ﺗوﻟﯾد اﻟﺣﻠول اﻟﻣﻔﺗرﺿﺔ ﺛم اﺧﺗﺑﺎرﻫﺎ‪.‬‬
‫___________‬
‫‪99 - ١٥‬‬
‫وﻫذا اﻟﻧﻣوذج ﻣﻛون ﻣن ﻣرﺣﻠﺗﯾن‪:‬‬

‫‪ ‬ﺗوﻟﯾد )ﻣوﻟد ‪ (Generator‬ﻓﯾﻘوم اﻟﻣوﻟد ﺑﺳرد اﻟﺣﻠول اﻟﻣﻣﻛﻧﺔ ﻛﺎﻓﺗراﺿﺎت ‪.hypotheses‬‬
‫‪ ‬اﺧﺗﺑﺎر ﺗﻠك اﻟﺣﻠول ﻣن أﺟل ﺗﻘﯾﯾم ﻛل واﺣد ﻣن اﻟﺣﻠول اﻟﻣﻘدﻣﺔ‪ ،‬ﺣﺗﻰ اﻟوﺻول إﻟﻰ اﻟﺣل اﻟﻣﻧﺎﺳب‪.‬‬
‫ﻋﯾوب ﻫذﻩ اﻟﺗﻘﻧﯾﺔ‪:‬‬
‫‪ (١‬ﻟﯾﺳت ﺑﺎﻟﻐﺔ اﻟﻛﻔﺎءة ‪ ،Not very efficient‬ﻓﻬﻲ ﺗﻧﺗﺞ ﻗﯾم ﻛﺛﯾرة‪ ،‬ﺗﻛون ﻣرﺗﺑطﺔ ﺧطﺋﺎ ﺑﺎﻟﻣﺗﻐﯾرات‪ ،‬اﻟﺗﻲ ﺗرﻓض ﻓﻲ‬
‫ﻣرﺣﻠﺔ اﻻﺧﺗﺑﺎر ﻻﺣﻘﺎ‪.‬‬
‫‪ (٢‬ﻣوﻟد اﻻﻓﺗراﺿﺎت ﯾﺗرك اﻟﺣﺎﻻت اﻟﻣﺗﺿﺎرﺑﺔ وﯾﻘوم ﺑﺗوﻟﯾد ارﺗﺑﺎطﺎت أﺧرى ﺑﺷﻛل ﻣﺳﺗﻘل ﻋن ذﻟك اﻟﺗﻌﺎرض‪.‬‬
‫‪ (٣‬وﻣن أﺟل رﻓﻊ اﻟﻛﻔﺎءة‪ ،‬ﺗﺣﺗﺎج ﻫذﻩ اﻟﺗﻘﻧﯾﺔ إﻟﻰ دﻋم ﺑطرق أﺧرى ﻣﺛل اﻟﺗﺗﺑﻊ اﻟﺧﻠﻔﻲ ‪.backtracking approach‬‬
‫وﻛﻣﺛﺎل ﻋﻠﻰ ﻫذﻩ اﻟﺗﻘﻧﯾﺔ‪ :‬ﻣﺳﺄﻟﺔ ﻓﺗﺢ ﻣﺟﻣوﻋﺔ ﻣﻐﻠﻘﺔ ﻣن اﻟﻌﻧﺎﺻر‪ ،‬ﺑدون ﻣﻌرﻓﺔ ﻣﺣﺗوى اﻟﻣﺟﻣوﻋﺔ‪.‬‬
‫‪ .٦‬ﺗﻘﻧﯾﺔ ﻧظم ﻗﺎﻋدة اﻟﻘواﻧﯾن )‪Rule-Based Systems (RBSs‬‬
‫ﻗﺎﻋدة اﻟﻘواﻧﯾن ‪ :Rule-Based‬ﻫﻲ ﻣﺟﻣوﻋﺔ اﻟﻘواﻋد اﻟﻣﻧطﻘﯾﺔ اﻟﻣوﺟودة ﻓﻲ ﺳﺟل ﻣﻌﯾن‪.‬‬
‫وﻧظم ﻗﺎﻋدة اﻟﻘواﻧﯾن ‪ Rule-based systems‬ﻫﻲ أﺳﻬل واﻧﺟﺢ ﺗﻘﻧﯾﺎت اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‪:‬‬
‫‪ -‬ﻗواﻋد ﻣن اﻟﺷﻛل ‪. IF <condition> THEN <action>:‬‬
‫‪ -‬ﺗرﺗب ﻫذﻩ اﻟﻘواﻋد ﻋﺎدة ﺑﺷﻛل ﻫرﻣﻲ وﻓق ﺷﺟرة )و‪/‬أو( ‪.“and/or” trees‬‬
‫‪ -‬ﻋﻧدﻣﺎ ﺗﻛون ﻛل ﺷروط اﻟﻘواﻧﯾن ﻣﺗﺣﻘﻘﺔ وﺻﺣﯾﺣﺔ ﯾﺗم ﺗﻧﻔﯾذ )إطﻼق( اﻟﻘﺎﻧون ‪.rule is triggered‬‬
‫ﻣﻛوﻧﺎت ﻧظم ﻗﺎﻋدة اﻟﻘواﻧﯾن ‪RBS Components‬‬
‫ﯾوﺿﺢ اﻟﺷﻛل اﻟﺗﺎﻟﻲ ﻣﻛوﻧﺎت ﻧظﺎم ﻗﺎﻋدة اﻟﻘواﻧﯾن وﻫﻲ‪:‬‬
‫اﻟذاﻛرة اﻟﻌﻣﻠﯾﺔ أو اﻟﻔﺎﻋﻠﺔ ‪ Working Memory‬وﻗﺎﻋدة اﻟﻘواﻧﯾن ‪ Rule Base‬واﻟﻣﻔﺳر ‪. Interpreter‬‬
‫‪RBS Components‬‬
‫وﺻف ﻣﻛوﻧﺎت ﻧظم ﻗﺎﻋدة اﻟﻘواﻧﯾن ‪RBS components – Description‬‬

‫ذاﻛرة اﻟﻌﻣل )‪Working Memory (WM‬‬
‫ﻫﻲ ذاﻛرة ﺗﺧزﯾن ﺗﺣﺗوي ﻋﻠﻰ ﺣﻘﺎﺋق ﻋن اﻟﻌﺎﻟم اﻟﻣﺷﺎﻫد أو ﺣﻘﺎﺋق ﻣﺷﺗﻘﺔ ﻣن اﻟﻘواﻧﯾن‪ ،‬وﺗﺳﺟل ﻓﯾﻬﺎ ﺑﺷﻛل ﺛﻼﺛﻲ ﺑﺎﻟﺻورة‪:‬‬
‫‪< object, attribute, values >.‬‬
‫___________‬
‫‪99 - ١٦‬‬
‫ﻣﺛﺎل‪ < car, color, red > :‬واﻟﺗﻲ ﯾﻘﺻد ﺑﻬﺎ ”‪.“The color of the car is red‬‬
‫وﺗﺣﺗوي أﯾﺿﺎ ﻋﻠﻰ اﻟﻣﻌﺎرف اﻟﻣؤﻗﺗﺔ ﻋن ﺟﻠﺳﺎت ﺣل اﻟﻣﺳﺎﺋل ‪ .problem-solving session‬ﻛﻣﺎ ﯾﻣﻛن ﺗﻌدﯾل ﻣﺣﺗواﻫﺎ‬
‫ﺑواﺳطﺔ اﻟﻘواﻋد‪.‬‬
‫ﻗﺎﻋدة اﻟﻘواﻧﯾن )‪Rule Base (RB‬‬
‫ﺗﺣﺗوي ﻗﺎﻋدة اﻟﻘواﻧﯾن ﻋﻠﻰ ﻣﺟﻣوﻋﺔ ﻣن اﻟﻘواﻧﯾن ﻛل واﺣد ﻣﻧﻬﺎ ﯾﺷﻛل ﺧطوة ﻣن ﺧطوات ﺣل اﻟﻣﺳﺎﺋل‪ ،‬وﻗﺎﻋدة اﻟﻘواﻧﯾن ﻫﻲ‬
‫ﻣﯾدان اﻟﻣﻌرﻓﺔ اﻟﻣﻌﺗﻣد ﻋﻠﯾﻪ وﻻ ﯾﺗم ﺗﻌدﯾل ﻣﺣﺗواﻩ إﻻ ﻣن ﺧﺎرج اﻟﻧظﺎم‪.‬‬
‫ﺻﯾﻐﺔ اﻟﻘﺎﻧون ‪ Rule syntax‬ﻫﻲ ﻣن اﻟﺷﻛل >‪ ،IF <condition> THEN <action‬ﻣﺛﻼ‪:‬‬
‫>)‪IF <(temperature, over, 20> THEN <add (ocean, swimable, yes‬‬
‫وﻓﻲ ﺣﺎﻟﺔ ﻛﺎﻧﺎﻟﺷرط ﻣطﺎﺑﻘﺎ ﻟذاﻛرة اﻟﻌﻣل و ﻣﺣﻘﻘﺎ ﻋﻧدﺋذ ﯾطﺑق اﻟﻘﺎﻧون‪.‬‬
‫اﻷﻧﺷطﺔ اﻟﺗﻲ ﺗطﺑق ﻋﻠﻰ ﻗﺎﻋدة اﻟﻘواﻧﯾن ﻫﻲ‪:‬‬
‫‪“Add” fact(s) to WM‬‬ ‫إﺿﺎﻓﺔ ﺣﻘﺎﺋق إﻟﻰ ذاﻛرة اﻟﻌﻣل‬
‫‪“Remove” fact(s) from WM‬‬ ‫ﺣذف ﺣﻘﺎﺋق ﻣن ذاﻛرة اﻟﻌﻣل‬
‫‪“Modify” fact(s) in WM‬‬ ‫ﺗﻌدﯾل ﺣﻘﺎﺋق ﻓﻲ ذاﻛرة اﻟﻌﻣل‬
‫اﻟﻣﻔﺳر ‪Interpreter‬‬
‫ﻫﻲ اﻵﻟﯾﺔ اﻟﻣﯾداﻧﯾﺔ اﻟﻣﺳﺗﻘﻠﺔ ﻟﻠﺗﻔﺳﯾر ﻓﻲ ﻧظم ﻗﺎﻋدة اﻟﻘواﻧﯾن‪ ،‬اﻟﺗﻲ ﺗﺧﺗﺎر ﻗﺎﻧوﻧﺎ ﻣن ﻗﺎﻋدة اﻟﻘواﻧﯾن ‪ RB‬وﺗطﺑﻘﻪ ﺑواﺳطﺔ إﻧﺟﺎز‬
‫اﻷﺣداث‪ .‬وﻫﻲ ﺗﺷﻐل ﻋﻠﻰ ﺷﻛل ﺣﻠﻘﺔ ﺗﻛرارﯾﺔ‪:‬‬
‫‪ -١‬اﻻﺳﺗرﺟﺎع ‪ :Retrieval‬إﯾﺟﺎد اﻟﻘواﻧﯾن اﻟﺗﻲ ﺗﺗطﺎﺑق ﻣﻊ اﻟﻣوﺟودة ﻓﻲ اﻟذاﻛرة اﻟﻌﻣﻠﯾﺔ‪.‬‬
‫‪ -٢‬اﻟﺗﺣﺳﯾن ‪ :Refinement‬ﺗﻬذﯾب وﺗﺳﺟﯾل وﺗﺷذﯾب اﻻﺿطراﺑﺎت أو اﻟﺗﻧﺎﻗﺿﺎت‪.‬‬
‫‪ -٣‬اﻟﺗﻧﻔﯾذ ‪ :Execution‬ﺗﻧﻔﯾذ ﺗﺣﺳﯾﻧﺎت اﻟﻘواﻧﯾن ﻓﻲ ﻣﺟﻣوﻋﺔ اﻟﻘواﻧﯾن اﻟﻣﺗﺿﺎرﺑﺔ‪ ،‬وﻣن ﺛم ﺗطﺑﯾق اﻟﻘواﻧﯾن‪.‬‬
‫‪ (٢‬اﻟﺗﻘﻧﯾﺎت اﻟﺗﻲ ﺗﺳﺗﺧدم ﻋﻠم اﻟﺑﯾوﻟوﺟﻲ ‪:Biology-inspired AI techniques‬‬

‫‪ .١‬اﻟﺷﺑﻛﺎت اﻟﻌﺻﺑﯾﺔ )‪Neural Networks (NN‬‬
‫ﺗﻧﻣذج اﻟﺷﺑﻛﺎت اﻟﻌﺻﺑﯾﺔ اﻻﺻطﻧﺎﻋﯾﺔ اﻟﺗﻌﻠﯾم اﻟﻌﻘﻠﻲ ﺑواﺳطﺔ اﻷﻣﺛﻠﺔ‪ ،‬ﻣﺣﺎﻛﯾﺔ ﻋﻣل اﻟﺷﺑﻛﺎت اﻟﻌﺻﺑﯾﺔ اﻟطﺑﯾﻌﯾﺔ ﻓﻲ طرﯾﻘﺔ‬
‫اﻟﻌﻣل‪ ،‬وﻫﻲ ﺗرﻛﯾﺑﺎت ﻣﻌﯾﻧﺔ ﺗﺗدرب ﻣن أﺟل اﻟﺗﻌرف ﻋﻠﻰ أﻧﻣﺎط اﻹدﺧﺎل اﻷﻧﺳب‪ ،‬ﺑﺣﯾث ﺗﺄﺧذ ﺷﻌﺎع أو ﻣﺗﺟﻪ ﻣن ﻗﯾم‬
‫اﻟﻣدﺧﻼت وﺗﻌطﻲ ﻣﺗﺟﻪ ﻣن ﻗﯾم اﻟﻣﺧرﺟﺎت‪ ،‬وﻓﻲ داﺧل اﻟﺷﺑﻛﺔ اﻟﻌﺻﺑﯾﺔ ﯾﺗم اﻟﺗدرﯾب ﻋﻠﻲ أوزان )ﻗﯾم( اﻟﻧﯾروﻧﺎت "‪."neurons‬‬
‫اﻟﺑﯾرﺳﯾﺑﺗرون ‪ Perceptron‬ﻫو ﻧﻣوذج ﻣن ﻋدد اﻟﻧﯾروﻧﺎت اﻟوﺣﯾدة اﻟﻘﺎﺑﻠﺔ ﻟﻠﺗﻌﻠﯾم '‪ ،`trainable‬اﻟﻣوﺿﺣﺔ ﻓﻲ اﻟﺷﻛل أدﻧﺎﻩ‪:‬‬
‫‪ x1, x2, ..., xn -‬ﻫﻲ اﻟﻣدﺧﻼت ﻛﺄﻋداد ﺣﻘﯾﻘﯾﺔ أو ﻣﻧطﻘﯾﺔ )ﺑوﻟﯾﺎﻧﯾﺔ( إﻋﺗﻣﺎدا ﻋﻠﻰ ﻧوع اﻟﻣﺳﺄﻟﺔ‪.‬‬
‫‪ -‬اﻷوزان ‪ w1, w2, ..., wn‬ﻫﻲ أوزان اﻟﺣواف )‪ ،(edges weights of the‬وﺗﻛون ﻗﯾم ﺣﻘﯾﻘﯾﺔ‪.‬‬
‫‪ T -‬ﻫﻲ اﻟﻌﺗﺑﺔ )‪ (threshold‬وﺗﻛون ﻗﯾﻣﺔ ﺣﻘﯾﻘﯾﺔ‪.‬‬
‫‪ Y -‬ﻫﻲ اﻟﻣﺧرﺟﺎت اﻟﺧﺎﺻﺔ ﺑﺎﻟﺑﯾرﺳﺑﺗرون وﺗﻛون ﻗﯾﻣﺗﻬﺎ ﻣﻧطﻘﯾﺔ )ﺑوﻟﯾﺎن(‪.‬‬
‫___________‬
‫‪99 - ١٧‬‬
‫إذا ﻛﺎﻧت ﻣدﺧﻼت اﻟﺷﺑﻛﺔ اﻟﺗﻲ ﻫﻲ ‪:‬‬

‫‪w1 x1 + w2 x2 + ... + wn xn‬‬
‫اﻛﺑر ﻣن اﻟﻌﺗﺑﺔ ‪ T‬ﻋﻧدﺋذ ﺗﻛون اﻟﻣﺧرﺟﺎت ‪ Y‬ﺗﺳﺎوي ‪ٕ ١‬واﻻ ﻓﻘﯾﻣﺔ ‪ Y‬ﺗﺳﺎوي ‪.٠‬‬
‫ﺗﺳﺗﺧدم اﻟﺷﺑﻛﺎت اﻟﻌﺻﺑﯾﺔ اﻟﺗﻌﻠﯾم اﻟﻣراﻗب ‪ ،supervised learning‬اﻟذي ﯾﻛون ﻓﯾﻪ اﻟﻣدﺧﻼت واﻟﻣﺧرﺟﺎت ﻣﻌروﻓﺔ وذﻟك ﻣن‬
‫أﺟل ﻫدف ﻣﺣدد‪ ،‬ﻫو ﺑﻧﺎء ﺗﻣﺛﯾل ﻟﻠداﻟﺔ اﻟﺗﻲ ﺳوف ﺗﻌطﻲ ﺗﻘرب ﻗﯾم ﺗﺣوﯾل اﻟﻣدﺧﻼت إﻟﻰ ﻣﺧرﺟﺎت‪.‬‬
‫‪ .٢‬اﻟﺧوارزﻣﯾﺎت اﻟﺟﯾﻧﯾﺔ )‪Genetic Algorithms (GA‬‬
‫ﺗﻌﺗﺑر اﻟﺧوارزﻣﯾﺎت اﻟﺟﯾﻧﯾﺔ ﺟزء ﻣن اﻟﺣوﺳﺑﺔ اﻟﺗطورﯾﺔ‪ ،‬اﻟﻣﺟﺎل ﺳرﯾﻊ اﻟﻧﻣو ﻓﻲ اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‪.‬‬
‫واﻟﺧوارزﻣﯾﺎت اﻟﺟﯾﻧﯾﺔ ﺗﻧﻔذ ﻛﻣﺣﺎﻛﺎة ﻓﻲ اﻟﺣﺎﺳوب ﺣﯾث ﯾﺗم اﺳﺗﻠﻬﺎ اﻟﺗﻘﻧﯾﺔ ﻣن اﻟﺑﯾوﻟوﺟﯾﺎ اﻟﺗطورﯾﺔ‪.‬‬
‫آﻟﯾﺎت ﻋﻣل اﻟﺑﯾوﻟوﺟﯾﺎ اﻟﺗطورﯾﺔ ‪Mechanics of biological evolution‬‬
‫ﻛل ﻧظﺎم ﺣﻲ ‪ organism‬ﯾﺣﺗوي ﻋﻠﻰ ﻣﺟﻣوﻋﺔ ﻣن اﻟﻘواﻧﯾن اﻟﺗﻲ ﺗﺻف ﻛﯾف ﯾﻛﺑر ذﻟك اﻟﻧظﺎم ﺣﻲ‪ ،‬وﺗﺳﺟل ﻫذﻩ اﻟﻘواﻧﯾن ﻓﻲ‬
‫اﻟﺟﯾﻧﺎت اﻟﺧﺎﺻﺔ اﻟﻛﺎﺋن اﻟﺣﻲ ﻛرﻣوز‪ .‬ﺗرﺗﺑط اﻟﺟﯾﻧﺎت ‪ genes‬ﻣﻊ ﺑﻌﺿﻬﺎ اﻟﺑﻌض ﻓﻲ ﺳﻼﺳل طوﯾﻠﺔ ﺗﺳﻣﻰ ﻛروﻣوﺳوﻣﺎت‬
‫‪ .chromosomes‬ﻛل ﺟﯾن ‪ gene‬ﯾﻣﺛل ﻣﯾزة ‪ trait‬ﻣﺣددة ﻟﻠﻛﺎﺋن اﻟﺣﻲ‪ ،‬وﯾﻣﻛن أن ﯾﺄﺧذ اي ﻗﯾﻣﺔ ﻣن ﻣﺟﻣوﻋﺔ ﻣن‬
‫اﻷوﺿﺎع ‪ ،setting‬ﻣﺛﻼ أوﺿﺎع ﺟﯾن ﻟون اﻟﺷﻌر ﯾﻣﻛن أن ﺗﻛون ﺳوداء أو ﺑﻧﯾﺔ‪ .‬وﺗﺳﻣﻰ اﻟﺟﻧﯾﺎت ٕواﻋداداﺗﻬﺎ ﺑﺎﻟﻧوع اﻟﺟﯾﻧﻲ‬
‫ﻟﻠﻛﺎﺋن اﻟﺣﻲ ‪ .organism's genotype‬ﻋﻧدﻣﺎ ﯾﺗزاوج اﺛﻧﺎن ﻣن اﻷﺣﯾﺎء ﯾﺷﺗرﻛﺎن ﺟﯾﻧﺎﺗﻬﻣﺎ ﻓﻲ اﻟذرﯾﺔ ‪ offspring‬ﺑﺷﻛل‬
‫ﻣﺧﺗﻠف‪ ،‬ﺑﺣﯾث رﺑﻣﺎ ﺗﻧﺗﻬﻲ ﺑﺎﻟﺣﺻول ﻋﻠﻰ ﻧﺻف ﺟﯾﻧﺎت ﻛل واﻟد‪ ،‬ﻫذﻩ اﻟﻌﻣﻠﯾﺔ ﺗﺳﻣﻰ ﺑﺎﻟ ــﻌﺑور ‪ .cross over‬وﯾﻣﻛن أن ﯾﺗم‬
‫ﺗﺣول ‪ mutated‬ﻟﻠﺟﯾن‪ ،‬وﻣن ﺛم ﯾظﻬر ﻓﻲ اﻟﻛﺎﺋن ﻛﻣﯾزة ﺟدﯾدة ﺗﻣﺎﻣﺎ‪.‬‬
‫وﻫﻛذا ﻧﺳﺗطﯾﻊ أن ﻧﻌرف اﻟﺧوارزﻣﯾﺔ اﻟﺟﯾﻧﯾﺔ ‪ Genetic Algorithms‬ﺑﺄﻧﻬﺎ‪:‬‬
‫ﻫﻲ طرﯾﻘﺔ ﻣﺣوﺳﺑﺔ ﻟﺣل اﻟﻣﺳﺎﺋل ﺑواﺳطﺔ ﺗﻘﻠﯾل اﻟﻌﻣﻠﯾﺎت‪ ،‬واﻻﺳﺗﺧدام اﻟطﺑﯾﻌﻲ‪ ،‬واﻻﺧﺗﯾﺎر‪ ،‬واﻟﻌﺑور‪ ،‬واﻟﺗﺣول‪ ،‬واﻟﻘﺑول‬
‫ﻟﺗطوﯾر ﺣل اﻟﻣﺳﺄﻟﺔ‪.‬‬
‫___________‬
‫‪99 - ١٨‬‬
‫ﺧطوات اﻟﺧوارزﻣﯾﺔ اﻟﺟﯾﻧﯾﺔ ‪ ، Genetic Algorithm Steps‬وﺗﻠﺧص ﻫذﻩ اﻟﺧطوات ﺑﺎﻟﺗﺎﻟﻲ‪:‬‬

‫‪ (١‬اﻟﺑدء ]‪.[Start‬‬
‫‪ (٢‬اﻟﺗﻬﯾﺋﺔ‪/‬اﻟﻣﻼﺋﻣﺔ ]‪.[Fitness‬‬
‫‪ (٣‬اﻹﻧﺟﺎب ]‪:[New population‬‬
‫]‪(a) [Selection] , (b) [Crossover], (c) [Mutation], (d) [Accepting‬‬
‫‪ (٤‬اﻟﺗﺑدﯾل ]‪.[Replace‬‬
‫‪ (٥‬اﻻﺧﺗﺑﺎر ]‪.[Test‬‬
‫‪ (٦‬اﻟﺗﻛرار ]‪.[Loop‬‬
‫ﻓﯾﻣﺎ ﯾﻠﻲ ﺗوﺿﯾﺢ ﺑﺳﯾط ﻟﻛل واﺣدة ﻣن ﻫذﻩ اﻟﺧطوات‪:‬‬
‫‪ (١‬اﻟﺑدء ]‪:[Start‬‬
‫ﺗوﻟﯾد اﻟﻛﺎﺋﻧﺎت اﻟﺣﯾﺔ ﺳﻛﺎن ‪ population‬ﻋﺷواﺋﯾﺎ ﻟﻌدد ‪ n‬ﻛروﻣوﺳوم )ﻣورث( )وﯾﺳﺗﺧدم أي ﺗرﻣﯾز ﻣﻧﺎﺳب ﻟﻠﺣل ﺣﺳب‬
‫اﻟﻣﺳﺎﻟﺔ(‪.‬‬
‫‪ (٢‬اﻟﺗﻬﯾﺋﺔ‪/‬اﻟﻣﻼﺋﻣﺔ ]‪:[Fitness‬‬
‫ﺗﻘﯾﯾم داﻟﺔ اﻟﻣﻼﺋﻣﺔ )‪ f(x‬ﻟﻛل ﻛروﻣوﺳوم ‪ ،x‬ﻣن اﻟﺳﻛﺎن اﻟذﯾن ﺗم ﺗوﻟﯾدﻫم‪.‬‬
‫‪ (٣‬اﻹﻧﺟﺎب ]‪:[New population‬‬
‫إﻧﺗﺎج ﺳﻛﺎن ﺟدد ﺑﺗﻛرار اﻟﺧطوات اﻟﺗﺎﻟﯾﺔ ﺣﺗﻰ ﺗﻧﺗﻬﻲ ﻋﻣﻠﯾﺔ إﻧﺗﺎج اﻟﺳﻛﺎن‪:‬‬
‫‪ ١‬ـ اﻻﺧﺗﯾﺎر‪/‬اﻻﻧﺗﻘﺎء]‪:[Selection‬‬
‫اﺧﺗﯾﺎر ﻛروﻣوﺳوﻣﺎت أﺑوﯾن ‪ ،parent‬ﻣن اﻟﺳﻛﺎن اﻟﻣﺣددﯾن‪ ،‬ﺣﺳب درﺟﺔ اﻟﻣﻼﺋﻣﺔ ‪. fitness‬‬
‫‪ ٢‬ـ اﻟﻌﺑور ]‪:[Crossover‬‬
‫ﻣﻊ اﻷﺧذ ﺑﺎﺣﺗﻣﺎل ﻧﺗﺎﺋﺞ اﻟﺗزاوج‪/‬اﻟﻌﺑور‪ ،‬ﯾﻧﺗﺞ ﻣن ﻫذﻩ اﻟﻌﻣﻠﯾﺔ ذرﯾﺔ ﺟدﯾدة ‪ٕ ،offspring‬وان ﻟم ﯾﺣدث اﻟﻌﺑور ﺗﻛون‬
‫اﻟذرﯾﺔ ﻧﺳﺦ ﻣﺑﺎﺷرة ﻟﻠواﻟدﯾن‪.‬‬
‫‪ ٣‬ـ اﻟﺗﺣول ]‪:[Mutation‬‬
‫ﻣﻊ اﻷﺧذ ﺑﺎﺣﺗﻣﺎﻻت اﻟﺗﺣور أو اﻟﺗﺣول‪ ،‬ﯾﺗم ﺗﺣول اﻟذرﯾﺔ اﻟﺟدﯾدة ﻓﻲ ﻛل ﻣوﺿﻊ ﻣن ﻣواﻗﻌﻬﺎ ﻓﻲ اﻟﻛروﻣوﺳوم‪.‬‬
‫‪ ٤‬ـ اﻟﻘﺑول ]‪:[Accepting‬‬
‫ﯾﺗم وﺿﻊ اﻟذرﯾﺔ اﻟﺟدﯾدة ﻓﻲ اﻟﺳﻛﺎن اﻟﺟدد‪.‬‬
‫‪ (٤‬اﻟﺗﺑدﯾل ]‪:[Replace‬‬
‫اﺳﺗﺧدام اﻟﺳﻛﺎن اﻟﺟدد اﻟذي ﺗم إﻧﺗﺎﺟﻬم ﻣن ﺗﻧﻔﯾذ إﺿﺎﻓﻲ ﻟﻠﺧوارزﻣﯾﺔ‪.‬‬
‫‪ (٥‬اﻻﺧﺗﺑﺎر ]‪:[Test‬‬
‫إذا ﻛﺎن اﻟﺷرط اﻟﻧﻬﺎﺋﻲ ﻣطﺎﺑﻘﺎ‪ ،‬ﯾﺗم اﻟﺗوﻗف ﺛم اﻟﻌودة ﺑﺄﻓﺿل اﻟﺣﻠول ﻣن اﻟﺳﻛﺎن اﻟﺣﺎﻟﯾﯾن‪.‬‬
‫‪ (٦‬اﻟﺗﻛرار ]‪:[Loop‬‬
‫اذﻫب إﻟﻰ اﻟﺧطوة اﻟﺛﺎﻧﯾﺔ‪.‬‬
‫وﺗﺳﺗﺧدم اﻟﺧوارزﻣﯾﺎت اﻟﺟﯾﻧﯾﺔ اﻟﺗﻌﻠﯾم ﻏﯾر اﻟﻣراﻗب ‪ ،unsupervised learning‬اﻟذي ﺗﻛون ﻓﯾﻪ اﻹﺟﺎﺑﺔ اﻟﺻﺣﯾﺣﺔ ﻏﯾر‬
‫ﻣﻌروﻓﺔ ﻣﺳﺑﻘﺎ‪ ،‬ﻋﻠﻰ ﻋﻛس اﻟﺷﺑﻛﺎت اﻟﻌﺻﺑﯾﺔ اﻟﺗﻲ ﺗﻛون اﻹﺟﺎﺑﺔ ﻣﻌروﻓﺔ ﻟﻛﻧﻧﺎ ﻧطﻣﺢ إﻟﻰ ﺗﺣﺳﯾن داﻟﺔ اﻟﺗﻣﺛﯾل‪.‬‬
‫___________‬
‫‪99 - ١٩‬‬
‫‪ .٣‬اﻟﺗﻌﻠﯾم اﻟﻣﻌزز )‪Reinforcement Learning (RL‬‬

‫وﻫو اﻟﺗﻌﻠﯾم ﻋن طرﯾق اﻟﺗﻔﺎﻋل ﻣﻊ اﻟﺑﯾﺋﺔ ‪ ،interaction with an environment‬ﻓﯾﻛون اﻟﺗﻌﻠﯾم ﺑﺄﺣداث ﻣﺗﻌﺎﻗﺑﺔ ﻓﺿﻼ ﻋن‬
‫‪Markov decision‬‬ ‫اﻟﺗﻌﻠﯾم اﻟﺻرﯾﺢ‪ .‬وﺗﻧﻔذ ﻫذﻩ اﻟﺗﻘﻧﯾﺔ ﺑواﺳطﺔ إطﺎر رﯾﺎﺿﻲ إﺣﺻﺎﺋﻲ ﻫو ﺧطوات ﻗرار ﻣﺎرﻛوف‬
‫)‪.processes (MDPs‬‬
‫ﻧﻣوذج اﻟﺗﻌﻠﯾم اﻟﻣﻌزز ‪ RL‬اﻷﺳﺎﺳﻲ ﯾﺗﻛون ﻣن‪ :‬ﻣﺟﻣوﻋﺔ ﺣﺎﻻت اﻟﺑﯾﺋﺔ ” ‪ ،“environment states - S‬وﻣﺟﻣوﻋﺔ ﻣن‬
‫اﻷﺣداث ”‪ ،“actions - A‬وﻣﺟﻣوﻋﺔ ﻣن اﻟﻣدرﺟﺎت اﻟﻣﻛﺎﻓﺋﺎت ”‪.“rewards - R‬‬
‫ﯾﺗﻔﺎﻋل ﻋﻣﯾل اﺗﺧﺎذ اﻟﻘرار ‪ decision-making agent‬ﻣﻊ ﺑﯾﺋﺗﻪ ﻛﺛﯾرا‪ ،‬ﻣن أﺟل زﯾﺎدة اﻟﻣﻛﺎﻓﺋﺔ اﻟﺗﻲ ﯾﻧﺎﻟﻬﺎ ﺧﻼل اﻟزﻣن‪،‬‬
‫وذﻟك ﺑﻌدة ﺧطوات‪:‬‬
‫‪ ‬ﻓﻲ أي زﻣن ‪ ،t‬ﯾﺗﺣﺳس اﻟﻌﻣﯾل ﺣﺎﻟﺔ اﻟﺑﯾﺋﺔ ‪ ،st‬وﻣﺟﻣوﻋﺔ اﻷﺣداث اﻟﻣﻣﻛﻧﺔ )‪.A(st‬‬
‫‪ ،a‬وﻧﺳﺟل اﻟﺣﺎﻟﺔ اﻟﺟدﯾدة ﻣن اﻟﺑﯾﺋﺔ ‪ ،st+1‬واﻟﻣﻛﺎﻓﺄة اﻟﺟدﯾدة ‪.rt+1‬‬ ‫‪ ‬ﻧﺧﺗﺎر ﺣدﺛﺎ ‪ a‬ﺑﺣﯾث ﯾﻛون )‪A(st‬‬
‫‪ ‬ﺑﺎﻻﻋﺗﻣﺎد ﻋﻠﻰ ﻫذﻩ اﻟﺗﻔﺎﻋﻼت ﻣﻊ اﻟﺑﯾﺋﺔ‪ ،‬ﯾطور اﻟﻌﻣﯾل اﻷﺳﻠوب ‪ π‬ﺑﺣﯾث )‪ ،(π : S A‬اﻟذي ﯾزﯾد ﻛﻣﯾﺔ اﻟﻣﻛﺎﻓﺂت‬
‫‪ ،R = r0+ r1+. . +rn‬ﻣن أﺟل اﻟﻌﻣﻠﯾﺔ ‪.MDPs‬‬
‫ﺗرﻛز طرﯾﻘﺔ اﻟﺗﻌﻠﯾم اﻟﻣﻌزز )او اﻟﺗﻌﻠﯾم اﻟﻣﻘوى(‪ ،‬ﻋﻠﻰ ﻣﺳﺎﺋل ﻣن ﻧوع اﻟﺗﻌﻠﯾم وﺻﻧﺎﻋﺔ اﻟﻘرار‪ ،‬اﻟﺗﻲ ﯾواﺟﻬﻬﺎ اﻟﻧﺎس ﻓﻲ ﻣﻌﯾﺷﺗﻬم‬
‫اﻟﯾوﻣﯾﺔ اﻟﻌﺎدﯾﺔ‪.‬‬
‫___________‬
‫‪99 - ٢٠‬‬
‫ﻓﺮﻭﻉ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ ‪Branches of AI‬‬

‫‪Logical AI‬‬ ‫اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ اﻟﻣﻧطﻘﻲ‬
‫‪Search in AI‬‬ ‫اﻟﺑﺣث ﻓﻲ اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‬
‫‪Pattern Recognition‬‬ ‫اﻟﺗﻌرف ﻋﻠﻰ اﻷﻧﻣﺎط‬
‫‪Knowledge Representation‬‬ ‫ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ‬
‫‪Inference‬‬ ‫اﻻﺳﺗدﻻل‬
‫‪Common sense knowledge and reasoning‬‬ ‫اﻟﺗﻔﺳﯾر وﻣﻌرﻓﺔ اﻟﺣس اﻟﻌﺎم‬
‫‪Learning‬‬ ‫اﻟﺗﻌﻠم‬
‫‪Planning‬‬ ‫اﻟﺗﺧطﯾط‬
‫‪Epistemology‬‬ ‫ﻧظرﯾﺔ اﻟﻣﻌرﻓﺔ‬
‫‪Ontology‬‬ ‫ﻋﻠم اﻟوﺟود‬
‫‪Heuristics‬‬ ‫طرق اﻻﻛﺗﺷﺎف‬
‫‪Genetic programming‬‬ ‫اﻟﺑرﻣﺟﺔ اﻟﺟﯾﻧﯾﺔ‬
‫‪ (١‬اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ اﻟﻣﻧطﻘﻲ ‪Logical AI‬‬
‫اﻟﻣﻧطق ﻫو ﻟﻐﺔ اﻟﺗﻔﺳﯾر ‪ ،reasoning‬ﻣﺟﻣوﻋﺔ ﻣن اﻟﻘواﻧﯾن اﻟﻣﺳﺗﺧدﻣﺔ أﺛﻧﺎء اﻟﺗﻔﺳﯾر اﻟﻣﻧطﻘﻲ‪.‬‬
‫أﻧواع اﻟﻣﻧطق ‪:Types of logic‬‬
‫‪ -‬اﻟﻣﻧطق اﻟﺧﺑري ‪ :Propositional Logic‬ﻫو ﻣﻧطق اﻟﺟﻣل اﻟﻣﺗراﺑطﺔ‪ ،‬اﻟﺟﻣل اﻟﻣﻧطﻘﯾﺔ‪.‬‬
‫‪ -‬اﻟﻣﻧطق أﻹﺳﻧﺎدي ‪ :Predicate Logic‬ﻫو ﻣﻧطق اﻟﺟﻣل اﻻﺣﺗﺳﺎﺑﯾﺔ ﻛﻌﻼﻗﺔ ﺑﯾن ﻛﺎﺋﻧﺎت‪.‬‬
‫‪ -‬اﻟﻣﻧطق اﻟذي ﯾﺷﻣل ﺣﺎﻻت ﻋدم اﻟﺗﺄﻛد ‪. uncertainties‬‬
‫‪ -‬اﻟﻣﻧطق اﻟﻣﺷوش‪/‬اﻟﻐﺎﻣض ‪ :Fuzzy Logic‬ﻫو ﻣﻧطق ﯾﺗﻌﺎﻣل ﻣﻊ اﻟﺣﺎﻻت اﻟﻐﺎﻣﺿﺔ واﻻﺣﺗﻣﺎﻟﯾﺔ ﻏﯾر اﻟﻘﺎطﻌﺔ‪.‬‬
‫‪ -‬اﻟﻧطق اﻟﻣؤﻗت ‪...Temporal logic‬وأﻧواع أﺧرى‪.‬‬
‫اﻟﻣﻧطق اﻟﺧﺑري واﻟﻣﻧطق اﻹﺳﻧﺎدي ﻫﻣﺎ أﺳﺎس ﺟﻣﯾﻊ أﻧواع اﻟﻣﻧطق‪.‬‬
‫اﻟﻣﻧطق اﻟﺧﺑري ‪Propositional logic‬‬
‫ﻫﻲ ﻣﺳﺎﺋل ﺗﻣﺛل ﺑﺟﻣل ”‪ “Sentences‬ﺧﺑرﯾﺔ‪ ،‬ﺗﻛون إﻣﺎ ﺻﺎﺋﺑﺔ ‪ true‬أو ﺧﺎطﺋﺔ ‪ ، false‬وﻟﯾس ﻛﻼﻫﻣﺎ‪ .‬وﺗﻌﺗﺑر اﻟﺟﻣﻠﺔ ﻫﻲ‬
‫اﻟوﺣدة اﻷﺻﻐر ﻟﻠﻣﻧطق اﻟﺧﺑري‪ ،‬وﻋﻧدﻣﺎ ﺗﻛون ﺻﺎﺋﺑﺔ ﻓﻬﻲ ﺗﺄﺧذ اﻟﻘﯾﻣﺔ "‪ٕ "true‬واﻻ ﻓﻬﻲ ﺧﺎطﺋﺔ ”‪:“false‬‬
‫”‪If proposition is true, then truth value is "true"; else “false‬‬
‫ﻣﺛﻼ اﻟﺟﻣﻠﺔ "‪ "Grass is green‬إذا ﻛﺎﻧت ﻗﯾﻣﺔ ﺻواﺑﻬﺎ ”‪ “ true‬ﻓﻬذا ﯾﻌﻧﻲ أن ﺗﺧﺑرﻧﺎ ﺑﻧﻌم‪.‬‬
‫اﻟﻣﻧطق اﻹﺳﻧﺎدي ‪: Predicate logic‬‬
‫اﻹﺳﻧﺎد ﻫو داﻟﺔ ﻗد ﺗﻛون ﺻﺎﺋﺑﺔ أو ﺧﺎطﺋﺔ وذﻟك وﻓق ﻋواﻣﻠﻬﺎ‪ ،‬وﯾﻣﺛل اﻟﻣﻧطق اﻻﺳﻧﺎدي ﻗواﻧﯾن ﯾﺳﯾطر ﻋﻠﯾﻬﺎ ﺑﻣﻘﺎﯾﯾس ﻛﻣﯾﺔ‬
‫‪ ، quantifiers‬ﻓﺎﻟﻣﻧطق اﻻﺳﻧﺎدي ﻫو ﻣﻧطق ﺧﺑري ﻣﺿﺎﻓﺎ إﻟﯾﻪ اﻟﻣﻘﺎﯾﯾس اﻟﻛﻣﯾﺔ‪.‬‬
‫أﻣﺛﻠﺔ‪:‬‬
‫"‪1- “The car Tom is driving is blue‬‬
‫"‪2- "The sky is blue‬‬
‫___________‬
‫‪99 - ٢١‬‬
‫"‪3- "The cover of this book is blue‬‬

‫ﻫذﻩ اﻟﺟﻣل اﻟﺗﻲ ﺗﻣﺛل ﻣﻧطﻘﺎ ﺧﺑرﯾﺎ‪ ،‬ﻧﺣوﻟﻬﺎ إﻟﻰ ﻣﻧطق إﺳﻧﺎدي ﻛﺎﻟﺗﺎﻟﻲ‪:‬‬
‫ﺑﺎﻟﻧﺳﺑﺔ ﻟﻠﺟﻣﻠﺔ ‪ 1‬ﻧﻘوم ﺑﺈﻋطﺎء اﻹﺳﻧﺎد ‪ is blue‬اﻻﺳم اﻟرﯾﺎﺿﻲ ‪ ،B‬ﻓﺈذا ﻗﻣﻧﺎ ﺑﺻﯾﺎﻏﺔ اﻟﻣﻧطق اﻹﺳﻧﺎدي )‪ ،B(x‬ﻓﻬذﻩ اﻟﺟﻣﻠﺔ‬
‫اﻻﺳﻧﺎدﯾﺔ )‪ B(x‬ﺗﻘرأ ﺧﺑرﯾﺎ "‪ ،"x is blue‬وﻧﻣﺛل اﻟﻛﺎﺋن ﺑﺎﻟرﻣز ‪ ،x‬ﻓﺗﺗﺣول اﻟﺟﻣﻠﺔ ‪ 1‬إﻟﻰ اﻟﺷﻛل اﻹﺳﻧﺎدي اﻟﺗﺎﻟﻲ‪:‬‬
‫"‪" The sky is blue"  B(x) : x= "the sky‬‬
‫‪ (٢‬اﻟﺑﺣث ﻓﻲ اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ‪Search in AI‬‬
‫اﻟﺑﺣث ﻫو ﺗﻘﻧﯾﺔ ﺣل اﻟﻣﺳﺎﺋل ‪ ،problem-solving technique‬اﻟﺗﻲ ﺗﺄﺧذ ﺑﺎﻻﻋﺗﺑﺎر ﺑﺷﻛل ﻣﻧظم ﻛل اﻷﺣداث اﻟﻣﻣﻛﻧﺔ‪ ،‬ﻣن‬
‫أﺟل إﯾﺟﺎد ﻣﺳﺎر ﻣن اﻟﺣﺎﻟﺔ اﻻﺑﺗداﺋﯾﺔ ‪ initial state‬إﻟﻰ اﻟﺣﺎﻟﺔ اﻟﻬدف ‪. target state‬‬
‫ﺗﻘﻧﯾﺎت اﻟﺑﺣث ﻛﺛﯾرة‪ ،‬وﻟﻛن أﻫﻣﻬﺎ ﻛﻣﺎ أوﺿﺣﻧﺎ ﺳﺎﺑﻘﺎ‪:‬‬
‫‪Depth first‬‬ ‫اﻟﺑﺣث اﻟرأﺳﻲ‬
‫‪Hill climbing‬‬ ‫اﻟﺑﺣث ﻛﺗﺳﻠق اﻟﺟﺑل )أو اﻟﺑﺣث اﻷﻋﻣﻰ(‬
‫‪Breadth first‬‬ ‫اﻟﺑﺣث اﻷﻓﻘﻲ‬
‫‪Least cost‬‬ ‫اﻟﺑﺣث ﺑﺄﻗل ﺗﻛﻠﻔﺔ‬
‫ﻣﻛوﻧﺎت اﻟﺑﺣث ‪: Search components‬‬
‫اﻟﺣﺎﻟﺔ اﻻﺑﺗداﺋﯾﺔ ‪ Initial state‬وﻫو اﻟﻣوﻗﻊ اﻷول ﻓﻲ ﺷﺟرة اﻟﺑﺣث ‪. First location‬‬
‫اﻷﺣداث اﻟﻣﺗﺎﺣﺔ ‪ Available actions‬واﻟدوال اﻷﺑﻧﺎء ‪ :Successor function‬اﻟﺣﺎﻻت اﻟﻘﺎﺑﻠﺔ ﻟﻠوﺻول‪.‬‬
‫اﺧﺗﺑﺎر اﻟﻬدف ‪ : Goal test‬ﻫﻲ ﺷروط ﻣن أﺟل اﻟﺗﺄﻛد ﻣن ﺗﺣﻘﯾق اﻟﻬدف‪.‬‬
‫ﻛﻠﻔﺔ اﻟﻣﺳﺎر ‪ : Path cost‬ﻫﻲ ﻛﻠﻔﺔ اﻟﺗﺳﻠﺳل ﻣن اﻟﺣﺎﻟﺔ اﻻﺑﺗداﺋﯾﺔ اﻟﻰ اﻟﺣﺎﻻت اﻟﺗﻲ وﺻل إﻟﯾﻬﺎ‪.‬‬
‫ﻫدف اﻟﺑﺣث ‪: Search objective‬‬
‫اﻻﻧﺗﻘﺎل ﻣن اﻟﺣﺎﻟﺔ اﻻﺑﺗداﺋﯾﺔ إﻟﻰ اﻟﺣﺎﻟﺔ اﻟﻬدف ﺑﺈﯾﺟﺎد ﺳﻠﺳﻠﺔ اﻷﺣداث اﻟﻣﻧﺎﺳﺑﺔ‪.‬‬
‫ﺣل ﻣﺳﺄﻟﺔ اﻟﺑﺣث ‪Search solution‬‬
‫ﻫو اﻟﻣﺳﺎر ﻣن اﻟﺣﺎﻟﺔ اﻻﺑﺗداﺋﯾﺔ إﻟﻰ اﻟﻬدف‪ ،‬وﯾﻛون ﻣﺛﺎﻟﯾﺎ إذا ﻛﺎﻧت اﻟﺗﻛﻠﻔﺔ ﻣﻧﺧﻔﺿﺔ‪.‬‬
‫‪ (٣‬اﻟﺗﻌرف ﻋﻠﻰ اﻷﻧﻣﺎط )‪Pattern Recognition (PR‬‬
‫ﻫو ﻣن أﻫم اﻟﻔروع اﻟﻌﻠﻣﯾﺔ اﻟﺣدﯾﺛﺔ وﻟﻬذا ﺗم ﺗﻌرﯾﻔﻪ ﻣن أﻛﺛر ﻣن ﻣﺻدر‪.‬‬
‫‪ -‬ﻣن ‪:Duda and Hart‬‬
‫ﻫو اﻟﻌﻼﻗﺔ اﻟراﺑطﺔ ﺑﯾن اﻟﻛﺎﺋﻧﺎت أو اﻷﺣداث اﻟﻣﺎدﯾﺔ وﺑﯾن واﺣد أو أﻛﺛر ﻣن اﻟﺗﺻﻧﯾﻔﺎت اﻟﻣﺣددة ﻣﺳﺑﻘﺎ‪.‬‬
‫‪ -‬ﻣن ‪:Schalkoff‬‬
‫ﻫو اﻟﻌﻠم اﻟذي ﯾﻬﺗم ﺑوﺻف أو ﺗﺻﻧﯾف اﻟﺗﻌرف ﻋﻠﻰ اﻟﻣﻘﺎﯾﯾس‬
‫‪ -‬ﻣن ‪:Schürmann‬‬
‫ﻫو ﻋﻣﻠﯾﺔ إﻋطﺎء أﺳﻣﺎء )س( ﻟﻠﻣﻼﺣظﺎت )ص(‪.‬‬
‫‪ -‬اﻟﺗﻌرف ﻋﻠﻰ اﻷﻧﻣﺎط ﻫو اﻻﻫﺗﻣﺎم ﺑﺈﺟﺎﺑﺔ اﻟﺳؤال )ﻣﺎ ﻫو ﻫذا؟(‪.‬‬
‫‪ -‬ﻣن ‪:Fukunaga‬‬
‫ﻫو ﻣﺳﺄﻟﺔ ﺗﻘدﯾر دوال اﻟﻛﺛﺎﻓﺔ اﻻﺣﺗﻣﺎﻟﯾﺔ ﻓﻲ ﻓﺿﺎء ﻋﺎﻟﻲ اﻷﺑﻌﺎد وﺗﻘﺳﯾم اﻟﻔﺿﺎء إﻟﻰ ﻣﻧﺎطق ﻣن اﻟﻣﺟﺎﻣﯾﻊ أو اﻟﺗﺻﻧﯾﻔﺎت‪.‬‬
‫___________‬
‫‪99 - ٢٢‬‬
‫ﻣﺳﺎﺋل اﻟﺗﻌرف ﻋﻠﻰ اﻷﻧﻣﺎط‪:‬‬

‫‪ -‬رؤﯾﺔ اﻵﻟﺔ ‪ ،Machine vision‬اﻟﺗﻔﺗﯾش اﻟﻣرﺋﻲ ‪.Visual inspection‬‬
‫‪ -‬اﻟﺗﻌرف ﻋﻠﻰ اﻟرﻣوز ‪.Character recognition‬‬
‫‪ -‬اﻟﺗﺷﺧﯾص ﺑﻣﺳﺎﻋدة اﻟﺣﺎﺳوب ‪.Computer aided diagnosis‬‬
‫‪ -‬اﻟﺗﻌرف ﻋﻠﻰ اﻟﻛﻼم ‪.Speech recognition‬‬
‫ﻣﻧﻬﺟﯾﺎت اﻟﺗﻌرف ﻋﻠﻰ اﻷﻧﻣﺎط ‪Approaches for Pattern recognition‬‬
‫‪ ‬ﻣطﺎﺑﻘﺔ اﻟﻘﺎﻟب ‪Template Matching‬‬
‫‪ ‬اﻟﺗﺻﻧﯾف اﻹﺣﺻﺎﺋﻲ ‪Statistical classification‬‬
‫‪ ‬اﻟﻣطﺎﺑﻘﺔ اﻟﺗرﻛﯾﺑﯾﺔ واﻹﻋراﺑﯾﺔ ‪Syntactic or Structural matching‬‬
‫ﻣطﺎﺑﻘﺔ اﻟﻘﺎﻟب ‪Template Matching‬‬
‫ﺗﻘوم ﻫذﻩ اﻟﻣﻧﻬﺟﯾﺔ ﺑﻣطﺎﺑﻘﺔ اﻟﻘﺎﻟب اﻟﻣﺧزن ﻣﺳﺑﻘﺎ‪ ،‬ﻣﻊ اﻷﺧذ ﺑﺎﻻﻋﺗﺑﺎر ﺗﻐﯾرات اﻟﺗرﺟﻣﺔ واﻟﺗدوﯾر واﻟﺗﻛﺑﯾر‪ ،‬وﻗﯾﺎس اﻟﺗﺷﺎﺑﻪ‬
‫واﻟﺗراﺑط ﺑﺎﻻﻋﺗﻣﺎد ﻋﻠﻰ ﻣﺟﻣوﻋﺔ اﻟﺗدرﯾب‪.‬‬
‫اﻟﺗﺻﻧﯾف اﻹﺣﺻﺎﺋﻲ ‪Statistical classification‬‬
‫ﯾﺗم ﺗﻣﺛﯾل ﻛل واﺣد ﻣن اﻷﻧﻣﺎط ﺑﺻﯾﻐﺔ ﻣﻣﯾزات أو ﻣﻘﺎﯾﯾس‪ ،‬وﺗﻌرض ﻛﻧﻘطﺔ ﻓﻲ ﻓﺿﺎء ﻣن اﻟﺑﻌد )د(‪ ،‬وﺗﺳﺗﺧدم ﻣﺟﻣوﻋﺎت‬
‫اﻟﺗدرﯾب ﻟﺗﺄﺳﯾس ﺣدود اﻟﻘرارات اﻟﻣﺧﺗﻠﻔﺔ ﻓﻲ ﻓﺿﺎء اﻟﻣﻣﯾزات‪ ،‬وذﻟك ﺑﺈﺗﺑﺎع ﻣﻧﻬﺟﯾﺎت ﺗﺣﻠﯾل ﻣﻣﯾزات أو ﻧظرﯾﺎت اﻟﻘرار‪.‬‬
‫اﻟﻣطﺎﺑﻘﺔ اﻟﺗرﻛﯾﺑﯾﺔ واﻹﻋراﺑﯾﺔ ‪Syntactic or Structural matching‬‬
‫اﻟﻧﻣط اﻟﻣرﻛب ﯾﺗﻛون ﻣن أﻧﻣﺎط ﻓرﻋﯾﺔ ‪ sub-patterns‬وﻋﻼﻗﺎت ﺑﯾﻧﻬﺎ‪ ،‬وﻫﻲ ﻧﻔﺳﻬﺎ ﻣﻛوﻧﺔ ﻣن أﻧﻣﺎط ﺟزﺋﯾﺔ أﺳﺎﺳﯾﺔ ﺑﺳﯾطﺔ‬
‫ﺗﺳﻣﻰ اﻟﺟذور ‪ ،primitives‬وﺗﻌرض اﻷﻧﻣﺎط ﺑﺷﻛل ﺟﻣل ﻣﻌﺗﻣدة ﻋﻠﻰ اﻟﻠﻐﺔ‪ ،‬وﺗﻌرض اﻟﺟذور ﺑﺷﻛل ﺣروف ﻫﺟﺎﺋﯾﺔ‪ ،‬وﺗوﻟد‬
‫اﻟﺟﻣل اﻋﺗﻣﺎدا ﻋﻠﻰ ﻗواﻋد اﻟﻠﻐﺔ ‪.grammar‬‬
‫وﺑﻬذا ﯾﻣﻛن وﺻف أﻋداد ﻛﺑﯾرة ﻣن اﻷﻧﻣﺎط اﻟﻣرﻛﺑﺔ ﺑواﺳطﺔ ﻋدد أﻗل ﻣن اﻟﺟذور وﻗواﻋد اﻟﻠﻐﺔ‪ ،‬وﯾﺗم اﻻﺳﺗدﻻل ﻋﻠﻰ ﻗواﻋد أي‬
‫ﻧﻣط ﻣﺻﻧف ﺑﺎﻻﺳﺗدﻻل ﻣن اﻷﻣﺛﻠﺔ اﻟﺗدرﯾﺑﯾﺔ‪.‬‬
‫وﺗﻌﺗﺑر اﻟﺷﺑﻛﺎت اﻟﻌﺻﺑﯾﺔ اﻻﺻطﻧﺎﻋﯾﺔ ‪ Neural networks‬واﺣدة ﻣن أﻫم ﺗﻘﻧﯾﺎت اﻟﺗﻌرف ﻋﻠﻰ اﻷﻧﻣﺎط‪.‬‬
‫ﺗطﺑﯾﻘﺎت ﺗﺗطﻠب اﻟﺗﻌرف ﻋﻠﻰ اﻻﻧﻣﺎط ‪: Applications requiring Pattern recognition‬‬
‫‪Seismic Analysis‬‬ ‫‪Man and Machine Diagnostics‬‬
‫ﺗﺣﻠﯾل اﻟزﻻزل‬ ‫ﺗﺷﺧﯾﺻﺎت اﻵﻟﺔ واﻟﺑﺷر‬
‫‪Computer Vision‬‬ ‫‪Industrial Inspection‬‬
‫رؤﯾﺔ اﻟﺣﺎﺳوب‬ ‫اﻟﻔﺣص اﻟﺻﻧﺎﻋﻲ‬
‫‪Medical Diagnosis‬‬ ‫‪Financial Forecast‬‬
‫اﻟﺗﺷﺧﯾص اﻟطﺑﻲ‬ ‫اﻟﺗﻧﺑوء اﻟﻣﺎﻟﻲ‬
‫‪Image Processing / Segmentation‬‬
‫ﺗﻘﺳﯾم وﻣﻌﺎﻟﺟﺔ اﻟﺻور‬
‫___________‬
‫‪99 - ٢٣‬‬
‫‪ (٤‬ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ‪Knowledge Representation‬‬

‫ﻛﯾف ﻧﻘوم ﺑﺗﻣﺛﯾل ﻣﺎ ﻧﻌرف؟ ?‪How do we represent what we know‬‬
‫اﻟﻣﻌرﻓﺔ ﻫﻲ ﻣﺟﻣوﻋﺔ ﻣن اﻟﺣﻘﺎﺋق‪ ،‬وﯾﺗطﻠب اﻻﻣر طرق ﺗﻣﺛﯾل ﻣﻧﺎﺳﺑﺔ‪ ،‬ﻟﻠﺗﻌﺎﻣل ﻣﻊ ﻫذﻩ اﻟﺣﻘﺎﺋق ﺑواﺳطﺔ ﺑرﻧﺎﻣﺞ‪ ،‬واﻟﺗﻣﺛﯾل‬
‫اﻟﺟﯾد ﯾﺳﻬل ﺣل اﻟﻣﺳﺎﺋل‪.‬‬
‫ﺗﻘﻧﯾﺎت ﺻﯾﺎﻏﺔ ﺗﻣﺛﯾل ﻟﻠﻣﻌرﻓﺔ )‪Knowledge representation formalisms (techniques‬‬
‫اﻷﻧواع اﻟﻣﺧﺗﻠﻔﺔ ﻟﻠﻣﻌرﻓﺔ ﺗﺗطﻠب أﻧواﻋﺎ ﻣﺧﺗﻠﻔﺔ ﻟﺗﻣﺛﯾﻠﻬﺎ‪:‬‬
‫اﻟﻣﻧطق اﻹﺳﻧﺎدي ‪Predicate logic‬‬
‫اﻹﺳﻧﺎد ﻫو داﻟﺔ ﻗد ﺗﻛون ﺻﺎﺋﺑﺔ ﻟﺑﻌض اﻟوﺳﺎﺋط اﻟﺗﻲ ﺗﻣرر ﻟﻬﺎ‪ ،‬وﺧﺎطﺋﺔ ﻟوﺳﺎﺋط أﺧرى‪.‬‬
‫ﺷﺑﻛﺎت اﻟدﻻﻟﺔ ‪Semantic networks‬‬
‫ﺷﺑﻛﺔ اﻟدﻻﻟﺔ ﻫﻲ ﻓﻘط ﻣﺧطط ﺑﯾﺎﻧﻲ ‪ ،graph‬ﺣﯾث ﻛل ﻧﻘطﺔ ﺗﻣﺛل ﻣﻔﺎﻫﯾم ‪ ،concepts‬واﻷﻗواس ﺗﻣﺛل اﻟﻌﻼﻗﺔ اﻟﺛﻧﺎﺋﯾﺔ ﺑﯾن‬
‫ﻣﻔﻬوﻣﯾن‪.‬‬
‫اﻹطﺎرات واﻟﻧﺻوص ‪Frames and scripts‬‬
‫اﻹطﺎر ‪ frame‬ﻫو ﺑﻧﯾﺔ أو ﻫﯾﻛل ﺑﯾﺎﻧﺎت ‪ data structure‬ﯾﺗﻛون ﻣن ‪ :‬اﺳم اﻹطﺎر ‪ ،Frame name‬اﻟﻌﻼﻗﺎت اﻟﻣﺳﺗﻬدﻓﺔ‪،‬‬
‫اﻟﻣؤﺷرات واﻟوﺻﻼت إﻟﻰ اﻹطﺎرات اﻷﺧرى‪ٕ ،‬واﺟراءات اﻟﺗﻣﺛﯾل )اﻟﺗﻠﻘﺎﺋﻲ‪ ،‬اﻟﺗورﯾث‪ ،‬اﻟﺗﺟﺎﻧس(‪.‬‬
‫اﻟﻧﺻوص ‪ scripts‬ﺗرﺑط ﺑﯾن اﻟﺟﻣل ﺑﺎﺳﺗﺧدام ﻫﯾﺎﻛل ﺗﺷﺑﻪ اﻹطﺎر ‪ ،frame-like‬ﻣﺛﻼ ﺳﺟل ﻟﺳﻠﺳﻠﺔ اﻷﺣداث ﻟﻧوع ﻣﻌﯾن ﻣن‬
‫اﻟظواﻫر ‪.occurrence‬‬
‫ﻗواﻧﯾن اﻹﻧﺗﺎج ‪Production rules‬‬
‫ﺗﺗﻛون ﻗواﻧﯾن اﻹﻧﺗﺎج ﻣن ﻣﺟﻣوﻋﺔ ﻣن اﻟﻘواﻧﯾن ﺣول اﻟﺗﺻرﻓﺎت أو اﻟﺳﻠوﻛﯾﺎت‪ ،‬ﯾﺗﻛون اﻹﻧﺗﺎج ﻣن ﺟزأﯾن‪ :‬اﻟﺷرط اﻟﻣﺳﺑق )أو‬
‫‪ ( IF‬و اﻟﻔﻌل )أو ‪ٕ .(THEN‬واذا ﻛﺎن اﻟﺷرط اﻟﻣﺳﺑق ﻣﺗﺣﻘﻘﺎ ﻣﻊ اﻟﺣﺎﻟﺔ اﻟﺣﺎﻟﯾﺔ ﻟﻠوﺳط‪/‬اﻟﺑﯾﺋﺔ‪ ،‬ﻓﺈﻧﻪ ﯾﺗم ﺗﻧﻔﯾذ اﻟﺷرط اﻟﻣﺳﺑق‪.‬‬
‫‪ (٥‬اﻻﺳﺗدﻻل ‪Inference‬‬
‫اﻻﺳﺗدﻻل ﻫو ﺣدث أو ﻋﻣﻠﯾﺔ اﻟﺣﺻول ﻋﻠﻰ اﺳﺗﻧﺗﺎج ﺑﺎﻻﻋﺗﻣﺎد اﻟﻣﺟرد ﻋﻠﻰ ﻣﺎ ﯾﻌرﻓﻪ اﻟﻣرء ﻣن ﻗﺑل‪ ،‬ﺣﯾث ﯾﺗم ﺣﺳم ﺣﻘﺎﺋق‬
‫ﺟدﯾدة ﻣن اﻟﻘدﯾﻣﺔ‪ ،‬وﯾﺳﺟل اﻻﺳﺗدﻻل ﻣﻧطﻘﯾﺎ‪.‬‬
‫اﻻﺳﺗدﻻل اﻻﺳﺗﻧﺗﺎﺟﻲ ‪Deductive Inference‬‬
‫ﻻ ﯾﻛون ﻫذا اﻟﻧوع ﻣن اﻻﺳﺗدﻻل ﺧﺎطﺋﺎ‪ ،‬ﻓﻬو ﺻﺎﺋب ﺑﻣﺟرد ﻛﺎﻧت ﻣﻘدﻣﺗﻪ اﻟﻣﻧطﻘﯾﺔ ﺻﺎﺋﺑﺔ‪ ،‬وﯾﻌﺗﻣد ﻋﻠﯾﻪ ﻓﻲ اﻟﻣﻧطق اﻟﺗﻘﻠﯾدي‬
‫‪ ،traditional logic‬ﻓﻬو طرﯾﻘﺔ اﻻﺳﺗدﻻل اﻟﺻﺎرم‪ ،‬إذ ﻣن اﻟﻣﺳﺗﺣﯾل اﻟﺧطﺄ إذا ﻛﺎن ﺗﺗﺑﻊ اﻟﻘواﻧﯾن دﻗﯾﻘﺎ‪.‬‬
‫ﯾﺗطﻠب اﻻﺳﺗدﻻل اﻻﺳﺗﻧﺗﺎﺟﻲ ﻣﻌﻠوﻣﺎت ﻛﺎﻣﻠﺔ ودﻗﯾﻘﺔ وﻣﺗﺳﻘﺔ‪ ،‬وﯾﻛون اﻟﻣﻧطق ﻗوﯾﺎ ﻫﻧﺎ إذا ﻟم ﯾﺗﻐﯾر ﺻواب اﻟﺟﻣل اﻟﺧﺑرﯾﺔ ﻋﻧد‬
‫إﺿﺎﻓﺔ ﻣﻌﻠوﻣﺎت ﺟدﯾدة إﻟﻰ اﻟﻧظﺎم‪.‬‬
‫اﻻﺳﺗدﻻل اﻻﺳﺗﻘراﺋﻲ ‪Inductive Inference‬‬
‫ﻗد ﯾﻛون ﻫذا اﻟﻧوع ﻣن اﻻﺳﺗدﻻل ﺻﺣﯾﺣﺎ او ﻏﯾر ﺻﺣﯾﺣﺎ‪ ،‬ﻷﻧﻪ ﻓﻲ اﻟواﻗﻊ ﺗﻛون اﻟﻣﻌﻠوﻣﺎت ﻏﯾر ﻛﺎﻣﻠﺔ‪ ،‬ﻏﯾر ﻣﺿﺑوطﺔ‪،‬‬
‫وﻏﯾر ﻣﺗﺳﻘﺔ‪ ،‬ﯾﻛون اﻟﻣﻧطق اﺳﺗﻘراﺋﯾﺎ أو ﺗﻔﺳﯾرﯾﺎ‪ ،‬إذا ﻛﺎﻧت ﻋﻣﻠﯾﺔ اﻟﺗﻔﺳﯾر اﻟﺗﻲ ﺗﺣﺗوي ﻋﻠﻰ اﻟﻣﻘدﻣﺔ اﻟﻣﻧطﻘﯾﺔ ﻣﺻدﻗﺔ ﻓﻲ‬
‫دﻋﻣﻬﺎ ﻟﻼﺳﺗﻧﺗﺎج‪ ،‬ﻟﻛﻧﻬﺎ ﻻ ﺗؤﻛد اﻻﺳﺗﻧﺗﺎج‪ .‬وﯾﻛون اﻟﻣﻧطق ﺿﻌﯾﻔﺎ إذا ﺗﻐﯾر ﺻواب اﻟﺟﻣل اﻟﺧﺑرﯾﺔ ﻋﻧد إﺿﺎﻓﺔ أو ﺣذف‬
‫ﻣﻌﻠوﻣﺎت ﺟدﯾدة ﻣن أو إﻟﻰ اﻟﻧظﺎم‪ ،‬وﯾرﺳم اﻟﻣﺳﺗﻧﺑط ‪ reasoned‬اﻻﺳﺗﻧﺗﺎﺟﺎت ﻣؤﻗﺗﺎ‪ ،‬ﻣﻊ ﺣﻔظ ﺣق اﻟﺗراﺟﻊ ﻋﻧﻬﺎ ﻋﻠﻰ ﺿوء‬
‫اﻟﻣﻌﻠوﻣﺎت اﻟﻣﺳﺗﻘﺑﻠﯾﺔ‪.‬‬
‫___________‬
‫‪99 - ٢٤‬‬
‫ﻣﺛﻼ‪ :‬ﻋﻧدﻣﺎ ﻧﺳﻣﻊ ﺻوت طﺎﺋر ﻣﺎ‪ ،‬ﻧﺳﺗدل ﻛﺑﺷر أن ذﻟك اﻟطﺎﺋر ﯾﺳﺗطﯾﻊ اﻟطﯾران‪ ،‬ﻟﻛن ﻫذا اﻻﺳﺗﻧﺗﺎج ﯾﻣﻛن ﻋﻛﺳﻪ أو ﻧﻘﺿﻪ‪،‬‬
‫ﻋﻧدﻣﺎ ﻧﺳﻣﻊ أن ذﻟك اﻟطﺎﺋر ﺑطرﯾق‪ ،‬ﻓطﺎﺋر اﻟﺑطرﯾق ﻻ ﯾﺳﺗطﯾﻊ اﻟطﯾران‪.‬‬
‫‪ (٦‬اﻟﺗﻔﺳﯾر وﻣﻌرﻓﺔ اﻟﺣس اﻟﻣﺷﺗرك ‪Common Sense Knowledge and Reasoning‬‬
‫اﻟﺣس اﻟﻣﺷﺗرك ﻫو اﻟﻣﻬﺎرات اﻟذﻫﻧﯾﺔ اﻟﻣﺗوﻓرة ﻷﻏﻠب اﻟﻧﺎس‪ .‬وﻫو اﻟﻘدرة ﻋﻠﻰ ﺗﺣﻠﯾل اﻟﺣﺎﻟﺔ اﻋﺗﻣﺎدا ﻋﻠﻲ ﺳﯾﺎﻗﻬﺎ‪.‬‬
‫ﻓﺎﻟﻧﺎس ﯾﻔﻛرون ‪ People can think‬ﻷن اﻟدﻣﺎغ اﻟﺑﺷري ﯾﺣﺗوي ﻋﻠﻰ ﻣﻛﺗﺑﺔ واﺳﻌﺔ ﻣن ﻣﻌرﻓﺔ اﻟﺣس اﻟﻣﺷﺗرك‪ ،‬وﯾﺣﺗوي‬
‫ﻋﻠﻰ ﺷﻲء ﻣن ﺗﻧظﯾم اﻟﻣﻌرﻓﺔ‪ ،‬واﻛﺗﺳﺎﺑﻬﺎ واﺳﺗﺧدام أي وﺣدة ﻣن وﺣدات اﻟﻣﻌرﻓﺔ‪.‬‬
‫واﻟﺣﺎﺳوب ﻻ ﯾﺳﺗطﯾﻊ اﻟﺗﻔﻛﯾر‪ :Computer can not think‬ﻓﺑراﻣﺞ اﻟﺣﺎﺳوب ﺗؤدي اﺷﯾﺎء ﻛﺛﯾرة‪ ،‬ﻓﻬﻲ ﺗﻠﻌب اﻟﺷطرﻧﺞ‬
‫ﺑﻣﺳﺗوى اﻓﺿل اﻟﻼﻋﺑﯾن‪ ،‬ﻟﻛﻧﻬﺎ ﻻ ﺗﺳﺗطﯾﻊ ﺗطﺑﯾق ﻗدرات طﻔل ذي ﺛﻼث ﺳﻧوات ﻓﻲ ﺗﻧظﯾم اﻻﺷﯾﺎء واﻟﺗﻌﻠم‪ ،‬وﺣﺎﻟﯾﺎ ﺗﻔﺗﻘر‬
‫اﻟﺣواﺳﯾب إﻟﻰ اﻟﺣس اﻟﻣﺷﺗرك‪.‬‬
‫وﻗد ﻗﺳم اﻟﺑﺎﺣﺛون اﻟﺣس اﻟﻣﺷﺗرك إﻟﻰ‪:‬‬
‫ﻣﻌرﻓﺔ اﻟﺣس اﻟﻣﺷﺗرك ‪Common sense knowledge‬‬
‫ﺗﻔﺳﯾر اﻟﺣس اﻟﻣﺷﺗرك ‪Common sense reasoning‬‬
‫ﺗﻌﻠﯾم اﻟﺣواﺳﯾب اﻟﺣس اﻟﻣﺷﺗرك ‪Teaching computers common sense‬‬
‫ﻓﻲ ﻣﻌﻬد ‪ MIT‬اﻷﻣرﯾﻛﻲ ﻫﻧﺎك ﻣﺷروﻋﺎ ﯾدﻋﻰ ”‪ ،“OpenMind‬ﯾﻬدف اﻟﻣﺷروع ﻟﺗدرﯾس اﻟﺣﺎﺳوب اﻻﺷﯾﺎء اﻟﺗﻲ ﯾﺄﺧذﻫﺎ اﻟﺑﺷر‬
‫ﻛﺗﻌﻠﯾم ﻣﻛﺗﺳب‪ ،‬وﺗﻣﺛل اﻟﻣﻌرﻓﺔ ﻫﻧﺎ ﺑﺻﯾﻐﺔ ﺷﺑﻛﺎت اﻟدﻻﻟﺔ ‪ ،Semantic net‬و ﺑﻧﻣﺎذج اﻻﺣﺗﻣﺎل اﻟرﺳوﻣﯾﺔ‪ ،‬واﻟﺗﻘﺎرﯾر‬
‫اﻟﻣﻛﺗوﺑﺔ‪.‬‬
‫أﻣﺎ اﻟﻣﺷروع ‪ CYC‬ﻓﻛﺎن ﻣﺣﺎوﻟﺔ ﻟﺑﻧﺎء ﯾدوي ﻟﻘﺎﻋدة ﺑﯾﺎﻧﺎت ﺗﺣﺗوي ﻋﻠﻰ ﻣﻌرﻓﺔ اﻟﺣس اﻟﻣﺷﺗرك ﻟﻠﺑﺷر‪ ،‬وﺗﺣﺗوي ﻗﺎﻋدة اﻟﺑﯾﺎﻧﺎت‬
‫ﻋﻠﻰ ‪ ١.٥‬ﻣﻠﯾون ﻣﺟﻣوﻋﺔ ﻣن ﺣﻘﺎﺋق اﻟﺣس اﻟﻣﺷﺗرك‪ ،‬ﻟﻛﻧﻬﺎ ﺗظل ﺑﻌﯾدة ﻋن ﻣﺋﺎت اﻟﻣﻼﯾﯾن ﻣن اﻟﺣﻘﺎﺋق اﻟﻣطﻠوﺑﺔ‪.‬‬
‫‪ (٧‬اﻟﺗﻌﻠم ‪Learning‬‬
‫اﻟﺑراﻣﺞ ﺗﺗﻌﻠم ﻣن اﻟﺣﻘﺎﺋق ‪ facts‬واﻟﺗﺻرﻓﺎت ‪ behaviors‬اﻟﺗﻲ ﯾﻣﻛن ﺗﻣﺛﯾﻠﻬﺎ ‪.represent‬‬
‫ﺗﻌرﯾﻔﺎت اﻟﺗﻌﻠم ‪Definitions‬‬
‫ﻫﯾرﺑﯾرت ﺳﯾﻣون‪:‬‬
‫"اﻟﺗﻌﻠم ﯾﻌﻧﻰ ﺑﺗﻐﯾرات اﻟﻧظﺎم اﻟﻣﺗﻛﯾﻔﺔ ﻣﻊ اﻟﺣس اﻟذي ﯾﺗﯾﺢ ﻟﻠﻧظﺎم ﻓﻌل ﻧﻔس اﻟﻣﻬﻣﺔ أو اﻟﻣﻬﺎم ﺑﺷﻛل أﻛﺛر ﻓﻌﺎﻟﯾﺔ و ﻛﻔﺎءة ﻻﺣﻘﺎ‬
‫)ﻓﻲ اﻟزﻣن اﻟﺗﺎﻟﻲ("‪.‬‬
‫ﻣﺎرﻓﯾن ﻣﯾﻧﺳﻛﻲ‪:‬‬
‫"اﻟﺗﻌﻠم ﻫو ﺻﻧﺎﻋﺔ ﺗﻐﯾرات ﻣﻔﯾدة ﻓﻲ اﻟﻔﻌل اﻟذي ﺗﻘوم ﺑﻪ أدﻣﻐﺗﻧﺎ‪".‬‬
‫رﯾﺳزارد ﻣﯾﺷﺎﻟﺳﻛﻲ‪:‬‬
‫"اﻟﺗﻌﻠم ﻫو إﻧﺷﺎء أو ﺗﻌدﯾل ﺗﻣﺛﯾل ﻣﺎ ﯾﻣﻛن أن ﯾﺧﺗﺑر"‬
‫ﻣﯾﺗﺷﯾل‪:‬‬
‫"ﯾﻘﺎل أن ﺑرﻧﺎﻣﺞ اﻟﺣﺎﺳوب ﺗﻌﻠم ﻣن اﻟﺗﺟرﺑﺔ ‪ E‬ﻣﻊ اﻟﺗرﺗﯾب إﻟﻰ ﻧﻔس ﻓﺋﺔ اﻟﻣﻬﺎم ‪ T‬وﻣﻘﯾﺎس اﻷداء ‪ ،P‬إذا ﻛﺎن اﻷداء ﻓﻲ اﻟﻣﻬﺎم‬
‫‪ T‬ﻛﻣﺎ ﯾﺣدد اﻟﻣﻘﯾﺎس ‪ P‬ﯾطور ﻣن اﻟﺗﺟرﺑﺔ ‪"E‬‬
‫اﻟﻧﻣﺎذج اﻟرﺋﯾﺳﺔ ﻟﺗﻌﻠم اﻵﻟﺔ ‪Major Paradigms of Machine Learning‬‬
‫‪ ‬اﻟروﺗﯾن ‪Rote‬‬
‫___________‬
‫‪99 - ٢٥‬‬
‫اﻟﺗﻌﻠم ﺑﺎﻻﺳﺗظﻬﺎر ‪ ،memorization‬ﺣﻔظ اﻟﻣﻌرﻓﺔ ﺣﺗﻰ أﻧﻪ ﯾﻣﻛن إﻋﺎدة اﺳﺗﺧداﻣﻬﺎ ‪.‬‬
‫‪ ‬اﻻﺳﺗﻘراء ‪Induction‬‬
‫اﻟﺗﻌﻠم ﺑﺎﻷﻣﺛﻠﺔ ‪ ،Learning by example‬ﻋﻣﻠﯾﺔ اﻟﺗﻌﻠم ﺑواﺳطﺔ اﻷﻣﺛﻠﺔ ‪ example‬ﺣﯾث أن اﻟﻧظﺎم ﯾﺣﺎول أن ﯾﺳﺗﻘرئ ﻗﺎﻧون‬
‫ﻋﺎم ﻣن ﻣﺟﻣوﻋﺔ ﻣن اﻷﻣﺛﻠﺔ اﻟﻣﺷﺎﻫدة‪.‬‬
‫‪ ‬اﻟﺗﻣﺎﺛل‪/‬اﻟﺗﻧﺎظر ‪Analogy‬‬
‫اﻟﺗﻌﻠم ﻣن اﻟﺗﺷﺎﺑﻬﺎت ‪ ،Learning from similarities‬اﻟﺗﻌرف ﻋﻠﻰ اﻟﺗﺷﺎﺑﻬﺎت ﻓﻲ اﻟﻣﻌﻠوﻣﺎت اﻟﻣﺧزﻧﺔ ﻣن ﻗﺑل‪ ،‬ﻓﻧﺳﺗطﯾﻊ‬
‫ﺗﺣدﯾد اﻟﺗﻧﺎظر ﺑﯾن اﺛﻧﯾن ﻣن اﻟﺻﯾﻎ اﻟﻣﺧﺗﻠﻔﺔ ﻟﻠﻣﻌﻠوﻣﺎت‪.‬‬
‫‪ ‬اﻟﺧوارزﻣﯾﺎت اﻟﺟﯾﻧﯾﺔ ‪Genetic Algorithms‬‬
‫اﻟﺗﻌﻠم ﺑواﺳطﺔ ﺗﻘﻠﯾل اﺳﺗﺧدام اﻟﻣﻌﺎﻟﺟﺔ اﻟطﺑﯾﻌﯾﺔ ‪ ،mimicking processes nature‬ﻛﺟزء ﻣن اﻟﺣوﺳﺑﺔ اﻟﺗطورﯾﺔ‪ ،‬وﻫو‬
‫طرﯾﻘﺔ ﻟﺣل اﻟﻣﺳﺎﺋل ﺑواﺳطﺔ ﺗﻘﻠﯾل اﻟﻣﻌﺎﻟﺟﺎت‪/‬اﻟﻌﻣﻠﯾﺎت‪ ،‬واﻻﺳﺗﺧدام اﻟطﺑﯾﻌﻲ‪ ،‬واﻻﻧﺗﻘﺎء‪ ،‬واﻟﻌﺑور‪ ،‬واﻟﺗﺣور‪ ،‬واﻟﻘﺑول ﻟﻛﻲ ﻧطور‬
‫ﺣﻼ ﻟﻠﻣﺳﺄﻟﺔ‪.‬‬
‫‪ ‬اﻟﻐزارة ‪Reinforcement‬‬
‫اﻟﺗﻌﻠم ﺑﺎﻷﺣداث ‪ ،Learning from actions‬ارﺗﺑﺎط ﻣﻛﺎﻓﺋﺔ ﺳﻠﺑﯾﺔ أو إﯾﺟﺎﺑﯾﺔ‪ ،‬ﻓﻲ ﻧﻬﺎﯾﺔ ﺳﻠﺳﻠﺔ ﻣن اﻟﺧطوات‪ ،‬ﻟﻧﺗﻌﻠم أي‬
‫اﻷﺣداث ﺟﯾد وأﯾﻬﺎ ﺳﻲء‪.‬‬
‫‪ (٨‬اﻟﺗﺧطﯾط ‪Planning‬‬
‫اﻟﺗﺧطﯾط ﻫو ﺗﻣﺛﯾل ﻟﻣﺳﺎر ﻣﻌﯾن ﻣن اﻷﻋﻣﺎل‪ ،‬وﻫو ﻛذﻟك ﺗﻘﻧﯾﺔ ﺗﺳﺗﺧدم ﻟﺣل اﻟﻣﺳﺎﺋل‪ ،‬ﻛﻣﺎ اﻧﻪ ﯾﻌﺗﺑر ﺳﻠﺳﻠﺔ ﻣﻌﻘوﻟﺔ ﻣن‬
‫اﻷﻓﻌﺎل ﻟﺗﺣﻘﯾق ﻫدف ﻣﺎ‪.‬‬
‫ﺑراﻣﺞ اﻟﺗﺧطﯾط ‪Planning programs‬‬
‫ﺗﺑدأ ﺑﺣﻘﺎﺋق ﻋن اﻟﻌﺎﻟم ﺟزﺋﯾﺎ‪ ،‬ﺣﻘﺎﺋق ﻋن اﻟﺗﺎﺛﯾر اﻟﻧﺎﺷﺊ ﻋن اﻷﻓﻌﺎل‪ ،‬وﺣﻘﺎﺋق ﻋن ﺣﻠول ﻣﻌﯾﻧﺔ‪ ،‬وﻋﺑﺎرات ﺗﺣدد اﻟﻬدف‪.‬‬
‫ﻓواﺋد اﻟﺗﺧطﯾط ‪Benefits of planning‬‬
‫‪ -١‬ﺗﻘﻠﯾل اﻟﺑﺣث‬
‫‪ -٢‬ﺣل ﻣﺷﻛﻠﺔ اﻟﺗﻌﺎرﺿﺎت‬
‫‪ -٣‬ﺗﻘدﯾم أﺳﺎس ﻹﺻﻼح اﻷﺧطﺎء‪.‬‬
‫اﺳﺗراﺗﯾﺟﯾﺎت اﻟﺗﺧطﯾط ‪Strategy for planning‬‬
‫اﻹﺳﺗراﺗﯾﺟﯾﺔ ﻫﻲ ﻓﻘط ﺳﻠﺳﻠﺔ ﻣن اﻷﻓﻌﺎل‪ ،‬اﻟﺑرﻧﺎﻣﺞ ﯾوﻟد ﻣن اﻟﺣﻘﺎﺋق إﺳﺗراﺗﯾﺟﯾﺗﻪ ﻹﻧﺟﺎز ﻫدف ﻣﻌﯾن‪.‬‬
‫‪ (٩‬ﻧظرﯾﺔ اﻟﻣﻌرﻓﺔ ‪Epistemology‬‬
‫اﻻﺑﺳﺗﻣوﻟوﺟﻲ ﻫو ﻧظرﯾﺔ اﻟﻣﻌرﻓﺔ‪ ،‬وﻫﻧﺎك أﻧواع ﻣﺧﺗﻠﻔﺔ ﻣن اﻟﻣﻌرﻓﺔ ﻓﻲ ﺣﯾﺎﺗﻧﺎ اﻟﻌﺎﻣﺔ‪:‬‬
‫‪ -١‬ﻣﻌرﻓﺔ ﻛﯾف ﻧﻔﻌل اﻟﺷﻲء )ﻣﺛﻼ‪ ،‬ﻛﯾف ﻧﻘود اﻟدراﺟﺔ(‪.‬‬
‫‪ -٢‬ﻣﻌرﻓﺔ ﺷﺧص ﻣﺎ ﺑﺎﻟﺿﺑط‪.‬‬
‫‪ -٣‬ﻣﻌرﻓﺔ ﻣﻛﺎن أو ﻣدﯾﻧﺔ‪.‬‬
‫اﻻﺑﺳﺗﻣوﻟوﺟﻲ ﻫو دراﺳﺔ اﻟﻣﻌرﻓﺔ و اﻻﻋﺗﻘﺎد اﻟﻘﺎﺑل ﻟﻠﺗﺑرﯾر‪ ،‬ﻣﻊ اﻷﺧذ ﺑﺎﻻﻋﺗﺑﺎر ﻣﻌرﻓﺔ اﻟﺧﺑر ﻛﺄن ﻧﻘول أن ")س( ﯾﻌرف أن‬
‫)ب("‪ ،‬ﻛﺳؤال ﯾﻘدم‪ :‬ﻣﺎ ﻫﻲ اﻟﺷروط اﻟﺿرورة واﻟﻛﺎﻓﯾﺔ )‪(if and only if‬؟ ‪ ،‬ﻛﻣﺎ ﻓﻲ اﻟﺷﻛل أدﻧﺎﻩ‪.‬‬
‫___________‬
‫‪99 - ٢٦‬‬
‫ﺷﻛل ﯾوﺿﺢ اﻟﻣﻌرﻓﺔ اﻟﺗﻘرﯾرﯾﺔ ﻛﺗﻘﺎطﻊ ﺑﯾن اﻟﺣﻘﯾﻘﺔ واﻻﻋﺗﻘﺎد‬

‫ﻟﯾﻛن س ﯾﻌرف أن ب ﺑﺷرط ﻻزم وﻛﺎﻓﻲ أن ب ﺻﺎﺋب‪،‬‬
‫س ﯾؤﻣن أن ب ﺻﺎﺋب‪ ،‬وأن س ﻣﻘﺗﻧﻊ ﺑﺈﯾﻣﺎﻧﻪ أن ب ﺻﺎﺋب‪.‬‬
‫;‪S knows that P if and only if P is true‬‬
‫‪S believes that P is true; and S is justified in believing that P is true.‬‬
‫ﯾدﻋﻲ اﻟﻌﺎﻟم ﺟﯾﺗﺗﯾر ‪ Gettier‬أن اﻟﺣﺳﺎﺑﺎت اﻟﺳﺎﺑﻘﺔ ﻟﻠﻣﻌرﻓﺔ ﻏﯾر ﻛﺎﻓﯾﺔ‪.‬‬
‫اﻻﺑﺳﺗﻣوﻟوﺟﻲ ﻫو دراﺳﺔ أﻧواع اﻟﻣﻌرﻓﺔ اﻟﺗﻲ ﺗﻛون ﻣطﻠوﺑﺔ ﻟﺣل اﻟﻣﺳﺎﺋل ﻓﻲ اﻟﻌﺎﻟم ﻣن ﺣوﻟﻧﺎ‪.‬‬
‫‪ (١٠‬ﻋﻠم اﻟوﺟود ‪Ontology‬‬
‫ﻋﻠم اﻟوﺟود ﯾﻬﺗم ﺑﺎﻟﻣوﺟودات ﻓﻲ اﻟﻌﺎﻟم‪ ،‬ودراﺳﺔ ﻣﺟﺎﻣﯾﻊ اﻻﺷﯾﺎء اﻟﻣوﺟود ﻓﻌﻼ أو اﺣﺗﻣﺎﻻ ﻓﻲ ﻧطﺎق ﻣﺎ‪ ،‬وﻋﻠم اﻟوﺟود ﻫو‬
‫ﻧﻣوذج ﺑﯾﺎﻧﺎت ‪ data model‬ﯾﻣﺛل ﻧطﺎق ﻣﻌﯾن وﯾﺳﺗﺧدم ﻹﻋطﺎء ﺗﻔﺳﯾر ﻋن اﻟﻛﺎﺋﻧﺎت ‪ objects‬ﻓﻲ ذﻟك اﻟﻣﯾدان واﻟﻌﻼﻗﺎت‬
‫‪ relations‬ﺑﯾﻧﻬﺎ‪.‬‬
‫وﯾﺳﺗﺧدم ﻋﻠم اﻟوﺟود )أو ﻋﻠم اﻟﻣوﺟودات( ﻓﻲ اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ﻛﺷﻛل ﻣن أﺷﻛﺎل ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ‪ ،‬ﻋن اﻟﺑﯾﺋﺔ اﻟﻣﺣﯾطﺔ‬
‫)اﻟﻌﺎﻟم( أو ﺟزء ﻣﻧﻬﺎ‪ .‬وﻫذا اﻟﻌﻠم ﻋﻣوﻣﺎ ﯾﻘدم وﺻﻔﺎ ﻟـ‪:‬‬
‫‪ -‬اﻷﻓراد ‪ :Individuals‬وﻫﻲ اﻟﻛﺎﺋﻧﺎت ﺑﺎﻟﻣﺳﺗوى اﻻﺳﺎﺳﻲ أو اﻷدﻧﻰ‪.‬‬
‫‪ -‬اﻟﻔﺋﺎت ‪ :classes‬ﻫﻲ ﻣﺟﻣوﻋﺎت‪ ،‬ﺗﺟﻣﻌﺎت أو أﻧواع ﻣن اﻟﻛﺎﺋﻧﺎت‪.‬‬
‫‪ -‬اﻟﺻﻔﺎت ‪ :Attributes‬ﻫﻲ ﺧﺻﺎﺋص ‪ properties‬أو ﻣﻣﯾزات ‪ features‬أو ﻣواﺻﻔﺎت ‪ characteristics‬أو‬
‫وﺳﺎﺋط ‪ parameters‬ﯾﻣﻛن أن ﺗﻛون ﻣﻠﻛﺎ ﻟﻛﺎﺋن أو ﯾﺷﺗرك ﺑﻬﺎ ﻣﻊ آﺧر‪.‬‬
‫‪ -‬اﻟﻌﻼﻗﺎت ‪ :relations‬طرﯾﻘﺔ ﺗﺳﺗطﯾﻊ أن ﺗرﺗﺑط ﺑﻬﺎ اﻟﻛﺎﺋﻧﺎت واﺣدا ﻣﻊ اﻵﺧر‪.‬‬
‫وﯾﻌﺗﺑر ﻋﻠم اﻟﻣوﺟودات ‪ Ontology‬ﺗوﺻﯾﻔﺎ ﻟﺑﻧﺎء اﻟﻔﻬم اﻟﻌﺎم أو ﻣﺎ ﯾﺳﻣﻰ ﺑﺎﻟـ ‪.conceptualization‬‬
‫‪ (١١‬اﻟﺣدس أو طرق اﻟﻛﺷف ‪Heuristics‬‬
‫طرق اﻟﻛﺷف ‪ Heuristics‬ﻫﻲ ﻗواﻧﯾن ﺑﺳﯾطﺔ وﻓﻌﺎﻟﺔ‪ ،‬أو ﻫﻲ طرق ﻣﺟرﺑﺔ ‪ Rule of thumb‬ﺑﺷﻛل ﻋﺎم‪ ،‬وﻓﻲ ﻋﻠوم‬
‫اﻟﺣﺎﺳوب ﻓطرق اﻟﻛﺷف ﻫﻲ ﺧوارزﻣﯾﺔ ﺗﺗﻣﯾز ﺑزﻣن ﺗﻧﻔﯾذ ﺟﯾد إﺛﺑﺎﺗﺎ‪ ،‬وﺑﺣل ﻣﺛﺎﻟﻲ أو ﺟﯾد إﺛﺑﺎﺗﺎ أﯾﺿﺎ‪.‬‬
‫ﺗﻬﺗم طرق اﻟﻛﺷف ﺑﺎﻟﺣﺻول ﻋﻠﻰ أداء ﺣﺎﺳوﺑﻲ ﻋﺎﻟﻲ‪ ،‬أو ﺑﻔﻬم‪/‬ﺑﺗﺻور ﻣﺑﺳط ﻣﺣﺗﻣل ﻟﺗﻛﻠﻔﺔ دﻗﯾﻘﺔ أو ﻣﺣﻛﻣﺔ‪ ،‬وﯾﺳﺗﺧدم اﻟﻧﺎس‬
‫اﻟﻛﺷف ﻟﺻﻧﻊ اﻟﻘرارات‪ ،‬واﻟﺣﺻول ﻋﻠﻰ اﻟﺗﻣﯾز‪ ،‬وﻟﺣل اﻟﻣﺳﺎﺋل‪ ،‬وذﻟك ﻋﻧد ﻣواﺟﻬﺔ ﻣﺳﺎﺋل ﻣﻌﻘدة أو ﻣﻌﻠوﻣﺎت ﻏﯾر ﺗﺎﻣﺔ‪ .‬ﻫذﻩ‬
‫اﻟﻘواﻧﯾن ﺗﻌﻣل ﺟﯾدا ﺗﺣت أﻏﻠب اﻟظروف‪.‬‬
‫ﻓﻲ ﺑراﻣﺞ اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ‪ ،AI programs‬دوال اﻟﻛﺷف‪/‬اﻻﻛﺗﺷﺎف ‪ heuristic functions‬ﺗﺳﺗﺧدم ﻟﻘﯾﺎس ﻛم ﺗﺑﻌد ﻧﻘطﺔ‬
‫ﻣﺎ ‪ node‬ﻋن اﻟﺣﺎﻟﺔ اﻟﻬدف ‪ ،goal state‬وﻛذﻟك ﺗﺳﺗﺧدم ﻟﻣﻘﺎرﻧﺔ ﻧﻘطﺗﯾن واﻛﺗﺷﺎف إذا ﻛﺎﻧت واﺣدة أﻓﺿل ﻣن اﻷﺧرى‬
‫ﻟﻠوﺻول إﻟﻰ اﻟﻬدف‪.‬‬
‫___________‬
‫‪99 - ٢٧‬‬
‫‪ (١٢‬اﻟﺑرﻣﺟﺔ اﻟﺟﯾﻧﯾﺔ )‪Genetic programming (GP‬‬

‫اﻟﺑرﻣﺟﺔ اﻟﺟﯾﻧﯾﺔ ﻫﻲ طرﯾﻘﺔ ﻣؤﺗﻣﺗﺔ ‪ automated method‬ﻹﻧﺷﺎء ﺑراﻣﺞ اﺑﺗداء ﻣن ﺗﺣﻠﯾل ﻋﺎﻟﻲ اﻟﻣﺳﺗوى ﻟﻠﻣﺳﺄﻟﺔ‪ ،‬ﺣﯾث ﺗﺑدأ‬
‫اﻟﺑرﻣﺟﺔ اﻟﺟﯾﻧﯾﺔ )‪ (GP‬ﻣن ﻣﺗطﻠﺑﺎت اﻟﻣﺳﺗوى اﻟﻌﺎﻟﻲ ﻟﻠﻣﺳﺄﻟﺔ‪ ،‬وﺗﺳﻌﻰ ﻹﻧﺗﺎج ﺑرﻧﺎﻣﺞ ﺣﺎﺳوﺑﻲ ﯾﺣل اﻟﻣﺳﺄﻟﺔ‪ ،‬ﺣﯾث ﯾﺳﺗﺧدم‬
‫اﻹﻧﺳﺎن )ﻛﻣﺳﺗﺧدم( اﻟﻌﺑﺎرات ﻋﺎﻟﯾﺔ اﻟﻣﺳﺗوى ﻟﻠﺗﻌﺑﯾر ﻋن اﻟﻣﺳﺄﻟﺔ إﻟﻰ ﻧظﺎم اﻟﺑرﻣﺟﺔ اﻟﺟﯾﻧﯾﺔ‪ ،‬وذﻟك ﺑﺈﻧﺟﺎز ﺧطوات ﺗﻣﻬﯾدﯾﺔ‬
‫ﻣﺣددة وﻣﻌرﻓﺔ ﺟﯾدا‪ .‬وﯾﺗطﻠب ﻣن اﻟﻣﺳﺗﺧدم أن ﯾﺣدد ﺧﻣﺳﺔ ﺧﺻﺎﺋص أﺳﺎﺳﯾﺔ ﻛﺧطوات ﻻزﻣﺔ ﻟﺗطوﯾر ﺑرﻧﺎﻣﺞ ‪:GP‬‬
‫‪ -‬ﻣﺟﻣوﻋﺔ اﻟطرﻓﯾﺎت ‪ terminals‬ﻛﺎﻟﻣﺗﻐﯾرات ‪ ،variables‬واﻟﺛواﺑت ‪ ،constants‬واﻟدوال ‪.functions‬‬
‫‪ -‬ﻣﺟﻣوﻋﺔ اﻟدوال اﻟﺟذرﯾﺔ‪/‬اﻻﺳﺎﺳﯾﺔ‪.‬‬
‫‪ -‬ﻣﻘﯾﺎس اﻟﻣﻼﺋﻣﺔ ‪ Fitness measure‬وذﻟك ﻟﻔﺣص ﻣﻼﺋﻣﺔ اﻷﻓراد ‪ individuals‬ﺿﻣن ﻣﺟﻣوﻋﺔ اﻟﺳﻛﺎن‪.‬‬
‫‪ -‬وﺳﺎﺋط أو ﻣﺗﻐﯾرات ‪ parameters‬اﻟﺗﺣﻛم ﺑﺎﻟﺗﺷﻐﯾل ‪.Run‬‬
‫‪ -‬اﻟﻣﻌﯾﺎر ‪ criterion‬اﻟﻧﻬﺎﺋﻲ ﻟﺗﺣدﯾد ﻧﺗﺎﺋﺞ ﺑﺎﻟﺗﺷﻐﯾل ‪.Run‬‬
‫ﯾﻘﺻد ﺑﺗﺷﻐﯾل ‪ Run‬اﻟﺑرﻧﺎﻣﺞ اﻟﺟﯾﻧﻲ ﺗﻧﻔﯾذ ﺳﻠﺳﻠﺔ ﻣن اﻟﺧطوات اﻟﻣﻌروﻓﺔ اﻟﻣﺳﺗﻘﻠﺔ ﻋن اﻟﻣﺳﺄﻟﺔ )ﻣﺧطط اﻻﻧﺳﯾﺎب‬
‫‪.(flowchart‬‬
‫___________‬
‫‪99 - ٢٨‬‬
‫ﺗﻄﺒﻴﻘﺎﺕ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ ‪Applications of AI‬‬

‫ﺗﺷﻐﯾل اﻟﻠﻌﺑﺔ ‪Game playing‬‬ ‫‪(١‬‬
‫اﻷﻟﻌﺎب ‪ Games‬ﻫﻲ ﺑراﻣﺞ ﺣﺎﺳوب ﺗﻔﺎﻋﻠﯾﺔ‪ ،‬اﻟﻣﺟﺎل اﻟواﻋد اﻟذي ﻓﯾﻪ ﯾﺗم ﺗﺗﺑﻊ أﻫداف اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ﺑﺎﻟﻣﺳﺗوى اﻟﺑﺷري‬
‫‪ .human-level‬واﻷﻟﻌﺎب ﺗﺻﻧﻊ ﺑواﺳطﺔ إﻧﺷﺎء ﻛﯾﺎﻧﺎت ذﻛﺎء اﺻطﻧﺎﻋﻲ ﺑﺎﻟﻣﺳﺗوى اﻟﺑﺷري‪ ،‬ﻣﺛﻼ‪ :‬اﻷﻋداء‪ ،‬واﻟﺷرﻛﺎء‪،‬‬
‫واﻟﺷﺧوص اﻟداﻋﻣﺔ اﻟﺗﻲ ﺗﻌﻣل ﺗﻘرﯾﺑﺎ ﻣﺛل اﻟﺑﺷر‪.‬‬
‫ﺗﺷﻐﯾل اﻟﻠﻌﺑﺔ ﻫو ﻣﺷﻛﻠﺔ ﺑﺣﺛﯾﺔ ﯾﺗم ﺗﻌرﯾﻔﻬﺎ ﺑـ‪:‬‬
‫‪ -‬اﻟﺣﺎﻟﺔ اﻻﺑﺗداﺋﯾﺔ ‪ :Initial state‬ﻟوﺣﺔ اﻟﻠﻌب ‪.board‬‬
‫‪ -‬اﻟداﻟﺔ اﻟﻣوﺳﻌﺔ ‪ :Expand function‬ﺑﻧﺎء اﻟﺣﺎﻻت اﻷﺑﻧﺎء ‪.successor states‬‬
‫‪ -‬اﻟداﻟﺔ اﻟﻬدف ‪ :Cost function‬اﻟﺣﺎﻟﺔ اﻟﺣﺎﺳﻣﺔ‪.‬‬
‫‪ -‬اﺧﺗﺑﺎر اﻟﻬدف ‪ :Goal test‬ﺣﺎﻟﺔ اﻟﺣﺳم اﻟﻧﻬﺎﺋﯾﺔ‪.‬‬
‫وﺗﺷﻐﯾل اﻟﻠﻌﺑﺔ ﯾﺗﺻف ﺑـﺎﻟﺧﺻﺎﺋص اﻟﺗﺎﻟﯾﺔ‪:‬‬
‫‪ -‬أﻋداء ﻏﯾر ﻣﺗوﻗﻌﯾن‪.‬‬
‫‪ -‬اﻟﺣﺎﺟﺔ إﻟﻰ ﺗﺣدﯾد ﺣرﻛﺔ ﻣﻘﺎﺑل ﻛل رد ﻣﺣﺗﻣل ﻣن اﻷﻋداء‪.‬‬
‫‪ -‬اﻟﺣدود اﻟزﻣﻧﯾﺔ‪ :‬ﺗﺻﺑﺢ اﻟﻠﻌﺑﺔ ﻣﻣﻠﺔ إن ﻟم ﯾﻛن ﻫﻧﺎك ﺣدث ﻟﻣدة زﻣﻧﯾﺔ طوﯾﻠﺔ‪ ،‬وﻻ ﯾﺣﺗﻣل أن ﯾﺟد اﻷﻋداء اﻟﻬدف ﻓﻘط‬
‫ﺑﺎﻟﺗﻘرﯾب‪.‬‬
‫اﻷﻟﻌﺎب اﻟﺣﺎﺳوﺑﯾﺔ ‪: Computer Games‬‬
‫اﻟﺣواﺳﯾب ﺗﻧﺟز ﻣﺳﺗوﯾﺎت ﻣﺷﺎﺑﻬﺔ ﻷﺑطﺎل اﻟﻠﻌﺑﺔ‪ :‬ﻛﺎﻟداﻣﺎ واﻟﺷطرﻧﺞ وﻏﯾرﻫﺎ‪ ،‬اﻟﺣواﺳﯾب ﺗﻘدم اﻟﻌﺎب أﻓﺿل ﻣﺛل ﻟﻌﺑﺔ اﻟﺑرﯾدج‪،‬‬
‫وﻣﻊ ﻫذا ﻓﻬﻧﺎك أﻟﻌﺎب ﻣﺎزال اﻟﺣﺎﺳوب ﯾﻘدﻣﻬﺎ ﺑﺷﻛل ﺳﻲء ﻣﺛل ﻟﻌﺑﺔ ﺟو وﻫﯾﻛس؟‪.‬‬
‫وﻟﻘد ﻓﺎز ﺑرﻧﺎﻣﺞ اﻟﺣﺎﺳوب اﻟﻣﺳﻣﻰ )دﯾب ﺑﻠو ‪ ( Deep Blue‬أو اﻷزرق اﻟﻌﻣﯾق‪ ،‬اﻟﻣﺗﺧﺻص ﻓﻲ ﻟﻌب اﻟﺷطرﻧﺞ ‪،Chess‬‬
‫ﻋﻠﻰ ﺑطل اﻟﻌﺎﻟم اﻟروﺳﻲ اﻟﺷﻬﯾر ‪.Gary Kasparov‬‬
‫اﻟﺗﻌرف ﻋﻠﻰ اﻟﻛﻼم ‪Speech Recognition‬‬ ‫‪(٢‬‬
‫ﻋﻣﻠﯾﺔ ﺗﺣوﯾل إﺷﺎرات اﻟﻛﻼم إﻟﻰ ﺳﻠﺳﻠﺔ ﻣن اﻟﻛﻠﻣﺎت‪ ،‬وﻓﻲ ﻋﺎم ‪١٩٩٠‬م ﺗوﺻل ﻋﻠﻣﺎء اﻟﺗﻌرف ﻋﻠﻰ اﻟﻛﻼم إﻟﻰ ﻣﺳﺗوى ﺗطﺑﯾﻘﻲ‬
‫ﯾﺣﻘق أﻏراض ﻣﺣدودة‪.‬‬
‫ورﻏم أن اﺳﺗﺧدام اﻟﺗﻌرف ﻋﻠﻰ اﻟﻛﻼم ﻓﻲ اﻟﺣواﺳﯾب أﺻﺑﺢ ﻣﻘﺑول ﻧوﻋﺎ ﻣﺎ‪ ،‬إﻻ أن اﻏﻠب اﻟﻣﺳﺗﺧدﻣﯾن ﯾﺟدون أن اﻟﻣﺎوس‬
‫وﻟوﺣﺔ اﻟﻣﻔﺎﺗﯾﺢ ﯾظل أﻛﺛر ﻣﻼﺋﻣﺔ‪ ،‬واﻻﺳﺗﺧدام اﻟﻣﻌﺗﺎد ﻫو اﻹﺗﺻﺎل اﻟﺻوﺗﻲ ‪ ،Voice dialing‬وﺗوﺟﯾﻪ اﻟﻣﻛﺎﻟﻣﺎت ‪Call‬‬
‫‪ٕ ، routing‬وادﺧﺎل اﻟﺑﯾﺎﻧﺎت ‪ ،Data entry‬واﻟﺗﻌرف ﻋﻠﻰ اﻟﻣﺗﻛﻠم ‪.Speaker recognition‬‬
‫وﺗﺳﻣﺢ واﺟﻬﺔ اﻟﻠﻐﺔ اﻟﻣﺗﻛﻠﻣﺔ ‪ ،The spoken language interface‬اﻟﻣوﺟودة ﻓﻲ ﻧظﺎم اﻟﺣﺟز ﻓﻲ اﻟﺧطوط اﻟﺟوﯾﺔ‬
‫اﻷﻣرﯾﻛﯾﺔ ‪ ،EAASY SABRE‬ﺗﺳﻣﺢ ﻟﻠﻣﺳﺗﺧدﻣﯾن ﺑﺎﻟﺣﺻول ﻋﻠﻰ ﻣﻌﻠوﻣﺎت اﻟطﯾران‪ ،‬وﺑﺈﺟراء اﻟﺣﺟز ﻣن ﺧﻼل اﻻﺗﺻﺎل‬
‫اﻟﻬﺎﺗﻔﻲ‪.‬‬
‫ﻓﻬم اﻟﻠﻐﺔ اﻟطﺑﯾﻌﯾﺔ ‪Understanding Natural Language‬‬ ‫‪(٣‬‬
‫ﻣﻌﺎﻟﺟﺔ اﻟﻠﻐﺔ اﻟطﺑﯾﻌﯾﺔ ‪ NLP‬ﺗﻬﺗم ﺑﺎﻟﻘﯾﺎم ﺑﺗوﻟﯾد ﻣؤﺗﻣت ﻟﻠﻐﺎت اﻹﻧﺳﺎن اﻟطﺑﯾﻌﯾﺔ وﻓﻬﻣﻬﺎ‪.‬‬
‫ﻧظﺎم ﺗوﻟﯾد اﻟﻠﻐﺔ اﻟطﺑﯾﻌﯾﺔ ‪Natural language generation system‬‬
‫___________‬
‫‪99 - ٢٩‬‬
‫ﻫو ﻧظﺎم ﯾﺣول اﻟﻣﻌﻠوﻣﺎت ﻣن ﻗواﻋد ﺑﯾﺎﻧﺎت ‪ databases‬اﻟﺣﺎﺳوب إﻟﻰ اﻷﺻوات اﻟﻌﺎدﯾﺔ ‪ normal-sounding‬ﺑﺎﻟﻠﻐﺔ‬
‫اﻟﺑﺷرﯾﺔ ‪.human language‬‬
‫ﻧظﺎم ﻓﻬم اﻟﻠﻐﺔ اﻟطﺑﯾﻌﯾﺔ ‪Natural language understanding system‬‬
‫ﯾﺣول ﻋﯾﻧﺎت ﻣن اﻟﻠﻐﺔ اﻟﺑﺷرﯾﺔ إﻟﻰ ﺗﻣﺛﯾل ﻣﻧﻬﺟﻲ‪/‬رﯾﺎﺿﻲ أﻛﺛر ﻣﺎ ﯾﻣﻛن‪ ،‬ﺑﺣﯾث ﯾﻛون اﺑﺳط ﻟﻠﻣﻌﺎﻟﺟﺔ ﻣن ﻗﺑل ﺑراﻣﺞ‬
‫اﻟﺣﺎﺳوب‪.‬‬
‫ﺑﻌض اﻟﻣﻬﺎم اﻷﺳﺎﺳﯾﺔ ﻓﻲ ﻣﻌﺎﻟﺟﺔ اﻟﻠﻐﺎت اﻟطﺑﯾﻌﯾﺔ ‪Some major tasks in NLP‬‬
‫ﻧظﺎم ﻧص‪-‬إﻟﻰ‪-‬ﻛﻼم ‪ :Text-to-Speech (TTS) system‬ﯾﺣول ﻧص اﻟﻠﻐﺔ اﻟﻌﺎدﯾﺔ إﻟﻰ ﻛﻼم‪.‬‬
‫ﻧظﺎم اﻟﺗﻌرف ﻋﻠﻰ اﻟﻛﻼم ‪:Speech recognition (SR) system‬ﻋﻣﻠﯾﺔ ﺗﺣوﯾل إﺷﺎرات اﻟﻛﻼم ﺳﻠﺳﻠﺔ ﻣن اﻟﻛﻠﻣﺎت‪.‬‬
‫ﻧظﺎم ﺗرﺟﻣﺔ اﻵﻟﺔ ‪ :Machine translation (MT) system‬ﯾﺗرﺟم اﻟﻧص أو اﻟﻛﻼم ﻣن واﺣدة ﻣن اﻟﻠﻐﺎت اﻟطﺑﯾﻌﯾﺔ إﻟﻰ‬
‫ﻟﻐﺔ أﺧرى‪.‬‬
‫ﻧظﺎم اﺳﺗرﺟﺎع اﻟﻣﻌﻠوﻣﺎت ‪ :Information retrieval (IR) system‬ﯾﺑﺣث ﻋن اﻟﻣﻌﻠوﻣﺎت ﻣن ﻗواﻋد اﻟﺑﯾﺎﻧﺎت ﻣﺛﻼ‬
‫اﻹﻧﺗرﻧت أو اﻟوﯾب أو اﻹﻧﺗراﻧت‪.‬‬
‫رؤﯾﺔ اﻟﺣﺎﺳوب ‪Computer Vision‬‬ ‫‪(٤‬‬
‫ﻫﻲ ﺧﻠﯾط ﻣن اﻟﻣﻔﺎﻫﯾم‪ ،‬واﻟﺗﻘﻧﯾﺎت واﻷﻓﻛﺎر ﻣن ﻣﺟﺎﻻت‪ :‬ﻣﻌﺎﻟﺟﺔ اﻟﺻور اﻟرﻗﻣﯾﺔ ‪ ،Digital Image Processing‬و اﻟﺗﻌرف‬
‫ﻋﻠﻰ اﻷﻧﻣﺎط ‪ ،Pattern Recognition‬واﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ‪ ،‬واﻟرﺳم ﺑﺎﻟﺣﺎﺳوب ‪.Computer Graphics‬‬
‫ﻧﻌﻠم ان اﻟﻌﺎﻟم ﺣوﻟﻧﺎ ﯾﺗﻛون ﻣن ﻛﺎﺋﻧﺎت ﺛﻼﺛﯾﺔ اﻟﺑﻌد ‪ ،3-D objects‬ﻟﻛن اﻟﻣدﺧﻼت إﻟﻰ اﻟﻌﯾن اﻟﺑﺷرﯾﺔ واﻟﻛﺎﻣﯾرات اﻟﺣﺎﺳوﺑﯾﺔ‬
‫ﻫﻲ ﺛﻧﺎﺋﯾﺔ اﻷﺑﻌﺎد ‪. 2-D‬‬
‫ﺑﻌض اﻟﺑراﻣﺞ اﻟﻣﻔﯾدة ﺗﻌﻣل ﺑﺷﻛل ﻣﺟرد ﻣﻊ ﺑﻌدﯾن ‪ ،2-D‬ﻟﻛن اﻟرؤﯾﺔ اﻟﻛﻠﯾﺔ ﻟﻠﺣﺎﺳوب ﺗﺗطﻠب ﻣﻌﻠوﻣﺎت ﺟزﺋﯾﺔ ﺛﻼﺛﯾﺔ اﻟﺑﻌد‪،‬‬
‫اﻟﺗﻲ ﻟﯾﺳت ﻓﻘط ﻣﺟﻣوﻋﺔ ﻣﺷﺎﻫد ﺛﻧﺎﺋﯾﺔ اﻟﺑﻌد‪.‬‬
‫ﻓﻲ اﻟوﻗت اﻟﺣﺎﺿر ﺗوﺟد ﻓﻘط طرق ﻣﺣدودة ﻟﺗﻣﺛﯾل اﻟﻣﻌﻠوﻣﺎت ﺛﻼﺛﯾﺔ اﻟﺑﻌد ﻣﺑﺎﺷرة‪ ،‬وﻫﻲ ﻟﯾﺳت ﺟﯾدة ﻛﻣﺎ ﻫو اﻟﺣﺎل ﻣﻊ‬
‫اﻻﺳﺗﺧدام اﻟواﺿﺢ ﻟﻺﻧﺳﺎن‪.‬‬
‫أﻣﺛﻠﺔ ‪: Examples‬‬
‫‪ -‬اﻟﺗﻌرف ﻋﻠﻰ اﻟوﺟﻪ ‪ :Face recognition‬ﺗﻬﺗم اﻟﺑﻧوك ﺑﺎﺳﺗﺧدام ﻫذﻩ اﻟﺑراﻣﺞ‪.‬‬
‫‪ -‬اﻟﻘﯾﺎدة اﻟﻣﺳﺗﻘﻠﺔ ‪:Autonomous driving‬‬
‫ﻧظﺎم ‪ ALVINN‬ﯾﻘود ﻋرﺑﺔ اﻟﻔﺎن ‪ van‬ﻣن واﺷﻧطن إﻟﻰ ﺳﺎن دﯾﺟو‪ ،‬ﺑﻣﻌدل ‪ ٦٣‬م‪/‬س ﺑﺎﻟﯾوم واﻟﻠﯾﻠﺔ‪ ،‬وﻓﻲ ﻛل اﻟظروف‬
‫اﻟﻣﻧﺎﺧﯾﺔ‪.‬‬
‫‪ -‬اﺳﺗﺧداﻣﺎت أﺧرى‪ :‬اﻟﺗﻌرف ﻋﻠﻰ ﻛﺗﺎﺑﺔ اﻟﯾد ‪ ،Handwriting‬ﻓﺣص اﻷﻣﺗﻌﺔ ‪ ،Baggage inspection‬اﻟﻔﺣص‬
‫اﻟﻣﺻﻧﻌﻲ ‪ ،Manufacturing inspection‬ﺗﻔﺳﯾر وﻓﻬم اﻟﺻور ‪.Photo interpretation‬‬
‫اﻟﻧظم اﻟﺧﺑﯾرة ‪Expert Systems‬‬ ‫‪(٥‬‬
‫ﻫﻲ ﻧظم ﺗﻬﺗم ﺑﺎﻹﻣﺳﺎك ﺑﺎﻟﺧﺑرات اﻟﺑﺷرﯾﺔ ﺑﺷﻛل ﻣﺟﻣوﻋﺔ ﻣن اﻟﻘواﻧﯾن‪ ،‬ﻫذﻩ اﻟﻘواﻧﯾن ﺗﺗﯾﺢ ﻟﻠﻧظﺎم ﺗﺷﺧﯾص اﻟﺣﺎﻻت ﺑدون‬
‫ﺣﺿور اﻟﺧﺑﯾر اﻟﺑﺷري ﻓﻲ ﻧﻔس اﻟوﻗت‪.‬‬
‫ﻧظﺎم اﻟرﺟل‪-‬اﻵﻟﺔ ‪ Man-machine system‬ﻣﻊ اﻟﺧﺑرات اﻟﻣﺗﺧﺻﺻﺔ ﻟﺣل اﻟﻣﺳﺎﺋل‪ ،‬ﻓﺎﻟﺧﺑرة ﺗﺷﻣل اﻟﻣﻌرﻓﺔ ﻋن ﻣﯾدان‬
‫ﻣﻌرﻓﻲ ﻣﻌﯾن‪ ،‬وﻓﻬم اﻟﻣﺳﺎﺋل ﻣن ﺧﻼل اﻟﻣﯾدان‪ ،‬وﻣﻬﺎرة ﺣل ﺑﻌض ﻫذﻩ اﻟﻣﺳﺎﺋل‪.‬‬
‫___________‬
‫‪99 - ٣٠‬‬
‫ﻗﺎﻋدة اﻟﻣﻌرﻓﺔ ‪Knowledge base‬‬

‫ﯾﻘوم ﻣﻬﻧدس اﻟﻣﻌرﻓﺔ ﺑﻣﻘﺎﺑﻠﺔ اﻟﺧﺑراء ﻓﻲ ﻣﯾدان ﻣﺣدد‪ ،‬وﯾﺣﺎول ﺟﻣﻊ وﺗﺟﺳﯾد ‪ embody‬ﻣﺎ ﯾﻌرﻓوﻧﻪ ﻓﻲ ﺑرﻧﺎﻣﺞ ﺣﺎﺳوﺑﻲ‪ ،‬ﻣن‬
‫أﺟل إﺟراء ﺑﻌض اﻟﻣﻬﺎم‪.‬‬
‫ﻧظﺎم ‪ MYCIN‬ﻓﻲ اﻟﻌﺎم ‪١٩٧٤‬م ﻛﺎن أول اﻟﻧظم اﻟﺧﺑﯾرة‪ ،‬وﻛﺎن ﯾﻘوم ﺑﺗﺷﺧﯾص اﻟﻌدوى اﻟﺑﻛﺗﯾرﯾﺔ ﻓﻲ اﻟدم واﻗﺗراح اﻷدوﯾﺔ‪.‬‬
‫اﻟﻧظم اﻟﺧﺑﯾرة ﺗﻌﺗﻣد ﻋﻠﻰ اﻟﻣﻌرﻓﺔ ﻟﻠﺧﺑراء اﻹﻧﺳﺎﻧﯾﯾن‪ ،‬ﻣﺛﻼ‪:‬‬
‫اﻟﺗﺷﺧﯾص ٕواﺻﻼح اﻟﺧﻠل ‪ :Diagnosis and Troubleshooting‬ﯾﺳﺗﻧﺗﺞ اﻷﺧطﺎء وﯾﻘﺗرح اﻟﺗﺻﺣﯾﺢ ﻟﻠﻌﻣﻠﯾﺎت أو اﻷﺟﻬزة‬
‫اﻟﻣﻌطﻠﺔ‪.‬‬
‫اﻟﺟدوﻟﺔ واﻟﺗﺧطﯾط ‪ :Planning and Scheduling‬ﯾﺣﻠل ﻣﺟﻣوﻋﺔ ﻣن اﻷﻫداف ﻟﺗﺣدﯾد وﺗﻧظﯾم ﻣﺟﻣوﻋﺔ ﻣن اﻷﻓﻌﺎل‬
‫واﻟظروف اﻟﻣﺄﺧوذة ﻓﻲ اﻟﺣﺳﺑﺎن‪ ،‬ﻣﺛﻼ ﺟدوﻟﺔ اﻟﺧطوط اﻟﺟوﯾﺔ واﻟطﯾران‪.‬‬
‫ﺻﻧﺎﻋﺔ اﻟﻘرارات اﻟﻣﺎﻟﯾﺔ ‪ :Financial Decision Making‬ﺑراﻣﺞ ﻧﺻﺎﺋﺢ ﺗﺳﺎﻋد اﻟﺑﻧوك ﻓﻲ اﻟﻘروض وﺗﺄﻣﯾﻧﺎت اﻟﺷرﻛﺎت‪،‬‬
‫ﻟﻠﺗﻌرف ﻋﻠﻰ اﻟﻣﺧﺎطر اﻟﻣﺗﻌﻠﻘﺔ ﺑﺎﻟزﺑون‪.‬‬
‫اﻟﺗﺣﻛم وﻣراﻗﺑﺔ اﻟﻌﻣﻠﯾﺎت ‪ : Process Monitoring and Control‬ﺗﺣﻠﯾل اﻟﺑﯾﺎﻧﺎت ﻓﻲ وﻗﺗﻬﺎ‪ ،‬وﻣﻼﺣظﺔ اﻻﺧﺗﻼﻻت‪،‬‬
‫واﻟﺗوﺟﻬﺎت اﻟﻣﺗوﻗﻌﺔ‪ ،‬واﻟﺗﺣﻛم ﺑﻛﻔﺎءة وأداء ﺗﺻﺣﯾﺢ اﻷﺧطﺎء‪.‬‬
‫___________‬
99 - ٣١
References ‫ﺍﳌﺮﺍﺟﻊ‬
:‫ﻫذا اﻟﻛﺗﯾب ﻫو ﺗرﺟﻣﺔ ﻣﺗﺧﺻﺻﺔ ﻟﻠﻔﺻل اﻷول ﻣن ﻣواﺿﯾﻊ اﻟﻣوﻗﻊ اﻟﻣﺗﺧﺻص ﻓﻲ ﻋﻠوم اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ﻋﻠﻰ اﻟراﺑط‬
:‫ اﻟﺗﺎﻟﯾﺔ‬Textbooks ‫وﻛﺎﻧت ﻣراﺟﻌﻪ ﻫﻲ اﻟﻛﺗب اﻟﻧﺻﯾﺔ‬
1. "Artificial Intelligence", by Elaine Rich and Kevin Knight, (2006), McGraw Hill companies
Inc., Chapter 1-22, page 1-613.
2. "Artificial Intelligence: A Modern Approach" by Stuart Russell and Peter Norvig, (2002),
Prentice Hall, Chapter 1-27, page 1-1057.
3. "Computational Intelligence: A Logical Approach", by David Poole, Alan Mackworth, and
Randy Goebel, (1998), Oxford University Press, Chapter 1-12, page 1-608.
4. "Artificial Intelligence: Structures and Strategies for Complex Problem Solving", by
George F. Luger, (2002), Addison-Wesley, Chapter 1- 16, page 1-743.
5. "AI: A New Synthesis", by Nils J. Nilsson, (1998), Morgan Kaufmann Inc., Chapter
1-25, Page 1-493.
6. "Artificial Intelligence: Theory and Practice", by Thomas Dean, (1994), Addison-Wesley,
Chapter 1-10, Page 1-650.
7. Related documents from open source, mainly internet. An exhaustive list is being prepared
for inclusion at a later date.
___________
99 - ٣٢
:‫ﻣﻠﺣق‬
.‫ اﻟﻘﺳم اﻟﺧﺎص ﺑﺎﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‬www.myreaders.info ‫ﻋﻧﺎوﯾن ﺑﺎﻗﻲ اﻟﻔﺻول اﻟﺗﻲ ﯾﺗﻛون ﻣﻧﻬﺎ ﻣوﻗﻊ‬
Course Content ‫ﻣﺣﺗوى اﻟﻣﻘرر‬
: Introduction to AI ‫ دﺧل إﻟﻰ اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‬01
Definitions, Goals of AI, AI Approaches, AI Techniques, Branches of AI, Applications of AI.
:Problem Solving, Search and Control Strategies‫ ﺣل اﻟﻣﺳﺎﺋل واﻟﺑﺣث واﺳﺗراﺗﯾﺟﯾﺎت اﻟﺗﺣﻛم‬02
General problem solving, Search and control strategies, Exhaustive searches, Heuristic search
techniques, Constraint satisfaction problems (CSPs) and models .
Knowledge Representations Issues, Predicate ‫ واﻟﻣﻧطق اﻟﺧﺑري واﻟﻘواﻧﯾن‬،‫ ﻣواﺿﯾﻊ ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ‬03
:Logic, Rules
Knowledge representation, KR using predicate logic, KR using rules.
: Reasoning System - Symbolic , Statistical ‫ ﻧظﺎم اﻟﺗﻔﺳﯾر واﻟﺗرﻣﯾز واﻹﺣﺻﺎء‬04
Reasoning - Over view, Symbolic reasoning, Statistical reasoning.
: Game Playing ‫ ﺗﺷﻐﯾل اﻟﻠﻌﺑﺔ‬05
Overview, Mini-Max search procedure, Game playing with Mini-Max, Alpha-Beta pruning.
: Learning Systems ‫ ﻧظم اﻟﺗﻌﻠم‬06
Rote learning, Learning from example : Induction, Explanation Based Learning (EBL),
Discovery, Clustering, Analogy, Neural net and genetic learning, Reinforcement learning.
: Expert Systems ‫ اﻟﻧظم اﻟﺧﺑﯾرة‬07
Knowledge acquisition, Knowledge base, Working memory, Inference engine, Expert system
shells, Explanation, Application of expert systems.
:Fundamentals of Neural Networks ‫ أﺻول اﻟﺷﺑﻛﺎت اﻟﻌﺻﺑﯾﺔ‬08
Research history, Model of artificial neuron, Neural networks architectures, Learning methods
in neural networks, Single-layer neural network system, Applications of neural networks.
: Fundamentals of Genetic Algorithms ‫ أﺻول اﻟﺧوارزﻣﯾﺎت اﻟﺟﯾﻧﯾﺔ‬09
Search optimization algorithm, Evolutionary algorithm, Encoding, Operators of genetic
algorithm, Basic genetic algorithm.
:Natural Language Processing ‫ ﻣﻌﺎﻟﺟﺔ اﻟﻠﻐﺎت اﻟطﺑﯾﻌﯾﺔ‬10
Introduction, Syntactic processing , Semantic and Pragmatic analysis.
: Common Sense ‫اﻟﻣﺷﺗرك‬/‫ اﻟﺣس اﻟﻌﺎم‬11
Introduction, Formalization of common sense reasoning, Physical world, Common sense
ontologies, Memory organization.
___________
99 - ٣٣
-٢-
‫ﻣدﺧل ﻣﺑﺳط ﻓﻲ أﻫم ﻣواﺿﯾﻊ ﻋﻠم اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‬
‫ﺣﻞ ﺍﳌﺴﺎﺋﻞ ﻭﺍﻟﺒﺤﺚ ﻭﺍﺳﱰﺍﺗﻴﺠﻴﺎﺕ ﺍﻟﺘﺤﻜﻢ‬

Problem Solving Search and Control Strategies
:‫اﻟﻣﺣﺗوى‬
General Problem Solving ‫ ﺣل اﻟﻣﺳﺎﺋل‬
Search and Control Strategies ‫ اﻟﺑﺣث واﺳﺗراﺗﯾﺟﯾﺎت اﻟﺗﺣﻛم‬
(‫ )ﻏﯾر اﻟﻣوﺟﮫ‬Exhaustive Searches ‫ اﻟﺑﺣث اﻟﺷﺎﻣل‬
Heuristic Search Techniques ‫ ﺗﻘﻧﯾﺎت اﻟﺑﺣث اﻟﻣوﺟﮫ‬
Constraint Satisfaction Problems (CSPs) and Models ‫ ﻣﺳﺎﺋل وﻧﻣﺎذج ﻗﯾود اﻟرﺿﺎ‬

___________
‫‪99 - ٣٤‬‬
‫ﻋﻧﺎوﯾن ﺳرﯾﻌﺔ‬
‫ﺣل اﻟﻣﺳﺎﺋل ‪: General Problem Solving‬‬
‫ﺗﻌرﯾﻔﺎت‪ ،‬ﻓﺿﺎء اﻟﻣﺳﺄﻟﺔ‪ ،‬ﺣل اﻟﻣﺳﺄﻟﺔ‪ ،‬ﻓﺿﺎء اﻟﺣﺎﻟﺔ‪ ،‬ﺗﻐﯾﯾر اﻟﺣﺎﻟﺔ‪ ،‬ﺗرﻛﯾب ﻓﺿﺎء اﻟﺣﺎﻟﺔ‪ ،‬ﺟواب اﻟﻣﺳﺄﻟﺔ‪ ،‬وﺻف اﻟﻣﺳﺄﻟﺔ‪،‬‬
‫أﻣﺛﻠﺔ ﺗﻌرﯾف اﻟﻣﺳﺄﻟﺔ‪.‬‬
‫اﻟﺑﺣث واﺳﺗراﺗﯾﺟﯾﺎت اﻟﺗﺣﻛم ‪: Search and Control Strategies‬‬
‫ﻣﺻطﻠﺣﺎت ﻣﺗﻌﻠﻘﺔ ‪ ،‬أداء اﻟﺧوارزﻣﯾﺎت وﺗﻌﻘﯾدﻫﺎ‪ ،‬ﺗﻌﻘﯾد اﻟﺣوﺳﺑﺔ‪ ،‬رﻣوز ”‪ ،“Big - o‬ﺗرﻛﯾب اﻟﺷﺟرة‪ ،‬اﻟﻣﻛدﺳﺎت واﻟطواﺑﯾر‪،‬‬
‫ﺧوارزﻣﯾﺎت اﻟﺑﺣث‪ ،‬اﻟﺗﻣﺛﯾل اﻟﻬرﻣﻲ‪ ،‬ﻓﺿﺎء اﻟﺑﺣث‪ ،‬اﻟﻌﺑﺎرات اﻟرﺳﻣﯾﺔ‪ ،‬رﻣوز اﻟﺑﺣث‪ ،‬ﺗﻘدﯾر اﻟﻛﻠﻔﺔ وداﻟﺔ اﻟﺣدس‪ ،‬اﺳﺗراﺗﯾﺟﯾﺎت‬
‫اﻟﺗﺣﻛم‪ ،‬إﺳﺗراﺗﯾﺟﯾﺔ اﻟﺑﺣث‪ ،‬اﻟﺳﻠﺳﻠﺔ اﻷﻣﺎﻣﯾﺔ واﻟﺧﻠﻔﯾﺔ‪.‬‬
‫اﻟﺑﺣث اﻟﺷﺎﻣل ‪) Exhaustive Searches‬ﻏﯾر اﻟﻣوﺟﻪ(‬
‫ﺧوارزﻣﯾﺔ اﻟﺑﺣث اﻟرأﺳﻲ‪ ،‬ﺧوارزﻣﯾﺔ اﻟﺑﺣث اﻷﻓﻘﻲ‪ ،‬ﻣﻘﺎرﻧﺔ ﺑﯾن اﻟﺧوارزﻣﯾﺗﯾن‪.‬‬
‫ﺗﻘﻧﯾﺎت اﻟﺑﺣث اﻟﻣوﺟﻪ ‪Heuristic Search Techniques‬‬
‫ﺧﺻﺎﺋص اﻟﺑﺣث اﻟﻣوﺟﻪ‪ ،‬ﻣﻘﺎرﻧﺔ اﻟﺑﺣث اﻟﻣوﺟﻪ ﺑﺎﻟطرق اﻷﺧرى ﻟﻠﺑﺣث‪ ،‬ﻣﺛﺎل ﻋﻠﻰ اﻟﺑﺣث اﻟﻣوﺟﻪ‪ ،‬أﻧواع ﺧوارزﻣﯾﺎت اﻟﺑﺣث‬
‫اﻟﻣوﺟﻪ‪.‬‬
‫ﻣﺳﺎﺋل وﻧﻣﺎذج ﻗﯾود اﻟرﺿﺎ ‪Constraint Satisfaction Problems (CSPs) and Models‬‬
‫أﻣﺛﻠﺔ ﻋن اﻟـ )‪ ،(CSPs‬ﻧﻣﺎذج ﻓﯾود اﻟرﺿﺎ‪ ،‬اﻹﻧﺗﺎج واﻻﺧﺗﺑﺎر‪ ،‬ﺧوارزﻣﯾﺔ اﻟﺗﺗﺑﻊ اﻟﻌﻛﺳﻲ‪ ،‬ﺗﻌرﯾف ﻣﺳﺎﺋل ﻗﯾود اﻟرﺿﺎ‪،‬‬
‫ﺧوارزﻣﯾﺎت وﺧﺻﺎﺋص‪.‬‬
‫___________‬
‫‪99 - ٣٥‬‬
‫ﻣﺎ ﺍﳌﻘﺼﻮﺩ ﲝﻞ ﺍﳌﺴﺎﺋﻞ ﻭﺍﻟﺒﺤﺚ ﻭﺍﺳﱰﺍﺗﻴﺠﻴﺎﺕ ﺍﻟﺘﺤﻜﻢ؟‬

‫ﺣل اﻟﻣﺳﺎﺋل ﻫو ﻋﻧﺻر أﺳﺎﺳﻲ ﻟﻛﺛﯾر ﻣن ﺗطﺑﯾﻘﺎت اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‪ ،‬وﻫﻧﺎك ﻧوﻋﯾن ﻣن اﻟﻣﺳﺎﺋل‪ ،‬أوﻟﻬﺎ ﻫو ﻣﺎ ﯾﻣﻛن ان‬
‫ﯾﻛون ﻣﺳﺄﻟﺔ أو ﺷﺑﯾﻪ اﻟﻣﺳﺄﻟﺔ )‪ ،(Problems like‬ﻛﺣﺳﺎب ﺟﯾب اﻟزاوﯾﺔ أو اﻟﺟذر اﻟﺗرﺑﯾﻌﻲ ﻟﻘﯾﻣﺔ‪ ،‬وﻫذﻩ اﻟﻣﺳﺎﺋل ﺗﺣل‬
‫ﺑﺎﺳﺗﺧدام إﺟراءات ﻗطﻌﯾﺔ وﻧﺟﺎﺣﻬﺎ ﻣﺿﻣون‪ ،‬وﺛﺎﻧﯾﻬﺎ ﻫو ﻣﺳﺎﺋل اﻟﻌﺎﻟم اﻟواﻗﻌﻲ‪ ،‬ﺣﯾث أن ﻋدد ﻗﻠﯾل ﻣن ﻫذﻩ اﻟﻣﺳﺎﺋل ﻟﻪ ﺣﻠول‬
‫واﺿﺣﺔ‪.‬‬
‫وأﻏﻠب ﻣﺳﺎﺋل اﻟﻌﺎﻟم اﻟواﻗﻌﻲ ﯾﻣﻛن أن ﺗﺣل ﺑﺄﺳﻠوب اﻟﺑﺣث ﻋن اﻟﺣل اﻟﻣﻧﺎﺳب‪ ،‬وﻫذا ﻫو ﻧوع اﻟﻣﺳﺎﺋل اﻟذي ﯾﻬﺗم ﺑﻬﺎ اﻟذﻛﺎء‬
‫اﻻﺻطﻧﺎﻋﻲ‪.‬‬
‫وﺣل اﻟﻣﺳﺎﺋل ‪ Problem solving‬ﻫو ﺧطوات إﻧﺗﺎج اﻟﺣﻠول ﻣن ﺑﯾﺎﻧﺎت ﻣﺷﺎﻫدة‪ ،‬و ﺗﺗﻣﯾز اﻟﻣﺳﺄﻟﺔ ‪ a problem‬ﺑﻣﺟﻣوﻋﺔ‬
‫ﻣن اﻷﻫداف ‪ ،goals‬وﻣﺟﻣوﻋﺔ ﻣن اﻟﻛﺎﺋﻧﺎت ‪ ، objects‬وﻣﺟﻣوﻋﺔ ﻣن اﻟﻌﻣﻠﯾﺎت ‪. operations‬‬
‫وﻫذا ﻗد ﯾﻛون ﺗﻌرﯾف ﻏﯾر واﺿﺢ‪ ،‬وﯾﺗم ﺗطوﯾرﻩ ﺧﻼل ﺣل اﻟﻣﺳﺄﻟﺔ‪.‬‬
‫ﻓﺿﺎء اﻟﻣﺳﺄﻟﺔ ‪ :Problem space‬ﻫو ﻓﺿﺎء ﻣﺟرد ‪ ،abstract space‬ﺣﯾث ﯾﺷﻣل ﺟﻣﯾﻊ اﻟﺣﺎﻻت اﻟﺻﺣﯾﺣﺔ ‪valid‬‬
‫‪ ،states‬اﻟﺗﻲ ﯾﻣﻛن أن إﻧﺗﺎﺟﻬﺎ ﺑواﺳطﺔ اﻟﺗطﺑﯾق ﻷي ﻣﺟﻣوﻋﺔ ﻣن اﻟﻌﻣﻠﯾﺎت ﻋﻠﻰ أي ﻣﺟﻣوﻋﺔ ﻣن اﻟﻛﺎﺋﻧﺎت‪.‬‬
‫وﻓﺿﺎء اﻟﻣﺳﺄﻟﺔ ﯾﻣﻛن أن ﯾﺣﺗوي ﻋﻠﻰ ﺣل واﺣد أو ﻋدة ﺣﻠول‪.‬‬
‫اﻟﺣل ‪ Solution‬ﻫو ﻣﺟﻣوﻋﺔ ﻣن اﻟﻌﻣﻠﯾﺎت واﻟﻛﺎﺋﻧﺎت اﻟﺗﻲ ﺗﺣﻘق اﻷﻫداف‪.‬‬
‫واﻟﺑﺣث ‪ Search‬ﯾﻘﺻد ﺑﻪ اﻟﺑﺣث ﻋن اﻟﺣل ‪ Solution‬ﻓﻲ ﻓﺿﺎء اﻟﻣﺳﺄﻟﺔ ‪ ،problem space‬وﯾﺑدأ اﻟﺑﺣث ﺑﺄﻧواع ﻣﺧﺗﻠﻔﺔ‬
‫ﻣن اﺳﺗراﺗﯾﺟﯾﺎت اﻟﺗﺣﻛم ﺑﺎﻟﺑﺣث ‪.search control strategies‬‬
‫وﻛﻼ ﻣن اﻟﺑﺣث اﻟرأﺳﻲ ‪ depth-first search‬و اﻟﺑﺣث اﻷﻓﻘﻲ ‪ breadth-first search‬ﻫﻣﺎ اﻹﺳﺗراﺗﯾﺟﯾﺗﺎن اﻟﻌﺎﻣﺗﺎن‬
‫ﻻﺳﺗراﺗﯾﺟﯾﺎت اﻟﺑﺣث‪.‬‬
‫___________‬
‫‪99 - ٣٦‬‬
‫‪ (١‬ﺣﻞ ﺍﳌﺴﺎﺋﻞ ‪General Problem solving‬‬

‫ﯾﻌﺗﺑر ﻣﺟﺎل ﺣل اﻟﻣﺳﺎﺋل ﻫو اﻟﻣﺟﺎل اﻟرﺋﯾﺳﻲ ﻋﻧد دراﺳﺔ اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‪ .‬وﻛﻣﺎ ذﻛرﻧﺎ ﺳﺎﺑﻘﺎ ﻓﺣل اﻟﻣﺳﺎﺋل ﻫو إﻧﺗﺎج‬
‫اﻟﺣﻠول ﻣن ﺑﯾﺎﻧﺎت ﺗم اﻟﺣﺻول ﻋﻠﯾﻬﺎ )ﻣﺷﺎﻫدة( ‪ observed‬أو ﺑﯾﺎﻧﺎت ﻣﻌطﺎة ‪ given data‬ﺳﺎﺑﻘﺎ‪ ،‬وﻣﻊ ﻫذا ﻓﻠﯾس ﻣن‬
‫اﻟﻣﻣﻛن داﺋﻣﺎ اﺳﺗﺧدام اﻟ طرق اﻟﻣﺑﺎﺷرة‪ ،‬ﺑﺎﻟذﻫﺎب ﻣﺑﺎﺷرة ﻣن اﻟﺑﯾﺎﻧﺎت إﻟﻰ اﻟﺣل‪ ،‬وﺑدﻻ ﻣن ذﻟك‪ ،‬ﻓﺣل اﻟﻣﺳﺎﺋل ﯾﺣﺗﺎج إﻟﻰ‬
‫اﺳﺗﺧدام اﻟطرق ﻏﯾر اﻟﻣﺑﺎﺷرة أو اﻟطرق اﻟﻣﻌﺗﻣدة ﻋﻠﻰ ﻧﻣوذج ‪.model-based methods‬‬
‫ﺑرﻧﺎﻣﺞ ﺣل اﻟﻣﺳﺎﺋل اﻟﻌﺎم )‪ General Problem Solver (GPS‬ﻫو ﺑرﻧﺎﻣﺞ ﺗم إﻧﺷﺎؤﻩ ﻓﻲ ‪١٩٥٧‬م ﻋن طرﯾق ‪Simon‬‬
‫‪ ،and Newell‬ﻟﺑﻧﺎء اﻵﻟﺔ اﻟﺷﺎﻣﻠﺔ ﺣل اﻟﻣﺳﺎﺋل‪ .‬وﻛﺎن ﺑرﻧﺎﻣﺞ )‪ (GPS‬ﯾﻌﺗﻣد ﻋﻠﻰ اﻷﺑﺣﺎث اﻟﻧظرﯾﺔ ﻟﻠﻌﺎﻟﻣﯾن ﺳﯾﻣون وﻧﯾوﺛل‬
‫ﻓﻲ ﻣﻧطق اﻵﻻت ‪ ،logic machines‬وﯾﺳﺗطﯾﻊ ﻫذا اﻟﺑرﻧﺎﻣﺞ أﺳﺎﺳﺎ أن ﯾﺣل أن ﻣﺳﺎﻟﺔ ﻣﺻﺎﻏﺔ رﯾﺎﺿﯾﺎ‪ ،‬ﻣﺛل إﺛﺑﺎت‬
‫اﻟﻧظرﯾﺎت‪ ،‬واﻟﻣﺳﺎﺋل اﻟﻬﻧدﺳﯾﺔ‪ ،‬وﻟﻌب اﻟﺷطرﻧﺞ‪.‬‬
‫وﻗد ﺣل ﺑرﻧﺎﻣﺞ ‪ GPS‬ﻣﺳﺎﺋل ﻛﺛﯾرة ﻣﺛل ﻣﺳﺄﻟﺔ اﺑراج ﻫﺎﻧوي‪ ،‬ﻣن ﺗﻠك اﻟﻣﺳﺎﺋل اﻟﺗﻲ ﯾﻣﻛن ﺻﯾﺎﻏﺗﻬﺎ رﯾﺎﺿﯾﺎ ﺑﻛﻔﺎءة‪ ،‬وﻟﻛن ﻫذا‬
‫اﻟﺑرﻧﺎﻣﺞ ﻟم ﯾﺗﻣﻛن ﻣن ﺣل أﯾﺎ ﻣن ﻣﺳﺎﺋل اﻟﻌﺎﻟم اﻟﺣﻘﯾﻘﻲ ‪.Real-World‬‬
‫وﻟﺑﻧﺎء ﻧظﺎم ﻟﺣل ﻣﺳﺎﺋل ﻣﻌﯾﻧﺔ ﻧﺣﺗﺎج إﻟﻰ‪:‬‬
‫‪ ‬ﺗﻌرﯾف اﻟﻣﺳﺄﻟﺔ ﺑدﻗﺔ‪ ،‬ﺑﺈﯾﺟﺎد ﺣﺎﻻت اﻹدﺧﺎل وﻛذﻟك اﻟﺣﺎﻻت اﻟﻧﻬﺎﺋﯾﺔ ﻟﺣل اﻟﻣﺳﺄﻟﺔ اﻟﻣﻣﻛن ﻗﺑوﻟﻪ‪.‬‬
‫ﺗﺣﻠﯾل اﻟﻣﺳﺄﻟﺔ‪ ،‬ﺑﺈﯾﺟﺎد اﻟﻣﯾزات اﻟﻘﻠﯾﻠﺔ اﻟﻬﺎﻣﺔ اﻟﺗﻲ ﯾﻣﻛن أن ﯾﻛون ﻟﻬﺎ ﺗﺄﺛﯾر ﻋﻠﻰ ﻣﻧﺎﺳﺑﺔ اﻟﺗﻘﻧﯾﺎت اﻟﻣﻣﻛﻧﺔ اﻟﻣﺗﻧوﻋﺔ‬ ‫‪‬‬
‫ﻣن أﺟل ﺣل اﻟﻣﺳﺄﻟﺔ‪.‬‬
‫‪ ‬ﻋزل وﺗﻣﺛﯾل ﻣﻬﺎم اﻟﻣﻌرﻓﺔ اﻟﺿرورﯾﺔ ﻟﺣل اﻟﻣﺳﺄﻟﺔ‪.‬‬
‫‪ ‬اﺧﺗﯾﺎر ﺗﻘﻧﻲ ة‪/‬ــﺎت اﻟﺣل اﻷﻓﺿل وﺗطﺑﯾﻘﻬﺎ ﻋﻠﻰ اﻟﻣﺳﺄﻟﺔ اﻟﻣطﻠوﺑﺔ‪.‬‬
‫ﺗﻌرﯾﻔﺎت اﻟﻣﺳﺄﻟﺔ ‪Problem Definitions‬‬
‫ﯾﺗم ﺗﻌرﯾف اﻟﻣﺳﺄﻟﺔ ﻋن طرﯾق ﻋﻧﺎﺻرﻫﺎ ‪ elements‬وﻋﻼﻗﺎﺗﻬﺎ ‪ ،relations‬وﻹﻋطﺎء ﺗﻌرﯾف ﻣﻧﻬﺟﻲ‪ ،‬ﻧﺣﺗﺎج إﻟﻰ اﻟﺗﺎﻟﻲ‪:‬‬
‫‪ .١‬ﺗﻌرﯾف ﻓﺿﺎء اﻟﺣﺎﻻت ‪ state space‬اﻟذي ﯾﺷﻣل ﺟﻣﯾﻊ اﻷوﺿﺎع ‪ configurations‬اﻟﻣﻣﻛﻧﺔ ﻟﻛﺎﺋﻧﺎت اﻟﻣﺳﺄﻟﺔ‪ ،‬ﺑﻣﺎ‬
‫ﻓﻲ ذﻟك اﻷوﺿﺎع اﻟﻣﺳﺗﺣﯾﻠﺔ‪.‬‬
‫‪ .٢‬ﺗﺣدﯾد ﺗﻠك اﻟﺣﺎﻟﺔ أو اﻟﺣﺎﻻت‪ ،‬اﻟﺗﻲ ﺗﺻف اﻟﺣﺎﻻت اﻟﻣﻣﻛﻧﺔ‪ ،‬اﻟﺗﻲ ﯾﻣﻛن أن ﯾﺑدأ ﺣل اﻟﻣﺳﺄﻟﺔ اﻟﻣﻣﻛﻧﺔ‪ ،‬ﻫذﻩ اﻟﺣﺎﻻت‬
‫ﺗﺳﻣﻰ اﻟﺣﺎﻻت اﻻﺑﺗداﺋﯾﺔ ‪.initial states‬‬
‫‪ .٣‬ﺗﺣدﯾد اﻟﺣﺎﻟﺔ أو اﻟﺣﺎﻻت اﻟﺗﻲ رﺑﻣﺎ ﺗﻛون ﺣﻠول ﻣﻘﺑوﻟﺔ ﻟﻠﻣﺳﺄﻟﺔ‪ ،‬ﻫذﻩ اﻟﺣﺎﻻت ﺗﺳﻣﻰ ﺑﺎﻟﺣﺎﻻت اﻟﻬدف ‪.goal states‬‬
‫‪ .٤‬ﺗﺣدﯾد ﻣﺟﻣوﻋﺔ اﻟﻘواﻧﯾن اﻟﺗﻲ ﺗﺻف اﻷﻓﻌﺎل )اﻷﺷﻐﺎل( اﻟﻣﺗﺎﺣﺔ‪.‬‬
‫ﯾﻣﻛن ﻟﻠﻣﺳﺄﻟﺔ ﻣن ﺛم أن ﺗﺣل ﺑواﺳطﺔ اﺳﺗﺧدام اﻟﻘواﻧﯾن‪ ،‬ﻛﺗوﻟﯾﻔﺔ ﻣﻊ اﺳﺗراﺗﯾﺟﯾﺎت اﻟﺗﺣﻛم اﻟﻣﻧﺎﺳﺑﺔ‪ ،‬اﻟﺗﻲ ﻧﺗﻧﻘل وﻓﻘﻬﺎ ﻋﺑر ﻓﺿﺎء‬
‫اﻟﻣﺳﺄﻟﺔ ﺣﺗﻰ ﯾﺗم إﯾﺟﺎد اﻟﻣﺳﺎر ﻣن اﻟﺣﺎﻟﺔ اﻻﺑﺗداﺋﯾﺔ إﻟﻰ اﻟﺣﺎﻟﺔ اﻟﻬدف‪.‬‬
‫ﻫذﻩ اﻟﻌﻣﻠﯾﺔ ﺗﻌرف ﺑـ اﻟﺑﺣث ‪ ،search‬واﻟﺑﺣث ﺟزء أﺳﺎﺳﻲ ﻓﻲ ﻋﻣﻠﯾﺎت ﺣل اﻟﻣﺳﺎﺋل‪ ،‬وﯾﻌﺗﺑر اﻵﻟﯾﺔ اﻟﻌﺎﻣﺔ اﻟﺗﻲ ﺗﺳﺗﺧدم ﻣﺗﻰ‬
‫ﻛﺎﻧت اﻟطرق اﻟﻣﺑﺎﺷرة ﻏﯾر ﻣﻌروﻓﺔ‪ ،‬وأﺧﯾرا ‪ ..‬ﯾﻘدم اﻟﺑﺣث إطﺎر اﻟﻌﻣل ‪ framework‬اﻟذي ﯾﺑﺳط ﻋﻣﻠﯾﺔ دﻣﺞ اﻟطرق اﻟﻣﺑﺎﺷرة‬
‫ﻟﺣل أﺟزاء ﻣن اﻟﻣﺳﺄﻟﺔ ﻓﯾﻪ‪.‬‬
‫وﯾﺗم ﺻﯾﺎﻏﺔ ﻋدد ﻛﺑﯾر ﻣن ﻣﺳﺎﺋل اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ﻛﻣﺳﺎﺋل ﺑﺣث‪.‬‬
‫___________‬
‫‪99 - ٣٧‬‬
‫‪ (٢‬ﺍﻟﺒﺤﺚ ﻭﺍﺳﱰﺍﺗﻴﺠﻴﺎﺕ ﺍﻟﺘﺤﻜﻢ ‪Search and Control Strategies‬‬

‫ﺗﻌود اﻟﻛﻠﻣﺔ )ﺑﺣث( إﻟﻰ اﻟﺑﺣث ﻋن ﺣﻠول ﻓﻲ ﻓﺿﺎء اﻟﻣﺳﺄﻟﺔ‪ ،‬ﯾﺳﯾر اﻟﺑﺣث ﻣﺧﺗﻠف أﻧواع اﺳﺗراﺗﯾﺟﯾﺎت اﻟﺗﺣﻛم ﺑﺎﻟﺑﺣث‪ ،‬وﺗﻌرف‬
‫اﻹﺳﺗراﺗﯾﺟﯾﺔ ﺑواﺳطﺔ ﺑﺄﺧذ اﻟﺗرﺗﯾب اﻟذي ﯾﺗم ﻓﯾﻪ اﻟوﺻول إﻟﻰ اﻟﻧﻘطﺔ ﻓﻲ ﻓﺿﺎء اﻟﻣﺳﺄﻟﺔ‪.‬‬
‫وﺗﻘﯾم اﺳﺗراﺗﯾﺟﯾﺎت اﻟﺑﺣث ﻓﻲ اﻷﺑﻌﺎد اﻟﺗﺎﻟﯾﺔ‪:‬‬
‫اﻟﺗﻣﺎم ‪ Completeness‬وﺗﻌﻘﯾد اﻟوﻗت )اﻟﻛﻠﻔﺔ اﻟزﻣﻧﯾﺔ( ‪ Time complexity‬وﺗﻌﻘﯾد ﻓﺿﺎء اﻟﻣﺳﺄﻟﺔ ‪Space complexity‬‬
‫وأﻣﺛﻠﯾﺔ اﻟﺣل ‪.Optimality‬‬
‫ﻓﯾﻣﺎ ﯾﻠﻲ ﺳﻧوﺿﺢ ﺑﻌض ﻣﺻطﻠﺣﺎت اﻟﺑﺣث اﻟﻣﻬﻣﺔ‪ ،‬وﻣن ﺛم ﻧﺷرح ﺧوارزﻣﯾﺎت اﻟﺑﺣث واﺳﺗراﺗﯾﺟﯾﺎﺗﻪ‪.‬‬
‫‪ .١‬اﻟﺑﺣث وﻣﺻطﻠﺣﺎت ﻣﺗﻌﻠﻘﺔ ‪Search related terms‬‬
‫‪++++++++++++++++++++++‬‬
‫‪……………………..‬‬
‫‪……………………..‬‬
‫‪……………………..‬‬
‫‪++++++++++++++++++++++++‬‬
‫‪ .٢‬اﻟﺑﺣث ‪Search‬‬
‫اﻟﺑﺣث ﻫو اﺧﺗﺑﺎر ﻧظﺎﻣﻲ ﻟﻣﺟﻣوﻋﺔ ﺣﺎﻻت ﻣن أﺟل ﻣﻌرﻓﺔ اﻟﻣﺳﺎر ﻣن اﻟﺣﺎﻟﺔ اﻻﺑﺗداﺋﯾﺔ‪/‬اﻟﺟذر ‪ start/root‬إﻟﻰ اﻟﺣﺎﻟﺔ اﻟﻬدف‪.‬‬
‫اﻟﺑﺣث ﻋﺎدة ﯾﻧﺗﺞ ﻣن ﻧﻘص اﻟﻣﻌرﻓﺔ ‪ ،lack of knowledge‬وﯾﻛﺗﺷف اﻟﺑﺣث اﻟﺑداﺋل اﻟﻣﻌرﻓﯾﺔ ﻟﻠوﺻول إﻟﻰ اﻹﺟﺎﺑﺔ اﻷﻓﺿل‪،‬‬
‫ﻣﺧرﺟﺎت ﺧوارزﻣﯾﺔ اﻟﺑﺣث ﻫو إﺟﺎﺑﺔ‪ ،‬ﺗﻌرض ﻛﻣﺳﺎر ﻣن اﻟﺣﺎﻟﺔ اﻻﺑﺗداﺋﯾﺔ إﻟﻰ اﻟﺣﺎﻟﺔ اﻟﺗﻲ ﺗﺗطﺎﺑق ﻣﻊ اﻟﺣﺎﻟﺔ اﻟﻬدف‪.‬‬
‫واﻟﺑﺣث "‪ "Search‬ﻫو ﻣﻧﻬﺟﯾﺔ ﻣﺗﻌﺑﺔ ﻷﺟل ﺣل اﻟﻣﺳﺎﺋل ﻋﺎﻣﺔ اﻟﻐرض ‪:general-purpose‬‬
‫ﯾﻌﻣل اﻟﺑﺣث ﻹﯾﺟﺎد اﻟﻧﻘﺎط ‪ nodes‬اﻟﺗﻲ ﻟﻬﺎ ﺧﺻﺎﺋص ﻣﻌﯾﻧﺔ ﻓﻲ اﻟﺷﺟرة اﻟﺑﯾﺎﻧﯾﺔ اﻟﺗﻲ ﺗﻣﺛل ﻓﺿﺎء اﻟﺑﺣث‪ ،‬وﺗﻘوم طرق اﻟﺑﺣث‬
‫ﺑﺎﺳﺗﻛﺷﺎف ﻓﺿﺎء اﻟﺑﺣث ‪ search space‬ﺑﺷﻛل ذﻛﻲ "‪ ،"intelligently‬وﺗﻘﯾﯾم اﻟﺧﯾﺎرات اﻟﻣﻣﻛﻧﺔ ﺑدون اﻟﺗﺣﻘق ﻣن أي ﺧﯾﺎر‬
‫ﻓردي‪.‬‬
‫ﺷﺟرة اﻟﺑﺣث ‪Search tree‬‬
‫ﺷﺟرات اﻟﺑﺣث ﻫﻲ ﻓﻬﺎرس ﻣﺗﻌددة اﻟﻣﺳﺗوﯾﺎت ﻣﺳﺗﺧدﻣﺔ ﻟﻘﯾﺎدة اﻟﺑﺣث ﻋن ﻋﻧﺎﺻر اﻟﺑﯾﺎﻧﺎت‪ ،‬وﻓق ﺑﻌض ﻣﻌﺎﯾﯾر اﻟﺑﺣث‬
‫اﻟﻣﻌطﺎة‪.‬‬
‫ﯾﺑدأ اﻟﺑﺣث ﻋﻧد اﻟﺟذر ‪ root‬وﯾﺳﺗﻛﺷف اﻟﻧﻘﺎط‬
‫‪ nodes‬ﻟﻠﺑﺣث ﻋن اﻟﻧﻘطﺔ اﻟﻬدف ‪ goal node‬اﻟﺗﻲ‬
‫ﺗﺣﻘق اﻟظروف أو اﻟﺷروط اﻟﺗﻲ ﺗﻌﺗﻣد ﻋﻠﯾﻬﺎ اﻟﻣﺳﺄﻟﺔ‪.‬‬
‫وﻣن أﺟل ﺑﻌض اﻟﻣﺳﺎﺋل‪ ،‬ﻗد ﺗﻛون أي ﻧﻘطﺔ ﻣﻘﺑوﻟﺔ‬
‫ﻟﻠﺣل‪ ،‬ﻣﺛﻼ اﻟﻧﻘطﺗﯾن ‪ N‬و‪ J‬ﻓﻲ اﻟﻣﺛﺎل اﻟﻣﻘﺎﺑل‪.‬‬
‫وﻓﻲ ﺑﻌض اﻟﻣﺳﺎﺋل ﺗﻛون اﻟﻧﻘطﺔ ‪ J‬ﻫﻲ اﻷﻛﺛر ﻗﺑوﻻ‬
‫ﻟﻠﺣل ﻷﻧﻬﺎ ﻓﻲ اﻟﻣﺳﺗوى اﻷﻗرب ﻟﻠﻧﻘطﺔ اﻟﺟذر ‪.‬‬
‫___________‬
‫‪99 - ٣٨‬‬
‫ﺧوارزﻣﯾﺎت اﻟﺑﺣث ‪Search Algorithms‬‬

‫ﻛﺛﯾر ﻣن ﺧوارزﻣﯾﺎت اﻟﺑﺣث اﻟﺗﻘﻠﯾدﯾﺔ ﺗﺳﺗﺧدم ﻓﻲ ﺗطﺑﯾﻘﺎت اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‪ ،‬وﻟﻠﻣﺳﺎﺋل اﻟﻣﻌﻘدة ﻻ ﺗﺳﺗطﯾﻊ اﻟﺧوارزﻣﯾﺎت‬
‫اﻟﺗﻘﻠﯾدﯾﺔ إﯾﺟﺎد اﻟﺟواب ﺿﻣن ﺑﻌض ﺣدود اﻟﻔﺿﺎء واﻟزﻣن اﻟﻔﻌﻠﻲ‪ ،‬وﺑﻧﺎء ﻋﻠﻰ ذﻟك‪ ،‬ﻓﻘد ﺗم ﺗطوﯾر ﻛﺛﯾر ﻣن اﻟﺗﻘﻧﯾﺎت اﻟﺧﺎﺻﺔ‬
‫ﺑﺎﺳﺗﺧدام دوال اﻟﻛﺷف ‪ ،heuristic functions‬واﻟﺧوارزﻣﯾﺎت اﻟﺗﻲ ﺗﺳﺗﺧدم دوال اﻟﻛﺷف ‪ heuristic functions‬ﺗﺳﻣﻰ‬
‫ﺧوارزﻣﯾﺎت اﻟﻛﺷف ‪ ،heuristic algorithms‬وﺧوارزﻣﯾﺎت اﻟﻛﺷف ﻟﯾﺳت ذﻛﯾﺔ ﺣﻘﺎ‪ ،‬ﻫﻲ ﺗﺑدو وﻛﺄﻧﻬﺎ ذﻛﯾﺔ‪ ،‬ﻷﻧﻬﺎ ﺗﻘدم أداء‬
‫أﻓﺿل‪ ،‬وﺧوارزﻣﯾﺎت اﻟﻛﺷف أﯾﺿﺎ أﻛﺛر ﻛﻔﺎءة‪ ،‬ﻷﻧﻬﺎ ﺗﺄﺧذ ﻣﻣﯾزات اﻟﺗﻐذﯾﺔ اﻟراﺟﻌﺔ ‪ feedback‬ﻣن اﻟﺑﯾﺎﻧﺎت ﻟﺗوﺟﯾﻪ ﻣﺳﺎر‬
‫اﻟﺑﺣث‪.‬‬
‫‪ ‬ﺧوارزﻣﯾﺎت اﻟﺑﺣث ﻏﯾر اﻟﻣوﺟﻪ ‪ Uninformed search‬أو ﺧوارزﻣﯾﺎت ﺑﺣث اﻟﻘوة‪-‬اﻟﻌﻣﯾﺎء ‪ ،Brute-force‬ﻣن‬
‫ﺧﻼل ﻓﺿﺎء اﻟﺑﺣث‪ ،‬ﯾﺗم ﻓﺣص ﻛل اﻟﺧﯾﺎرات اﻟﻣﻣﻛﻧﺔ ﻟﻠﺣل ﻣﺎ إذا ﻛﺎن أي ﺧﯾﺎر ﯾطﺎﺑق ﻣﺎ ﺗﺗطﻠﺑﻪ اﻟﻣﺳﺄﻟﺔ‪.‬‬
‫‪ ‬ﺧوارزﻣﯾﺎت اﻟﺑﺣث اﻟﻣوﺟﻪ ‪ Informed search‬ﺗﺳﺗﺧدم ﻫذﻩ اﻟﺧوارزﻣﯾﺎت دوال اﻟﻛﺷف‪ ،‬ﻫذﻩ اﻟدوال ﺗﻛون‬
‫ﻣﺧﺻﺻﺔ ﺣﺳب اﻟﻣﺳﺄﻟﺔ‪ ،‬وﯾﺗم ﺗطﺑﯾﻘﻬﺎ ﻟﻠﺳﯾر ﺑﺎﻟﺑﺣث ﻣن ﺧﻼل ﻓﺿﺎء اﻟﺑﺣث‪ ،‬وذﻟك ﻣﺣﺎوﻟﺔ ﻟﺗﻘﻠﯾل ﻛﻣﯾﺔ اﻟزﻣن اﻟذي‬
‫ﯾﺳﺗﻐرﻗﻪ اﻟﺑﺣث‪.‬‬
‫آﻟﯾﺔ اﻟﻛﺷف اﻟﺟﯾدة ﺗﺳﺗطﯾﻊ أداء ﺑﺣث ﻣوﺟﻪ ﻓﻲ أي ﻟﺣظﺔ‪ ،‬ﻣﺗﺟﺎوزة أي ﺑﺣث ﻏﯾر ﻣوﺟﻪ‪ ،‬وﻣﺳﺄﻟﺔ اﻟﺑﺎﺋﻊ اﻟﺟوال ‪Traveling‬‬
‫)‪ Salesman Problem (TSP‬ﻣﺛﺎل ﻟذﻟك‪ ،‬ﺣﯾث ﯾﻛون اﻟﻬدف اﻛﺗﺷﺎف اﻟﺣل اﻟﺟﯾد ‪ ،good solution‬ﺑدﻻ ﻣن اﻛﺗﺷﺎف‬
‫اﻟﺣل اﻷﻓﺿل ‪.best solution‬‬
‫ﻓﻲ اﻟﻣﺳﺎﺋل اﻟﻣﺷﺎﺑﻬﺔ ﻟﻣﺳﺄﻟﺔ اﻟﺑﺎﺋﻊ اﻟﻣﺗﺟول )‪ ،(TSP‬ﯾﺳﺗﻣر اﻟﺑﺣث ﺑﺎﺳﺗﺧدام اﻟﻣﻌﻠوﻣﺎت اﻟﺣﺎﻟﯾﺔ ﺣول اﻟﻣﺳﺄﻟﺔ ﻟﻠﺗﻧﺑؤ ﺑﺎﻟﻣﺳﺎر‪،‬‬
‫اﻟذي ﯾﻛون أﻗرب إﻟﻰ اﻟﻬدف وﯾﺗﺑﻊ ﻟﻪ‪ ،‬ﻣﻊ أﻧﻪ ﻻ ﯾﻣﻛن أن ﻧﺿﻣن داﺋﻣﺎ اﻛﺗﺷﺎف اﻟﺣل اﻟﻣﻣﻛن اﻷﻓﺿل‪ ،‬ﻫذﻩ اﻟﺗﻘﻧﯾﺎت ﺗﺳﺎﻋد‬
‫ﻓﻲ اﻛﺗﺷﺎف اﻟﺣل‪ ،‬ﻣن ﺧﻼل زﻣن وﻓﺿﺎء ﻣﻌﻘوﻟﯾن‪.‬‬
‫وﻫﻧﺎك ﻋدد ﻣن ﺧوارزﻣﯾﺎت اﻟﺑﺣث اﻟﻣﻌروﻓﺔ ﻣﻧﻬﺎ‪:‬‬
‫‪ .١‬ﺑﺣث اﻓﺗرض واﺧﺗﺑر ‪Generate and Test Search‬‬
‫‪ .٢‬اﻟﺑﺣث ﻋن اﻷﻓﺿل أوﻻ ‪Best-first Search‬‬
‫‪ .٣‬اﻟﺑﺣث اﻟطﻣﺎع ‪Greedy Search‬‬
‫‪ .٤‬اﻟﺑﺣث *‪A* Search A‬‬
‫‪ .٥‬اﻟﺑﺣث ﺑﺎﻟﺷرط ‪Constraint Search‬‬
‫‪ .٦‬ﺗﺣﻠﯾل اﻟﻧﻬﺎﯾﺔ اﻟﻣطﻠوﺑﺔ ‪Means-ends analysis‬‬
‫وﻫﻧﺎك ﺧوارزﻣﯾﺎت ﻛﺛﯾرة‪ ،‬ﺳواء ﻛﺎﻧت ﻣطورة ﻋﻧﻬﺎ أو ﻣرﻛﺑﺔ ﻣﻧﻬﺎ‪.‬‬
‫اﻟﺗﻣﺛﯾل اﻟﻬرﻣﻲ ﻟﺧوارزﻣﯾﺎت اﻟﺑﺣث ‪Hierarchical Representation of Search Algorithms‬‬
‫ﺗﻣﺛﯾل أﻏﻠب ﺧوارزﻣﯾﺎت اﻟﺑﺣث ﻣوﺿﺢ ﻓﻲ اﻟﺷﻛل أدﻧﺎﻩ‪ ،‬وﻫﻲ ﺗﺑدأ ﺑﺎﻟﺗﺻﻧﯾﻔﯾن اﻻﺳﺎﺳﯾﯾن ﻟﻠﺑﺣث وﻫﻣﺎ اﻟﺑﺣث اﻟﻣوﺟﻪ وﻏﯾر‬
‫اﻟﻣوﺟﻪ‪ ،‬اﻟﺑﺣث ﻏﯾر اﻟﻣوﺟﻪ ‪ Uninformed Search‬ﯾﺳﻣﻰ أﯾﺿﺎ ﺑﺣث اﻟﻘوة اﻟﺻرﻓﺔ ‪ brute-force‬أو اﻟﺑﺣث اﻟﺷﺎﻣل‬
‫‪ exhaustive‬أو اﻟﺑﺣث اﻷﻋﻣﻰ ‪ ، blind‬وﻓﯾﻪ ﻻ ﺗﺳﺗﺧدم ﻣﻌﻠوﻣﺎت ﻋن اﻟﻣﺳﺄﻟﺔ ﻹرﺷﺎد اﻟﺑﺣث‪ ،‬وﻟذﻟك ﻗد ﻻ ﯾﻛون ﻛﻔؤا‪.‬‬
‫‪ heuristic search‬أو اﻟﺑﺣث اﻟذﻛﻲ‬ ‫واﻟﺑﺣث اﻟﻣوﺟﻪ ‪ Informed Search‬ﯾﺳﻣﻰ أﯾﺿﺎ ﺑﺎﻟﺑﺣث ﻣﻊ آﻟﯾﺔ اﻟﻛﺷف‬
‫‪ ،intelligent search‬وﻓﯾﻪ ﺗﺳﺗﺧدم ﻣﻌﻠوﻣﺎت ﻣﺳﺑﻘﺔ ﻋن اﻟﻣﺳﺄﻟﺔ ﻣن أﺟل ﻣﺳﺎﻋدة اﻟﺑﺣث‪ ،‬ﻋﺎدة ﺗﺧﻣن اﻟﻣﺳﺎﻓﺔ إﻟﻰ اﻟﺣﺎﻟﺔ‬
‫اﻟﻬدف وﻟﻬذا ﯾﻛون اﻟﺑﺣث ﻛﻔؤا‪ ،‬وﻟﻛﻧﻪ ﻗد ﻻ ﯾﻛون ﻣن اﻟﻣﻣﻛن داﺋﻣﺎ ﺗﻧﻔﯾذﻩ ﻟﻘﺻور ﻣﻌﻠوﻣﺎت اﻟﻣﺳﺎﻋدة ﻣﺛﻼ‪.‬‬
‫___________‬
‫‪99 - ٣٩‬‬
‫ﻓﺿﺎء اﻟﺑﺣث ‪Search Space‬‬

‫ﻫو ﻣﺟﻣوﻋﺔ ﻣن اﻟﺣﺎﻻت‪ ،‬اﻟﺗﻲ ﯾﻣﻛن ان ﻧﺗوﺻل ﻟﻬﺎ‪ ،‬ﻣﺷﻛﻠﺔ ﻣﺎ ﯾﺳﻣﻰ ﻓﺿﺎء اﻟﺑﺣث‪ .‬وﻫذا ﯾﺗﺣﻘق ﺑﺗطﺑﯾق ﺑﻌض اﻟﻣؤﺛرات‬
‫اﻟﻣرﻛﺑﺔ اﻟﺗﻲ ﺗﻌرف آﻟﯾﺔ اﻟﺗواﺻل ﻓﯾﻣﺎ ﺑﯾﻧﻬﺎ‪.‬‬
‫ﻣﺛﺎل‪ :‬ﺟد اﻟﻣﺳﺎر ﻣن اﻟﺑداﯾﺔ ‪ Start‬إﻟﻰ اﻟﺣﺎﻟﺔ اﻟﻬدف ‪.Goal state‬‬
‫ﺑﺎﻋﺗﺑﺎر أن اﻟرؤوس ‪ vertices‬ﻫﻲ اﻟﻣدن‪ ،‬وأن اﻟﺣواف ‪ edges‬ﻫﻲ اﻟﻣﺳﺎﻓﺎت ﺑﯾن اﻟﻣدن‪.‬‬
‫ﻟدﻧﯾﺎ ﻓﻲ اﻟﺷﻛل أﻋﻼﻩ‪:‬‬

‫اﻟﺣﺎﻟﺔ اﻻﺑﺗداﺋﯾﺔ ‪، Initial State S‬‬
‫اﻟﺣﺎﻟﺔ اﻟﻬدف ‪،G‬‬
‫اﻟﻧﻘﺎط ﺗﻣﺛل اﻟﻣدن‪ ،‬واﻟﺧطوط ﺗﻣﺛل اﻟﻣﺳﺎﻓﺎت‪.‬‬
‫___________‬
‫‪99 - ٤٠‬‬
‫اﻟﺑﯾﺎن اﻟﻣﻧﻬﺟﻲ ﻟﻠﻣﺳﺄﻟﺔ ‪Formal Statement‬‬

‫ﺣل اﻟﻣﺳﺄﻟﺔ ﻫو ﻣﺟﻣوﻋﺔ ﻣن اﻟﻌﺑﺎرات اﻟﺗﻲ ﺗﺻف اﻟﺣﺎﻻت اﻟﻣطﻠوب اﻟﺗﻌﺑﯾر ﻋﻧﻬﺎ ﺑﻠﻐﺔ ﻣﻧﺎﺳﺑﺔ‪ٕ ،‬واﺟﺎﺑﺔ ﻋدد ﻛﺑﯾر ﻣن اﻟﻣﺳﺎﺋل‬
‫ﯾﻣﻛن وﺻﻔﻬﺎ ﺑﺎﻛﺗﺷﺎف ﺳﻠﺳﻠﺔ اﻷﻓﻌﺎل اﻟﺗﻲ ﺗﻘود إﻟﻰ اﻟﻬدف اﻟﻣطﻠوب‪ ،‬ﻛﻣﺳﺄﻟﺔ اﻟﺷطرﻧﺞ أو اﻟﻛﻠﻣﺎت اﻟﻣﺗﻘﺎطﻌﺔ‪.‬‬
‫وﯾﻛون اﻟﻬدف ﻫو اﻛﺗﺷﺎف ﺳﻠﺳﻠﺔ اﻷﻓﻌﺎل اﻟﺗﻲ ﺗﻘود ﻣن اﻟﺣﺎﻟﺔ اﻻﺑﺗداﺋﯾﺔ إﻟﻰ اﻟﺣﺎﻟﺔ اﻟﻧﻬﺎﺋﯾﺔ وﻫﻲ ﺣﺎﻟﺔ اﻟﻬدف‪ ،‬ﻛل واﺣد ﻣن‬
‫ﻫذﻩ اﻷﻓﻌﺎل ﯾﻐﯾر اﻟﺣﺎﻟﺔ‪.‬‬
‫ﻓﯾﻣﺎ ﯾﻠﻲ ﻧﻣوذج ﻣﺳﺄﻟﺔ ﻣﻌرﻓﺔ ﺑﺷﻛل ﺟﯾد‪:‬‬
‫‪ -‬اﻟﺣﺎﻟﺔ اﻻﺑﺗداﺋﯾﺔ )‪.(S‬‬
‫‪ -‬اﻟدوال اﻟﻣؤﺛرة ‪ Operator or successor function‬ﻓﻲ اﻟﺣﺎﻻت اﻻﻧﺗﻘﺎﻟﯾﺔ‪ ،‬أو اﻟدوال اﻟورﯾﺛﺔ‪:‬‬
‫ﻟﻛل ﺣﺎﻟﺔ ‪ x‬ﺗﻌﯾد ﻟﻧﺎ اﻟداﻟﺔ )‪ s(x‬ﻣﺟﻣوﻋﺔ اﻟﺣﺎﻻت اﻟﻣﻣﻛن اﻟوﺻول إﻟﯾﻬﺎ ﻣن اﻟﺣﺎﻟﺔ ‪ x‬ﺑﻔﻌل واﺣد‪.‬‬
‫‪ -‬ﻓﺿﺎء اﻟﺑﺣث ‪ :State space‬ﻛل اﻟﺣﺎﻻت ﻣﻣﻛﻧﺔ اﻟوﺻول ﻣن اﻟﺑداﯾﺔ ﺑﺎﺳﺗﺧدام أي ﺳﻠﺳﻠﺔ ﻣن اﻷﻓﻌﺎل‪.‬‬
‫‪ -‬اﻟﻣﺳﺎر ‪ :Path‬ﺳﻠﺳﻠﺔ ﺣﺎﻻت ﻣن ﻓﺿﺎء اﻟﺑﺣث‪.‬‬
‫‪ -‬ﺗﻛﻠﻔﺔ اﻟﻣﺳﺎر ‪ Path cost‬ﻛداﻟﺔ ﺗرﺑط ﺑﯾن اﻟﻣﺳﺎر وﻛﻠﻔﺗﻪ‪ ،‬وﺗﺣﺳب ﺗﻛﻠﻔﺔ اﻟﻣﺳﺎر اﻟواﺣد ﺑﺟﻣﻊ اﻷﻓﻌﺎل اﻟﻔردﯾﺔ‬
‫اﻟﻣﻧﻔذة ﻋﻠﻰ طول اﻟﻣﺳﺎر‪.‬‬
‫‪ -‬اﻟﺣﺎﻟﺔ اﻟﻬدف )‪.(G‬‬
‫‪ -‬اﺧﺗﺑﺎر اﻟﻬدف ‪ :Goal test‬اﺧﺗﺑﺎر ﻟﻠﺗﺄﻛد ﻣن ﻛون اﻟﺣﺎﻟﺔ اﻟﻧﻬﺎﺋﯾﺔ ﻫﻲ اﻟﺣﺎﻟﺔ اﻟﻬدف‪.‬‬
‫اﻟرﻣوز اﻟرﯾﺎﺿﯾﺔ ﻟﻠﺑﺣث ‪Search notations‬‬

‫ﻋﻠﻣﻧﺎ أن اﻟﺑﺣث ﻫو اﻻﺧﺗﺑﺎر اﻟﻧظﺎﻣﻲ ﻟﻠﺣﺎﻻت ﻻﻛﺗﺷﺎف اﻟﻣﺳﺎر ﻣن اﻟﺑداﯾﺔ أو اﻟﺣﺎﻟﺔ اﻟﺟذر ﻏﻠﻰ اﻟﺣﺎﻟﺔ اﻟﻬدف‪ ،‬واﻟرﻣوز‬
‫اﻟﻣﺳﺗﺧدﻣﺔ ﻟﺗﻌرﯾف اﻟﺑﺣث ﻫﻲ‪:‬‬
‫اﻟداﻟﺔ )‪ f(n‬ﻫﻲ داﻟﺔ اﻟﺗﻘﯾﯾم اﻟﺗﻲ ﺗﻘدر اﻟﺣل اﻷﻗل ﺗﻛﻠﻔﺔ ﺧﻼل اﻟﻧﻘطﺔ ‪.n‬‬
‫اﻟداﻟﺔ )‪ h(n‬ﻫﻲ داﻟﺔ اﻟﻛﺷف اﻟﺗﻲ ﺗﻘدر اﻟﻣﺳﺎر أﻗل ﻛﻠﻔﺔ ﻣن اﻟﻧﻘطﺔ ‪ n‬إﻟﻰ اﻟﻧﻘطﺔ اﻟﻬدف‪.‬‬
‫اﻟداﻟﺔ )‪ g(n‬ﻫﻲ داﻟﺔ اﻟﺗﻛﻠﻔﺔ اﻟﺗﻲ ﺗﻘدر اﻟﻣﺳﺎر اﻗل ﺗﻛﻠﻔﺔ ﻣن ﻧﻘطﺔ اﻟﺑداﯾﺔ إﻟﻰ اﻟﻧﻘطﺔ ‪.n‬‬
‫وﯾﻌﺑر ﻋن اﻟﻌﻼﻗﺔ ﺑﯾن ﻫذﻩ اﻟوﺳﺎﺋط اﻟﺛﻼﺛﺔ ﺑﺎﻟﻘﺎﻧون‪:‬‬
‫)‪f (n) = g(n) + h(n‬‬
‫إذا ﻛﺎﻧت )‪ h(n‬اﻗل ﻣن أو ﺗﺳﺎوي اﻟﺗﻛﻠﻔﺔ اﻟﻔﻌﻠﯾﺔ ﻟﻠﻣﺳﺎر اﻷﻗﺻر ﻣن اﻟﻧﻘطﺔ ‪ n‬إﻟﻰ اﻟﻬدف ‪ ،‬ﻓﺈن ﻗﯾﻣﺔ )‪ h(n‬ﺗﻛون ﺗﺣت‬
‫اﻟﻣﺗوﻗﻊ ‪ under-estimate‬أي أن اﻟﻘﯾﻣﺔ اﻟﻣﻘدرة ﻟـ )‪ h(n‬ﻏﯾر ﻛﺎﻓﯾﺔ‪.‬‬
‫اﻟﻘﯾم اﻟﻣﻘدرة ﻟـ ‪ f‬و ‪ g‬و ‪ h‬ﯾﻌﺑر ﻋﻧﻬﺎ ﺑﺎﻟرﻣوز ^‪ F‬و^‪ G‬و^‪ H‬ﻋﻠﻰ اﻟﺗرﺗﯾب‪ ،‬ﺑﺣﻲ ﯾﻛون‪:‬‬
‫)‪F^(n)= G^(n)+H^(n‬‬
‫___________‬
‫‪99 - ٤١‬‬
‫وﻣن أﺟل ﺗﺑﺳﯾط اﻟﻛﺗﺎﺑﺔ ﻫﻧﺎك ﻣن ﯾﺑدل اﻟرﻣز ^ ﺑﺎﻟرﻣز * ﻓﺗﻛون *‪ h‬ﺑدل ^‪ H‬وﻫﻛذا‪.‬‬
‫ﺗﻘدﯾر داﻟﺔ اﻟﺗﻛﻠﻔﺔ *‪Estimate Cost Function g‬‬
‫ﻋرﻓﻧﺎ أن ﺗﻘدﯾر اﻟﻣﺳﺎر اﻷﻗل ﺗﻛﻠﻔﺔ ﻣن ﻧﻘطﺔ اﻟﺑداﯾﺔ ﺣﺗﻰ اﻟﻧﻘطﺔ ‪ ،n‬ﯾرﻣز ﻟﻪ ﺑـ )‪ ، g*(n‬وﯾﻌرف )‪ g*(n‬ﺑﺣﺳﺎب ﺗﻛﻠﻔﺔ ﺟﻣﯾﻊ‬
‫اﻟﻣﺳﺎرات ﻣن اﻟﺑداﯾﺔ ﺣﺗﻰ اﻟﺣﺎﻟﺔ اﻟﺣﺎﻟﯾﺔ‪ ،‬إذا ﻛﺎن ﻓﺿﺎء اﻟﺑﺣث ﻣﻣﺛﻼ ﺑﺷﺟرة‪ ،‬ﻓﺗﻛون ‪ ،g* = g‬ﻷن ﻫﻧﺎك ﻣﺳﺎر واﺣد ﻣن‬
‫ﻧﻘطﺔ اﻟﺑداﯾﺔ إﻟﻰ اﻟﻧﻘطﺔ اﻟﺣﺎﻟﯾﺔ‪ ،‬وﻟﻛن ﺑﺷﻛل ﻋﺎم‪ ،‬ﯾﻛون ﻓﺿﺎء اﻟﺑﺣث ﺑﯾﺎﻧﺎ ‪ ،graph‬أي ﻟﯾس ﺑﺎﻟﺿرورة أن ﯾﻛون ﺷﺟرة‪.‬‬
‫ٕواذا ﻛﺎن ﻓﺿﺎء اﻟﺑﺣث ﺑﯾﺎﻧﺎ‪ ،‬ﻓﺗﻛون ‪ ،g* ≥ g‬وأﻧﻪ ﻻ ﯾﻣﻛن أن ﺗﻛون *‪ g‬أﻗل ﻣن ﺗﻛﻠﻔﺔ اﻟﻣﺳﺎر اﻷﻣﺛل‪ ،‬ﻓﺿﻼ ﻋن ﻛوﻧﻬﺎ‬
‫ﺗﺳﺗطﯾﻊ ﺗﺟﺎوز اﻟﺗﻛﻠﻔﺔ اﻟﻣﻘدرة‪ ،‬وﯾﻣﻛن أن ﺗﻛون *‪ g‬ﻣﺳﺎوﯾﺔ ﻟـ ‪ g‬ﻓﻲ اﻟﺷﻛل اﻟﺑﯾﺎﻧﻲ ‪ graph‬إن ﺗم اﺧﺗﯾﺎرﻫﺎ ﺑدﻗﺔ أﻛﺑر‪.‬‬
‫ﺗﻘدﯾر داﻟﺔ اﻟﻛﺷف *‪Estimate Heuristic Function h‬‬
‫ﻧﻌرف أن ﺗﻘدﯾر اﻟﻣﺳﺎر اﻷﻗل ﺗﻛﻠﻔﺔ ﻣن اﻟﻧﻘطﺔ ‪ n‬إﻟﻰ ﻧﻘطﺔ اﻟﻬدف ﯾرﻣز ﻟﻪ ﺑـ )‪ ،h*(n‬ﺣﯾث أن *‪ h‬ﻫﻲ ﻣﻌﻠوﻣﺎت آﻟﯾﺔ‬
‫اﻻﻛﺗﺷﺎف‪ ،‬اﻟﺗﻲ ﺗﻣﺛل اﻟﺗﺧﻣﯾن أو اﻟﺗﻘدﯾر‪ .‬ﻣﺛﻼ‪ :‬ﻣﺎ ﻣدى ﺻﻌوﺑﺔ اﻟوﺻول ﻣن اﻟﻧﻘطﺔ اﻟﺣﺎﻟﯾﺔ إﻟﻰ اﻟﺣﺎﻟﺔ اﻟﻬدف؟‪.‬‬
‫ﯾﻣﻛن ﺗﻘدﯾر ﻗﯾﻣﺔ *‪ h‬ﻟﻧﻘطﺔ ﻣﺎ ﺑﺎﺳﺗﺧدام داﻟﺔ اﻟﺗﻘﯾﯾم )‪ f(n‬اﻟﺗﻲ ﺗﻘﯾس ﺟودة "‪ "goodness‬ﺗﻠك اﻟﻧﻘطﺔ‪ ،‬وﯾﻣﻛن ﻟـ *‪ h‬أن ﺗﺄﺧذ‬
‫ﻗﯾﻣﺎ ﻣﺧﺗﻠﻔﺔ‪ ،‬ﻓﺎﻟﻘﯾم اﻟﺗﻲ ﺗﻘﻊ ﺑﯾن )‪ 0 ≤ h*(n) ≤ h(n‬واﻟﺗﻲ ﺗﻌﻧﻲ ﺧوارزﻣﯾﺔ ﺑﺣث ﻣﺧﺗﻠﻔﺔ‪ٕ ،‬واذا ﻛﺎﻧت ‪ h* = h‬ﻓﺈﻧﻧﺎ ﻧﻛون ﻗد‬
‫ﺣﺻﻠﻧﺎ ﻋﻠﻰ ﻗﯾﻣﺔ اﻟﻛﺷف اﻟﻣﺛﺎﻟﯾﺔ أو "‪ ،"perfect heuristic‬ﻣﻣﺎ ﯾﻌﻧﻲ ﻋدم ﺿرورة اﻟﺑﺣث ﻓﻲ ﻧﻘﺎط زاﺋدة ﻋن اﻟﺣﺎﺟﺔ‪.‬‬
‫‪ .٣‬إﺳﺗراﺗﯾﺟﯾﺔ اﻟﺗﺣﻛم ‪Control Strategies‬‬
‫اﻟﺑﺣث ﻋن إﺟﺎﺑﺔ ﻓﻲ ﻓﺿﺎء اﻟﻣﺳﺄﻟﺔ‪ ،‬ﯾﺗطﻠب إﺳﺗراﺗﯾﺟﯾﺔ ﺗﺣﻛم ﻹدارة ﻋﻣﻠﯾﺎت اﻟﺑﺣث‪ ،‬إﺳﺗراﺗﯾﺟﯾﺔ اﻟﺗﺣﻛم ﺑﺎﻟﺑﺣث ﺗﻛون ﻣﺧﺗﻠﻔﺔ‬
‫اﻷﻧواع ‪ ،‬وﺗﺗﺣﻘق ﺑواﺳطﺔ أﻧواع ﻣﺣددة ﻣن اﺳﺗراﺗﯾﺟﯾﺎت اﻟﺗﺣﻛم‪ .‬وﺑﻌض اﺳﺗراﺗﯾﺟﯾﺎت اﻟﺗﺣﻛم ﺑﺎﻟﺑﺣث ﻣوﺿﺣﺔ ﻓﯾﻣﺎ ﯾﻠﻲ‪:‬‬
‫اﻟﺑﺣث اﻷﻣﺎﻣﻲ ‪Forward search‬‬
‫ﻫﻧﺎ ﺗواﺻل اﺳﺗراﺗﯾﺟﺔ اﻟﺗﺣﻛم ﺑﺎﺳﺗﻛﺷﺎف اﻟﺑﺣث ﻣن اﻟﺣﺎﻟﺔ اﻻﺑﺗداﺋﯾﺔ ﺑﺈﺗﺟﺎﻩ اﻟﺟواب‪ ،‬وﻫذﻩ اﻟطرﯾﻘﺔ ﺗﻌرف ﺑـ ‪،data-directed‬‬
‫اﻟﺗوﺟﻪ ﻧﺣو اﻟﺑﯾﺎﻧﺎت‪.‬‬
‫اﻟﺑﺣث اﻟﺧﻠﻔﻲ ‪Backward search‬‬
‫أﻣﺎ ﻫﻧﺎ ﻓﺗواﺻل إﺳﺗراﺗﯾﺟﯾﺔ اﻟﺗﺣﻛم ﺑﺎﺳﺗﻛﺷﺎف ﺑﺣﺛﻬﺎ ﻋﻛﺳﯾﺎ ﻣن اﻟﺣﺎﻟﺔ اﻟﻬدف )أو اﻟﺣﺎﻟﺔ اﻟﻧﻬﺎﺋﯾﺔ( ﺑﺈﺗﺟﺎﻩ إﻣﺎ اﻟﺣﺎﻟﺔ اﻻﺑﺗداﺋﯾﺔ‪،‬‬
‫أو ﺑﺎﺗﺟﺎﻩ ﺣل ﺟزﺋﻲ ﻟﻠﻣﺳﺄﻟﺔ‪ ،‬وﻫذﻩ اﻟطرﯾﻘﺔ ﺗﺳﻣﻰ ﺑﺎﻟﺗوﺟﻪ ﻧﺣو اﻟﻬدف ‪.goal directed‬‬
‫اﻟﺑﺣث اﻷﻣﺎﻣﻲ واﻟﺧﻠﻔﻲ ‪Both forward and backward search‬‬
‫ﻫﻧﺎ‪ ،‬إﺳﺗراﺗﯾﺟﯾﺔ اﻟﺗﺣﻛم ﺗﺳﺗﻛﺷف ﺑﺣﺛﻬﺎ ﺑﺈﺳﺗراﺗﯾﺟﯾﺔ ﻣﺧﺗﻠطﺔ ‪ mixture‬ﻣن اﻟﺑﺣث اﻟﺧﻠﻔﻲ واﻷﻣﺎﻣﻲ‪.‬‬
‫اﻟﺑﺣث اﻟﻣﻧظم ‪Systematic search‬‬
‫ﺗﺳﺗﺧدم ﻋﻧدﻣﺎ ﯾﻛون ﻓﺿﺎء اﻟﺑﺣث ﺻﻐﯾرا‪ ،‬وﻫﻲ طرﯾﻘﺔ ﻣﻧظﻣﺔ )ﻟﻛﻧﻬﺎ ﻋﻣﯾﺎء ‪ ،(blind‬ﺗﺳﺗﺧدم ﻻﺳﺗﻛﺷﺎف ﻛل ﻓﺿﺎء اﻟﺑﺣث‪،‬‬
‫ﺑﺄﺳﻠوﺑﯾن ﻫﻣﺎ‪ :‬اﻟﺑﺣث اﻟرأﺳﻲ ‪ depth-first search‬واﻟﺑﺣث اﻷﻓﻘﻲ ‪.breath-first search‬‬
‫اﻟﺑﺣث ﺑﺂﻟﯾﺔ اﻟﻛﺷف ‪Heuristic search‬‬
‫ﻛﺛﯾر ﻣن طرق اﻟﺑﺣث ﺗﻌﺗﻣد ﻋﻠﻰ ﻣﻌرﻓﺔ ﻧطﺎق أو ﻣﯾدان اﻟﻣﺳﺄﻟﺔ‪ ،‬وﻫﻲ ﺗﻣﻠك ﺑﻌض اﻟﻣﻘﺎﯾﯾس ﻟﻼﺳﺗﺣﻘﺎﻗﺎت اﻟﻧﺳﺑﯾﺔ اﻟﻣﺳﺎﻋدة‬
‫ﻋﻠﻰ اﻟﺑﺣث‪ ،‬اﻟﺑﺣث اﻟذي ﯾﺳﺗﺧدم إرﺷﺎدات اﻟﻣﺳﺎﻋدة ﯾﺳﻣﻰ ﺑﺎﻟﺑﺣث ﻣﻊ آﻟﯾﺔ اﻟﻛﺷف ‪ ،heuristic search‬واﻟطرق اﻟﻣﺳﺎﻋدة‬
‫ﻋﻠﻰ اﻟﻛﺷف ﺗﺳﻣﻰ آﻟﯾﺔ اﻟﻛﺷف ‪.heuristic‬‬
‫ﻻﺣظ أن ا ﻟﺑﺣث ﻣﻊ آﻟﯾﺔ اﻟﻛﺷف ﻗد ﻻ ﯾؤدي إﻟﻰ اﻟﺣﻠول اﻷﻓﺿل‪ ،‬ﻟﻛﻧﻪ ﯾﺿﻣن اﻟﺣﺻول ﻋﻠﻰ ﺣل ﺟﯾد ﻓﻲ زﻣن ﻣﻌﻘول‪.‬‬
‫___________‬
‫‪99 - ٤٢‬‬
‫ﺧوارزﻣﯾﺎت اﻟﺑﺣث ﺑﺂﻟﯾﺔ اﻟﻛﺷف ‪Heuristic Search Algorithms‬‬

‫‪ ‬أوﻻ‪ ،‬ﻧﻘوم ﺑﺗوﻟﯾد اﻟﺣﻠول اﻟﻣﻣﻛﻧﺔ اﻟﺗﻲ ﻣن اﻟﻣﻣﻛن أن ﺗﻛون ﻧﻘﺎطﺎ ﻓﻲ ﻓﺿﺎء اﻟﻣﺳﺄﻟﺔ‪ ،‬أو ﻣﺳﺎرا ﻣن اﻟﺣﺎﻟﺔ اﻻﺑﺗداﺋﯾﺔ‪.‬‬
‫‪ ‬ﺛم‪ ،‬ﻧﺧﺗﺑر اﻟﺣﻠول اﻟﻣﺣﺗﻣﻠﺔ إذا ﻣﺎ ﻛﺎﻧت ﺣﻠوﻻ ﺣﻘﯾﻘﯾﺔ‪ ،‬ﺑواﺳطﺔ ﻣﻘﺎرﻧﺔ اﻟﺣﺎﻟﺔ اﻟﻣﺗﺣﺻل ﻋﻠﯾﻬﺎ ﻣﻊ ﻣﺟﻣوﻋﺔ اﻟﺣﺎﻻت‬
‫اﻟﻬدف‪.‬‬
‫‪ ‬أﺧﯾرا‪ ،‬إذا ﻛﺎن اﻟﺣل ﺣﻘﯾﻘﯾﺎ‪ ،‬ﻧﻌود ﺑﻪ‪ٕ ،‬واﻻ ﻧﻛرر اﻟﺧطوات ﻣن اﻟﺑداﯾﺔ‪.‬‬
‫اﻟﻣزﯾد ﻋن اﺳﺗراﺗﯾﺟﯾﺎت اﻟﺑﺣث ‪More on Search Strategies‬‬
‫ﺳﻠﺳﺔ وﻗواﻧﯾن اﻟﻔﻌل اﻟﻣﺷروط وﻋﻼﻗﺗﻬﺎ ﺑﺎﻟﺑﺣث اﻷﻣﺎﻣﻲ واﻟﺧﻠﻔﻲ‪.‬‬
‫ﻗواﻧﯾن اﻟﻔﻌل اﻟﻣﺷروط ‪Condition-action rules‬‬
‫ﻫﻲ واﺣدة ﻣن طرق ﺗرﻣﯾز اﻟﻣﻌرﻓﺔ‪ ،‬ﺑﺣﯾث ﺗﻛﺗب اﻟﻘواﻧﯾن ﺑﺎﻟﺷﻛل إذا ﻛﺎن )ﺷرط( ﻓﺈن )ﻧﺗﯾﺟﺔ( أو‬
‫> ‪if < condition> then < conclusion‬‬
‫ﻣﺛﻼ‪:‬‬
‫ﻗﺎﻧون اﻟﺿوء اﻷﺣﻣر ‪:Rule: Red_Light‬‬
‫‪IF‬‬ ‫‪the light is red‬‬ ‫‪THEN‬‬ ‫‪Stop‬‬
‫ﻗﺎﻧون اﻟﺿوء اﻷﺧﺿر ‪:Rule: Green_Light‬‬
‫‪IF‬‬ ‫‪the light is green‬‬ ‫‪THEN‬‬ ‫‪Go‬‬
‫اﻟﺳﺎﺑق ‪Antecedent‬‬ ‫اﻟﺗﺎﺑﻊ ‪consequent‬‬
‫اﻟﺗﻘﯾﯾد ‪Chaining‬‬
‫ﯾﻘﺻد ﺑﺎﻟﺗﻘﯾﯾد ﻣﺷﺎرﻛﺔ اﻟﺷروط ﺑﯾن اﻟﻘواﻧﯾن‪ ،‬ﻟﻬذا ﯾﺗم ﺗﻘﯾﯾم ﻧﻔس اﻟﺷرط ﻣرة واﺣدة ﻟﻛل اﻟﻘواﻧﯾن‪ ،‬وﻋﻧدﻣﺎ ﯾﺷﺗرك ﺷرط واﺣد او‬
‫أﻛﺛر ﺑﯾن اﻟﻘواﻧﯾن‪ ،‬ﻓﺈﻧﻪ ﯾﻌﺗﺑر ﺗﻘﯾﯾدا‪ ،‬وﻫﻣﺎ ﻧوﻋﯾن‪ :‬اﻟﺗﻘﯾﯾد اﻷﻣﺎﻣﻲ واﻟﺗﻘﯾﯾد اﻟﺧﻠﻔﻲ ‪،Forward and Backward chaining‬‬
‫وﯾﺳﻣﻰ اﻟﺗﻘﯾﯾد اﻷﻣﺎﻣﻲ أﯾﺿﺎ اﻟﻘﯾﺎدة ﺑﺎﻟﺑﯾﺎﻧﺎت‪ ،‬وﯾﺳﻣﻰ اﻟﺗﻘﯾﯾد اﻟﺧﻠﻔﻲ ‪ data-driven‬ﺑﺎﻟﻘﯾﺎدة ﺑﺎﻻﺳﺗﻌﻼم ‪.query-driven‬‬
‫ﻗواﻧﯾن اﻟﺗﻔﻌﯾل ‪Activation of Rules‬‬
‫ﯾﻌﺗﺑر اﻟﺗﻘﯾﯾد اﻷﻣﺎﻣﻲ واﻟﺗﻘﯾﯾد اﻟﺧﻠﻔﻲ إﺳﺗراﺗﯾﺟﯾﺗﺎن ﻣﺧﺗﻠﻔﺗﺎن ﻟﺗﻔﻌﯾل اﻟﻘواﻧﯾن ﻓﻲ اﻟﻧظﺎم‪ ،‬وﻫﻣﺎ ﺗﻘﻧﯾﺗﺎن ﻟﺳﺣب اﻻﺳﺗدﻻﻻت‬
‫‪ inferences‬ﻣن ﻗﺎﻋدة اﻟﻘواﻧﯾن ‪.Rule base‬‬
‫ﺧوارزﻣﯾﺔ اﻟﺗﻘﯾﯾد اﻷﻣﺎﻣﻲ ‪Forward Chaining Algorithm‬‬
‫ﻛﻣﺎ أوﺿﺣﻧﺎ ﻫﻲ ﺗﻘﻧﯾﺔ اﻻﺳﺗدﻻﻻت ﻣن ﻗﺎﻋدة اﻟﻘواﻧﯾن‪ ،‬وﯾﺳﻣﻰ ﻫذا اﻻﺳﺗدﻻل ﻋﺎدة ﺑﺎﻟﻘﯾﺎدة ﺑﺎﻟﺑﯾﺎﻧﺎت‪:‬‬
‫ﺗﺳﺗﻣر اﻟﺧوارزﻣﯾﺔ ﻣن ﺣل ﻣﻌطﻰ ﺣﺗﻰ اﻟوﺻول إﻟﻰ ﻫدف ﻣﻘﺑول‪ ،‬ﻣﻊ إﺿﺎﻓﺔ أي ﺗﺄﻛﯾدات ‪) assertions‬ﺣﻘﺎﺋق( ﯾﺗم‬
‫اﻛﺗﺷﺎﻓﻬﺎ‪.‬‬
‫واﻟﺗﻘﯾﯾد اﻷﻣﺎﻣﻲ ﯾﻘﺎرن اﻟﺑﯾﺎﻧﺎت ﻓﻲ اﻟذاﻛرة اﻟﻌﺎﻣﻠﺔ ‪ working memory‬ﻣﻘﺎﺑل اﻟﺷروط ﻓﻲ اﻷﺟزاء ‪ IF‬ﻣن اﻟﻘواﻧﯾن‪ ،‬وﺗﺣدﯾد‬
‫أي ﻗﺎﻧون ﯾﻧطﻠق ﺗطﺑﯾﻘﻪ‪.‬‬
‫‪Data Driven‬‬
‫___________‬
‫‪99 - ٤٣‬‬
‫ﻣﺛﺎل‪ :‬اﻟﺗﻘﯾﯾد اﻷﻣﺎﻣﻲ‬

‫إذا ﻛﺎن ﻟدﯾﻧﺎ ﻗﺎﻋدة اﻟﻘواﻧﯾن ﻣﻛوﻧﺔ ﻣن اﻟﻘواﻧﯾن اﻟﺗﺎﻟﯾﺔ‪:‬‬
‫‪Rule 1: If A and C Then F‬‬
‫‪Rule 2: If A and E Then G‬‬
‫‪Rule 3: If B‬‬ ‫‪Then E‬‬
‫‪Rule 4: If G‬‬ ‫‪Then D‬‬
‫وﻛﺎﻧت اﻟﻣﺳﺄﻟﺔ إﺛﺑﺎت أن‪:‬‬
‫‪Prove that: If A and B true Then D is true‬‬
‫وﻫذﻩ ﻫﻲ اﻟﺣﺎﻟﺔ اﻟﻬدف‪.‬‬
‫اﻹﺟﺎﺑﺔ‬
‫)‪(i‬‬ ‫‪‡ Start with input given A, B is true and then‬‬
‫‪‡ start at Rule 1 and go forward / down till a rule‬‬
‫‪“fires'' is found.‬‬
‫‪First iteration :‬‬
‫)‪(ii‬‬ ‫‪‡ Rule 3 fires : conclusion E is true‬‬
‫‪‡ new knowledge found‬‬
‫)‪(iii‬‬ ‫;‪‡ No other rule fires‬‬
‫‪‡ end of first iteration.‬‬
‫)‪(iv‬‬ ‫;‪‡ Goal not found‬‬
‫;)‪‡ new knowledge found at (ii‬‬
‫‪‡ go for second iteration‬‬
‫‪Second iteration :‬‬
‫)‪(v‬‬ ‫‪‡ Rule 2 fires : conclusion G is true‬‬
‫‪‡ new knowledge found‬‬
‫)‪(vi‬‬ ‫‪‡ Rule 4 fires : conclusion D is true‬‬
‫;‪‡ Goal found‬‬
‫‪‡ Proved‬‬
‫ﺗﺑدأ اﻟﺧوارزﻣﯾﺔ أﻋﻼﻩ‪ ،‬ﻣﻊ ﻣﻌطﯾﺎت اﻟﻬدف وﻫﻣﺎ ‪ ،A,B‬ﺛم ﺗﺑﺣث ﻋن اﺑﺗداء ﻣن اﻟﻘﺎﻧون ‪ ،١‬وﺻوﻻ إﻟﻰ أي ﻗﺎﻧون ﻣﻣﻛن‬
‫ﺗﻧﻔﯾذﻩ‪ ،‬وﺑﺎﻟدﺧول ﻓﻲ اﻟﺣﻠﻘﺔ ﻧﺟد أن اﻟﻘﺎﻧون‪ ٣‬ﯾﻧﻔذ وﺗدﺧل ﻣﻌرﻓﺔ ﺟدﯾدة ﻫﻲ أن ‪ E‬ﺻﺎﺋﺑﺎ إﻟﻰ اﻟﻘﺎﻋدة‪.‬‬
‫ﺑﻌد اﻟﻣرور ﻋﻠﻰ ﻛل اﻟﻘواﻧﯾن ﺗﻧﺗﻬﻲ اﻟﺣﻠﻘﺔ اﻟﺗﻛرارﯾﺔ اﻷوﻟﻰ‪ ،‬وﺗدﺧل اﻟﺣﻠﻘﺔ اﻟﺗﻛرارﯾﺔ اﻟﺛﺎﻧﯾﺔ‪ ،‬ﻣﺳﺗﻔﯾدة ﻣن اﻟﻣﻌرﻓﺔ اﻟﺟدﯾدة‪،‬‬
‫ﻋﻧدﺋذ ﯾﺗم ﺗﻧﻔﯾذ اﻟﻘﺎﻧون ‪ ٢‬وﺗدﺧل ﻣﻌرﻓﺔ ﺟدﯾدة ﻫﻲ ‪ G‬ﺻﺎﺋب‪ ،‬وﻣن ﺛم ﯾﻧﻔذ اﻟﻘﺎﻧون ‪ ٤‬ﻹﺛﺑﺎت أن ‪ D‬ﺻﺎﺋﺑﺎ‪ ،‬وﻫذﻩ ﻫو‬
‫اﻻﺳﺗﻧﺗﺎج اﻟﻣطﻠوب ﻓﻲ اﻟﺣﺎﻟﺔ اﻟﻬدف‪.‬‬
‫___________‬
99 - ٤٤
Backward Chaining Algorithm ‫ﺧوارزﻣﯾﺔ اﻟﺗﻘﯾﯾد اﻟﺧﻠﻔﻲ‬

‫ ﻓﻬﻲ ﺗﺗﺣرك ﻣن اﻟﻬدف‬،‫ وﺗﺳﻣﻰ أﯾﺿﺎ ﺑﺎﻟﻘﯾﺎدة ﺑﺎﻟﻬدف‬،‫ﻫذﻩ اﻟﺧوارزﻣﯾﺔ ﻫﻲ ﺗﻘﻧﯾﺔ ﻟﺳﺣب اﻻﺳﺗدﻻﻻت ﻣن ﻗﺎﻋدة اﻟﻘواﻧﯾن‬
‫ ﺗﻘوم‬،‫ وﺑﺻورة ﻣﻌﺎﻛﺳﺔ ﻟﻠﺗﻘﯾﯾد اﻷﻣﺎﻣﻲ‬،‫ اﻟﺗﻲ ﺗﺟدﻫﺎ إﻟﻰ ﻗﺎﻋدة اﻟﻘواﻧﯾن‬assertions ‫ وﺗﺿﯾف اﻟﺗﺄﻛﯾدات‬،‫اﻟﻣطﻠوب ﺗﺣﻘﻘﻪ‬
.‫ ﻣن اﻟﻘﺎﻧون اﻟذي ﯾﺣﻘق اﻟﻬدف‬THEN ‫ﺧوارزﻣﯾﺔ اﻟﺗﻘﯾﯾد اﻟﺧﻠﻔﻲ ﺑﺎﻟﺑﺣث ﻋن اﻟﺟزء‬
Backward Channing ‫ﻣﺛﺎل اﻟﺗﻘﯾﯾد اﻟﺧﻠﻔﻲ‬

:‫إذا ﻛﺎﻧت ﻣﺟﻣوﻋﺔ اﻟﻘواﻧﯾن اﻟﺗﺎﻟﯾﺔ ﻣوﺟودة ﻓﻲ ﻗﺎﻋدة اﻟﻘواﻧﯾن‬
Rule 1: If A and C Then F
Rule 2: If A and E Then G
Rule 3: If B Then E
Rule 4: If G Then D
:‫وﻛﺎﻧت اﻟﻣﺳﺄﻟﺔ إﺛﺑﺎت أن‬
Prove that: If A and B true Then D is true ‫اﻟﺣﺎﻟﺔ‬ ‫ﻫﻲ‬ ‫وﻫذﻩ‬
....‫اﻟﻬدف‬
‫اﻹﺟﺎﺑﺔ‬
Solution
(i) ‡ Start with goal ie D is true
‡ go backward/up till a rule "fires'' is found.
First iteration :
(ii) ‡ Rule 4 fires :
‡ new sub goal to prove G is true
‡ go backward
(iii) ‡ Rule 2 "fires''; conclusion: A is true
‡ new sub goal to prove E is true
‡ go backward;
(iv) ‡ no other rule fires; end of first iteration.
‡ new sub goal found at (iii);
‡ go for second iteration
Second iteration :
(v) ‡ Rule 3 fires :
___________
‫‪99 - ٤٥‬‬
‫)‪‡ conclusion B is true (2nd input found‬‬

‫‪‡ both inputs A and B ascertained‬‬
‫‪‡ Proved‬‬
‫‪ (٣‬ﺍﻟﺒﺤﺚ ﺍﻟﺸﺎﻣﻞ ‪Exhaustive Search‬‬
‫إﺿﺎﻓﺔ إﻟﻰ اﻟﺗﻘﯾﯾد اﻟﺧﻠﻔﻲ واﻷﻣﺎﻣﻲ اﻟﻣوﺿﺣﯾن ﺳﺎﺑﻘﺎ‪ ،‬ﻫﻧﺎك اﺳﺗراﺗﯾﺟﯾﺎت ﺑﺣث ﻣﺳﺗﺧدﻣﺔ ﻓﻲ اﻟذﻛﺎء اﻻﺣﺗﺳﺎﺑﻲ‪ ،‬ﻣن ﺧﻼل‬
‫أﻏﻠب اﻟﻣﻧﻬﺟﯾﺎت اﻟﻣﺳﺗﺧدﻣﺔ اﻟﺷﺎﺋﻌﺔ‪ :‬اﻟﺑﺣث اﻷﻓﻘﻲ ‪ Breadth-first search‬واﻟﺑﺣث اﻟرأﺳﻲ ‪(BFS) depth-first‬‬
‫)‪.search (DFS‬‬
‫ﯾﻘ ﺎل أن اﻟﺑﺣث ﺷﺎﻣل إذا ﻛﺎن ﯾﺿﻣن ﺗوﻟﯾد ﺟﻣﯾﻊ اﻟﺣﺎﻻت اﻟﻣﻣﻛن اﻟوﺻول إﻟﯾﻬﺎ‪ ،‬ﻗﺑل أن ﯾﻧﺗﻬﻲ اﻟﺑﺣث ﺑﺎﻟﻔﺷل‪ ،‬وﺗﺳﺗﺧدم‬
‫ﻟﻠﺑﺣث اﻟﺷﺎﻣل أﺷﺟﺎر اﻟﻘرار ‪ ،decision tree‬وﻫﻲ ﺗﻣﺛﯾل رﺳوﻣﻲ ‪ graphical representation‬ﻟﻛل اﻟﺣﺎﻻت اﻟﻣﺣﺗﻣﻠﺔ‬
‫واﻟﻣﺳﺎرات اﻟﻣرﺗﺑطﺔ ﺑﻬﺎ‪.‬‬
‫اﻟﺑﺣث ﺑﺎﻟﻌرض )‪ Breadth-first search (BFS‬أو اﻟﺑﺣث اﻷﻓﻘﻲ‬
‫ﻫو إﺳﺗراﺗﯾﺟﯾﺔ اﻟﺑﺣث اﻟذي ﯾﻛون ﻓﯾﻪ اﻟطﺑﻘﺔ اﻟﻌﻠﯾﺎ ﻣن ﺷﺟرة اﻟﻘرار ﺗﺑﺣث ﺗﻣﺎﻣﺎ ﻗﺑل اﻻﺳﺗﻣرار إﻟﻰ اﻟطﺑﻘﺔ اﻟﺗﺎﻟﯾﺔ‪ .‬ﻓﻲ ﻫذﻩ‬
‫اﻹﺳﺗراﺗﯾﺟﯾﺔ‪ ،‬ﻻ ﯾوﺟد ﺣل ﻗﺎﺑل ﻟﻠﺣﯾﺎة ﯾﺣذف وﻟذﻟك ﯾﻣﻛن ﯾﺿﻣن اﻛﺗﺷﺎف اﻟﺣل اﻟﻣﺛﺎﻟﻲ‪ .‬وﻫذﻩ اﻹﺳﺗراﺗﯾﺟﯾﺔ ﻟﯾﺳت ﻣﺟدﯾﺔ ﻋﺎدة‬
‫ﻋﻧدﻣﺎ ﯾﻛون ﻓﺿﺎء اﻟﺑﺣث ﻛﺑﯾرا‪.‬‬
‫اﻟﺑﺣث ﺑﺎﻟﻌﻣق )‪ Depth-first search (DFS‬أو اﻟﺑﺣث اﻟرأﺳﻲ‬
‫ﺗﻘوم إﺳﺗراﺗﯾﺟﯾﺔ اﻟﺑﺣث ﺑﺎﻟﻌﻣق ﺑﺗوﺳﯾﻊ اﻟﻣﺳﺎر اﻟﺣﺎﻟﻲ ﻟﻠﺑﺣث ﻟﻠﻌﻣق‪ ،‬ﻗﺑل أن ﺗﻌود ﻟﻠﺧف ‪ backtracking‬إﻟﻰ ﻧﻘطﺔ اﻟﺧﯾﺎر‬
‫اﻷﺧﯾر‪ ،‬وﺗﺣﺎول ﻓﻲ اﻟﻣﺳﺎر اﻟﺑدﯾل اﻟﺗﺎﻟﻲ وﻫﻛذا‪ ،‬ﻫذﻩ اﻹﺳﺗراﺗﯾﺟﯾﺔ ﻻ ﺗﺿﻣن إﯾﺟﺎد اﻟﺣل اﻟﻣﺛﺎﻟﻲ‪ ،‬وﻓﯾﻬﺎ ﯾﺻل اﻟﺑﺣث إﻟﻰ اﻟﺣل‬
‫اﻟﻣﻧﺎﺳب ﺑﺷﻛل أﻛﺛر ﺳرﻋﺔ ﻣن اﻟﺑﺣث ﺑﺎﻟﻌرض‪ ،‬وﻫﻲ ﻣﯾزة ﻓﻲ ﺣﺎﻟﺔ ﻛﺎن ﻓﺿﺎء اﻟﺑﺣث ﻛﺑﯾرا‪.‬‬
‫وﻫذﯾن اﻟﻧوﻋﯾن ﻫﻣﺎ أﺳﺎس وﺟود ﺑﺎﻗﻲ ﺗﻘﻧﯾﺎت اﻟﺑﺣث اﻷﺧرى‪.‬‬
‫إﺳﺗراﺗﯾﺟﯾﺔ اﻟﺑﺣث اﻷﻓﻘﻲ )ﺑﺎﻟﻌرض( )‪Breadth-First Search Strategy (BFS‬‬
‫وﻫﻲ ﻧﻔﺳﻬﺎ ﺗﻘﻧﯾﺔ اﻟﺑﺣث اﻟﺷﺎﻣل ‪ ،exhaustive search technique‬اﻟﺑﺣث ﯾوﻟد ﺟﻣﯾﻊ اﻟﻧﻘﺎط ﻋﻠﻰ ﻣﺳﺗوى ﻣﻌﯾن‪ ،‬ﻗﺑل‬
‫اﻟوﺻول إﻟﻰ اﻟﻣﺳﺗوى اﻟﺗﺎﻟﻲ ﻟﻠﺷﺟرة‪ ،‬اﻟﺑﺣث ﺑﺷﻛل ﻣﻧظم ﺗﺳﺗﻣر ﺑﺎﺧﺗﺑﺎر ﻛل ﻧﻘطﺔ ﺗﺻل إﻟﯾﻬﺎ ﻣن اﻟﻧﻘطﺔ اﻷب‪.‬‬
‫اﻟﺑﺣث ﯾﺳﺗﻣر ﻧظﺎﻣﯾﺎ ﺑﺎﺧﺗﺑﺎر ﻛل ﻧﻘطﺔ ﻣﻣﻛﻧﺔ اﻟوﺻول ﻣن اﻟﻧﻘطﺔ اﻷب‪ ،‬ﻗﺑل أن ﺗﺗوﺳﻊ إﻟﻰ أي واﺣد ﻣن اﻟﻧﻘﺎط اﻷﺑﻧﺎء‪،‬‬
‫وﯾﺿﻣن ﻧظﺎم اﻟﺗﺣﻛم أن ﻓﺿﺎء اﻻﻧﺗﻘﺎﻻت اﻟﻣﻣﻛﻧﺔ ﻗد ﺗم اﺧﺗﺑﺎرﻩ ﺑﺎﻧﺗظﺎم‪ ،‬وﯾﺗطﻠب ﻫذا اﻟﺑﺣث أﺧذ ﻣوارد اﻟذاﻛرة ﺑﺎﻻﻋﺗﺑﺎر‪،‬‬
‫واﻟﻔﺿﺎء اﻟذي ﻧﺻل إﻟﯾﻪ ﯾﻛون ﺑﺣﺟم ﻣﺗوﺳط‪ ،‬واﻟﺣل ﻗد ﯾﻘﻊ ﻓﻲ أﻟف ﺧطوة ﺑﻌد ﻧﻘطﺔ اﻟﺑداﯾﺔ‪ ،‬ﻟﻛﻧﻧﺎ ﻧﺿﻣن أﻧﻧﺎ ﻓﻲ ﺣﺎل‬
‫اﻟوﺻول إﻟﻰ ﻣﺳﺎر اﻟﺣل أن ذﻟك اﻟﻣﺳﺎر ﻫو اﻷﻗﺻر اﻟﻣﻣﻛن‪ ،‬وﯾﻧﺗﻬﻲ اﻟﺑﺣث ﻋﻧدﻣﺎ ﻧﺟد اﻟﺣل و ﻧﺗﯾﺟﺔ اﺧﺗﺑﺎر اﻟﺣل ﺗﻛون‬
‫ﺻﺎﺋﺑﺔ‪ ،‬وﯾﻧﺗﻬﻲ اﻟﺑﺣث ﻋﻧدﻣﺎ ﻧﺟد اﻟﺣل وﯾﻛون اﻻﺧﺗﺑﺎر ﺻﺎﺋﺑﺎ‪.‬‬
‫إﺳﺗراﺗﯾﺟﯾﺔ اﻟﺑﺣث اﻟرأﺳﻲ )ﺑﺎﻟﻌﻣق( )‪Depth-First Search Strategy (DFS‬‬
‫ﻫﻲ ﺗﻘﻧﯾﺔ ﺑﺣث ﺷﺎﻣل وﺻوﻻ ﻟﻠﻣﺳﺎر اﻟﻣطﻠوب‪ ،‬وﻫﻧﺎ ﯾﻛون اﻟﺑﺣث ﻣﺳﺗﻣرا ﺣﺗﻰ اﻟﻌﻣق ‪ ،d‬ﻗﺑل أن ﻧﺄﺧذ ﻣﺳﺎرا آﺧر ﺑﺎﻻﻋﺗﺑﺎر‪،‬‬
‫ﻓﺈذا ﻛﺎن اﻟﻌﻣق اﻷﻗﺻﻰ ﻟﺷﺟرة اﻟﺑﺣث ﻫو ﺛﻼﺛﺔ‪ ،‬وﻣن ﺛم إذا ﻛﺎﻧت ﻫذﻩ اﻟﺣدود ﻗﺎﺑﻠﺔ ﻟﻠوﺻول‪ ،‬وﻟم ﯾﺗم اﻟﺣﺻول ﻋﻠﻰ اﻟﺣل‪،‬‬
‫ﻋﻧدﺋذ ﯾﺗم اﻟﻌودة إﻟﻰ اﻟﻣﺳﺗوى اﻟﺳﺎﺑق واﺳﺗﻛﺷﺎف اي ﺑدﯾل ﻣﺗﺑﻘﻲ ﻓﻲ ﻧﻔس اﻟﻣﺳﺗوى‪ ،‬وﻫﻛذا‪.‬‬
‫___________‬
‫‪99 - ٤٦‬‬
‫وٕاﺟراءات اﻟﺗﺗﺑﻊ اﻟﺧﻠﻔﻲ ﻫﻲ اﻟﺗﻲ ﺗﺿﻣن ﺗﻧظﯾم وﺷﻣوﻟﯾﺔ اﺧﺗﺑﺎر ﺟﻣﯾﻊ اﻟﻣﺳﺎرات اﻟﻣﻣﻛﻧﺔ‪ٕ ،‬واذا ﻛﺎﻧت اﻟﺷﺟرة ﻋﻣﯾﻘﺔ ﺟدا وﻛﺎن‬
‫اﻟﻌﻣق اﻷﻗﺻﻰ ﻟﻠﺑﺣث أﻗل ﻣن اﻟﻌﻣق اﻷﻗﺻﻰ ﻟﻠﺷﺟرة‪ ،‬ﻋﻧدﺋذ ﯾﻛون ﻫذا اﻹﺟراء اﻟﻣطﺑق وﯾﺳﻣﻰ ‪"exhaustive modulo of‬‬
‫”‪.depth‬‬
‫اﻟﺗﻌﻣﯾق اﻟﺗﻛراري ﻟﻠﺑﺣث ﺑﺎﻟﻌﻣق )‪Depth-First Iterative-Deepening (DFID‬‬
‫ﺗﻌﺗﺑر ‪ DFID‬ﻧوع آﺧر ﻣن إﺟراءات اﻟﺑﺣث اﻟﺷﺎﻣل اﻟﺗﻲ ﺗﻛون ﻣزﯾﺟﺎ ﻣن اﻟﺑﺣث ﺑﺎﻟﻌﻣق واﻟﺑﺣث ﺑﺎﻟﻌرض‪.‬‬
‫ﺧطوات اﻟﺧوارزﻣﯾﺔ ‪Algorithm : Steps‬‬
‫‪ -‬أوﻻ‪ ،‬ﻧﻧﺟز ﺑﺣﺛﺎ رأﺳﯾﺎ )ﺑﺎﻟﻌﻣق( إﻟﻰ ﻋﻣق واﺣد‪.‬‬
‫‪ -‬ﺛم‪ ،‬ﻧﺑدأ ﺑﺣﺛﺎ ﺟدﯾدا )ﺑﺎﻟﻌﻣق( ﻓﻲ اﻟﻌﻣق اﻟﺛﺎﻧﻲ‪ ،‬ﺑﺗﺟﺎﻫل اﻟﻧﻘﺎط اﻟﻧﺎﺗﺟﺔ ﻋن اﻟﺑﺣث اﻟﺳﺎﺑق‪.‬‬
‫‪ -‬ﺛم‪ ،‬ﻧذﻫب ﻟﻠﻌﻣق اﻟﺛﺎﻟث ﺑﺑﺣث راﺳﻲ )ﺑﺎﻟﻌﻣق(‪ ،‬ﺣﺗﻰ اﻟوﺻول إﻟﻰ اﻟﺣﺎﻟﺔ اﻟﻬدف‪.‬‬
‫اﻟﺑﺣث ﺑﺎﻟﻌﻣق‪ ،‬أو اﻟﺑﺣث اﻟرأﺳﻲ )‪Depth-First Search (DFS‬‬

‫ﻧوﺿﺢ ﻓﯾﻣﺎي ﻟﻲ ﺷﺟرة اﻟﺑﺣث ﺑﺎﻟﻌﻣق أوﻻ‪ ،‬واﻟﺗﺗﺑﻊ اﻟﺧﻠﻔﻲ إﻟﻰ اﻟﻣﺳﺗوى اﻟﺳﺎﺑق‪ ،‬وﺧوارزﻣﯾﺔ اﻟﺑﺣث ﺑﺎﻟﻌﻣق أوﻻ‪.‬‬
‫ﯾﺳﺗﻛﺷف اﻟﺑﺣث ‪ DFS‬اﻟﻣﺳﺎر ﺑﻛل طرﻗﻪ ﺣﺗﻰ اﻷطراف‪ ،‬ﻗﺑل أن ﯾﻌود ﻟﻠﺧﻠف و ﯾﺳﺗﻛﺷف ﻣﺳﺎرا آﺧر‪.‬‬
‫ﻣﺛﺎل ‪:‬ﺷﺟرة ﺑﺣث ﺑﺎﻟﻌﻣق أوﻻ ‪Depth-first search tree‬‬
‫واﺿﺢ ﻣن اﻟﺷﻛل أﻋﻼﻩ أن اﻟﻧﻘﺎط ﺗم اﺳﺗﻛﺷﺎﻓﻬﺎ ﺑﺎﻟﺗرﺗﯾب ﻛﻣﺎ ﯾﻠﻲ‪:‬‬

‫‪ABDEHLMNIOPCFGJKQ‬‬
‫ﺑﻌد اﻟﺑﺣث ﻓﻲ اﻟﻧﻘطﺔ ‪ A‬وﻣن ﺛم ‪ B‬ﺛم ‪ D‬ﯾﺗراﺟﻊ اﻟﺑﺣث وﯾﺣﺎول ﻣﺳﺎرا آﺧر اﻧطﻼﻗﺎ ﻣن اﻟﻧﻘطﺔ ‪ ،B‬وﻋﻠﻰ ذﻟك ﻓﺳﯾﺗم اﻟوﺻول‬
‫إﻟﻰ اﻟﻧﻘطﺔ اﻟﻬدف ‪ N‬ﻗﺑل اﻟﻧﻘطﺔ اﻟﻬدف ‪.J‬‬
‫‪Algorithm - Depth-first search‬‬ ‫ﺧوارزﻣﯾﺔ اﻟﺑﺣث ﺑﺎﻟﻌﻣق‬
‫أوﻻ‬
‫;‪Put the root node on a stack‬‬ ‫ﻧﺿﻊ اﻟﻧﻘطﺔ اﻟﺟذر ﻓﻲ اﻟﻣﻛدس‪ ،‬ﺛم ﻧﺑدأ ﺟﻣﻠﺔ ﺗﻛرارﯾﺔ ﺗﺳﺗﻣر‬
‫___________‬
‫‪99 - ٤٧‬‬
‫)‪while (stack is not empty‬‬ ‫طﺎﻟﻣﺎ أن اﻟﻣﻛدس ﻏﯾر ﻓﺎرغ‪ ،‬ﺗﺑدأ اﻟﺣﻠﻘﺔ اﻟﺗﻛرارﯾﺔ ﺑﺄﺧذ اﻟﻧﻘطﺔ‬
‫;‪{ remove a node from the stack‬‬ ‫ﻣن اﻟﻣﻛدس‪ ،‬ﻓﺈذا ﻛﺎﻧت ﻫذﻩ اﻟﻧﻘطﺔ ﻫﻲ اﻟﻬدف ﻓﻬﻲ ﺗﺧرج‬
‫;‪if (node is a goal node) return success‬‬ ‫ﻣن اﻟﺣﻠﻘﺔ ﻛﻧﺟﺎح ﻟﻠﺑﺣث‪ٕ ،‬واﻻ ﻓﺈﻧﻬﺎ ﺗﺿﻊ ﻛل اﻟﻧﻘﺎط اﻷﺑﻧﺎء‬
‫} ;‪put all children of node onto the stack‬‬ ‫ﻟﺗﻠك اﻟﻧﻘطﺔ ﻓﻲ اﻟﻣﻛدس‪.‬‬
‫;‪return failure‬‬ ‫ﻓﻲ ﺣﺎل اﻟﺧروج ﻣن اﻟﻣﻛدس اﻟﻔﺎرغ ﺗﻌود ﺑﻔﺷل اﻟﺑﺣث ﻓﻲ‬
‫إﯾﺟﺎد اﻟﻧﻘﺎط اﻟﻬدف‪.‬‬
‫ﻣﻼﺣظﺎت‪:‬‬
‫‪ -‬ﻓﻲ ﻛل ﺧطوة‪ ،‬ﯾﺗﻛون اﻟﻣﻛدس ﻣن ﺑﻌض اﻟﻧﻘﺎط ﻣن أي ﻣﺳﺗوى ﯾﻣر ﺑﻪ‪.‬‬
‫‪ -‬ﺣﺟم اﻟﻣﻛدس اﻟﻣطﻠوب ﯾﻌﺗﻣد ﻋﻠﻰ ﻋﺎﻣل اﻟﺗﻔرع ‪.b‬‬
‫‪ -‬ﻓﻲ ﻣﺳﺗوى اﻟﺑﺣث ‪ ،n‬ﯾﺣﺗوي اﻟﻣﻛدس ﺗﻘرﯾﺑﺎ ﻋﻠﻰ ‪ b * n‬ﻧﻘطﺔ‪.‬‬
‫‪ -‬وﻋﻧدﻣﺎ ﺗﻧﺟﺢ ﻫذﻩ اﻟطرﯾﻘﺔ ‪ ،‬ﻓﻬﻲ ﻻ ﺗﻌطﯾﻧﺎ اﻟﻣﺳﺎر‪.‬‬
‫‪ -‬وﻟﻛﻲ ﻧﺳﺟل ﻣﺳﺎر اﻟﺑﺣث ﻧﺣﺗﺎج إﻟﻰ اﻟﺧوارزﻣﯾﺔ ”‪ “Recursive depth-first search‬وﻣﻛدس ﻛﺑﯾر اﻟﺣﺟم‪.‬‬
‫اﻟﺑﺣث ﺑﺎﻟﻌرض أوﻻ )‪Breadth-First Search (BFS‬‬
‫ﻧوﺿﺢ ﻫﻧﺎ ﺷﺟرة اﻟﺑﺣث ﺑﺎﻟﻌرض‪ ،‬وﺧوارزﻣﯾﺔ اﻟﺑﺣث ﺑﺎﻟﻌرض أوﻻ أو اﻟﺑﺣث اﻷﻓﻘﻲ‪ ،‬وﻧﺳﺗﻛﺷف ﻓﻲ ﻫذا اﻟﺑﺣث اﻟﻧﻘﺎط اﻷﻗرب‬
‫إﻟﻰ اﻟﺟذر‪ ،‬ﻗﺑل اﺳﺗﻛﺷﺎف اﻟﻧﻘﺎط اﻵﺑﺎء أو اﻟﻧﻘﺎط اﻷﺑﻌد‪.‬‬
‫ﻣﺛﺎل ﻟﺷﺟرة اﻟﺑﺣث ﺑﺎﻟﻌرض أوﻻ ‪Breadth-first search tree‬‬
‫ﻻﺣظ أن اﻟﻧﻘﺎط اﻟﻣﺳﺗﻛﺷﻔﺔ وﻓق اﻟﺑﺣث ﺑﺎﻟﻌرض ﻫﻲ‪:‬‬

‫‪ABCDEFGHIJKLMNOPQ‬‬
‫ﺑﻌد اﻟﺑﺣث ﻓﻲ اﻟﻧﻘطﺔ ‪ A‬ﺛم ‪ B‬ﺛم ‪ ،C‬ﯾﺳﺗﻣر اﻟﺑﺣث إﻟﻰ اﻟﻣﺳﺗوى اﻟﺛﺎﻧﻲ ﻓﻲ اﻟﻧﻘطﺔ ‪ D‬ﺛم ‪... E‬ﺣﺗﻰ ﻧﻬﺎﯾﺔ اﻟﻣﺳﺗوى اﻟﺛﺎﻧﻲ‪،‬‬
‫ﺛم ﯾﻧزل إﻟﻰ اﻟﻣﺳﺗوى اﻟﺛﺎﻟث ﻣﺎداﻣت اﻟﻧﻘطﺔ اﻟﻬدف ﻟم ﺗﺳﺗﻛﺷف ﺑﻌد‪ ،‬وﻧﻼﺣظ ﻣن اﻟﺷﺟرة أﻋﻼﻩ أن اﻟﻧﻘطﺔ اﻟﻬدف ‪ J‬ﻗد‬
‫اﻛﺗﺷﻔت ﻗﺑل اﻟوﺻول ﻟﻠﻧﻘطﺔ اﻟﻬدف ‪. N‬‬
‫___________‬
‫‪99 - ٤٨‬‬
‫‪Algorithm - Breadth-first search‬‬ ‫ﺧوارزﻣﯾﺔ اﻟﺑﺣث اﻷﻓﻘﻲ )ﺑﺎﻟﻌرض اوﻻ(‬

‫;‪Put the root node on a queue‬‬ ‫ﻧﺿﻊ اﻟﻧﻘطﺔ اﻟﺟذر ﻓﻲ اﻟطﺎﺑور‪ ،‬ﺛم ﻧﺑدأ اﻟﺣﻠﻘﺔ اﻟﺗﻲ ﺗﺳﺗﻣر طﺎﻟﻣﺎ‬
‫)‪while (queue is not empty‬‬ ‫ﻛﺎن اﻟطﺎﺑور ﻏﯾر ﻓﺎرﻏﺎ‪ ،‬وﻓﯾﻬﺎ ﻧﺄﺧذ ﻧﻘطﺔ ﻣن اﻟطﺎﺑور‪ ،‬ﻓﺈذا‬
‫;‪{ remove a node from the queue‬‬ ‫ﻛﺎﻧت ﻫﻲ اﻟﻧﻘطﺔ اﻟﻬدف‪ ،‬ﻧﻌود ﻣن اﻟﺧوارزﻣﯾﺔ ﺑﺎﻟﻧﺟﺎح‪ٕ ،‬واﻻ ﻧﺿﻊ‬
‫;‪if (node is a goal node) return success‬‬ ‫ﻓﻲ اﻟطﺎﺑور ﻛل اﻟﻧﻘﺎط اﻷﺑﻧﺎء ﻟﺗﻠك اﻟﻧﻘطﺔ ‪.‬‬
‫} ;‪put all children of node onto the queue‬‬ ‫ٕوان اﻧﺗﻬت اﻟﺣﻠﻘﺔ ﺑدون ﻧﺗﯾﺟﺔ ﻧﻌﻠن ﻓﺷل اﻟﺧوارزﻣﯾﺔ ﻓﻲ اﻟﻌﺛور‬
‫;‪return failure‬‬ ‫ﻋﻠﻰ اﻟﻬدف‪.‬‬
‫ﻣﻼﺣظﺎت‪:‬‬
‫‪ -‬ﯾﺗم ﺗﺣﻣﯾل اﻟطﺎﺑور ﺑﺟﻣﯾﻊ اﻟﻧﻘﺎط ﻓﻲ اﻟﻣﺳﺗوى ‪ ،n‬ﻗﺑل اﻟﺑدء ﻓﻲ اﺳﺗﻛﺷﺎف ذﻟك اﻟﻣﺳﺗوى‪.‬‬
‫‪ -‬ﻓﻲ اﻟﺷﺟرة اﻟﻣﺛﺎﻟﯾﺔ‪ ،‬ﯾﻛون ﯾﺗزاﯾد ﻋدد اﻟﻧﻘﺎط ﻓﻲ ﻛل ﻣﺳﺗوى طردﯾﺎ ﻣﻊ اﻟﻌﻣق‪.‬‬
‫‪ -‬ﻣﺗطﻠﺑﺎت اﻟذاﻛرة ‪ Memory requirements‬ﻗد ﺗﻛون ﻏﯾر ﻛﺎﻓﯾﺔ‪.‬‬
‫‪ -‬إذا ﻧﺟﺣت ﻫذﻩ اﻟطرﯾﻘﺔ وﺗوﺻﻠت إﻟﻰ اﻟﺣل‪ ،‬ﻓﻬﻲ ﻻ ﺗﻌطﯾﻧﺎ ﻣﺳﺎر اﻟﺣل‪.‬‬
‫‪ -‬وﻻ ﺗوﺟد ﻫﻧﺎ داﻟﺔ ﺗﻌﺎودﯾﻪ ‪ recursive‬ﻣﺷﺎﺑﻬﺔ ﻟﺗﻠك ﻓﻲ اﻟﺑﺣث اﻷﻓﻘﻲ اﻟﺳﺎﺑق‪.‬‬
‫ﻣﻘﺎرﻧﺔ ﺑﯾن اﻟﺑﺣث اﻷﻓﻘﻲ واﻟرأﺳﻲ ‪Compare Depth-First and Breadth-First Search‬‬
‫ﻓﯾﻣﺎ ﯾﻠﻲ ﻣﻘﺎرﻧﺔ ﺑﯾن اﻟﺧوارزﻣﯾﺗﯾن ﻋﻠﻰ ﻣﺳﺗوى اﻟﻣﻣﯾزات وﻛﯾﻔﯾﺔ ﺗﺟﺎوز اﻟﻣﻌوﻗﺎت‪.‬‬
‫اﻟﺑﺣث اﻷﻓﻘﻲ ‪Breadth-first search‬‬ ‫اﻟﺑﺣث اﻟرأﺳﻲ ‪Depth-first search‬‬ ‫اﻟﻣﻘﺎرﻧﺔ‬
‫ﻧﻔس اﻟﺧوارزﻣﯾﺔ ﻟﻛن ﺑﺎﺳﺗﺧدام اﻟﻣﻛدس ‪:stack‬‬ ‫ﻧﻔس اﻟﺧوارزﻣﯾﺔ ﻟﻛن ﺑﺎﺳﺗﺧدام اﻟطﺎﺑور‪:queue‬‬ ‫اﻟﺧوارزﻣﯾﺎت‬
‫;‪Put the root node on a stack‬‬ ‫;‪Put the root node on a queue‬‬
‫)‪while (stack is not empty‬‬ ‫)‪while (queue is not empty‬‬
‫{‬ ‫{‬
‫;‪remove a node from the stack‬‬ ‫;‪remove a node from the queue‬‬
‫)‪if (node is a goal node‬‬ ‫)‪if (node is a goal node‬‬
‫;‪return success‬‬ ‫;‪return success‬‬
‫‪put all children of node‬‬ ‫‪put all children of node‬‬
‫;‪onto the stack‬‬ ‫;‪onto the queue‬‬
‫}‬ ‫}‬
‫;‪return failure‬‬ ‫;‪return failure‬‬
‫ﻋﻧد اﻟﻧﺟﺎح ﻓﺈن اﻟﻧﻘطﺔ اﻟﻬدف اﻟﻣﻛﺗﺷﻔﺔ ﻻ ﺗﻛون ﻋﻧد اﻟﻧﺟﺎح ﻧﺣﺻل ﻋﻠﻰ اﻟﻣﺳﺎر اﻷدﻧﻰ واﻷﻗرب‬ ‫ﻣﻘﺎرﻧﺔ اﻟﻣﯾزات‬
‫ﻟﻠﺟذر ﻟﻠﻧﻘطﺔ اﻟﻬدف‪.‬‬ ‫ﺑﺎﻟﺿرورة ﺑﺎﻟﻌﻣق اﻷدﻧﻰ‪.‬‬
‫اﻟﺷﺟرة اﻟﻛﺑﯾرة ﻗد ﺗﺗطﻠب ذاﻛرة ﻣﻔرطﺔ اﻟﺣﺟم اﻟﺷﺟرة اﻟﻛﺑﯾرة ﻗد ﺗﺗطﻠب ذاﻛرة ﻣﻔرطﺔ اﻟﺣﺟم‬
‫‪ ،excessive memory‬وذﻟك ﺣﺗﻰ ﻹﯾﺟﺎد ﻧﻘطﺔ ‪.excessive memory‬‬
‫ﻗرﯾﺑﺔ ﻟﻠﻬدف‪.‬‬
‫ﻛﯾﻔﯾﺔ ﺗﺟﺎوز ﻣﻌوﻗﺎت ‪ limitations‬ﺧوارزﻣﯾﺗﻲ اﻟـ ‪ DFS‬واﻟـ ‪ BFS‬؟‬
‫ﯾﺗطﻠب اﻷﻣر آﻟﯾﺔ ﻣﻌﯾﻧﺔ ﻟﺗﺟﺎوز اﻟﺳﻠﺑﯾﺎت‪ ،‬ودﻣﺞ اﻹﯾﺟﺎﺑﯾﺎت ﻟﻠﺧوارزﻣﯾﺗﯾن‪ ،‬وﻫذا ﻧراﻩ ﻓﻲ ﺧوارزﻣﯾﺔ اﻟﺑﺣث ﺑﺎﻟﻌﻣق‪-‬اﻟﻣﺣدود‬
‫‪ ،Depth-limited search‬وﻫذا ﯾﻌﻧﻲ ﺗﻧﻔﯾذ اﻟﺑﺣث اﻟرأﺳﻲ ﺑﺎﻟﻌﻣق أوﻻ ﻣﻊ اﻟﻌﻣق اﻟﻣﺣدود‪.‬‬
‫___________‬
‫‪99 - ٤٩‬‬
‫‪ (٤‬ﺗﻘﻨﻴﺎﺕ ﺍﻟﺒﺤﺚ ﺑﺂﻟﻴﺔ ﺍﻟﻜﺸﻒ ‪Heuristic Search Techniques‬‬

‫ﻟﻠﻣﺳﺎﺋل اﻟﻣﻌﻘدة‪ ،‬اﻟﺧوارزﻣﯾﺎت اﻟﺗﻘﻠﯾدﯾﺔ اﻟﻣذﻛورة أﻋﻼﻩ‪ ،‬ﻻ ﺗﻘدر ﻋﻠﻰ إﯾﺟﺎد اﻟﺣل ﻣن ﺿﻣن زﻣن واﻗﻌﻲ وﻓﺿﺎء ﻣﺣدد‪ ،‬وﻟﻬذا‪،‬‬
‫ﻛﺛﯾر ﻣن اﻟﺗﻘﻧﯾﺎت طورت‪ ،‬ﺑﺎﺳﺗﺧدام دوال آﻟﯾﺔ اﻟﻛﺷف ‪:heuristic functions‬‬
‫اﻟﺑﺣث اﻷﻋﻣﻰ ﻏﯾر ﻣﻣﻛن داﺋﻣﺎ ﻷﻧﻪ ﯾﺗطﻠب زﻣن أو ذاﻛرة ﻛﺑﯾرﺗﯾن‪ ،‬أﻣﺎ اﻟﺑﺣث اﻟﻣوﺟﻪ ﻓﻬو ﺗﻘﻧﯾﺔ ﺿﻌﯾﻔﺔ‪ ،‬ﻟﻛﻧﻪ ﯾﻣﻛن أن ﯾﻛون‬
‫ﻓﻌﺎﻻ‪ ،‬إن ﺗم ﺗطﺑﯾﻘﻪ ﺑﺷﻛل ﺻﺣﯾﺢ‪ ،‬ﻓﻬو ﯾﺗطﻠب ﻣﻌﻠوﻣﺎت ﻣﺣددة ﻋن ﻣﯾدان اﻟﻣﺳﺄﻟﺔ‪.‬‬
‫ﺧﺻﺎﺋص اﻟﺑﺣث ﻣﻊ اﻟﻛﺷف ‪Characteristics of Heuristic Search‬‬
‫آﻟﯾﺎت اﻟﻛﺷف ‪ Heuristics‬ﻫﻲ ﺗﻠك اﻟﻣﻌرﻓﺔ ﻋن ﻣﯾدان اﻟﻣﺳﺄﻟﺔ‪ ،‬اﻟﺗﻲ ﺗﺳﺎﻋد اﻟﺑﺣث واﻻﺳﺗﻧﺑﺎط ﻓﻲ ذﻟك اﻟﻣﯾدان‪ ،‬وﻫو ﯾدﻣﺞ‬
‫اﻟﻣﻌرﻓﺔ اﻟﻣﯾداﻧﯾﺔ ﻟﺗطوﯾر اﻟﻛﻔﺎءة ﻋﺑر اﻟﺑﺣث اﻷﻋﻣﻰ‪ ،‬وﻫﻲ دوال ﻋﻧد ﺗطﺑﯾﻘﻬﺎ ﻋﻠﻰ اﻟﺣﺎﻻت‪ ،‬ﺗﻌﯾد ﻟﻧﺎ ﻗﯾﻣﺎ ﻛﻣﺎ ﻗدرﻧﺎ ﻟﺗﻠك‬
‫اﻟﺣﺎﻻت‪ ،‬ﻓﯾﻣﺎ ﯾﺗﻌﻠق ﺑﺎﻟﻬدف‪ ،‬وﻗد ﺗﻛون آﻟﯾﺎت اﻻﻛﺗﺷﺎف أﻗل ﻣن أو أﻛﺑر ﻣن ﺗﻠك اﻟﻣﻘدر ﻟﻠﺣﺎﻻت اﺳﺗﺣﻘﺎﻗﻬﺎ ﻓﯾﻣﺎ ﯾﺗﻌﻠق‬
‫ﺑﺎﻟﺣﺎﻟﺔ اﻟﻬدف‪ ،‬وآﻟﯾﺎت اﻟﻛﺷف اﻟﺗﻲ ﺗﻛون اﻗل ﻣن اﻟﺗوﻗﻊ ﺗﻛون ﻣطﻠوﺑﺔ وﻧدﻋوﻫﺎ ﺑﺎﻟﻣﻘﺑوﻟﺔ ‪.admissible‬‬
‫داﻟﺔ ﺗﻘﯾﯾم اﻟﻛﺷف ﺗﻘدم ﺗﻘدﯾرا ﻋن إﻣﻛﺎﻧﯾﺔ إﻋطﺎء اﻟﺣﺎﻟﺔ اﻟﺗﻲ ﺗﻘود إﻟﻰ اﻟﺣﺎﻟﺔ اﻟﻬدف‪ ،‬وداﻟﺔ اﻟﺑﺣث اﻟﻣوﺟﻪ ﺗﻌطﻲ ﺗﻛﻠﻔﺔ ﺗﻘدﯾرﯾﺔ‬
‫ﻣن اﻟﺣﺎﻟﺔ اﻟﺣﺎﻟﯾﺔ إﻟﻰ اﻟﻬدف‪ ،‬ﺑﺎﻓﺗراض ﻛﻔﺎءة اﻟداﻟﺔ‪.‬‬
‫اﻟﺑﺣث ﺑﺂﻟﯾﺔ اﻟﻛﺷف ‪ Heuristic Search‬ﻣﻘﺎرﻧﺔ ﺑﺗﻘﻧﯾﺔ اﻟﺑﺣث اﻷﻋﻣﻰ أو اﻟﻘوة اﻟﻌﻣﯾﺎء‪:‬‬
‫‪Brute force / Blind search‬‬ ‫‪Heuristic search‬‬
‫‪ -‬ﻟدﯾﻬﺎ ﻣﻌرﻓﺔ ﻓﻘط ﻋن اﻟﻧﻘﺎط اﻟﺗﻲ ﻗﺎﻣت ﺑﺎﺳﺗﻛﺷﺎﻓﻬﺎ‬ ‫‪ -‬ﯾﻘوم ﺑﺗﻘدﯾر ﻣﺳﺎﻓﺔ ”‪ “distance‬إﻟﻰ اﻟﺣﺎﻟﺔ اﻟﻬدف‪.‬‬
‫ﻣن ﻗﺑل‪.‬‬ ‫‪ -‬ﯾرﺷد ﻋﻣﻠﯾﺎت اﻟﺑﺣث ﺑﺎﺗﺟﺎﻩ اﻟﺣﺎﻟﺔ اﻟﻬدف‪.‬‬
‫‪ -‬ﻻ ﺗوﺟد ﻣﻌرﻓﺔ ﺣول ﻛﯾف ﺗﺑﻌد أي ﻧﻘطﺔ ﻋن اﻟﺣﺎﻟﺔ‬ ‫‪ -‬ﯾﻣﯾز اﻟﺣﺎﻻت )اﻟﻧﻘﺎط( اﻷﻗرب ﻣﺳﺎﻓﺔ إﻟﻰ اﻟﺣﺎﻟﺔ‬
‫اﻟﻬدف‪.‬‬ ‫اﻟﻬدف‪ ،‬وﻟﯾﺳت ﺑﻌﯾدة ﻋﻧﻬﺎ‪.‬‬
‫ﻟﻌﺑﺔ اﻟﻠﻐز ﺑﺛﻣﺎن ﻣرﺑﻌﺎت ‪8 – Puzzle‬‬
‫‪state Initial‬‬ ‫‪Goal state‬‬

‫ﻓﺿﺎء اﻟﺣﺎﻟﺔ‪ :‬ﯾﺗﻛون ﻣن اﻟﻘطﻊ اﻟﺛﻣﺎن ﻋﻠﻰ اﻟﻠوح )ﻛﻣﺎ ﻓﻲ اﻟﺷﻛل( ‪.‬‬
‫اﻟﺣﺎﻟﺔ اﻻﺑﺗداﺋﯾﺔ ‪ :state Initial‬أي ﻓﺿﺎء ﺣﺎﻟﺔ ﻏﯾر ﻣرﺗب ﻛﻣﺎ ﻓﻲ اﻟﺷﻛل‪.‬‬
‫اﻟﺣﺎﻟﺔ اﻟﻬدف ‪ :Goal state‬اﻟﻘطﻊ اﻟﺛﻣﺎن ﻣرﺗﺑﺔ ﻛﻣﺎ ﻓﻲ اﻟﺷﻛل‪.‬‬
‫اﻟﺣل ‪ :Solution‬اﻟﺳﻠﺳﻠﺔ اﻟﻣﺛﺎﻟﯾﺔ ﻟﻠﻣﺷﺗﻐﻠﯾن ﺑﺎﻟﻠﻌﺑﺔ ﻟﺗﺣﻘﯾق اﻟﺣﺎﻟﺔ اﻟﻬدف‪.‬‬
‫اﻟﻔﻌل ‪ :Action‬ﺗﺣرﯾك اﻟﻣرﺑﻊ اﻟﻔﺎرغ ”‪“blank moves‬‬
‫اﻟﺷروط ‪ :Condition‬أن ﺗﻛون اﻟﺣرﻛﺎت )اﻷﻓﻌﺎل( ﺧﻼل ﺿﻣن اﻟﻠوح‪.‬‬
‫اﻹﺗﺟﺎﻫﺎت ‪ :Directions‬اﻻﺗﺟﺎﻫﺎت اﻷرﺑﻊ إن أﻣﻛن ‪.Left, Right, Up, Dn‬‬
‫___________‬
‫‪99 - ٥٠‬‬
‫اﻟﻣﺳﺄﻟﺔ ‪Problem‬‬
‫‪ -‬أي ﺗﺣرﯾﻛﺎت اﻟﻠﻐز ‪ 8-puzzle‬ﻫﻲ اﻷﻓﺿل؟‬
‫‪ -‬ﻣﺎ ﻫﻲ آﻟﯾﺔ اﻟﻛﺷف اﻟﺗﻲ ﯾﻣﻛن اﺳﺗﺧداﻣﻬﺎ؟‬
‫‪ -‬أي اﻟﺧطوات أﻓﺿل ﻣن ﻧﺎﺣﯾﺔ‪ ،‬ﻋدم اﻟﺑدء ﺑﺎﻷﺳوأ‪.‬‬
‫اﻷﻓﻌﺎل ‪Actions‬‬
‫اﻟﺷﻛل أدﻧﺎﻩ ﯾوﺿﺢ ﻟﻧﺎ ﺛﻼﺛﺔ ﺣﺎﻻت اﻧﺗﻘﺎﻟﯾﺔ ﻣﺣﺗﻣﻠﺔ‪left , up, right :‬‬
‫‪ ‬ﺗطﺑﯾق آﻟﯾﺔ اﻟﻛﺷف ﯾﻛون ﺑﺛﻼﺛﺔ ﻣﻧﻬﺟﯾﺎت ﻣﺧﺗﻠﻔﺔ‪:‬‬

‫‪ o‬ﻧﻘوم ﺑﺣﺳﺎب اﻟﻣواﻗﻊ اﻟﺻﺣﯾﺣﺔ ﻟﻛل ﻗطﻌﺔ‪ ،‬ﻣﻘﺎرﻧﺔ ﺑﺎﻟﺣﺎﻟﺔ اﻟﻬدف‪.‬‬
‫‪ o‬ﻧﺣﺳب اﻟﻣواﻗﻊ اﻟﺧﺎطﺋﺔ ﻟﻛل ﻗطﻌﺔ ﻣﻘﺎرﻧﺔ ﺑﺎﻟﺣﺎﻟﺔ اﻟﻬدف‪.‬‬
‫‪ o‬ﻧﺣﺳب ﻛم ﺗﺑﻌد ﻛل ﻗطﻌﺔ ﻋن ﻣوﻗﻌﻬﺎ اﻟﺻﺣﯾﺢ ﻓﻲ اﻟﺣﺎﻟﺔ اﻟﻬدف‪.‬‬
‫ﺑﺎﻟﻧﺳﺑﺔ ﻟﻠﺣﺎﻻت ﻓﻲ اﻟﻣﺛﺎل ﺑﺎﻟﺷﻛل اﻟﺳﺎﺑق‪ ،‬اﻟﺟدول اﻟﺗﺎﻟﻲ ﯾوﺿﺢ اﻟﺣﺳﺎﺑﺎت أﻋﻼﻩ‪:‬‬
‫‪Approaches‬‬ ‫‪Left‬‬ ‫‪Right‬‬ ‫‪Up‬‬
‫‪1. Count correct position‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪5‬‬
‫‪2. Count incorrect position‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪3‬‬
‫‪3. Count how far away‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪4‬‬
‫آﻟﯾﺔ اﻻﻛﺗﺷﺎف ‪: Heuristic‬‬
‫ﻛﻣﺎ ﻫو أﻋﻼﻩ‪ ،‬ﻫﻧﺎك ﺛﻼﺛﺔ ﻣﻧﻬﺟﯾﺎت ‪ approaches‬ﻵﻟﯾﺔ اﻟﻛﺷف‪:‬‬
‫اﻟﻣﻧﻬﺟﯾﺔ اﻷوﻟﻰ ‪1st approach‬‬
‫ﻣﻧﻬﺟﯾﺔ‪:‬ﺣﺳﺎب اﻟﻣواﻗﻊ اﻟﺻﺣﯾﺣﺔ ﻟﻛل ﻗطﻌﺔ ﻣﻘﺎرﻧﺔ ﺑﺎﻟﺣﺎﻟﺔ اﻟﻬدف‪ ،‬وﺗﻛون اﻟﻣﻧﻬﺟﯾﺔ ﻧﺎﺟﺣﺔ أﻛﺛر ﻛﻠﻣﺎ ﻛﺎن ﻋدد اﻟﺣﺎﻻت‬
‫ﺻﺣﯾﺣﺔ اﻟﻣوﻗﻊ أﻛﺛر ﻓﻲ اﻟﺣﺎﻟﺔ اﻻﺑﺗداﺋﯾﺔ‪ ،‬ﻛﻣﺎ ﺗﺗﺻف ﺑﺳﻬوﻟﺔ اﻟﺣﺳﺎب ﻓﻬﻲ أﺳرع وﺗﺄﺧذ ذاﻛرة أﻗل‪ ،‬ﻛﻣﺎ أﻧﻬﺎ أﺳﻬل طرق‬
‫اﻟﻛﺷف اﻟﻣﺣﺗﻣﻠﺔ‪.‬‬
‫___________‬
‫‪99 - ٥١‬‬
‫اﻟﻣﻧﻬﺟﯾﺔ اﻟﺛﺎﻧﯾﺔ ‪2nd approach‬‬

‫ﻣﻧﻬﺟﯾﺔ‪ :‬ﺣﺳﺎب اﻟﻣواﻗﻊ ﻏﯾر اﻟﺻﺣﯾﺣﺔ ﻟﻛل ﻗطﻌﺔ‪ ،‬ﻣﻘﺎرﻧﺔ ﺑﺎﻟﺣﺎﻟﺔ اﻟﻬدف‪ ،‬وﺗﻛون اﻟﻣﻧﻬﺟﯾﺔ أﻓﺿل ﻛﻠﻣﺎ ﻛﺎن ﻋدد اﻟﺣﺎﻻت‬
‫اﻟﺧﺎطﺋﺔ أﻗل‪ ،‬وﺗﻛون اﻟﺣرﻛﺔ اﻷﻓﺿل ﻫﻲ اﻟﺗﻲ ﺗؤدي إﻟﻰ إﻧﻘﺎص ﻋدد اﻟﺣﺎﻻت اﻟﻌﺎﺋدة ﻣن ﻣﻧﻬﺟﯾﺔ اﻟﻛﺷف‪.‬‬
‫اﻟﻣﻧﻬﺟﯾﺔ اﻟﺛﺎﻟﺛﺔ ‪3rd approach‬‬
‫ﻣﻧﻬﺟﯾﺔ‪ :‬ﺣﺳﺎب ﻛم ﺗﺑﻌد ﻛل ﻗطﻌﺔ ﻋن اﻟﻣوﻗﻊ اﻟﺻﺣﯾﺢ‪ ،‬أي ﻛم ﻋدد اﻻﻧﺗﻘﺎﻻت اﻟﻼزﻣﺔ ﻟوﺻول اﻟﻘطﻌﺔ إﻟﻰ ﻣوﻗﻌﻬﺎ اﻟﺻﺣﯾﺢ‪،‬‬
‫وﺣﺳﺎب اﻟﻌدد اﻹﺟﻣﺎﻟﻲ ﻟﺟﻣﯾﻊ اﻟﻘطﻊ‪ ،‬واﻓﺿل ﺣرﻛﺔ ﻫﻲ اﻟﺗﻲ ﺗؤدي إﻟﻰ إﻧﻘﺎص اﻟﺣﺎﻻت اﻟﻌﺎﺋدة ﻣن آﻟﯾﺔ اﻟﻛﺷف‪.‬‬
‫ﺧوارزﻣﯾﺎت اﻟﺑﺣث ﺑﺂﻟﯾﺔ اﻟﻛﺷف ‪Heuristic Search Algorithms‬‬
‫‪Generate-And-Test‬‬ ‫ﺧوارزﻣﯾﺔ اﻓﺗرض واﺧﺗﺑر‬
‫‪Hill climbing‬‬ ‫ﺧوارزﻣﯾﺔ ﺗﺳﻠق اﻟﺟﺑل‬
‫‪Best First Search‬‬ ‫ﺧوارزﻣﯾﺔ اﻟﺑﺣث ﻋن اﻷﻓﺿل اوﻻ‬
‫‪Problem Reduction‬‬ ‫ﺧوارزﻣﯾﺔ اﻟﺑﺣث ﺑﺗﻘﻠﯾص اﻟﻣﺷﻛﻠﺔ‬
‫‪Constraint Satisfaction‬‬ ‫ﺧوارزﻣﯾﺔ ﺗﺣﻘﯾق ﺷرط اﻟرﺿﺎ‬
‫‪Mean-end Analysis‬‬ ‫ﺧوارزﻣﯾﺔ اﻟﻧﻬﺎﯾﺔ اﻟﻣطﻠوﺑﺔ‬
‫___________‬
‫‪99 - ٥٢‬‬
‫‪ (٥‬ﳕﺎﺫﺝ ﻭﻣﺴﺎﺋﻞ ﺷﺮﻁ ﺍﻟﺮﺿﺎ ‪Constraint Satisfaction Problems (CSPs) and Models‬‬
‫اﻟﺷروط ﺗظﻬر ﻓﻲ ﻣﻌظم ﻣﺟﺎﻻت اﻟﻣﺳﺎﻋﻲ اﻟﺑﺷرﯾﺔ‪ ،‬وﻫﻲ وﺳﺎﺋط طﺑﯾﻌﻲ ﻟﻠﻧﺎس ﻛﻲ ﺗﻌﺑر ﻋن اﻟﻣﺷﺎﻛل واﻟﻣﺳﺎﺋل ﻓﻲ أﻛﺛر‬
‫اﻟﺣﻘول‪.‬‬
‫أﻛﺛر اﻟﻣﺳﺎﺋل اﻟﺣﻘﯾﻘﯾﺔ ﻓﻲ اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ﯾﻣﻛن ان ﺗﻧﻣذج ﻛﻣﺳﺎﺋل ﺷرط اﻟرﺿﺎ )‪ ،(CSPs‬وﯾﺗم ﺣﻠﻬﺎ ﻋﺑر ﺗﻘﻧﯾﺎت‬
‫اﻟﺑﺣث‪ ،‬وﻣن أﻣﺛﻠﺔ اﻟﺷروط‪:‬‬
‫‪ -‬ﻣﺟﻣوﻋﺔ ﺛﻼﺛﺔ زواﯾﺎ اﻟﻣﺛﻠث ﻫو ‪ ١٨٠‬درﺟﺔ‪.‬‬
‫‪ -‬ﻣﺟﻣوﻋﺔ اﻟﺗﯾﺎرات اﻟﺗﻲ ﺗﺻب ﻓﻲ ﻧﻘطﺔ واﺣدة ﯾﺟب أن ﯾﺳﺎوي ﺻﻔر‪.‬‬
‫اﻟﺷرط ﻫﻲ ﻋﻼﻗﺔ ﻣﻧطﻘﯾﺔ ﺑﯾن ﻣﺗﻐﯾرﯾن أو ﻋدة ﻣﺗﻐﯾرات‪ ،‬ﻓﺎﻟﺷروط ﺗرﺑط اﻟﻛﺎﺋﻧﺎت ﺑدون ﺗﺣدﯾد دﻗﯾق ﻟﻣواﻗﻌﻬﺎ‪ ،‬وﻋﻧد ﺗﺣرﯾك‬
‫أي واﺣد ﻣﻧﻬﺎ ﻧظل ﻣﺣﺎﻓظﯾن ﻋﻠﻰ اﻟﻌﻼﻗﺔ‪ ،‬ﻣﺛﺎل‪" :‬اﻟداﺋرة داﺧل اﻟﻣرﺑﻊ"‪.‬‬
‫ﺷرط اﻟرﺿﺎ ‪Constraint satisfaction‬‬
‫ﺷرط اﻟرﺿﺎ ﻫو ﻋﻣﻠﯾﺔ إﯾﺟﺎد اﻟﺣل ﻟﻣﺟﻣوﻋﺔ ﻣﻌﯾﻧﺔ ﻣن اﻟﺷروط‪ ،‬ﻫذﻩ اﻟﺷروط ﺗﺣدد ﺳﻣﺎﺣﯾﺔ اﻟﻘﯾم ﻟﻠﻣﺗﻐﯾرات‪ٕ ،‬واﯾﺟﺎد اﻟﺣل ﻫو‬
‫ﺗﻘﯾﯾم ﻟﺗﻠك اﻟﻣﺗﻐﯾرات اﻟﺗﻲ ﺗﺣﻘق ﺟﻣﯾﻊ اﻟﺷروط‪.‬‬
‫ﻣﺳﺎﺋل ﺷرط اﻟرﺿﺎ )‪Constraint Satisfaction problems (CSPs‬‬
‫ﻣﺳﺎﺋل ﺷرط اﻟرﺿﺎ )‪ (CSPs‬ﻣوﺟودة ﺣوﻟﻧﺎ داﺋ ﻣﺎ‪ ،‬طﺎﻟﻣﺎ ﻧﻣﺎرس أﻋﻣﺎﻟﻧﺎ‪ ،‬وﺣﯾﺎﺗﻧﺎ اﻟﺧﺎﺻﺔ واﻟﻌﺎﻣﺔ وﻫﻛذا‪ ،‬وﺣﯾﺛﻣﺎ ﻋﺟزﻧﺎ ﻋن‬
‫إﯾﺟﺎد اﻟﺣل‪ ،‬ﻧﻛون ﺑﺎﻟﻔﻌل ﺿﻣن ﻣﺳﺄﻟﺔ أو ﻣﺷﻛﻠﺔ ﻣﻌﯾﻧﺔ‪ ،‬ﻓﻧﺣﺗﺎج إﻟﻰ إﯾﺟﺎد اﻟﺣل ﻟﻣﺛل ﻫذﻩ اﻟﻣﺳﺎﺋل ﻹرﺿﺎء ﻛل اﻟﺷروط‪،‬‬
‫وﻛﻣﺎ أﺳﻠﻔﻧﺎ ﻓﻬذﻩ اﻟﻣﺳﺎﺋل ﯾﺗم ﺣﻠﻬﺎ ﺑﺎﻟﺑﺣث ‪.search‬‬
‫أﻣﺛﻠﺔ ﻟﻣﺳﺎﺋل اﻟرﺿﺎ ‪Examples of CSPs‬‬
‫ﻓﯾﻣﺎ ﯾﻠﻲ ﻣﺟﻣوﻋﺔ ﻣن اﻟﻣﺳﺎﺋل اﻟﺷﺎﺋﻌﺔ اﻟﺷﺑﯾﻬﺔ ﺑﻠﻌﺑﺔ اﻟﻠﻐز‪ ،‬ﻣﺛل اﻟﻣرﺑﻊ اﻟﻼﺗﯾﻧﻲ ‪ Latin Square‬واﻟﻣﻠﻛﺎت اﻟﺛﻣﺎن ‪Eight‬‬
‫‪ ،Queens‬وﻟﻌﺑﺔ اﻟﺳودوﻛو ‪ Sudoku‬اﻟﻣﻌروﻓﺔ‪.‬‬
‫ﻣﺳﺄﻟﺔ اﻟﻣرﺑﻊ اﻟﻼﺗﯾﻧﻲ ‪Latin Square Problem‬‬
‫ﻛﯾف ﻧﺳﺗطﯾﻊ ﺗﻌﺑﺋﺔ ﺟدول أﺑﻌﺎدﻩ ‪ n × n‬ﺑـ ‪ n‬رﻣزا ﻣﺧﺗﻠﻔﺎ‪ ،‬ﺑﺣﯾث أن ﻛل رﻣز ﯾﻘﻊ ﺑﺎﻟﺿﺑط ﻣرة واﺣدة ﻓﻲ ﻛل ﺻف وﻛل‬
‫ﻋﻣود‪ ،‬وﻫذا ﻫو ﺷرط اﻟرﺿﺎ‪ ،‬ﻓﻠو ﻛﺎن ﻟدﯾﻧﺎ ﻣرﺑﻌﺎت ﻻﺗﯾﻧﯾﺔ ﻣن ‪ n=1‬إﻟﻰ ‪ ،n=4‬وﻛﺎﻧت اﻟرﻣوز ﻫﻲ اﻷرﻗﺎم ﻧﻔﺳﻬﺎ ﻟﻛل ﻣرﺑﻊ‪،‬‬
‫ﻓﺈن ﺣﻠﻬﺎ ﯾﻛون ﻣﻊ ﺗﺣﻘﯾق ﺷرط ﻋدم ظﻬور اﻟرﻗم ﻓﻲ ﻧﻔس اﻟﺻف أو اﻟﻌﻣود ﻣرﺗﯾن‪ ،‬ﺳﯾﻛون ﻛﻣﺎ ﯾﻠﻲ‪:‬‬
‫‪Solutions : The Latin squares for n = 1, 2, 3 and 4 are :‬‬
‫ﻣﺳﺄﻟﺔ ﻟﻐز اﻟﻣﻠﻛﺎت اﻟﺛﻣﺎن ‪Eight Queens Puzzle Problem‬‬

‫ﺷرط اﻟرﺿﺎ‪ :‬ﻛﯾف ﻧﺳﺗطﯾﻊ وﺿﻊ ﺛﻣﺎن ﻣﻠﻛﺎت ﻋﻠﻰ رﻗﻌﺔ أﺑﻌﺎدﻫﺎ )‪ ،(8 x 8‬ﺑﺷرط ﻋدم ﺗﻬدﯾد أي ﻣﻠﻛﺔ ﻟﻸﺧرى؟‬
‫? ‪chess board such that no queen can attack any other queen‬‬
‫___________‬
‫‪99 - ٥٣‬‬
‫اﻹﺟﺎﺑﺔ ‪Solutions‬‬
‫ﯾﻣﻠك ﻫذا ﻟﻐز اﻟﻣﻠﻛﺎت اﻟﺛﻣﺎن ‪ ٩٢‬ﺣﻼ ﻣﺧﺗﻠﻔﺎ‪ ،‬وﻋﻧدﻣﺎ ﻧﺄﺧذ ﺑﺎﻟﺣﺳﺑﺎن اﻟﺣﻠول اﻟﻣﺗﺷﺎﺑﻬﺔ اﻟﻧﺎﺗﺟﺔ ﻋن اﻟﺗدوﯾر واﻻﻧﻌﻛﺎس ﻟرﻗﻌﺔ‬
‫اﻟﺷطرﻧﺞ‪ ،‬ﺳﯾﻛون ﻟﻬذا اﻟﻠﻐز ‪ ١٢‬ﺣﻼ وﺣﯾدا‪ .‬ﻣﻊ اﻓﺗراض أن اﻟﺣﺎﻟﺔ اﻻﺑﺗداﺋﯾﺔ ﻫﻲ ﺣﺎﻟﺔ اﻟرﻗﻌﺔ ﻓﺎرﻏﺔ واﻟﻣﻠﻛﺎت ﺧﺎرﺟﻬﺎ‪ ،‬وﻛل‬
‫اﻟﺣﻠول اﻟﺳﺎﺑﻘﺔ ﻫﻲ ﺣﺎﻻت ﻫدف ﻣﺣﺗﻣﻠﺔ‪.‬‬
‫ﻣﺳﺄﻟﺔ اﻟﺳدوﻛو ‪Sudoku Problem‬‬
‫ﻛﯾف ﯾﻣﻛن ﺗﻌﺑﺋﺔ ﺟﻣﯾﻊ ﻣرﺑﻌﺎت ﺷﺑﻛﺔ ﻣﺟزأة أﺑﻌﺎدﻫﺎ )‪ ،(9 × 9‬ﺑﺣﯾث ﯾﻛون ﻛل ﺻف وﻛل ﻋﻣود وﻛل ﻣرﺑﻊ )‪ (3 × 3‬ﻣن‬
‫اﻟﻣرﺑﻌﺎت اﻟﺗﺳﻌﺔ‪ ،‬ﻣﻛوﻧﺎ ﻣن ﺟﻣﯾﻊ اﻷﻋداد ﻣن ‪ ١‬إﻟﻰ ‪.٩‬‬
‫ﻓﻲ اﻟﺷﻛﻠﯾن اﻟﺗﺎﻟﯾﯾن ﻣﺳﺄﻟﺔ وﺣﻠﻬﺎ‪ ،‬ﺣﯾث ﯾﺗم إﻋطﺎء ﺣﺎﻟﺔ اﺑﺗداﺋﯾﺔ ﻟﻠﺷﺑﻛﺔ‪ ،‬ﯾﺗم ﺗﻌﺑﺋﺗﻬﺎ ﻟﻠوﺻول إﻟﻰ ﺣﺎﻟﺔ ﻫدف ﺗﺣﻘق اﻟﺷرط‪.‬‬
‫‪2‬‬
‫ﻧﻣﺎذج ﺷرط اﻟرﺿﺎ ‪Constraint Satisfaction Models‬‬

‫ﯾﻘوم اﻹﻧﺳﺎن ﺑﺣل اﻟﻣﺳﺎﺋل اﻟﻣوﺿﺣﺔ أﻋﻼﻩ‪ ،‬ﻋﻧدﻣﺎ ﯾﻘوم ﺑﺎﻟﻣﺣﺎوﻟﺔ ﻣﺟرﺑﺎ ﺣﺎﻻت ﻣﺧﺗﻠﻔﺔ‪ ،‬ﻣﺳﺗﺧدﻣﺎ ﻋددا ﻣﺗﻧوﻋﺎ ﻣن‬
‫اﻟﻣﺷﺎﻫدات ﺣول اﻟﻣﺳﺄﻟﺔ‪ ،‬ﻣن أﺟل اﺳﺗﻛﺷﺎف ﻋدد ﺻﻐﯾر ﻣن اﻟﻣﺣﺎوﻻت‪.‬‬
‫وﻗد ﻻ ﯾﻛون ﻣن اﻟواﺿﺢ ﻣﺎ ﻫﻲ اﻟﻣﺷﺎﻫدات اﻟﻣطﻠوﺑﺔ‪ ،‬ﻓﻣﺛﻼ ﺑﺎﻟﻧﺳﺑﺔ ﻟﻠﻣﻠﻛﺎت اﻟﺛﻣﺎن‪ ،‬ﻓﻲ رﻗﻌﺔ اﻟﺷطرﻧﺞ اﻟﻘﯾﺎﺳﯾﺔ )‪،(8 × 8‬‬
‫وﻛﻣﺎ أﺳﻠﻔﻧﺎ ﻟدﯾﻧﺎ ‪ ٩٢‬ﺣﻼ ﻟﻠﻣﺳﺄﻟﺔ‪ ،‬ﻋﻧدﻣﺎ ﯾﻘوم اﻹﻧﺳﺎن ﺑﻣﺣﺎوﻟﺔ ﺣل اﻟﻣﺳﺄﻟﺔ‪ ،‬ﯾﻛون ﻣن اﻟﺻﻌب ﻋﻠﯾﻪ ﻓﻌل ذﻟك ﻋﻧدﻣﺎ ﺗﻛون‬
‫ﻗﯾﻣﺔ ‪ N‬أﻛﺑر‪.‬‬
‫___________‬
‫‪99 - ٥٤‬‬
‫ﻓﯾﻣﺎ ﯾﻠﻲ أﻣﺛﻠﺔ ﻋن اﻟﺣﻼت اﻟﻣﻣﻛﻧﺔ ﻟﻛل رﻗﻌﺔ ﺣﺳب ﻗﯾم ‪ N‬أي ﻋدد اﻟﻣﻠﻛﺎت وأﺑﻌﺎد اﻟرﻗﻌﺔ‪:‬‬
‫‪For 4-Queens there are 256 different configurations.‬‬
‫‪For 8-Queens there are 16,777,216 configurations.‬‬
‫‪For 16-Queens there are 18,446,744,073,709,551,616 configurations.‬‬
‫‪In general, for N - Queens there are we have NN configurations.‬‬
‫‪For N = 16, this would take about 12,000 years on a fast machine.‬‬
‫ﻛﯾف ﻧﻘوم ﺑﺣل ﻣﺳﺎﺋل ﻛﻬذﻩ ‪How do we solve such problems‬‬
‫ﻓﯾﻣﺎ ﯾﻠﻲ ﺛﻼﺛﺔ ﻧﻣﺎذج أو ﻣﻧﻬﺟﯾﺎت ﻣﻌﺗﻣدة ﻋﻠﻰ اﻟﺣﺎﺳوب‪ ،‬ﻫﻲ‪:‬‬
‫‪ .١‬اﻓﺗرض ﺛم اﺧﺗﺑر )‪Generate and Test (GT‬‬
‫‪ .٢‬اﻟﺗﺗﺑﻊ اﻟﺧﻠﻔﻲ )‪Backtracking (BT‬‬
‫‪ .٣‬ﻣﺳﺎﺋل ﺷرط اﻟرﺿﺎ )‪Constrain Satisfaction Problems (CSPs‬‬
‫اﻓﺗرض ﺛم اﺧﺗﺑر )‪Generate and Test (GT‬‬
‫ﺳﻧﻌطﻲ ﻣﺛﻼ ﻟﺗطﺑﯾق ﻫذﻩ اﻟﻣﻧﻬﺟﯾﺔ ﻓﻲ ﺣل ﻣﺳﺎﻟﺔ اﻟﻣﻠﻛﺎت اﻷرﺑﻊ ‪ Queens puzzle‬أي ﻋﻧدﻣﺎ ‪ ،n = 4‬ﻓﻲ ﯾﻣﻠﻲ ﻧﻘدم‬
‫ﻣﺣﺎوﻟﺔ ﻟﻠﺣل ﺑﺗوﻟﯾد ﻣواﻗﻊ ﻣرﺗﺑﺔ ﻟﻠﻣﻠﻛﺎت اﻷرﺑﻊ واﺧﺗﺑﺎر ﺗﺣﻘق اﻟﻬدف ﻛل ﻣرة‪ ،‬وﻫﻛذا‪ ،‬ﺣﺗﻰ إﯾﺟﺎد اﻟﺣل‪:‬‬
‫اﻟﺗﺗﺑﻊ اﻟﺧﻠﻔﻲ )‪Backtracking (BT‬‬

‫اﻟﺣﻠول اﻟﻣﻣﻛﻧﺔ ﻟﻠﻣﺛﺎل اﻟﺳﺎﺑق اﻟﻣﻠﻛﺎت اﻷرﺑﻊ ‪ ،n = 4 Queens puzzle‬ﯾﻌﺗﻣد أﺳﻠوب اﻟﺗﺗﺑﻊ اﻟﺧﻠﻔﻲ ﻋﻠﻰ اﻻﺧﺗﺑﺎر اﻟﻣﻧﺗظم‬
‫ﻟﻠﺣﻠول اﻟﻣﻣﻛﻧﺔ‪ ،‬ﺑﺣﯾث ﺗﺣﺎول اﻟﺧوارزﻣﯾﺔ ﺗﺟرﺑﺔ ﻛل اﺣﺗﻣﺎل ﻣﻣﻛن اﻟﺗطﺑﯾق‪ ،‬ﺣﺗﻰ إﯾﺟﺎد اﻟﺣل اﻟﺻﺎﺋب‪ ،‬وﻫﻲ ﺗﺧﺗﻠف ﻋن‬
‫أﺳﻠوب اﻟﻘوة اﻟﻌﻣﯾﺎء )اﻟﺑﺣث اﻟﺷﺎﻣل(‪ ،‬ﻓﺎﻟﻘوة اﻟﻌﻣﯾﺎء ﺗوﻟد ﻛل اﻟﺣﻠول‪ ،‬ﺣﺗﻰ ﺗﻠك اﻟﺗﻲ ﺗظﻬر ﻣن ﺣﻠول ﺟزﺋﯾﺔ ﻣﺳﺗﺣﯾﻠﺔ‪ ،‬واﻟﺗﺗﺑﻊ‬
‫اﻟﺧﻠﻔﻲ ﻣﺷﺎﺑﻪ ﻟﻠﺑﺣث ﺑﺎﻟﻌﻣق أوﻻ‪ ،‬ﻟﻛﻧﻪ ﯾﺳﺗﺧدم ﻓﺿﺎء أﻗل‪ ،‬ﺑﺎﻻﺣﺗﻔﺎظ ﺑﺣﺎﻟﺔ ﺣل ﺣﺎﻟﯾﺔ واﺣدة ﻓﻘط‪ ،‬واﻟﺗﺣدﯾث ﻋﻠﯾﻬﺎ‪.‬‬
‫وﺧﻼل اﻟﺑﺣث‪ ،‬إن ﻛﺎﻧت اﻟﺑداﺋل ﻻ ﺗﻌﻣل‪ ،‬ﯾﻌود أﺳﻠوب اﻟﺗﺗﺑﻊ اﻟﺧﻠﻔﻲ ‪ backtracks‬إﻟﻰ أﻓﺿل ﻧﻘطﺔ ﺣﯾث ﺑدأ ظﻬور اﻟﻧﻘﺎط‬
‫اﻟﺑدﯾﻠﺔ‪ ،‬وﻣن ﺛم ﯾﺣﺎول اﻟﺑﺣث اﻟﺑداﺋل اﻟﺗﺎﻟﯾﺔ‪ ،‬وﻋﻧدﻣﺎ ﺗﺳﺗﻧزف اﻟﺑداﺋل‪ ،‬ﯾﻌود اﻟﺑﺣث إﻟﻰ أﻗرب ﻧﻘطﺔ ﺟﯾدة‪ ،‬وﯾﺣﺎول اﻟﺑﺣث ﻣن‬
‫ﻓﻲ اﻟﺑدﯾل اﻟﺗﺎﻟﻲ‪ٕ ،‬وان اﻧﺗﻬت اﻟﻧﻘﺎط اﻟﻣﻣﺗﺎز ﻣﻊ اﺳﺗﻧزاف اﻟﺑﺣث ﻓﻬذا ﯾﻌﻧﻲ ﻓﺷل اﻟﺑﺣث ﻓﻲ اﻟﻌﺛور ﻋﻠﻰ ﺣل ﻣرض‪.‬‬
‫___________‬
‫‪99 - ٥٥‬‬
‫وﻫذا اﻷﺳﻠوب ﯾﻧﻔذ داﺋﻣﺎ ﺑﺎﺳﺗﺧدام اﻟدوال اﻟﺗﻌﺎودﯾﺔ اﻟﺗﻛرارﯾﺔ ‪ ،recursive function‬ﺣﯾث ﺗﺄﺧذ ﻛل ﻧﺳﺧﺔ ﻣﻧﻬﺎ ﻣﺗﻐﯾر أو‬
‫أﻛﺛر‪ ،‬وﺗﻘوم ﺑرﺑط ﺟﻣﯾﻊ اﻟﻘﯾم اﻟﻣﺗﺎﺣﺔ ﺑﻬﺎ اﺧﺗﯾﺎرﯾﺎ‪ ،‬ﻣﻊ اﻹﺑﻘﺎء ﻋﻠﻰ اﻟﻘﯾﻣﺔ اﻟﻣﺗﺳﻘﺔ ﻣﻊ اﻻﺳﺗدﻋﺎء اﻟﺗﻛراري اﻟﻼﺣق ‪recursive‬‬
‫‪.calls‬‬
‫ﻣﻼﺣظﺔ ‪ :‬ﺟدوى ‪ feasible‬وﻋدم ﺟدوى ‪ infeasible‬اﻟﺣﻠول اﻟﺟزﺋﯾﺔ ﻓﻲ ﺗﺷذﯾب ‪ pruning‬ﺷﺟرة اﻟﺣل ‪.solution tree‬‬
‫‪ ‬ﯾﺗم ﺗﻘﯾﯾم اﻟﺣﻠول اﻟﺟزﺋﯾﺔ ﻣﺎ إذا ﻛﺎﻧت ﻣﺟدﯾﺔ )ﻗﺎﺑﻠﺔ ﻟﻠﺗطﺑﯾق(‪.‬‬
‫‪ ‬ﯾﻘﺎل ﻋن اﻟﺣل اﻟﺟزﺋﻲ أﻧﻪ ﻣﺟد ‪ feasible‬أو ﻋﻣﻠﻲ‪ ،‬إن ﻛﻧﺎ ﻧﺳﺗطﯾﻊ ﺗطوﯾرﻫﺎ ﺑﺧﯾﺎرات إﺿﺎﻓﯾﺔ‪ ،‬ﺑدون اﻧﺗﻬﺎك أﯾﺎ ﻣن‬
‫ﺷروط اﻟﻣﺳﺄﻟﺔ‪.‬‬
‫‪ ‬اﻟﺣل اﻟﺟزﺋﻲ ﯾﻘﺎل ﻋﻧﻪ أﻧﻪ ﻏﯾر ﻣﺟد‪ ،‬إذا ﻟم ﯾﻛن ﻫﻧﺎك اﺧﺗﯾﺎرات ﻣﺷروﻋﺔ ﻷي واﺣد ﻣن اﻟﺣﺎﻻت اﻟﻣﺗﺑﻘﯾﺔ‪.‬‬
‫‪ ‬ﻋﻣﻠﯾﺔ ﺗرك اﻟﺣﻠول اﻟﺟزﺋﯾﺔ ﻏﯾر اﻟﻌﻣﻠﯾﺔ )ﻏﯾر اﻟﻣﺟدﯾﺔ(‪ ،‬ﺗﺳﻣﻰ ﻋﻣﻠﯾﺔ ﺗﻘﻠﯾم ﺷﺟرة اﻟﺣل ‪pruning the solution‬‬
‫‪.tree‬‬
‫ﺗﻛون ﺗﻘﻧﯾﺔ اﻟﺗﺗﺑﻊ اﻟﺧﻠﻔﻲ ‪ Backtracking‬أﻛﺛر ﻛﻔﺎءة ﻟﺣل اﻟﻣﺳﺎﺋل‪ ،‬ﻣﺛل ﻣﺳﺎﻟﺔ اﻟﻣﻠﻛﺎت‪-‬ن ‪ ،n-Queens‬ﻓﯾﻣﺎ ﯾﻠﻲ ﻣﺛﺎل‬
‫ﯾﺣل ﻣﺳﺄﻟﺔ اﻟﻣﻠﻛﺎت‪.٤-‬‬
‫ﺣل ﻣﺳﺄﻟﺔ اﻟﻣﻠﻛﺎت اﻻرﺑﻊ ﺑﺎﻟﺗﺗﺑﻊ اﻟﺧﻠﻔﻲ ‪:N = 4 Queens problem‬‬
‫اﻟﺷﻛل أﻋﻼﻩ ﯾوﺿﺢ ﺷﺟرة ﻓﺿﺎء اﻟﺣﺎﻻت ‪ ،state space tree‬ﻟﻧﺳﺧﺔ ﻣن ﻣﺳﺄﻟﺔ اﻟﻣﻠﻛﺎت اﻷرﺑﻊ‪ ،‬ﺣﯾث ﯾﻌﺑر اﻟزوج اﻟﻣرﺗب‬
‫)‪ ،(i,j‬ﻓﻲ ﻛل ﻧﻘطﺔ‪ ،‬ﻋن اﻟﻣوﻗﻊ اﻟﻣﺣﺗﻣل )‪ (row, column‬ﻟﻠﻣﻠﻛﺔ‪ ،‬ﺑﺄﺳﻠوب ﺻف ‪ row‬ﻋﻣود ‪ column‬اﻟﻣﻌروف‪.‬‬
‫___________‬
‫‪99 - ٥٦‬‬
‫وﻧﻌﺑر ﻋن اﻟﺧوارزﻣﯾﺔ ‪ Algorithm‬ﺑﺎﻟﺷﻛل ﺑﺎﻟﺧطوات اﻟﺗﺎﻟﯾﺔ‪ ،‬ﺣﯾث ﯾﺗم ﺗﻧﻔﯾذ ﺧوارزﻣﯾﺔ اﻟﺗﺗﺑﻊ اﻟﺧﻠﻔﻲ إﻣﺎ ﺑﺎﻟﺗﻧﻘل ﻋﺑر‬
‫اﻟﺻﻔوف أو اﻷﻋﻣدة‪:‬‬
‫‪ -‬دوﻧﻣﺎ ﺳﺑب واﺿﺢ ﻗﻣﻧﺎ ﺑﺎﺧﺗﯾﺎر اﻟﺗﻧﻘل ﻋﺑر اﻷﻋﻣدة‪.‬‬
‫‪ -‬ﻟﻛل ﻋﻣود‪ ،‬ﻧﺧﺗﺎر ﺻﻔﺎ ﻟﻧﺿﻊ ﻓﯾﻪ ﻣﻠﻛﺔ‪.‬‬
‫‪ -‬ﯾﻛون اﻟﺣل اﻟﺟزﺋﻲ ﻣﺟدﯾﺎ أو ﻋﻣﻠﯾﺎ ‪ ،feasible‬إن ﻟم ﯾﻛن ﻫﻧﺎك ﺗﻌﺎرض ﻓﻲ ﻣوﻗﻊ إي ﻣﻠﻛﺗﯾن ﻋﻠﻰ اﻟرﻗﻌﺔ‪ ،‬أي ﻻ‬
‫ﯾﻛون ﺑﺈﻣﻛﺎن ﻣﻠﻛﺔ أن ﺗﻬﺎﺟم اﻷﺧرى ﺣﺳب ﻗواﻋد ﺗﺣرك اﻟﻣﻠﻛﺔ اﻟﻣﻌروﻓﺔ ﻓﻲ اﻟﺷطرﻧﺞ‪.‬‬
‫ﻻﺣظ أﻧﻪ ﻻ ﯾﻣﻛن ﻷي ﺣل ﻣﺟدي ‪ feasible‬أن ﯾﺣﺗوي ﻋﻠﻰ ﺣل ﺟزﺋﻲ ﻏﯾر ﻣﺟدي ‪.infeasible‬‬
‫‪ .١‬ﻗم ﺑﺗﺣرﯾك ﺧطوة واﺣدة )ﻣن اﻟﯾﺳﺎر ﻟﻠﯾﻣﯾن( ﻛل ﻣرة‪.‬‬
‫‪ .٢‬ﻣن أﺟل اﻟﻌﻣود ‪ ،j‬ﻗم ﺑﺎﺧﺗﯾﺎر ﺻف ﺟدﯾد ﻟﻠﻣﻠﻛﺔ‪ ،‬واﻓﺣص ﺟدوى اﻟﺣل اﻟﺟزﺋﻲ‪:‬‬
‫‪ .i‬إذا ﻛﺎن ﻫﻧﺎك ﻫﺟوم ﻣﺣﺗﻣل ﻋﻠﻰ اﻟﻣﻠﻛﺔ‪ ،‬ﻣن ﻗﺑل ﻣﻠﻛﺎت ﻓﻲ اﻷﻋﻣدة ‪ 1‬إﻟﻰ )‪ (j-1‬ﻧﻘوم ﺑﺈﻟﻐﺎء ﻫذا اﻟﺣل‪.‬‬
‫‪ .ii‬ﻟﻛل ﺣﺎﻟﺔ ﺟزﺋﯾﺔ ﻣﺟدﯾﺔ ﻓﻲ اﻟﻌﻣود ‪ ، j‬ﻗم ﺑﻌﻣل اﻟﻧﻘل وﺟرب اﻟﻧﻘل ﻓﻲ اﻟﻌﻣود )‪.(j+1‬‬
‫‪ .iii‬إن ﻟم ﯾﻛن ﻫﻧﺎك ﻧﻘﻼت ﻣﺟدﯾﺔ ﻓﻲ اﻟﻌﻣود ‪ ،j‬ﻋد إﻟﻰ اﻟﻌﻣود )‪ (j-1‬وﺟرب ﺣﺎﻟﺔ ﻧﻘل أﺧرى‪.‬‬
‫‪ .٣‬اﺳﺗﻣر ﺑﻣﺎ ﺳﺑق ﺣﺗﻰ ﯾﺗم إﺣﻼل ﺟﻣﯾﻊ اﻷﻋﻣدة ‪ ،N‬أو ﺣﺗﻰ ﻻ ﺗﺟد ﺣﺎﻟﺔ ﻣﺟدﯾﺔ ﻣﺗﺎﺣﺔ‪.‬‬
‫ﻣﺳﺎﺋل ﺷرط اﻟرﺿﺎ )‪Constrain Satisfaction Problems (CSPs‬‬
‫اﻟﺗﺗﺑﻊ اﻟﺧﻠﻔﻲ اﻟﻣوﺿﺢ ﺳﺎﺑﻘﺎ ﻫو طرﯾﻘﺔ رﺋﯾﺳﯾﺔ ﻟﺣل اﻟﻣﺳﺎﺋل‪ ،‬ﻛﻣﺳﺄﻟﺔ اﻟﻣﻠﻛﺎت‪-‬ن‪ ،‬ﻟﻛن اﻟطرﯾﻘﺔ اﻟﻣطﻠوﺑﺔ ﻫﻲ طرﯾﻘﺔ ﺣل ﻗﺎﺑﻠﺔ‬
‫ﻟﻠﺗﻌﻣﯾم ﻷي ﻣﺳﺄﻟﺔ ‪.generalized solution‬‬
‫ﺗﺻﻣﯾم ﺧوارزﻣﯾﺎت ﻟﺣل اﻟﺻﻧف اﻟﻌﺎم ﻣن اﻟﻣﺳﺎﺋل‬
‫ﻣن أﺟل ﺗﺻﻣﯾم ﺧوارزﻣﯾﺔ ﻟﯾﺳت ﻣﺧﺻﺻﺔ ﻟﺣل ِ‬
‫ﻣﺳﺎﻟﺔ اﻟﻣﻠﻛﺎت‪-‬ن‪ ،‬ﻟﻛﻧﻧﺎ ﻧﺣﺗﺎج إﻟﻰ اﺳﺗﺧداﻣﻬﺎ ﻓﻲ ﺣل ﻣﺳﺄﻟﺔ اﻟﻣﻠﻛﺎت‪-‬ن‬
‫ﻣن اﺟل اﻟﺗﻌﺑﯾر ﻋﻧﻬﺎ ﻛﺧوارزﻣﯾﺔ ﻟﺣل اﻟﺗﺻﻧﯾف اﻟﻌﺎم ﻣن اﻟﻣﺳﺎﺋل‪ ،‬ﻓﻣﺳﺄﻟﺔ اﻟﻣﻠﻛﺎت‪-‬ن ‪ N-queens‬ﯾﻣﻛن ﺗﻣﺛﯾﻠﻬﺎ ﻛﻣﺳﺄﻟﺔ‬
‫ﺷرط اﻟرﺿﺎ‪ ،‬وﻧﻌﻠم أﻧﻪ ﻟﺣل ﻣﺳﺎﺋل ‪ CSPs‬ﻧﻘوم ﺑﺎﻛﺗﺷﺎف اﻟﺣﺎﻻت أو اﻟﻛﺎﺋﻧﺎت اﻟﺗﻲ ﺗﺣﻘق ﻋدد ﻣن اﻟﺷروط أو اﻟﻣﻌﺎﯾﯾر‪،‬‬
‫وﺗﺣل ﻫذﻩ اﻟﻣﺳﺎﺋل ﻣن ﺧﻼل اﻟﺑﺣث‪.‬‬
‫وﻗﺑل اﻟﺗﻌﺎﻣل ﻣﻊ ﻣﺳﺎﺋل ‪ ،CSPs‬ﻧﺣﺗﺎج إﻟﻰ ﺗﻌرﯾف ﻣﺳﺄﻟﺔ اﻟـ‪ ،CSPs‬وﺧﺻﺎﺋص اﻟﻣﯾدان اﻟﻣرﺗﺑطﺔ ﺑﺎﻟﺷروط‪ ،‬وﻫﻧﺎ ﺳﻧوﺿﺢ‪:‬‬
‫‪ -‬ﺗﻌرﯾف ﻣﺳﺎﺋل ﺷرط اﻟرﺿﺎ ‪.CSPs‬‬
‫‪ -‬ﺧﺻﺎﺋص ﻣﺳﺎﺋل ﺷرط اﻟرﺿﺎ ‪.CSPs‬‬
‫‪ -‬ﺧوارزﻣﯾﺎت ﺣل ﻣﺳﺎﺋل ﺷرط اﻟرﺿﺎ ‪.CSPs‬‬
‫ﺗﻌرﯾف ﻣﺳﺎﺋل ﺷرط اﻟرﺿﺎ ‪Definition of a CSPs‬‬
‫اﻟﺗﻌرﯾف اﻟرﺳﻣﻲ اﻟﻣﻧﻬﺟﻲ ﻟﻣﺳﺎﺋل اﻟرﺿﺎ ﯾﺷﻣل اﻟﻣﺗﻐﯾرات ‪ ،variables‬ﻣﯾﺎدﯾن اﻟﺗطﺑﯾق ‪ domains‬واﻟﺷروط ‪،constraints‬‬
‫وﯾﺗم ﺗﻌرﯾف ﺷﺑﻛﺔ اﻟﺷروط ‪ constraint network‬ﺑواﺳطﺔ‪:‬‬
‫‪ -‬ﻣﺟﻣوﻋﺔ اﻟﻣﺗﻐﯾرات‪.V1 , V2, . . . . , Vn ،‬‬
‫‪ -‬ﻣﯾدان أو ﻣﺟﺎل اﻟﻘﯾم ‪. D1 , D2, . . . . , Dn‬‬
‫‪ -‬ﺟﻣﯾﻊ اﻟﻣﺗﻐﯾرات ‪ Vi‬ﺗﻛون ﻓﯾﻣﺎ ﺿﻣن اﻟﻣﺟﺎل اﻟﻣﻧﺎظر ‪. Di‬‬
‫‪ -‬ﻣﺟﻣوﻋﺔ اﻟﺷروط ‪. C1 , C2, . . . . , Cm‬‬
‫‪ -‬اﻟﺷرط ‪ Ci‬ﯾﺿﺑط اﻟﻘﯾم اﻟﻣﻣﻛﻧﺔ ﻓﻲ اﻟﻧطﺎﻗﺎت أو اﻟﻣﯾﺎدﯾن ﻟﺑﻌض اﻟﻣﺗﻐﯾرات اﻟﺟزﺋﯾﺔ‪.‬‬
‫___________‬
‫‪99 - ٥٧‬‬
‫‪ -‬اﻟﻣﺳﺄﻟﺔ‪ :‬ﻫل ﻫﻧﺎك إﺟﺎﺑﺔ ﻟﻠﺷﺑﻛﺔ؟‪ ،‬ﺑﻣﻌﻧﻰ ﻋﻼﻗﺔ ﺑﯾن اﻟﻘﯾم واﻟﻣﺗﻐﯾرات اﻟﺗﻲ ﺗﺣﻘق ﺷرط أو ﺷروط اﻟرﺿﺎ؟‪.‬‬
‫‪ -‬ﺣل ﻣﺳﺄﻟﺔ ﺷرط اﻟرﺿﺎ‪ :‬ﻫل ﻫﻧﺎك ﻋﻼﻗﺔ أو راﺑط ﺑﯾن ﺟﻣﯾﻊ اﻟﻣﺗﻐﯾرات ﺑﺑﻌض اﻟﻘﯾم ﻓﻲ ﻧطﺎﻗﺎﺗﻬﺎ ﺑﺣﯾث ﺗﺣﻘق ﻛل‬
‫ﺷروط اﻟرﺿﺎ‪ ،‬وأﯾﺿﺎ ﻛل راﺑط ﺑﯾن اﻟﻘﯾم واﻟﻣﺗﻐﯾر ﯾﺟب أن ﯾﻛون ﻣﺗﺳﻘﺎ‪ ،‬ﺑﻣﻌﻧﻰ أﻧﻪ ﯾﺟب أن ﻻ ﯾﻧﺗﻬك أي واﺣد ﻣن‬
‫اﻟﺷروط‪.‬‬
‫___________‬
‫‪99 - ٥٨‬‬
‫ﻣﺛﺎل‪:‬‬
‫ﯾﻣﻛن ﺻﯾﺎﻏﺔ اﻟﻣﺳﺄﻟﺔ ﺑﺷﻛل ﻟﻐز‪ ،‬ﻛﺄن ﻧﻘول ﻟدﯾﻧﺎ ﺛﻼث ﻛرات ﯾﻣﻛن أن ﯾﻛون ﻟون اﻟﻛرة ﻣﻧﻬﺎ‪ :‬اﺣﻣرا او ازرﻗﺎ او اﺧﺿر‬
‫أو أي ﻟوﻧﯾن ﻣﻧﻬﻣﺎ‪ ،‬ﻣﺎ ﻫﻲ أﻟوان اﻟﻛرات اﻟﺛﻼث اﻟﻣﺣﺗﻣﻠﺔ ﺑﺷرط ﻋدم ﺗﺳﺎوي اﻟﻛرة اﻷوﻟﻰ واﻟﺛﺎﻧﯾﺔ ﺑﺎﻟﻠون‪.‬‬
‫اﻹﺟﺎﺑﺔ اﻟﺗﺎﻟﯾﺔ ﺗوﺿﺢ طرﯾﻘﺔ ﺻﯾﺎﻏﺔ ﻣﺳﺄﻟﺔ اﻟرﺿﺎ‪ ،‬وﺗوﻟﯾد ﺑﻌض ﺣﺎﻻت اﻟﺣل ﻟﻠﻣﺳﺄﻟﺔ أﻋﻼﻩ‪:‬‬
‫اﻟﻣﺗﻐﯾرات ‪Variables‬‬
‫‪‬‬ ‫‪V1 , V 2, V 3, . . with Domains D1 , D2 , D3 , . . .‬‬
‫اﻟﺷروط ‪Constraints‬‬
‫‪‬‬ ‫})‪Set of allowed value pairs {(red, blue), (green, blue), (green, red‬‬
‫ﻣﺟﻣوﻋﺔ اﻟﻘﯾم اﻟﻣﺳﻣوح ﺑﻬﺎ‪ ،‬ﻫﻲ ﻣﺟﻣوﻋﺔ اﻷزواج اﻟﻣرﺗﺑﺔ })‪{(red, blue), (green, blue), (green, red‬‬
‫‪‬‬ ‫‪V1 "not equal to" V2,‬‬
‫وﺑﺷرط ﻋدم ﺗﺳﺎوي اﻟﻣﺗﻐﯾرﯾن ‪ V1‬و ‪.V2‬‬
‫‪Solution‬‬
‫‪ Assign values to variables that satisfy all constraints‬‬
‫‪ V1 = red , V2 = blue , V3 = green ,‬‬
‫‪V1 V3‬‬
‫ﺧﺻﺎﺋص ﻣﺳﺎﺋل ﺷرط اﻟرﺿﺎ ‪Properties of CSPs‬‬
‫ﺗﺳﺗﺧدم اﻟﺷروط ﻟﺗوﺟﯾﻪ ﺗﻔﺳﯾر اﻟﺣس اﻟﻣﺷﺗرك اﻟﯾوﻣﻲ‪ ،‬وﺗﺗﻣﺗﻊ ﺑﺧﺻﺎﺋص ﻋدﯾدة ﻣﺛﯾرة ﻟﻼﻫﺗﻣﺎم‪:‬‬
‫‪ ‬ﻗد ﺗﺣدد اﻟﺷروط ﻣﻌﻠوﻣﺎت ﺟزﺋﯾﺔ ‪ ،partial information‬ﻻ ﯾﺣﺗﺎج اﻟﺷرط ﺑﺷﻛل اﺳﺗﺛﻧﺎﺋﻲ إﻟﻰ ﺗﺣدﯾد ﻗﯾم ﻣﺗﻐﯾراﺗﻬﺎ‪.‬‬
‫‪ ‬اﻟﺷروط أﯾﺿﺎ ﻟﯾﺳت اﺗﺟﺎﻫﯾﺔ ‪ ،non-directional‬ﺑﻣﻌﻧﻰ أن اﻟﺷرط ﻋﻧدﻣﺎ ﯾﺣدد ﻣﺗﻐﯾرﯾن ‪ V1, V2‬ﻣﺛﻼ‪ ،‬ﯾﻣﻛن أن‬
‫ﯾﺳﺗﺧدﻣﺎ ﻟﻼﺳﺗدﻻل ﻋﻠﻰ وﺟود ﺷرط ﻋﻠﻰ ‪ V1‬ﯾﻌطﻲ ﺷرطﺎ ﻋﻠﻰ ‪ V2‬واﻟﻌﻛس ﺑﺎﻟﻌﻛس‪.‬‬
‫‪ ‬اﻟﺷروط ﺗﺻرﯾﺣﯾﺔ ‪ declarative‬ﻛذﻟك‪ ،‬ﻓﻬﻲ ﺗﺣدد ﻣﺎ ﻫﻲ اﻟﻌﻼﻗﺔ اﻟﺗﻲ ﯾﺟب أن ﺗﺣﻣل ﺑدون ﺗﺣدﯾد إﺟراءات ﺣﺳﺎﺑﯾﺔ‬
‫ﻟﻔرض ﺗﻠك اﻟﻌﻼﻗﺔ‪.‬‬
‫‪ ‬وﻣن ﺧﺻﺎﺋص اﻟﺷروط أﯾﺿﺎ أﻧﻬﺎ ﺟﻣﻌﯾﺔ ‪ ،additive‬ﻓﻼ ﯾﺷﻛل ﺗرﺗﯾب اﻟﺷروط ﻋﺑﺋﺎ‪ ،‬ﻓﻛل اﻻﻫﺗﻣﺎم ﻓﻲ اﻟﻧﻬﺎﯾﺔ‬
‫ﯾﻧﺻب ﻋﻠﻰ ﺗﺄﺛﯾر ارﺗﺑﺎطﻬﺎ‪.‬‬
‫‪ ‬واﻟﺷروط أﺧﯾرا‪ ،‬ﻻ ﺗﻛون ﻣﺳﺗﻘﻠﺔ إﻻ ﻧﺎدرا‪ ،‬ﻓﺎﻟﺷروط اﻟﻣﺛﺎﻟﯾﺔ ﺗﺧﺗزن ﻣﺗﻐﯾرات ﻣﺷﺗرﻛﺔ‪.‬‬
‫ﺧوارزﻣﯾﺎت ﻣﺳﺎﺋل ﺷرط اﻟرﺿﺎ ‪Algorithms for CSPs‬‬
‫ﺑﺎﻟﻧظر إﻟﻰ ﻣﺳﺎﻟﺔ ﻟﻌﺑﺔ اﻟﻣﻠﻛﺎت اﻟﺛﻣﺎن ‪ ،n = 8 Queens puzzle‬وﻛﻣﺎ ذﻛرﻧﺎ أﻋﻼﻩ ﺗﺗﻛون ﻣﺳﺎﻟﺔ ﺷرط اﻟرﺿﺎ ﻣن ﺛﻼﺛﺔ‬
‫ﻣﻛوﻧﺎت‪:‬‬
‫ﻣﺟﻣوﻋﺔ اﻟﻣﺗﻐﯾرات ‪ ،variables‬وﻣﺟﻣوﻋﺔ اﻟﻘﯾم ‪ values‬ﻷي ﻣن اﻟﻣﺗﻐﯾرات‪ ،‬وﻣﺟﻣوﻋﺔ اﻟﺷروط ‪ constraints‬اﻟﻣﻔروﺿﺔ‬
‫ﺑﯾن اﻟﻣﺗﻐﯾرات‪ ،‬ﺑﺣﯾث ﻧﻘوم ﺑﺈﯾﺟﺎد ﻗﯾﻣﺔ ﻷي ﻣن اﻟﻣﺗﻐﯾرات ﺑﺣﯾث ﺗﺣﻘق اﻟﺷروط‪.‬‬
‫___________‬
‫‪99 - ٥٩‬‬
‫اﻟﺷروط ‪Constraints‬‬
‫اﻟﺷرط ﻫو ﻋﻼﻗﺔ ﺑﯾن ﻣﺟﻣوﻋﺔ ﻣﺣﻠﯾﺔ ﻣن اﻟﻣﺗﻐﯾرات‪ ،‬وﻫو ﯾﺿﺑط اﻟﻘﯾم اﻟﺗﻲ ﺗﺳﺗطﯾﻊ ﺗﻠك اﻟﻣﺗﻐﯾرات أن ﺗﺄﺧذﻫﺎ ﻓﻲ ﻧﻔس اﻟوﻗت‪.‬‬
‫ﻣﺛﻼ اﻟﺷرط )‪ ،All-diff(X1, X2, X3‬ﯾﻘول ﻟﻧﺎ أن اﻟﻣﺗﻐﯾرات ‪ X1, X2, X3‬ﯾﺟب أن ﺗﻛون ﻗﯾﻣﻬﺎ ﻣﺧﺗﻠﻔﺔ ﻋن ﺑﻌﺿﻬﺎ‪ ،‬ﻓﺈذا‬
‫ﻛﺎﻧت اﻟﻣﺟﻣوﻋﺔ }‪ {1, 2, 3‬ﻫﻲ ﻣﺟﻣوﻋﺔ اﻟﻘﯾم ﻟﺗﻠك اﻟﻣﺗﻐﯾرات‪ ،‬ﻓﺈن اﻟﺣﺎﻟﺔ ‪ ،X1 = 1, X2 = 2, X3 = 3‬ﺗﻛون ﻣﻘﺑوﻟﺔ‪ ،‬أﻣﺎ‬
‫اﻟﺣﺎﻟﺔ ‪ X1 = 1, X1 = 1, X1 = 3‬ﻓﻬﻲ ﻏﯾر ﻣﻘﺑوﻟﺔ‪.‬‬
‫إﯾﺟﺎد اﻟﺣل ‪Finding a Solution‬‬
‫إن ﻋﻣﻠﯾﺔ إﯾﺟﺎد ﻋﻼﻗﺔ ﻋﺎﻣﺔ ﻟﻛل اﻟﻣﺗﻐﯾرات اﻟﺗﻲ ﺗﺣﻘق ﻛل اﻟﺷروط‪ ،‬ﻫﻲ ﻣﺳﺄﻟﺔ ‪ NP-Complete‬ﺻﻌﺑﺔ‪ ،‬وﻣﺳﺄﻟﺔ ‪NP‬‬
‫)‪ (nondeterministic polynomial-time hard‬ﻫﻲ واﺣدة ﻣن ﺗوﺻﯾﻔﺎت ﻣﺳﺎﺋل اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ اﻟﻣﻬﻣﺔ‪.‬‬
‫ﺗﻘﻧﯾﺎت اﻟﺣل ﺗﻌﻣل ﺑواﺳطﺔ اﻟﺑﺣث اﻟﻣﺛﺎﺑر ﻣن ﺧﻼل ﻓﺿﺎء اﻻرﺗﺑﺎطﺎت اﻟﻣﻣﻛﻧﺔ ﺑﯾن اﻟﻣﺗﻐﯾرات واﻟﻘﯾم‪ٕ ،‬واذا ﻛﺎن أي ﻣﺗﻐﯾر ﯾﻣﻠك‬
‫اﻟﻘﯾم ‪ d‬وﻛﺎﻧت ﻟدﯾﻧﺎ اﻟﻣﺗﻐﯾرات ‪ ،n‬ﻓﺳﯾﻛون ﻟدﯾﻧﺎ ‪ dn‬ﻣن اﻻرﺗﺑﺎطﺎت اﻟﻣﻣﻛﻧﺔ ﺑﯾﻧﻬﺎ‪.‬‬
‫ﺗﻣﺛﯾل ‪ Representations‬ﻣﺳﺄﻟﺔ اﻟﻣﻠﻛﺎت اﻟﺛﻣﺎن ‪ N = 8 Queens‬ﻛﻣﺳﺄﻟﺔ ﺷرط اﻟرﺿﺎ ‪:CSP‬‬
‫ﻫذﻩ اﻟﻣﺳﺄﻟﺔ ﯾﻣﻛن ﺗﻣﺛﯾﻠﻬﺎ ﻛﻣﺳﺄﻟﺔ ﺷرط اﻟرﺿﺎ ‪ CSP‬ﺑﻌدة طرق ﻣﺧﺗﻠﻔﺔ‪ ،‬ﻛﻣﺎ ﯾﻠﻲ‪:‬‬
‫اﻟطرﯾﻘﺔ واﺣد ‪Representation 1‬‬
‫ﻧرﯾد أن ﻧﻌرف أﯾن ﯾﻣﻛن وﺿﻊ ﻛل واﺣدة ﻣن اﻟﻣﻠﻛﺎت اﻟﺛﻣﺎن‪ ،‬وﯾﻣﻛن أن ﯾﻛون ﻟدﯾﻧﺎ اﻟﻣﺗﻐﯾرات ‪ N‬ﻧﻣﺛل ﻛل واﺣد ﻣﻧﻬﺎ ﻛﻘﯾﻣﺔ‬
‫ﻣن ‪ ،1. . . N2‬واﻟﻘﯾم ﺗﻣﺛل ﻟﻧﺎ أﯾن ﻧﺿﻊ أي ﻣﺗﻐﯾر ‪ ith‬ﻣﻌﯾن‪.‬‬
‫وﺣﺳب ﻫذا اﻟﺗﻣﺛﯾل ﯾﻛون ﻟدﯾﻧﺎ ارﺗﺑﺎطﺎت ﻣﺧﺗﻠﻔﺔ ﻣﻣﻛﻧﺔ ﻋدد ‪ 648‬ارﺗﺑﺎطﺎ‪ ،‬أي ‪ 648= 281,474,976,710,656‬ارﺗﺑﺎطﺎ‬
‫ﻣﺧﺗﻠﻔﺎ ﻓﻲ ﻓﺿﺎء اﻟﺑﺣث ‪.search space‬‬
‫ﻫذا اﻟﺷﻛل ﯾوﺿﺢ ﻣواﺿﻊ اﻟﻣﻠﻛﺎت ﻣﻣﺛﻠﺔ ﻛﻘﯾم ﻟﻠﻣﺗﻐﯾرات ﻓﻲ‬

‫طرﯾﻘﺔ اﻟﺗﻣﺛﯾل اﻷوﻟﻰ‪ ،‬ﺑدء ﻣن اﻟﻣرﺑﻊ اﻷول ﺣﺗﻰ اﻟﻣرﺑﻊ اﻷﺧﯾر‬
‫رﻗم ‪.٦٤‬‬
‫اﻟطرﯾﻘﺔ اﺛﻧﯾن ‪Representation 2‬‬

‫ﻫﻧﺎ ﻧﺣن ﻧﻌرف ﻣﺳﺑﻘﺎ‪ ،‬أﻧﻪ ﻻ ﯾﻣﻛﻧﻧﺎ وﺿﻊ ﻣﻠﻛﺗﯾن ﻓﻲ ﻧﻔس اﻟﻌﻣود‪ ،‬وﻋﻠﯾﻪ ﻧﻘوم ﺑرﺑط ﻣﻠﻛﺔ واﺣدة ﻣﻊ ﻛل ﻋﻣود‪ ،‬وﻣن ﺛم‬
‫ﻧﻛﺗﺷف اﻟﺻﻔوف ﺣﯾث ﯾﻣﻛن وﺿﻊ أي ﻣن اﻟﻣﻠﻛﺎت ﻓﯾﻬﺎ‪ ،‬ﯾﻣﻛن أن ﯾﻛون ﻟدﯾﻧﺎ ‪ N‬ﻣﺗﻐﯾرا‪ ،Q1 , . . . . , QN :‬وﻣﺟﻣوﻋﺔ‬
‫اﻟﻘﯾم ﻷي ﻣن ﻫذﻩ اﻟﻣﺗﻐﯾرات ﻫﻲ‪ ،{1 , 2 , . . . , N} :‬وﻫذا اﻟﺗﻣﺛﯾل ﯾﻣﺗﻠك ‪ 88‬ارﺗﺑﺎطﺎ ﻣﺧﺗﻠﻔﺎ ﻣﻣﻛﻧﺎ ﻓﻲ ﻓﺿﺎء اﻟﺑﺣث‪ ،‬أي‬
‫‪ 16,777,216‬ارﺗﺑﺎط‪ ،‬ورﻏم ﻛوﻧﻬﺎ اﻗل ﻣن اﻟطرﯾﻘﺔ اﻟﺳﺎﺑﻘﺔ ﻛﺗطوﯾر ﺟﯾد ﻋﻧﻬﺎ‪ ،‬إﻻ أﻧﻬﺎ ﺗظل ﻛﺑﯾرة ﻟﻛﻲ ﯾﺗم ﻓﺣص ﻛل‬
‫اﻟﺣﺎﻻت‪.‬‬
‫___________‬
‫‪99 - ٦٠‬‬
‫ﻫذا اﻟﺷﻛل ﯾوﺿﺢ ﻣواﺿﻊ اﻟﻣﻠﻛﺎت ﻣﻣﺛﻠﺔ ﻛﻘﯾم ﻟﻠﻣﺗﻐﯾرات ﻓﻲ‬

‫طرﯾﻘﺔ اﻟﺗﻣﺛﯾل اﻟﺛﺎﻧﯾﺔ‪ ،‬وﯾﺗم اﻟﺗرﻗﯾم ﺣﺳب اﻟﺻﻔوف ﻻ اﻟﻣواﻗﻊ‪.‬‬
‫اﻟﺷروط ‪ :Constraints‬ﻧﻘوم ﺑﺗرﺟﻣﺔ أي ﻣن اﻟﺷروط اﻟﻔردﯾﺔ إﻟﻰ ﺷرط ﻣﻧﻔﺻل‪.‬‬

‫اﻟﺷرط واﺣد ‪ :Condition 1‬ﻻ ﺗﺳﺗطﯾﻊ اﻟﻣﻠﻛﺎت أن ﺗﻬﺎﺟم ﺑﻌﺿﻬﺎ اﻟﺑﻌض‪.‬‬
‫إذا ﻛﺎﻧت اﻟﻣﻠﻛﺔ ‪ Qi‬ﺗﺳﺗطﯾﻊ ﻣﻬﺎﺟﻣﺔ اﻟﻣﻠﻛﺔ ‪ Qj‬ﺑﺣﯾث ‪ ،i ≠ j‬ﻓﺈﻧﻪ ﯾﺟب ﺗﻐﯾﯾر ﻣوﻗﻊ اﻟﻣﻠﻛﺔ ‪ Qi‬ﻋﻠﻰ ﻣﺳﺗوى اﻟﻌﻣود ‪ ،i‬وﺗﺑﻘﻰ‬
‫اﻟﻣﻠﻛﺔ ‪ Qj‬ﻓﻲ ﻣوﻗﻌﻬﺎ ﺿﻣن اﻟﻌﻣود ‪ ،j‬وﺗﻛون ﻗﯾﻣﺗﺎ اﻟﻣﺗﻐﯾرﯾن ‪ Qj‬و ‪ Qi‬ﻫﻲ ﻣوﻗﻊ اﻟﻌﻣودﯾن اﻟﻠذﯾن ﯾﻘﻌﺎن ﻓﯾﻬﻣﺎ‪.‬‬
‫اﻟﺷرط اﺛﻧﯾن ‪ :Condition 2‬ﺗﺳﺗطﯾﻊ اﻟﻣﻠﻛﺎت ﻣﻬﺎﺟﻣﺔ ﺑﻌﺿﻬﺎ اﻟﺑﻌض‪.‬‬
‫رأﺳﯾﺎ‪ ،‬إذا ﻛﺎﻧت اﻟﻣﻠﻛﺎت ﻓﻲ ﻧﻔس اﻟﻌﻣود‪ ،‬ﻧﻌﻠم أﻧﻪ ﻣن اﻟﻣﺳﺗﺣﯾل أن ﺗﻛون اﻟﻣﻠﻛﺗﺎن ‪ Qj‬و ‪ Qi‬ﻓﻲ ﻧﻔس اﻟﻌﻣود‪ ،‬وأﻓﻘﯾﺎ‪ ،‬إذا‬
‫‪.Qi‬‬ ‫ﻛﺎﻧت اﻟﻣﻠﻛﺎت ﻓﻲ ﻧﻔس اﻟﺻف‪ ،‬ﻧﺣﺗﺎج إﻟﻰ اﻟﺷرط ‪≠ Qj‬‬
‫ٕواذا ﻛﺎﻧت أي ﻣن اﻟﻣﻠﻛﺎت ﻋﻠﻰ ﻧﻔس اﻟﻘطر ﻣﻊ أﺧرى‪ ،‬ﻓﻼ ﺗﺳﺗطﯾﻊ أن ﺗﻛون ﻓﻲ ﻧﻔس اﻟﻌﻣود أو اﻟﺻف أﯾﺿﺎ‪ ،‬ﻓﻧﺣﺗﺎج إﻟﻰ‬
‫اﻟﺷرط | ‪.| i – j | ≠ | Qi – Qj‬‬
‫ﺗﻣﺛﯾل اﻟﺷروط ‪Representing the Constraints‬‬
‫‪ ،j‬ﯾﻣﺛل اﻟﺷرط ﺑﺎﻟﺻﯾﻐﺔ‪.Ci j :‬‬ ‫ﺑﺣﯾث ‪≠ i‬‬ ‫ﺑﯾن ﻛل زوج ﻣن اﻟﻣﺗﻐﯾرات ‪ Qi‬و ‪Qj‬‬
‫ﻟﻛل ﺷرط ‪ Ci j‬ﯾﻛون اﻻرﺗﺑﺎط ﻟﻠﻘﯾم ﺑﺎﻟﻣﺗﻐﯾرات ﺑﺎﻟﺻﯾﻐﺔ ‪ Qi = A‬و ‪ Qj = B‬ﻣﺣﻘﻘﺎ ﻟذﻟك اﻟﺷرط‬
‫| ‪.| A – B‬‬ ‫‪ A ≠B‬و | ‪≠| i – j‬‬ ‫إذا وﻓﻘط إذا ﻛﺎن‬
‫ﺣﻠول اﻟﻣﺳﺄﻟﺔ ‪Solutions‬‬
‫ﺣل ﻣﺳﺄﻟﺔ اﻟﻣﻠﻛﺎت‪-‬ن ‪ ،N – Queens‬ﻫو أي ارﺗﺑﺎط ﻣن اﻟﻘﯾم إﻟﻰ ﺗﻠك اﻟﻣﺗﻐﯾرات ‪ Q1 , . . . . , QN‬اﻟﺗﻲ ﺗﺣﻘق ﻛل‬
‫اﻟﺷروط‪.‬‬
‫ﯾﻣﻛن ﻟﻠﺷروط أن ﺗﺗﻛون ﻣن أي ﻣﺟﻣوﻋﺔ ﻣن اﻟﻣﺗﻐﯾرات‪.‬‬
‫ﺗﺣﺗﺎج ﻣﺳﺎﺋل اﻟﻣﻠﻛﺎت‪-‬ن ﻓﻘط إﻟﻰ ﺷروط ﺛﻧﺎﺋﯾﺔ ‪ ،binary constraints‬ﺑﻣﻌﻧﻰ ﺷروط ﺗﺗﻛون ﻣن أزواج ﻣن اﻟﻣﺗﻐﯾرات‪.‬‬
‫إذا ﻗﻣﻧﺎ ﺑﻛل ﺑﺳﺎطﺔ ﺑﺳرد واﺧﺗﺑﺎر ﻛل اﻻرﺗﺑﺎطﺎت اﻟﻣﻣﻛﻧﺔ‪ ،‬ﻓﺈﻧﻧﺎ ﻧﺳﺗطﯾﻊ ﻣﻌرﻓﺔ ﻣﺟﻣوﻋﺔ ﺟزﺋﯾﺔ ﻣن اﻟﻣﺗﻐﯾرات‪ ،‬اﻟﺗﻲ ﯾﻛون‬
‫اﻟﺣل ﺑﻬﺎ ﻣﺳﺗﺣﯾﻼ‪ ،‬وﻫﻛذا‪ ،‬ﻧﺳﺗطﯾﻊ ﻟﻣس اﻟﺗﺣﺳن ﻓﻲ ﻣﺧﺗﻠف اﻻرﺗﺑﺎطﺎت ﻓﻲ ﻓﺿﺎء اﻟﺑﺣث‪.‬‬
‫وأﺧﯾرا‪ ،‬ﺑﺎﻟﺗﻌﺑﯾر ﻋن اﻟﻣﺳﺄﻟﺔ ﻛﻣﺳﺄﻟﺔ ﺷرط اﻟرﺿﺎ‪ ،‬ﯾﻛون ﻟدﯾﻧﺎ طرﯾﻘﺔ ﻣﻧﺗظﻣﺔ‪ ،‬ﻟﻺﻧﺟﺎز ﺑﻛﻔﺎءة إﺿﺎﻓﯾﺔ‪.‬‬
‫اﻟﻣﻼﺣظﺎت ‪Remarks‬‬
‫ﻓﯾﻣﺎ ﯾﻠﻲ ﺑﻌض اﻟﻣﻼﺣظﺎت ﻋن ﻣواﺿﯾﻊ ﻣﻬﻣﺔ‪ ،‬اﻟﺗﺗﺑﻊ اﻟﺧﻠﻔﻲ اﻟﻌﺎم‪ ،‬واﻟﻔﺣص اﻷﻣﺎﻣﻲ‪ ،‬وﺗرﺗﯾب اﻟﻣﺗﻐﯾرات‪.‬‬
‫اﻟﺗﺗﺑﻊ اﻟﺧﻠﻔﻲ اﻟﻌﺎم ‪Generic Backtracking‬‬
‫اﻟﺗﺗﺑﻊ اﻟﺧﻠﻔﻲ اﻟﻌﺎم ﻫو اﻟﺧوارزﻣﯾﺔ اﻷﺑﺳط واﻷﻗدم ﻣن أﺟل ﺣل ﻣﺳﺎﺋل ﺷرط اﻟرﺿﺎ‪ ،‬واﻟﻔﻛرة ﺗﺗم ﺑﺎﻟﺑﺣث ﻓﻲ ﺷﺟرة ﻣن‬
‫ارﺗﺑﺎطﺎت اﻟﻣﺗﻐﯾرات‪ ،‬وﻛﻣﺎ ﻧﺗﺣرك ﻷﺳﻔل اﻟﺷﺟرة‪ ،‬ﻧﻘوم ﺑرﺑط اﻟﻘﯾﻣﺔ ﺑﻣﺗﻐﯾر ﺟدﯾد‪ ،‬وﻋﻧدﻣﺎ ﻧﻘوم ﺑرﺑط ﺟﻣﯾﻊ اﻟﻣﺗﻐﯾرات اﻟﺗﻲ‬
‫___________‬
‫‪99 - ٦١‬‬
‫ﺗﺷﺗرك ﻓﻲ اﻟﺷرط‪ ،‬ﻓﺈﻧﻧﺎ ﻧﻔﺣص اﻟﺷرط‪ .‬وﻓﻲ أي ﻧﻘطﺔ إذا ﺗم اﻧﺗﻬﺎك اﻟﺷرط‪ ،‬ﻓﺈﻧﻧﺎ ﻧﻘوم ﺑﺗﺗﺑﻊ ﺧﻠﻔﻲ إﻟﻰ اﻟﻣﺳﺗوى اﻷﻋﻠﻰ ﻓﻲ‬
‫اﻟﺷﺟرة‪.‬‬
‫ﻣﻼﺣظﺔ ‪Note‬‬
‫إن ﻓﻛرة اﻟﺑﺣث ﻓﻲ اﻟﺷﺟرة ﻋن ارﺗﺑﺎطﺎت اﻟﻣﺗﻐﯾرات ﻫﻲ ﻓﻛرة ﻗوﯾﺔ ﺟدا‪ ،‬ﻣﻊ أن اﻟﺗﺗﺑﻊ اﻟﺧﻠﻔﻲ اﻟﻌﺎم ﻟﯾﺳت ﺧوارزﻣﯾﺔ ﺟﯾد ﺟدا‪،‬‬
‫ورﻏم أن اﻟﺗﺗﺑﻊ اﻟﺧﻠﻔﻲ ‪ BT‬أﺳرع ﻛﺛﯾرا ﻣن أي ﺳرد ﺣﺳﺎﺑﻲ ﺑﺳﯾط‪ ،‬إﻻ أن ﻛل ﺧوارزﻣﯾﺎت ﺣل ﻣﺳﺎﺋل ﺷرط اﻟرﺿﺎ ‪CSPs‬‬
‫ﺗﺄﺧذ زﻣﻧﺎ‪ ،‬وﯾزﯾد ﺑﺷﻛل ﻛﺑﯾر طردﯾﺎ ﻣﻊ ﺣﺟم اﻟﻣﺳﺄﻟﺔ‪.‬‬
‫اﻟﺗﻔﺣص اﻷﻣﺎﻣﻲ ‪Forward Checking‬‬
‫اﻟﺗﻔﺣص اﻷﻣﺎﻣﻲ ﯾﻌﺗﻣد ﻋﻠﻰ ﻓﻛرة اﻟﻧظر ﻟﻸﻣﺎم ﻓﻲ اﻟﺷﺟرة‪ ،‬ﻟرؤﯾﺔ ﻣﺎ إذا ﻛﻧﺎ ﻗد رﺑطﻧﺎ ﻗﯾﻣﺔ ﻣﺎ‪ ،‬ﻣﺳﺑﻘﺎ‪ ،‬إﻟﻰ واﺣد ﻣن‬
‫اﻟﻣرﺗﺑطﺔ‪ .‬‬ ‫اﻟﻣﺗﻐﯾرات ﻏﯾر اﻟﻣرﺗﺑطﺔ‪ ،‬وﻫﻲ ﺗﻌﺗﻣد ﻋﻠﻰ ﻓﻛرة ﺗﻘﻠﯾم ﻣﯾدان أو ﻧطﺎق اﻟﻣﺗﻐﯾرات ﻏﯾر‬
‫ﺗرﺗﯾب اﻟﻣﺗﻐﯾر ‪Variable Ordering‬‬

‫إن اﺧﺗﯾﺎر اﻟﻣﺗﻐﯾر أﻣر ﻣؤﺛر ﺑﺷﻛل ﺣرج ﻋﻠﻰ اﻷداء‪ ،‬وﻛﻔﺎءة ﺧوارزﻣﯾﺎت اﻟﺑﺣث ﺗﻌﺗﻣد ﻋﻠﻰ اﻟﺗرﺗﯾب اﻟذي ﯾﺗم ﻓﯾﻪ اﻟﺗﻌﺎﻣل ﻣﻊ‬
‫ﻣﺗﻐﯾرات اﻟﻣﺳﺄﻟﺔ‪ ،‬وﻫذا اﻟﺗرﺗﯾب ﯾؤﺛر ﻋﻠﻰ ﻛﻔﺎءة اﻟﺧوارزﻣﯾﺔ‪ ،‬وﻫﻧﺎك آﻟﯾﺎت اﻛﺗﺷﺎف ﻣﺧﺗﻠﻔﺔ ﻟﻠﺗرﺗﯾب اﻟﺳﺎﻛن او اﻟدﯾﻧﺎﻣﯾﻛﻲ ﻟﻠﻘﯾم‬
‫واﻟﻣﺗﻐﯾرات‪.‬‬
‫‪ (٦‬ﻣﺮﺍﺟﻊ ﻭﻛﺘﺐ ﻧﺼﻴﺔ ‪ References Textbooks‬ﻣﺳﺗﺧدﻣﺔ ﻣن ﻗﺑل اﻟﻣﺻدر‬

‫‪1. "Artificial Intelligence", by Elaine Rich and Kevin Knight, (2006), McGraw Hill‬‬
‫‪companies Inc., Chapter 2-3, page 29-98.‬‬
‫‪2. "Artificial Intelligence: A Modern Approach" by Stuart Russell and Peter Norvig,‬‬
‫‪(2002), Prentice Hall, Chapter 3-6, page 59-189.‬‬
‫‪3. "Computational Intelligence: A Logical Approach", by David Poole, Alan Mackworth,‬‬
‫‪and Randy Goebel, (1998), Oxford University Press, Chapter 4, page 113-163.‬‬
‫‪4. "Artificial Intelligence: Structures and Strategies for Complex Problem Solving", by‬‬
‫‪George F. Luger, (2002), Addison-Wesley, Chapter 2-6, page 35-193.‬‬
‫‪5. "AI: A New Synthesis", by Nils J. Nilsson, (1998), Morgan Kaufmann Inc., Chapter‬‬
‫‪7-9, Page 117-160.‬‬
‫‪6. "Artificial Intelligence: Theory and Practice", by Thomas Dean, (1994),‬‬
‫‪Addison-Wesley, Chapter 3-4, Page 71-131.‬‬
‫‪7. Related documents from open source, mainly internet. An exhaustive list is‬‬
‫‪being prepared for inclusion at a later date.‬‬
‫___________‬
99 - ٦٢
-٣-
‫ ﺍﳌﻨﻄﻖ ﺍﳋﱪﻱ ﻭﺍﻟﻘﻮﺍﻧﲔ‬،‫ﻗﻀﺎﻳﺎ ﲤﺜﻴﻞ ﺍﳌﻌﺮﻓﺔ‬
Knowledge Representation Issues, Predicate Logic, Rules
:‫اﻟﻣﺣﺗوى‬
Knowledge Representation ‫ ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ‬
KR Using Predicate Logic ‫ ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ﺑﺎﺳﺗﺧدام اﻟﻣﻧطق اﻟﺧﺑري‬
KR Using Rules ‫ ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ﺑﺎﺳﺗﺧدام اﻟﻘواﻧﯾن‬
References ‫ اﻟﻣراﺟﻊ‬

fhdalqasem@yahoo.com
___________
‫‪99 - ٦٣‬‬
‫ﻛﻴﻒ ﻧﻘﻮﻡ ﺑﺘﻤﺜﻴﻞ ﻣﺎ ﻧﻌﺮﻓﻪ ؟‬

‫اﻟﻣﻌرﻓﺔ ‪ Knowledge‬ﻫﻲ ﻣﺻطﻠﺢ ﻋﺎم ‪.general term‬‬
‫ﯾﺗطﻠب إﺟﺎﺑﺔ ﻫذا اﻟﺳؤال "‪ "how to represent knowledge‬ﺗﺣﻠﯾﻼ ﻟﻠﺗﻣﯾﯾز ﺑﯾن اﻟﻣﻌرﻓﺔ "ﻛﯾف" واﻟﻣﻌرﻓﺔ "أن" أو ﻣﺎذا‪.‬‬
‫ﻣﻌرﻓﺔ ﻛﯾف ﺗﻔﻌل اﻟﺷﻲء "‪ :knowing "how to do something‬وذﻟك ﻣﺛل‪ :‬ﻣﻌرﻓﺔ ﻛﯾف ﺗﻘود اﻟﺳﯾﺎرة‪ ،‬وﺗﺳﻣﻰ ﺑﺎﻟﻣﻌرﻓﺔ‬
‫اﻹﺟراﺋﯾﺔ ‪.Procedural knowledge‬‬
‫ﻣﻌرﻓﺔ أن ﺷﯾﺋﺎ ﻣﺎ ﺻﺎﺋب أو ﺧﺎطﺊ "‪ :knowing "that something is true or false‬وذﻟك ﻣﺛل‪ :‬ﻣﻌرﻓﺔ ﺣدود اﻟﺳرﻋﺔ‬
‫ﻟﺳﯾﺎرة ﻋﻠﻰ اﻟطرﯾق اﻟﺳرﯾﻊ‪ ،‬وﺗﺳﻣﻰ ﺑﺎﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ‪.‬‬
‫إن اﻟﻣﻌرﻓﺔ وطرﯾﻘﺔ ﺗﻣﺛﯾﻠﻬﺎ ﻣﻔﻬوﻣﯾن ﻣﺧﺗﻠﻔﯾن‪ ،‬وﻫﻣﺎ ﯾﻠﻌﺑﺎن دورﯾن ﻣرﻛزﯾﯾن وﻟﻛن ﻣﺧﺗﻠﻔﯾن ﻓﻲ اﻟﻧظم اﻟذﻛﯾﺔ‪ ،‬ﻓﺎﻟﻣﻌرﻓﺔ ﻫﻲ‬
‫وﺻف ﻟﻠﻌﺎﻟم‪ ،‬وﺗﺣدد ﻗدرة اﻟﻧظﺎم ‪ system's competence‬ﺑواﺳطﺔ ﻣﺎ ﯾﻌرﻓﻪ ذﻟك اﻟﻧظﺎم‪ ،‬أﻣﺎ ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ﻓﻬو طرﯾﻘﺔ‬
‫ﺗرﻣﯾز اﻟﻣﻌرﻓﺔ‪ ،‬ﺑﺣﯾث ﯾﻌرف أداء اﻟﻧظﺎم ‪ system's performance‬ﻓﻲ ﻓﻌل ﺑﻌض اﻷﺷﯾﺎء‪.‬‬
‫وﻛل ﻧوع ﻣﺧﺗﻠف ﻣن اﻟﻣﻌرﻓﺔ ﯾﺗطﻠب ﻧوﻋﺎ ﻣﺧﺗﻠﻔﺎ ﻣن ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ‪.‬‬
‫إن ﻧﻣﺎذج ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ‪ The Knowledge Representation models‬وآﻟﯾﺎﺗﻬﺎ ﺗﻌﺗﻣد ﻋﺎدة ﻋﻠﻰ‪:‬‬
‫‪ ‬اﻟﻣﻧطق ‪Logic‬‬
‫‪ ‬اﻟﻘواﻧﯾن ‪Rules‬‬
‫‪ ‬اﻟﻘواﺋم أواﻹطﺎرات ‪Frames‬‬
‫‪ ‬ﺷﺑﻛﺎت اﻟدﻻﻟﺔ ‪Semantic Net‬‬
‫واﻷﻧواع اﻟﻣﺧﺗﻠﻔﺔ ﻣن اﻟﻣﻌرﻓﺔ ﺗﺗطﻠب أﺷﻛﺎﻻ ﻣﺧﺗﻠﻔﺔ ﻣن أﺳﺎﻟﯾب اﻟﺗﻔﺳﯾر ‪.reasoning‬‬
‫___________‬
‫‪99 - ٦٤‬‬
‫‪ (٧‬ﻣﻘﺪﻣﺔ ‪Introduction‬‬
‫ﻛﻣﺎ أﺳﻠﻔﻧﺎ ﻓﺎﻟﻣﻌرﻓﺔ ﻫﻲ ﻣﺻطﻠﺢ ﻋﺎم‪ ،‬وﺗﻌرف أﯾﺿﺎ ﺑﺄﻧﻬﺎ‪ :‬اﻟﺗﻌﺎﻗب أو اﻟﺗﺳﻠﺳل اﻟذي ﯾﺑدأ ﺑﺎﻟﺑﯾﺎﻧﺎت ‪ data‬اﻟﺗﻲ ﺗﻛون ذات‬
‫ﻣﻧﻔﻌﺔ ﻣﺣدودة‪ ،‬وﺑﺗﻧظﯾم ‪ organizing‬وﺗﺣﻠﯾل ‪ analyzing‬ﺗﻠك اﻟﺑﯾﺎﻧﺎت‪ ،‬ﻧﺗوﺻل إﻟﻰ ﻓﻬم ﻣﺎ ﺗﻌﻧﯾﻪ ﺗﻠك اﻟﺑﯾﺎﻧﺎت‪ ،‬ﻓﺗﺗﻛون‬
‫ﻟدﯾﻧﺎ ﻣﻌﻠوﻣﺎت ‪ ،information‬وﺑﺗﻔﺳﯾر ‪ interpretation‬وﺗﻘﯾﯾم ‪ evaluation‬اﻟﻣﻌﻠوﻣﺎت ﻧﺣﺻد اﻟﻣﻌرﻓﺔ ‪،knowledge‬‬
‫وﻓﻬم اﻟﻣﺑﺎدئ اﻟﻣﺿﻣﻧﺔ ﻓﻲ ﻫذﻩ اﻟﻣﻌرﻓﺔ ﯾﻛون ﻟدﯾﻧﺎ اﻟﺣﻛﻣﺔ ‪.wisdom‬‬
‫ﺗﻌﺎﻗب اﻟﻣﻌرﻓﺔ ‪Knowledge Progression‬‬
‫اﻟﺷﻛل أدﻧﺎﻩ ﯾوﺿﺢ ﺑﺎﻟرﺳم اﻟﺗﻌرﯾف اﻟﺳﺎﺑق ﻟﺗﻌﺎﻗب أو ﺗﺳﻠﺳل اﻟﻣﻌرﻓﺔ ﻣن اﻟﺑﯾﺎﻧﺎت ﺣﺗﻰ اﻟﺣﻛﻣﺔ‪ ،‬وﻫﻲ ﺗﺗم ﻣﻊ اﻹﻧﺳﺎن ﺑطرﯾﻘﺔ‬
‫طﺑﯾﻌﯾﺔ‪ ،‬ﯾﻬدف اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ إﻟﻰ أﺗﻣﺗﺗﻬﺎ‪.‬‬
‫اﻟﺑﯾﺎﻧﺎت ‪ Data‬ﯾﻧظر إﻟﻰ اﻟﺑﯾﺎﻧﺎت ﻛﻣﺟﻣوﻋﺔ ﻣن اﻟﺣﻘﺎﺋق اﻟﻣﻧﻔﺻﻠﺔ ﻋن ﺑﻌﺿﻬﺎ‪ ،‬ﻣﺛﻼ ﻗوﻟﻧﺎ‪ :‬إﻧﻬﺎ ﺗﻣطر‪.‬‬
‫اﻟﻣﻌﻠوﻣﺎت ‪ Information‬ﺗظﻬر اﻟﻣﻌﻠوﻣﺎت ﻋﻧدﻣﺎ ﯾﺗم ﺗﺄﺳﯾس وﻓﻬم اﻟﻌﻼﻗﺎت ﺑﯾن اﻟﺣﻘﺎﺋق‪ ،‬ﻛﺈﺟﺎﺑﺔ ﻟﻼﺳﺋﻠﺔ ﻣن وﻣﺎذا واﯾن‬
‫وﻣﺗﻰ‪ ،‬ﻣﺛﻼ ﻋﻧدﻣﺎ ﻧرﺑط اﻟﺣﻘﺎﺋق ﻓﻲ اﻟﻣﺛﺎل اﻟﺳﺎﺑق وﻧﻘول‪ :‬درﺟﺔ اﻟﺣرارة اﻧﺧﻔﺿت إﻟﻰ ‪ ١٥‬درﺟﺔ‪ ،‬ﻣﻣﺎ ﺟﻌﻠﻬﺎ ﺗﻣطر‪.‬‬
‫أﻣﺎ اﻟﻣﻌرﻓﺔ ‪ Knowledge‬ﻓﺗظﻬر ﻋﻧدﻣﺎ ﻧﻘوم ﺑﺗﻌرﯾف وﻓﻬم اﻷﻧﻣﺎط ‪ patterns‬ﺑﯾن اﻟﻌﻼﻗﺎت اﻟﺳﺎﺑﻘﺔ‪ ،‬ﻓﻧﺣﺻل ﻋﻠﻰ إﺟﺎﺑﺎت‬
‫ﻷﺳﺋﻠﺔ ﻣن ﻧوع ﻛﯾف؟‪ ،‬ﻣﺛﻼ ﻋﻧدﻣﺎ ﻧﻘول‪ :‬إذا ﻛﺎﻧت ﺗﻛون اﻟرطوﺑﺔ ﻋﺎﻟﯾﺔ ﺟدا ودرﺟﺔ اﻟﺣرارة ﻣﻧﺧﻔﺿﺔ ﻓﻌﻠﯾﺎ‪ ،‬ﻓﺈﻧﻪ ﻻ ﯾﻛون ﻣن‬
‫اﻟﻣﺗوﻗﻊ أن ﺗﺣﻣل اﻷﺟواء اﻟرطوﺑﺔ‪ ،‬ﻟﻬذا ﻓﺈﻧﻬﺎ ﺗﻣطر‪.‬‬
‫وأﺧﯾر ﻓﺎﻟﺣﻛﻣﺔ ‪ Wisdom‬ﻫﻲ ذروة اﻟﻔﻬم‪ ،‬وﻛﺷف أﺳس اﻟﻌﻼﻗﺎت اﻟﺗﻲ ﺗﺻف اﻷﻧﻣﺎط‪ ،‬ﻓﻧﺣﺻل ﻋﻠﻰ إﺟﺎﺑﺔ اﻟﺗﺳﺎؤل ﻟﻣﺎذا؟‪،‬‬
‫اﻟﺣررة وﺗﻐﯾراﺗﻬﺎ‪.‬‬
‫وﻣﺛﺎل ذﻟك‪ :‬اﻹﺣﺎطﺔ ﺑﻔﻬم ﻛل اﻟﺗﻔﺎﻋﻼت اﻟﺣﺎدﺛﺔ ﺑﯾن اﻟﻣطر واﻟﺗﺑﺧر وﺗﯾﺎرات اﻟﻬواء ودرﺟﺎت ا‬
‫ﻧﻣوذج ﺑﯾﻠﻧﺟر‪ ١٩٨٠‬ﻟﻠﻣﻌرﻓﺔ )‪Knowledge Model (Bellinger 1980‬‬
‫ﯾوﺿﺢ ﻧﻣوذج اﻟﻣﻌرﻓﺔ درﺟﺔ ﺗزاﯾد اﻟﺗراﺑط ”‪ “connectedness‬واﻟﻔﻬم ”‪ ،“understanding‬ﻓﻔﯾﻪ ﻧﺗﻘدم ﻣن اﻟﺑﯾﺎﻧﺎت ﻣن‬
‫ﺧﻼل اﻟﻣﻌﻠوﻣﺎت واﻟﻣﻌرﻓﺔ وﺻوﻻ إﻟﻰ اﻟﺣﻛﻣﺔ‪ .‬ﻛﻣﺎ ﻓﻲ اﻟﺷﻛل اﻟذي ﯾوﺿﺢ اﻟﻧﻣوذج‪ ،‬واﻟﻌﻼﻗﺔ اﻟطردﯾﺔ ﺑﯾن درﺟﺗﻲ اﻟﺗراﺑط‬
‫واﻟﻔﻬم‪.‬‬
‫___________‬
‫‪99 - ٦٥‬‬
‫‪ ،‬ﻓﺎﻻﻧﺗﻘﺎﻻت ﺗﻛون ﻣن اﻟﺑﯾﺎﻧﺎت إﻟﻰ اﻟﻣﻌﻠوﻣﺎت إﻟﻰ اﻟﻣﻌرﻓﺔ ‪ understanding‬واﻟﻔﻬم ‪transitions‬اﻟﻧﻣوذج ﯾﻣﺛل اﻻﻧﺗﻘﺎﻻت‬
‫وأﺧﯾرا اﻟﺣﻛﻣﺔ‪ ،‬أﻣﺎ اﻟﻔﻬم ﻓﯾدﻋم اﻻﻧﺗﻘﺎل ﻣن ﺣﺎﻟﺔ إﻟﻰ أﺧرى‪.‬‬
‫اﻻﺧﺗﻼف ﺑﯾن اﻟﺑﯾﺎﻧﺎت‪ ،‬واﻟﻣﻌﻠوﻣﺎت‪ ،‬واﻟﻣﻌرﻓﺔ‪ ،‬واﻟﺣﻛﻣﺔ ﻟﯾﺳت ﻣﻧﻔﺻﻠﺔ ﻋن ﺑﻌﺿﻬﺎ اﻟﺑﻌض ﻓﻲ اﻟﻐﺎﻟب‪ ،‬ﻓﻬﻲ ﻣﺗﻘﺎطﻌﺔ‬
‫ﻛﺎﻟظﻼل اﻟرﻣﺎدﯾﺔ‪ ،‬ﺑدﻻ ﻋن ﻛوﻧﻬﺎ ﺑﯾﺿﺎء أو ﺳوادا‪.‬‬
‫ﻓﺎﻟﺑﯾﺎﻧﺎت واﻟﻣﻌﻠوﻣﺎت ﺗﺗﻌﺎﻣل ﻣﻊ اﻟﻣﺎﺿﻲ‪ ،‬وﻫﻲ ﺗﻌﺗﻣد ﻋﻠﻰ ﺟﻣﻊ اﻟﺣﻘﺎﺋق ٕواﺿﺎﻓﺗﻬﺎ إﻟﻰ ﺳﯾﺎق ﻣﻌﯾن‪ ،‬أﻣﺎ اﻟﻣﻌرﻓﺔ ﻓﺗﺗﻌﺎﻣل ﻣﻊ‬
‫اﻟﺣﺎﺿر اﻟذي ﯾﺳﺎﻋدﻧﺎ ﻋﻠﻰ اﻹﻧﺟﺎز‪ ،‬واﻟﺣﻛﻣﺔ ﺗﺗﻌﺎﻣل ﻣﻊ اﻟﻣﺳﺗﻘﺑل‪ ،‬ﻓﻬﻲ ﺗﻛﺳب رؤﯾﺔ ﻣن أﺟل ﻣﺎ ﺳﯾﺣدث‪ ،‬ﺑدﻻ ﻋن ﻣﺎ‬
‫ﯾﺣدث أو ﻗد ﺣدث‪.‬‬
‫ﻓﺋﺎت اﻟﻣﻌرﻓﺔ ‪Knowledge Category‬‬
‫ﺗﺻﻧف اﻟﻣﻌرﻓﺔ إﻟﻰ ﻧوﻋﯾن رﺋﯾﺳﯾن ﻫﻣﺎ‪ :‬اﻟﻣﻌرﻓﺔ اﻟﺻﺎﻣﺗﺔ ‪ Tacit‬اﻟﺿﻣﻧﯾﺔ واﻟﻣﻌرﻓﺔ اﻟﺻرﯾﺣﺔ ‪ ،Explicit‬اﻟﻣﻌرﻓﺔ اﻟﺿﻣﻧﯾﺔ ﺗدل‬
‫أﯾﺿﺎ ﻋﻠﻰ أﻧواع اﻟﻣﻌرﻓﺔ ﻏﯾر اﻟرﺳﻣﯾﺔ ﻏﯾر اﻟواﺿﺣﺔ‪ ،‬واﻟﻣﻌرﻓﺔ اﻟﺻرﯾﺣﺔ ﺗدل ﻋﻠﻰ اﻷﻧواع اﻟرﺳﻣﯾﺔ ﻟﻠﻣﻌرﻓﺔ‪.‬‬
‫‪Tacit knowledge‬‬ ‫‪Explicit knowledge‬‬
‫اﻟﻣﻌرﻓﺔ اﻟﺿﻣﻧﯾﺔ‬ ‫اﻟﻣﻌرﻓﺔ اﻟﺻرﯾﺣﺔ‬
‫;‪ Exists within a human being; it is  Exists outside a human being‬‬ ‫‪it is‬‬
‫‪embodied.‬‬ ‫‪embedded.‬‬
‫‪ ‬ﻣوﺟودة ﻓﻲ اﻟﻛﺎﺋن اﻟﺑﺷري‪ ،‬وﺗﻛون ﻣﺟﺳدة ﺑﺷﺧﺻﻪ‪.‬‬ ‫‪ ‬ﻣوﺟودة ﺧﺎرج اﻟﻛﺎﺋن اﻹﻧﺳﺎﻧﻲ‪ ،‬وﺗﻛون ﻣدﻣﺟﺔ‪.‬‬
‫‪ Difficult to articulate formally.‬‬ ‫‪ Can be articulated formally.‬‬
‫‪ ‬ﯾﺻﻌب وﺿﻌﻬﺎ رﺳﻣﯾﺎ‪.‬‬ ‫‪ ‬ﻧﺳﺗطﯾﻊ وﺿﻌﻬﺎ ﺑﺻﯾﻐﺔ رﺳﻣﯾﺔ‪.‬‬
‫‪ Difficult to communicate or share.‬‬ ‫‪ Can be shared, copied, processed and‬‬
‫‪ ‬ﯾﺻﻌب اﻻﺗﺻﺎل ﺑﻬﺎ وﻣﺷﺎرﻛﺗﻬﺎ‪.‬‬ ‫‪stored.‬‬
‫‪ Hard to steal or copy.‬‬ ‫‪ ‬ﻧﺳﺗطﯾﻊ ﻣﺷﺎرﻛﺗﻬﺎ وﻧﺳﺧﻬﺎ وﻣﻌﺎﻟﺟﺗﻬﺎ وﺗﺧزﯾﻧﻬﺎ‪.‬‬
‫‪   Easy to steal or copy‬ﯾﺻﻌب ﺳرﻗﺗﻬﺎ أو ﻧﺳﺧﻬﺎ‪.‬‬
‫‪ Drawn‬‬ ‫‪from‬‬ ‫‪experience,‬‬ ‫‪action‬‬ ‫‪ ‬ﯾﺳﻬل ﺳرﻗﺗﻬﺎ وﻧﺳﺧﻬﺎ‪.‬‬
‫‪subjective insight.‬‬ ‫‪ Drawn from artifact of some type as‬‬
‫‪ ‬ﺗرﺳم ﻣن اﻟﺧﺑرات واﻷﻓﻌﺎل ذات اﻟرؤى اﻟﺷﺧﺻﯾﺔ‪.‬‬ ‫‪principle, procedure, process, concepts.‬‬
‫‪ ‬ﺗرﺳم ﻣن اﻟﺗوﺛﯾق اﻟرﺳﻣﻲ واﻹﺟراءات واﻟﻌﻣﻠﯾﺎت‬
‫واﻟﻣﻔﺎﻫﯾم‪.‬‬
‫ﺧرﯾطﺔ ﺗﺻﻧﯾف اﻟﻣﻌرﻓﺔ ‪Knowledge Typology Map‬‬

‫اﻟﺧرﯾطﺔ ﺗرﯾﻧﺎ ﻧوﻋﯾن أﺳﺎﺳﯾﯾن ﻣن اﻟﻣﻌرﻓﺔ‪ ،‬اﻟﻣﻌرﻓﺔ اﻟﺿﻣﻧﯾﺔ واﻟﺻرﯾﺣﺔ‪ ،‬اﻟﻣﻌرﻓﺔ اﻟﺿﻣﻧﯾﺔ ‪ Tacit knowledge‬ﺗظﻬر ﻣن‬
‫اﻟﺧﺑرة واﻟﻔﻌل واﻟﻣوﺿوع واﻟرؤﯾﺔ‪ ،‬واﻟﻣﻌرﻓﺔ اﻟﺻرﯾﺣﺔ ‪ Explicit knowledge‬ﺗظﻬر ﻣن اﻟﻠواﺋﺢ واﻹﺟراءات واﻟﻌﻣﻠﯾﺎت‬
‫واﻟﻣﻔﺎﻫﯾم اﻟﻣﺷﺎﻫدة ﻋﺑر اﻟﻣﺣﺗوى اﻟﻣدون أو اﻟﻣﻧﺗﺞ اﻟﺻﻧﺎﻋﻲ أو أي ﻧوع‪.‬‬
‫اﻟﺣﻘﺎﺋق ‪ Facts‬ﻫﻲ ﺑﯾﺎﻧﺎت أو ﻧﺳﺦ ﺗﻛون ﻣﺣددة وﻓرﯾدة‪.‬‬
‫___________‬
‫‪99 - ٦٦‬‬
‫اﻟﻣﻔﺎﻫﯾم ‪ Concepts‬ﻫﻲ ﻓﺋﺎت اﻟﻌﻧﺎﺻر أو اﻟﻛﻠﻣﺎت أو اﻷﻓﻛﺎر اﻟﺗﻲ ﺗﻌرف ﺑواﺳطﺔ اﺳﻣﻬﺎ اﻟﺷﺎﺋﻊ وﺗﺗﺷﺎرك ﻣﯾزات ﻋﺎﻣﺔ‪.‬‬
‫اﻟﻌﻣﻠﯾﺎت ‪ : Processes‬ﻫﻲ ﺗدﻓق ﻣن اﻷﺣداث أو اﻷﻧﺷطﺔ اﻟﺗﻲ ﺗﺻف ﻛﯾف ﺗﻌﻣل اﻷﺷﯾﺎء ﺑدﻻ ﻣن ﻛﯾف ﻧﻘوم ﺑﻌﻣل‬
‫اﻷﺷﯾﺎء‪.‬‬
‫اﻹﺟراءات ‪ :Procedures‬ﻫﻲ ﺳﻠﺳﻠﺔ ﻣن اﻷﻧﺷطﺔ اﻟﻣﻧﻔذة ﺧطوة ﺑﺧطوة واﻟﻘرارات اﻟﺗﻲ ﺗﻧﺗﺞ ﺑﻌد اﻹﻧﺟﺎز اﻟﺣﺎﺻل ﻟﻠﻣﻬﺎم‪.‬‬
‫اﻟﻣﺑﺎدئ ‪ : Principles‬ﻫﻲ ﺧطوط ﻋﺎﻣﺔ وﻗواﻧﯾن وﺑﺎرﻣﯾﺗرات ﻟﻠﺗﺣﻛم‪ ،‬وﻫﻲ ﺗﺳﻣﺢ ﺑﻌﻣل اﻟﺗوﻗﻌﺎت وﺳﺣب أو ﺗﺻوراﻟﻧﺗﺎﺋﺞ‪.‬‬
‫ﻫذﻩ اﻷدوات ﺗﺳﺗﺧدم ﻓﻲ ﻋﻣﻠﯾﺔ إﻧﺷﺎء اﻟﻣﻌرﻓﺔ ﻣن أﺟل إﻧﺷﺎء ﻧوﻋﯾن ﻣن اﻟﻣﻌرﻓﺔ‪ :‬اﻟﻣﻌرﻓﺔ اﻟﺻرﯾﺣﺔ واﻟﻣﻌرﻓﺔ اﻹﺟراﺋﯾﺔ‪.‬‬
‫أﻧواع اﻟﻣﻌرﻓﺔ ‪Knowledge Types‬‬
‫ﯾﺻﻧف ﻋﻠﻣﺎء اﻟﻧﻔس اﻹدراﻛﻲ اﻟﻣﻌرﻓﺔ إﻟﻰ اﻟﺻﻧف اﻹﺟراﺋﻲ ‪ Procedural‬واﻟﺻﻧف اﻟﺗﺻرﯾﺣﻲ ‪ ،Declarative‬وﺑﻌض‬
‫اﻟﺑﺎﺣﺛﯾن ﯾﺿﯾف اﻟﻣﻌرﻓﺔ اﻹﺳﺗراﺗﯾﺟﯾﺔ ‪ Strategic‬ﻛﺗﺻﻧﯾف ﺛﺎﻟث‪.‬‬
‫ﺑﺎﻟﻧﺳﺑﺔ ﻟﻠﻣﻌرﻓﺔ اﻹﺟراﺋﯾﺔ ‪ procedural knowledge‬ﻫﻧﺎك ﺑﻌض اﻟﺗﻔﺎوت ﻓﻲ اﻟﺗﺻورات‪ ،‬ﻓﺎﻟﺑﻌض ﯾرى اﻧﻬﺎ ﻗرﯾﺑﺔ ﻣن‬
‫اﻟﻣﻌرﻓﺔ اﻟﺿﻣﻧﯾﺔ‪ ،‬وأﻧﻬﺎ ﺗظﻬر ﻧﻔﺳﻬﺎ ﻓﻲ ﻓﻌل ﺷﻲء ﻣﺎ ﻻ ﯾﻛن ﻣن اﻟﻣﻣﻛن اﻟﺗﻌﺑﯾر ﻋﻧﻪ ﺑﺎﻟﻛﻠﻣﺎت‪ ،‬ﻣﺛﻼ‪ :‬ﻧﺣن ﻧﻘرأ وﺟوﻩ اﻟﻧﺎس‬
‫وﻣﺷﺎﻋرﻫم‪ ،‬وﻫﻧﺎك ﻣن ﯾرى أن اﻟﻣﻌرﻓﺔ اﻹﺟراﺋﯾﺔ ﻗرﯾﺑﺔ ﻣن اﻟﻣﻌرﻓﺔ اﻟﺻرﯾﺣﺔ‪ ،‬ﻓﺎﻟﻔﺎرق ﻫو أﻧﻧﺎ ﻧﺻف اﻟﻔﻌل أو اﻟطرﯾﻘﺔ ﺑدﻻ ﻣن‬
‫‪explicit‬‬ ‫وﺻف اﻟﺣﻘﺎﺋق واﻷﺷﯾﺎء‪ .‬أﻣﺎ اﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ ‪ declarative knowledge‬ﻓﻬﻲ ﻣﻌرﻓﺔ ﺻرﯾﺣﺔ‬
‫‪ ،knowledge‬وﻫﻲ اﻟﻣﻌرﻓﺔ اﻟﺗﻲ ﻧﺳﺗطﯾﻊ أو اﺳﺗطﻌﻧﺎ ﺑﺎﻟﻔﻌل أن ﻧﺻرح ﺑﻬﺎ ﺑوﺿوح‪ .‬واﻟﻣﻌرﻓﺔ اﻹﺳﺗراﺗﯾﺟﯾﺔ ‪strategic‬‬
‫‪ knowledge‬ﯾﻧظر إﻟﯾﻬﺎ ﻛﺟزء ﻣن اﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ ‪ ،declarative knowledge‬أو ﻛﺣﺎﻟﺔ ﺧﺎﺻﺔ ﻣﻧﻬﺎ‪.‬‬
‫اﻟﻣﻌرﻓﺔ اﻹﺟراﺋﯾﺔ‪Procedural knowledge‬‬
‫‪ ‬ﻫﻲ ﻣﻌرﻓﺔ ﻋن ﻛﯾف ﻧﻔﻌل اﻷﺷﯾﺎء‪ ،‬ﻣﺛﻼ ﻣﻌرﻓﺔ وﺗﺣدﯾد ﻣﺎ إذا ﻛﺎن ﺑﯾﺗر أﻛﺑر ﺳﻧﺎ أو روﺑﯾرت‪ ،‬ﻧﺑدأ أوﻻ ﺑﺈﯾﺟﺎد‬
‫أﻋﻣﺎرﻫم‪.‬‬
‫‪ ‬اﻟﺗرﻛﯾز ﻋﻠﻰ اﻷﻓﻌﺎل اﻟﺗﻲ ﯾﺟب أن ﺗﻧﺟز ﻟﻠوﺻول إﻟﻰ ﻫدف ﻣﻌﯾن أو ﻏﺎﯾﺔ ﺟزﺋﯾﺔ‪.‬‬
‫‪ ‬أﻣﺛﻠﺔ ﻋﻧﻬﺎ‪ :‬اﻹﺟراءات ‪ procedures‬واﻟﻘواﻧﯾن ‪ rules‬واﻻﺳﺗراﺗﯾﺟﯾﺎت واﻟﺧطط ‪ agendas‬واﻟﻧﻣﺎذج ‪.models‬‬
‫___________‬
‫‪99 - ٦٧‬‬
‫اﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ ‪Declarative knowledge‬‬

‫‪ ‬ﻣﻌرﻓﺔ أن ﺷﯾﺋﺎ ﻣﻌﯾﻧﺎ ﺻﺎﺋﺑﺎ أو ﺧﺎطﺋﺎ‪ ،‬ﻣﺛﻼ اﻟﺳﯾﺎرة ﺗﻣﻠك أرﺑﻌﺔ إطﺎرات‪ ،‬أو ﺑﯾﺗر أﻛﺑر ﺳﻧﺎ ﻣن روﺑﯾرت وﻫﻛذا‪.‬‬
‫‪ ‬ﺗﻌود إﻟﻰ ﺗﻣﺛﯾل أو ﻋرض اﻟﻛﺎﺋﻧﺎت واﻷﺣداث‪ ،‬واﻟﻣﻌرﻓﺔ ﻋن اﻟﺣﻘﺎﺋق واﻟﻌﻼﻗﺎت‪.‬‬
‫‪ ‬أﻣﺛﻠﺔ ﻋﻧﻬﺎ‪ :‬اﻟﻣﻔﺎﻫﯾم واﻟﻛﺎﺋﻧﺎت واﻟﺣﻘﺎﺋق واﻟﻣﻘﺗرﺣﺎت واﻟﺗوﻛﯾدات وﺷﺑﻛﺎت اﻟدﻻﻟﺔ واﻟﻣﻧطق وﻧﻣﺎذج اﻟوﺻف‪.‬‬
‫اﻟﻌﻼﻗﺔ ﺑﯾن أﻧواع اﻟﻣﻌرﻓﺔ ‪Relationship among Knowledge Types‬‬

‫اﻟﻌﻼﻗﺔ ﺑﯾن اﻟﻣﻌرﻓﺔ اﻟﺻرﯾﺣﺔ واﻟﺿﻣﻧﯾﺔ واﻟﺻﺎﻣﺗﺔ واﻟﺗﺻرﯾﺣﯾﺔ و اﻹﺟراﺋﯾﺔ ﯾوﺿﺢ ﻓﻲ اﻟﺷﻛل اﻟﺗﺎﻟﻲ‪:‬‬
‫اﻟﺷﻛل أﻋﻼﻩ ﯾوﺿﺢ ‪:‬‬

‫إن اﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ ﺗرﺑط إﻟﻰ اﻟوﺻف "‪ ،"describing‬واﻟﻣﻌرﻓﺔ اﻹﺟراﺋﯾﺔ ﺗرﺑط إﻟﻰ اﻟﻔﻌل "‪ ."doing.‬ﻓﺎﻷﺳﻬم اﻟﻌﻣودﯾﺔ‬
‫ﺗرﺑط اﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ ﺑﺎﻟﺻرﯾﺣﺔ واﻟﺻﺎﻣﺗﺔ ﺑﺎﻹﺟراﺋﯾﺔ‪ ،‬وﺗدل ﻋﻠﻰ ﻗوة اﻟﻌﻼﻗﺎت اﻟﻣوﺟودة ﺑﯾﻧﻬﺎ‪ ،‬واﻷﺳﻬم اﻷﻓﻘﯾﺔ ﺗرﺑط‬
‫اﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ واﻹﺟراﺋﯾﺔ‪ ،‬وﺗدل ﻋﻠﻰ أﻧﻪ ﻣن اﻟﻣﺄﻟوف‪ ،‬ﺗطوﯾر اﻟﻣﻌرﻓﺔ اﻹﺟراﺋﯾﺔ ﻛﻧﺗﯾﺟﺔ ﻟﻠﺑدء ﺑﺎﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ‪ ،‬أي أﻧﻪ‬
‫ﻣن اﻟﻣﻌﺗﺎد أن ﻧﻌرف )ﻋن‪ (..‬ﻗﺑل أن ﻧﻌرف )ﻛﯾف؟(‪.‬‬
‫ﻟذﻟك‪ ،‬ﻗد ﻧرى أن ﻛل ﻣﻌرﻓﺔ إﺟراﺋﯾﺔ ‪ procedural knowledge‬ﻛﺄﻧﻬﺎ ﻣﻌرﻓﺔ ﺻﺎﻣﺗﺔ ‪ ،tacit knowledge‬وأن ﻛل ﻣﻌرﻓﺔ‬
‫ﺗﺻرﯾﺣﯾﺔ ‪ declarative knowledge‬ﻛﺄﻧﻬﺎ ﻣﻌرﻓﺔ ﺻرﯾﺣﺔ ‪.explicit knowledge‬‬
‫إطﺎر ﻋﻣل ﺑوول‪ ١٩٩٨‬ﻟﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ )‪Framework of Knowledge Representation (Poole 1998‬‬
‫ﯾﺗطﻠب اﻟﺣﺎﺳوب وﺻف ﺟﯾد ﻟﻠﻣﺳﺎﺋل‪ ،‬ﻟﻛﻲ ﯾﻌﺎﻟﺟﻬﺎ وﯾﻘدم ﺣل ﻣﻘﺑول ﻣﻌرف ﺟﯾدا‪ ،‬وﻟﺟﻣﻊ أﺟزاء اﻟﻣﻌرﻓﺔ‪ ،‬ﻧﺣﺗﺎج أوﻻ إﻟﻰ‬
‫ﺻﯾﺎﻏﺔ وﺻف ﻓﻲ ﻟﻐﺗﻧﺎ اﻟﻣﻧطوﻗﺔ‪ ،‬وﻣن ﺛم ﻧﻘوم ﺑﺗﻣﺛﯾل ﻫذا اﻟوﺻف إﻟﻰ اﻟﻠﻐﺔ اﻻﺻطﻼﺣﯾﺔ‪ ،‬ﺣﺗﻰ ﯾﺳﺗطﯾﻊ اﻟﺣﺎﺳوب ﻓﻬﻣﻬﺎ‪،‬‬
‫وﺣﺗﻰ ﯾﺳﺗطﯾﻊ اﻟﺣﺎﺳوب اﺳﺗﺧدام اﻟﺧوارزﻣﯾﺎت ﻟﺣوﺳﺑﺔ اﻹﺟﺎﺑﺔ‪ ،‬ﻛل ﻫذا ﻣوﺿﺢ ﻓﯾﻣﺎ ﯾﻠﻲ‪.‬‬
‫___________‬
‫‪99 - ٦٨‬‬
‫اﻟﺷﻛل اﻟﺳﺎﺑق ﯾوﺿﺢ ﺧطوات ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ﺣﺳب إطﺎر اﻟﻌﻣل اﻟﻣوﺿﺢ‪ ،‬وﻫﻲ‪:‬‬
‫‪ ‬ﺻﯾﺎﻏﺔ اﻟﻣﺳﺎﻟﺔ ﺑﺎﻟﻠﻐﺔ اﻟﻣﻧطوﻗﺔ اﺻطﻼﺣﯾﺎ ﻫﻲ اﻟﺧطوة اﻷوﻟﻰ‪.‬‬
‫‪ ‬ﺑﻌدﻫﺎ ﯾﺗم ﺗﻣﺛﯾل اﻟﻣﺳﺎﻟﺔ اﺻطﻼﺣﯾﺎ إﻟﻰ اﻟﺣﺎﺳوب ﻟﯾﻘوم ﻫو ﺑﺈﻋطﺎء ﻣﺧرﺟﺎت ‪.output‬‬
‫‪ ‬ﺗﻠك اﻟﻣﺧرﺟﺎت ﯾﺗم ﺗﻣﺛﯾﻠﻬﺎ ﺑﻌد ذﻟك ﻓﻲ ﺻورة اﻟﺣل اﻟﻣوﺻوف ﺑﺎﻟﻠﻐﺔ ﻏﯾر اﻻﺻطﻼﺣﯾﺔ‪ ،‬اﻟﺗﻲ ﯾﻔﻬﻣﻬﺎ اﻟﻣﺳﺗﺧدم‪.‬‬
‫ﻻﺣظ أن ﺣل اﻟﻣﺳﺄﻟﺔ ﯾﺗطﻠب‪:‬‬
‫‪ o‬ﺗﻣﺛﯾل ﻏﯾر اﺻطﻼﺣﻲ ﻟﻠﻣﺳﺄﻟﺔ‪ ،‬أي ﺑﺎﻟﻠﻐﺔ اﻟطﺑﯾﻌﯾﺔ‪.‬‬
‫‪ o‬ﺗﺣوﯾل اﻟﻣﻌرﻓﺔ ﻏﯾر اﻻﺻطﻼﺣﯾﺔ إﻟﻰ ﻣﻌرﻓﺔ اﺻطﻼﺣﯾﺔ‪ ،‬اﻟذي ﯾﺣول اﻟﻣﻌرﻓﺔ اﻟﺿﻣﻧﯾﺔ إﻟﻰ ﻣﻌرﻓﺔ ﺻرﯾﺣﺔ‪.‬‬
‫• اﻟﻣﻌرﻓﺔ وﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ‪Knowledge and Representation‬‬
‫ﯾﺗطﻠب ﺣل اﻟﻣﺳﺎﺋل ﻛﻣﯾﺔ ﻛﺑﯾرة ﻣن اﻟﻣﻌرﻓﺔ ‪ ،Knowledge‬ﻛﻣﺎ ﯾﺗطﻠب ﺑﻌض اﻵﻟﯾﺎت اﻟﺗﻲ ﺗدﯾر ﺗﻠك اﻟﻣﻌرﻓﺔ‪ ،‬ﻓﺎﻟﻣﻌرﻓﺔ‬
‫وﺗﻣﺛﯾﻠﻬﺎ ﻛﯾﺎﻧﺎن ﻣﺧﺗﻠﻔﺎن‪ ،‬ﯾﻠﻌﺑﺎن أدوارا ﻣرﻛزﯾﺔ ﻟﻛﻧﻬﺎ ﻣﺗﻣﺎﯾزة ﻓﻲ اﻟﻧظم اﻟذﻛﯾﺔ‪ ،‬وﯾﻧظر إﻟﻰ اﻟﻣﻌرﻓﺔ ‪ Knowledge‬ﻛوﺻف‬
‫ﻟﻠﻌﺎﻟم‪ ،‬ﻓﻬﻲ ﺗﺣدد ﻛﻔﺎءة اﻟﻧظﺎم ﺑﺗﺣدﯾد ﻣﺎ اﻟذي ﯾﻌرﻓﻪ‪ ،‬أﻣﺎ ﺗﻣﺛﯾﻠﻬﺎ ‪ Representation‬ﻓﻬﻲ طرﯾﻘﺔ ﺗرﻣﯾز ‪ encode‬اﻟﻣﻌرﻓﺔ‪.‬‬
‫وﺗﻌرﯾف أداء اﻟﻧظﺎم ‪ system's performance‬ﻓﻲ ﻓﻌﻠﻪ ﺷﻲء ﻣﺎ‪.‬‬
‫وﺑﻛﻠﻣﺎت أﺑﺳط ﻧﺣن ﻧﺣﺗﺎج أن ﻣﻌرﻓﺔ اﻷﺷﯾﺎء اﻟﺗﻲ ﻧرﯾد ﺗﻣﺛﯾﻠﻬﺎ‪ ،‬وﻧﺣﺗﺎج ﺑﻌض اﻟﻣﻌﺎﻧﻲ اﻟﺗﻲ ﻧﺳﺗطﯾﻊ إدارة اﻷﺷﯾﺎء ﻋن‬
‫طرﯾﻘﻬﺎ‪:‬‬
‫وﻣن اﻷﺷﯾﺎء اﻟﺗﻲ ﻧﺣﺗﺎج ﻣﻌرﻓﺗﻬﺎ ﻟﺗﻣﺛﯾﻠﻬﺎ‪:‬‬
‫‡ اﻟﻛﺎﺋﻧﺎت ‪ Objects‬ﻛﺣﻘﺎﺋق ﻋن اﻟﻛﺎﺋﻧﺎت اﻟﻣوﺟودة ﻓﻲ ﻧطﺎق اﻟﻣﺳﺄﻟﺔ‪.‬‬
‫‡ اﻷﺣداث ‪ Events‬اﻷﻧﺷطﺔ اﻟﺗﻲ ﺗﺣدث ﻓﻲ ﻧطﺎق اﻟﻣﺳﺄﻟﺔ‪.‬‬
‫‡ اﻷداء ‪ Performance‬ﻣﻌرﻓﺔ ﻋن ﻛﯾف ﺗﻌﻣل اﻻﺷﯾﺎء‪.‬‬
‫‡ ﻣﺎ وراء اﻟﻣﻌرﻓﺔ ‪ Meta-knowledge‬ﻫﻲ اﻟﻣﻌرﻓﺔ اﻟﻌﻠﯾﺎ ﺣول ﻣﺎ ﻧﻌرف‪.‬‬
‫وﻣن اﻟﻣﻌﺎﻧﻲ اﻟﺗﻲ ﻧدﯾر اﻟﻣﻌرﻓﺔ ﻋن طرﯾﻘﻬﺎ‪:‬‬
‫‡ ﯾﺗطﻠب ﺑﻌض أﺳﺎﻟﯾب اﻟﺻﯾﺎﻏﺔ ‪ formalism‬ﺗﺣدد ﻣﺎ ﻫو اﻟﺷﻛل اﻟرﻣزي اﻟﻣﺳﺗﺧدم ﻟﻠﺗﻣﺛﯾل‪.‬‬
‫وﻫﻛذا‪ ،‬ﯾﻧظر إﻟﻰ ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ﺑﺎﻋﺗﺑﺎرﻩ ﻣﺳﺗوﯾﯾن‪:‬‬
‫)‪ (a‬ﻣﺳﺗوى اﻟﻣﻌرﻓﺔ ‪ knowledge level‬اﻟذي ﯾﺗم ﻓﯾﻪ وﺻف اﻟﺣﻘﺎﺋق‪.‬‬
‫)‪ (b‬ﻣﺳﺗوى اﻟرﻣز ‪ symbol level‬اﻟذي ﯾﺗم ﻓﯾﻪ ﺗﻌرﯾف ﺗﻣﺛﯾل اﻟﻛﺎﺋﻧﺎت‪ ،‬ﺑﺎﺻطﻼﺣﺎت ورﻣوز ﻟﻛﻲ ﯾﺗم ﻣﻌﺎﻟﺟﺗﻬﺎ ﻓﻲ اﻟﺑراﻣﺞ‪.‬‬
‫ﻻﺣظ ﻣﻌﻧﺎ أن اﻟﺗﻣﺛﯾل اﻟﺟﯾد ﯾﺗﯾﺢ ﻟﻧﺎ وﺻوﻻ دﻗﯾﻘﺎ وﺳرﯾﻌﺎ إﻟﻰ اﻟﻣﻌرﻓﺔ‪ ،‬وﻓﻬم ﺟﯾد ﻟﻠﻣﺣﺗوى‪.‬‬
‫___________‬
‫‪99 - ٦٩‬‬
‫• اﻟﺗﺣوﯾل ‪ Mapping‬ﺑﯾن اﻟﺣﻘﺎﺋق واﻟﺗﻣﺛﯾل‬

‫اﻟﻣﻌرﻓﺔ ﻫﻲ ﻣﺟﻣوﻋﺔ ﻣن اﻟﺣﻘﺎﺋق ”‪ “facts‬اﻟﻣﺄﺧوذة ﻣن ﺑﻌض اﻟﻣﺟﺎﻻت‪ ،‬وﻧﺣﺗﺎج إﻟﻰ ﺗﻣﺛﯾل ‪ representation‬اﻟﺣﻘﺎﺋق‬
‫اﻟﺗﻲ ﻧﺣﺗﺎج إﻟﻰ ﻣﻌﺎﻟﺟﺗﻬﺎ ﻓﻲ اﻟﺑرﻧﺎﻣﺞ‪ ،‬واﻟﻠﻐﺔ اﻻﻧﺟﻠﯾزﯾﺔ اﻟﻌﺎدﯾﺔ ‪ Normal English‬ﻏﯾر ﻛﺎﻓﯾﺔ‪ ،‬ﻓﻬﻲ ﺻﻌﺑﺔ ﺟدا ﻓﻲ اﻟوﻗت‬
‫اﻟﺣﺎﻟﻲ ﻟﺑراﻣﺞ اﻟﺣﺎﺳوب‪ ،‬وﻟرﺳم اﺳﺗدﻻﻻت ﻓﻲ اﻟﻠﻐﺔ اﻟطﺑﯾﻌﯾﺔ ‪ ،natural languages‬وﻟذﻟك ﻓﺑﻌض اﻟﺻﯾﻐﺔ اﻟرﻣزﯾﺔ‬
‫‪ symbolic representation‬ﺿرورﯾﺔ ﻟﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ﺑدﻻ ﻋن اﻟﻠﻐﺔ اﻟطﺑﯾﻌﯾﺔ‪.‬‬
‫وﻟﻬذا‪ ،‬ﻓﻧﺣن ﯾﺟب أن ﻧﻛون ﻗﺎدرﯾن ﻋﻠﻰ ﺗﺣوﯾل اﻟﺣﻘﺎﺋق إﻟﻰ رﻣوز "‪ "facts to symbols‬وﺗﺣوﯾل اﻟرﻣوز إﻟﻰ ﺣﻘﺎﺋق‬
‫"‪ ،"symbols to facts‬ﺑﺎﺳﺗﺧدام ﺗﺣوﯾل اﻟﺗﻣﺛﯾل اﻷﻣﺎﻣﻲ ‪ forward‬واﻟﺧﻠﻔﻲ ‪.backward‬‬
‫ﻣﺛﺎل ﺑﺎﺳﺗﺧدام ﺟﻣل اﻟﻠﻐﺔ اﻻﻧﺟﻠﯾزﯾﺔ وﻓق اﻟﻧﻣوذج اﻟﺗﺎﻟﻲ‪:‬‬
‫واﻟﻣﺛﺎل ﻓﻲ اﻟﺟدول اﻟﺗﺎﻟﻲ ﯾوﺿﺢ ﺗطﺑﯾق اﻟﻧﻣوذج اﻟﺳﺎﺑق‪:‬‬

‫اﻟﺣﻘﺎﺋق ‪Facts‬‬ ‫اﻟﺗﻣﺛﯾﻼت ‪Representations‬‬
‫‪Spot is a dog‬‬ ‫‪A fact represented in English sentence‬‬
‫اﻟﺣﻘﯾﻘﺔ اﻟﻣﻧﺎظرة ﻣﻣﺛﻠﺔ ﺑﺎﻟﻠﻐﺔ اﻹﻧﺟﻠﯾزﯾﺔ‪ ،‬ﻟﻠﺗﻌﺑﯾر ﻋن ﻛﻠب إﺳﻣﻪ ﺳﺑوت‪.‬‬
‫)‪dog (Spot‬‬ ‫‪Using forward mapping function the above fact is represented in‬‬
‫‪logic‬‬ ‫ﺑﺎﺳﺗﺧدام داﻟﺔ اﻟﺗﺣوﯾل اﻷﻣﺎﻣﻲ ﯾﺗم ﺗﻣﺛﯾل اﻟﺣﻘﯾﻘﺔ اﻟﺳﺎﺑﻘﺔ ﺑﺎﻟﻣﻧطق‪.‬‬
‫)‪∀x : dog(x) hastail (x‬‬ ‫"‪A logical representation of the fact that "all dogs have tails‬‬
‫اﻟﺗﻣﺛﯾل اﻟﻣﻧطﻘﻲ ﻟﻠﺣﻘﯾﻘﺔ اﻟﺗﻲ ﺗﻘول أن ﻛل اﻟﻛﻼب ﻟﻬﺎ ذﯾول‪.‬‬
‫‪Now using deductive mechanism we can generate a new representation of object :‬‬
‫اﻵن ﻧﺳﺗﺧدم آﻟﯾﺎت اﻻﺳﺗﻧﺗﺎج اﻟﺗﻲ ﻧﺳﺗطﯾﻊ ﺑﻬﺎ ﺗوﻟﯾد ﺗﻣﺛﯾﻼ ﺟدﯾد ﻟﻠﻛﺎﺋن‪.‬‬
‫)‪hastail (Spot‬‬ ‫‪A new object representation‬‬
‫ﺗﻣﺛﯾل ﺟدﯾد ﻟﻠﻛﺎﺋن‪.‬‬
‫‪Spot has a tail‬‬ ‫‪Using backward mapping function to generate English sentence‬‬
‫ﺑﺎﺳﺗﺧدام داﻟﺔ اﻟﺗﺣوﯾل اﻟﺧﻠﻔﻲ ﻟﺗوﻟﯾد ﺟﻣﻠﺔ ﺑﺎﻟﻠﻐﺔ اﻻﻧﺟﻠﯾزﯾﺔ‪.‬‬
‫___________‬
‫‪99 - ٧٠‬‬
‫اﻟﺗﻣﺛﯾل اﻷﻣﺎﻣﻲ ‪ Forward‬واﻟﺗﻣﺛﯾل اﻟﺧﻠﻔﻲ‪Backward Representation‬‬

‫اﻟﻧﻣوذج ﻓﻲ اﻟﺷﻛل اﻟﺗﺎﻟﻲ‪ ،‬ﯾوﺿﺢ اﻟﺗﻣﺛﯾل اﻷﻣﺎﻣﻲ واﻟﺧﻠﻔﻲ ﻟﻠﻣﻌرﻓﺔ‪ ،‬ﺑﺷﻛل أﻛﺛر ﺗﻔﺻﯾﻼ ﻋن اﻟﻧﻣوذج اﻟﺳﺎﺑق‪:‬‬
‫اﻟﺧط اﻟﻣﻧﻘط ﻓﻲ اﻟﺷﻛل اﻟﺳﺎﺑق‪ ،‬ﯾدل ﻋﻠﻰ ﻋﻣﻠﯾﺔ اﻟﺗﻔﺳﯾر اﻟﻣﺟردة اﻟﺗﻲ ﯾﻘوم اﻟﺑرﻧﺎﻣﺞ ﺑﻧﻣذﺟﺗﻬﺎ‪ ،‬واﻟﺧطوط اﻟﻣﺗﺻﻠﺔ ﻓﻲ اﻟﺷﻛل‬
‫ﺗدل ﻋﻠﻰ ﻋﻣﻠﯾﺔ اﻟﺗﻔﺳﯾر اﻟﻔﻌﻠﯾﺔ اﻟﺗﻲ ﯾؤدﯾﻬﺎ اﻟﺑرﻧﺎﻣﺞ‪.‬‬
‫ﻣﺧططﺎت ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ‪Knowledge Representation Schemes‬‬
‫ﻫﻧﺎك أرﺑﻌﺔ أﻧواع ﻟﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ﻫﻲ‪ :‬اﻟﻣﻌرﻓﺔ اﻟﻌﻼﺋﻘﯾﺔ ‪ ،Relational‬واﻟﻣﻌرﻓﺔ اﻟﻣورﺛﺔ ‪ ،Inheritable‬واﻟﻣﻌرﻓﺔ اﻻﺳﺗدﻻﻟﯾﺔ‬
‫‪ ،Inferential‬واﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ واﻹﺟراﺋﯾﺔ ‪ ،Declarative/Procedural‬ﻓﯾﻣﺎ ﯾﻠﻲ ﺗﻌرﯾﻔﺎت ﻣﺧﺗﺻرة ﻋﻧﻬﺎ ﺛم ﻧﻘدم‬
‫ﺗوﺿﯾﺣﺎ أﻛﺑر ﺑﻌدﻫﺎ‪.‬‬
‫اﻟﻣﻌرﻓﺔ اﻟﻌﻼﺋﻘﯾﺔ ‪Relational Knowledge‬‬
‫ﺗﻘدم ﻫذﻩ اﻟﻣﻌرﻓﺔ إطﺎر‪ -‬ﻋﻣل ‪ framework‬ﻟﻠﻣﻘﺎرﻧﺔ ﺑﯾن ﻛﺎﺋﻧﯾن ‪ two objects‬اﻋﺗﻣﺎدا ﻋﻠﻰ ﺧﺻﺎﺋص ﻣﺗﻧﺎظرة ﻓﻲ ﻛﻠﯾﻬﻣﺎ‪،‬‬
‫وأي ﺷﻛل ﯾﺗم ﻓﯾﻪ ﻣﻘﺎرﻧﺔ ﺑﯾن ﻛﺎﺋﻧﯾن ﻣﺧﺗﻠﻔﺗﯾن‪ ،‬ﯾﻌﺗﺑر ﻣﻌرﻓﺔ ﻋﻼﺋﻘﯾﺔ‪.‬‬
‫اﻟﻣﻌرﻓﺔ اﻟﻣورﺛﺔ ‪Inheritable Knowledge‬‬
‫ﻫﻲ ﻣﻌرﻓﺔ ﺗﻧﺗﺞ ﻋن اﻟﻛﺎﺋﻧﺎت اﻟﻣرﺗﺑطﺔ ‪ ،associated objects‬وﻫﻲ ﺗﺻف اﻟﺑﻧﯾﺔ اﻟﺗﻲ ﯾﺗم ﻓﯾﻬﺎ إﻧﺷﺎء اﻟﻛﺎﺋﻧﺎت‪ ،‬اﻟﺗﻲ ﻗد‬
‫ﺗرث ﺟﻣﯾﻊ أو ﺑﻌض ﺧﺻﺎﺋص اﻟﻛﺎﺋﻧﺎت اﻟﻣوﺟودة‪.‬‬
‫اﻟﻣﻌرﻓﺔ اﻻﺳﺗدﻻﻟﯾﺔ ‪Inferential Knowledge‬‬
‫ﻫﻲ اﻻﺳﺗدﻻل ﻣن ﻛﺎﺋﻧﺎت ﺧﻼل اﻟﻌﻼﻗﺎت ﺑﯾن اﻟﻛﺎﺋﻧﺎت‪ ،‬ﻣﺛﻼ اﻟﻛﻠﻣﺔ ‪ alone‬ﻫﻲ ﺻﯾﺎﻏﺔ ﺑﺳﯾطﺔ‪ ،‬ﻟﻛن ﻣن ﺧﻼل ﻣﺳﺎﻋدة‬
‫ﻛﻠﻣﺎت أﺧرى ﻓﻲ ﺟﻣﻠﺔ‪ ،‬ﯾﻣﻛن ﻟﻠﻘﺎرئ أن ﯾﺳﺗدل أﻛﺛر ﻣن اﻟﻛﻠﻣﺔ‪ ،‬ﻫذا اﻻﺳﺗدﻻل اﻟﻠﻐوي‪ ،‬ﯾﺳﻣﻰ دﻻﻻت ‪.semantics‬‬
‫اﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ ‪Declarative Knowledge‬‬
‫ﻫﻲ ﻋﺑﺎرة ﺗﺣدد اﻟﻣﻌرﻓﺔ ﻓﯾﻬﺎ‪ ،‬ﻟﻛن اﺳﺗﺧدام اﻟﻣﻌرﻓﺔ اﻟﻣوﺟودة ﻓﯾﻬﺎ ﻏﯾر ﻣﻌطﻰ ﻣﻊ اﻟﻌﺑﺎرة‪ ،‬ﻣﺛﻼ‪ :‬اﻟﻘواﻧﯾن‪ ،‬وأﺳﻣﺎء اﻟﻧﺎس‪ ،‬ﻫﻲ‬
‫ﺣﻘﺎﺋق ﯾﻣﻛن أن ﺗﻛون ﻣﺳﺗﻘﻠﺔ‪ ،‬ﻏﯾر ﻣﻌﺗﻣدة ﻋﻠﻰ ﻣﻌرﻓﺔ أﺧرى‪.‬‬
‫اﻟﻣﻌرﻓﺔ اﻹﺟراﺋﯾﺔ ‪Procedural Knowledge‬‬
‫ﻫﻲ اﻟﺗﻣﺛﯾل اﻟذي ﺗﻛون ﻓﯾﻪ ﻣﻌﻠوﻣﺎت اﻟﺗﺣﻛم ‪ control information‬اﻟﻣﺳﺗﺧدﻣﺔ ﻟﻠﻣﻌرﻓﺔ‪ ،‬ﻣﺿﻣﻧﺔ ﻓﻲ اﻟﻣﻌرﻓﺔ ﻧﻔﺳﻬﺎ‪ ،‬ﻣﺛﻼ‪:‬‬
‫;‪e.g. computer programs, directions, and recipes; these indicate specific use or implementation‬‬
‫___________‬
‫‪99 - ٧١‬‬
‫اﻟﻣﻌرﻓﺔ اﻟﻌﻼﺋﻘﯾﺔ ‪Relational Knowledge‬‬

‫ﻫذﻩ اﻟﻣﻌرﻓﺔ ﺗرﺑط ﻋﻧﺎﺻر ﻣﺟﺎل واﺣد ﺑﻣﺟﺎل آﺧر‪ ،‬ﻓﺎﻟﻣﻌرﻓﺔ اﻟﻌﻼﺋﻘﯾﺔ ﺗﺗﻛون ﻣن ﻛﺎﺋﻧﺎت ﺗﺣﺗوي ﻋﻠﻰ ﺧﺻﺎﺋص وﻗﯾﻣﻬﺎ‬
‫اﻟﻣرﺗﺑطﺔ اﻟﻣﻧﺎظرة ﻟﻬﺎ‪ ،‬وﻧﺗﺎﺋﺞ ﻧوع اﻟﻣﻌرﻓﺔ ﻫذا ﯾﺣول اﻟﻌﻧﺎﺻر ﻣن ﺧﻼل ﻣﺟﺎﻻت ﻣﺧﺗﻠﻔﺔ‪ ،‬واﻟﺟدول اﻟﺗﺎﻟﻲ ﯾﻌرض طرﯾﻘﺔ‬
‫ﺑﺳﯾطﺔ ﻟﺗﺧزﯾن اﻟﺣﻘﺎﺋق‪ ،‬وﻓﻲ اﻟﺟدول ﺣﻘﺎﺋق ﻋن ﻣﺟﻣوﻋﺔ ﻣن اﻟﻛﺎﺋﻧﺎت اﻟﻣرﺗﺑﺔ ﻓﻲ اﻷﻋﻣدة‪ ،‬وﻫذا اﻟﺗﻣﺛﯾل ﯾﻘدم ﻓرﺻﺔ ﺻﻐﯾرة‬
‫ﻟﻼﺳﺗدﻻل‪.‬‬
‫‪Table - Simple Relational Knowledge‬‬
‫‪Player‬‬ ‫‪Height‬‬ ‫‪Weight‬‬ ‫‪Bats – Throws‬‬
‫اﺳم اﻟﻼﻋب‬ ‫اﻟطول ﺑﺎﻟﻘدم‬ ‫اﻟوزن‬ ‫اﻟﻣوﻗﻊ‬
‫‪Aaron‬‬ ‫‪6-0‬‬ ‫‪180‬‬ ‫‪Right – Right‬‬
‫‪Mays‬‬ ‫‪5-10‬‬ ‫‪170‬‬ ‫‪Right – Right‬‬
‫‪Ruth‬‬ ‫‪6-2‬‬ ‫‪215‬‬ ‫‪Left – Left‬‬
‫‪Williams‬‬ ‫‪6-3‬‬ ‫‪205‬‬ ‫‪Left – Right‬‬
‫ﻓﻲ اﻟﺟدول أﻋﻼﻩ ﻟدﯾﻧﺎ ﺣﻘﺎﺋق‪ ،‬ﯾﻛون ﻣن اﻟﻣﻣﻛن إﻋطﺎء إﺟﺎﺑﺔ ﺑﺳﯾطﺔ ﻋﻧﻬﺎ‪ ،‬ﻣﺛل اﻟﺳؤال‪ :‬ﻣن ﻫو اﻟﻼﻋب اﻷﺛﻘل؟‪ ،‬وذﻟك‬
‫ﺑﺎﺳﺗﺧدام إﺟراء ﻹﯾﺟﺎد اﻟﻼﻋب اﻷﺛﻘل‪ ،‬ﯾﻘوم اﻹﺟراء ﺑﺗﺳﻬﯾل ﺣوﺳﺑﺔ اﻹﺟﺎﺑﺔ ٕواﻋطﺎﺋﻬﺎ‪ ،‬وﻫﻧﺎك أﺳﺋﻠﺔ أﺧرى ﺑﺎﻟطﺑﻊ ﯾﻣﻛن أن‬
‫ﺗﻘدم‪.‬‬
‫اﻟﻣﻌرﻓﺔ اﻟﻣورﺛﺔ ‪Inheritable Knowledge‬‬
‫ﻫﻧﺎ ﺗﻛون اﻟﻣﻌرﻓﺔ ﻋﻧﺎﺻر ﺗرث اﻟﺧﺻﺎﺋص ﻣن ﻛﺎﺋن أب ‪ ،parents‬وﺗﺟﺳد اﻟﻣﻌرﻓﺔ ﺑﺗﺻﻣﯾم اﻟﺑﻧﻰ اﻟﻬرﻣﯾﺔ ‪،hierarchies‬‬
‫اﻟﻣﺳﺗﺧدﻣﺔ ﻓﻲ اﻟﻣﺟﺎﻻت اﻟوظﯾﻔﯾﺔ واﻟﻔﯾزﯾﺎﺋﯾﺔ واﻟﻌﻣﻠﯾﺔ‪ ،‬وﻣن ﺧﻼل اﻟﺑﻧﯾﺔ اﻟﻬرﻣﯾﺔ ﺗرث اﻟﻌﻧﺎﺻر اﻟﺧﺻﺎﺋص ﻣن اﻵﺑﺎء‪ ،‬ﻟﻛن ﻓﻲ‬
‫ﺣﺎﻻت ﻛﺛﯾرة‪ ،‬ﻻ ﺗﻛون ﻛل ﺧﺻﺎﺋص اﻟﻌﻧﺻر اﻷب ﻣوﺟودة ﻓﻲ اﻟﻌﻧﺎﺻر اﻷﺑﻧﺎء‪.‬‬
‫واﻟﻣﯾراث ﯾﻛون ﺷﻛﻼ ﻣﻔﯾدا ﻟﻼﺳﺗدﻻل‪ ،‬ﻟﻛﻧﻬﺎ ﻏﯾر ﻣﻧﺎﺳﺑﺔ‪ ،‬ﻓﻣﺎزﻟﻧﺎ ﻧﺣﺗﺎج أن ﯾﺗزاﯾد ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ‪ KR‬ﻓﻲ آﻟﯾﺎت اﻻﺳﺗدﻻل‪،‬‬
‫وﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ﻓﻲ اﻟﺑﻧﯾﺔ اﻟﻬرﻣﯾﺔ‪ ،‬اﻟﻣوﺿﺢ أدﻧﺎﻩ‪ ،‬ﯾﺳﻣﻰ ﺑﺷﺑﻛﺎت اﻟدﻻﻟﺔ ”‪ ،“semantic network‬أو ﻣﺟﻣوﻋﺔ ﻣن اﻟﻘواﺋم‬
‫”‪ “frames‬أو ﺑﻧﯾﺔ ﻣﻸ اﻟﺣﯾز "‪ ،“slot-and-filler structure‬وﺗﻌرض اﻟﺷﻛل اﻟﺧﺎﺻﯾﺔ اﻟﻣورﺛﺔ وطرﯾﻘﺔ إدﺧﺎل ﻣﻌرﻓﺔ‬
‫إﺿﺎﻓﯾﺔ ﻟﻪ‪.‬‬
‫ﺗورﯾث اﻟﺧﺻﺎﺋص ‪ :Property inheritance‬أي أن ﯾرث اﻟﻛﺎﺋن أو اﻟﻌﻧﺻر ﻣن ﻧوع ﻓﺋﺔ ﻣﻌﯾن‪ ،‬اﻟﺻﻔﺎت واﻟﻘﯾم ﻣن اﻟﻔﺋﺎت‬
‫اﻷﻛﺛر ﻋﻣوﻣﯾﺔ‪ ،‬ﺣﯾث ﺗرﺗب اﻟﻔﺋﺎت ‪ classes‬ﺑﺷﻛل ﻣرﺗب ﻫرﻣﯾﺎ ﺣﺳب اﻟﺗﻌﻣﯾم‪.‬‬
‫___________‬
‫‪99 - ٧٢‬‬
‫ﻻﺣظ ﻓﻲ اﻟﻣﺛﺎل اﻟﻣوﺿﺢ ﺑﺎﻟﺷﻛل اﻟﺳﺎﺑق‪ ،‬اﻷﺳﻬم اﻟﻣوﺟﻬﺔ ﺗﻣﺛل اﻟﺻﻔﺎت )‪ ،(isa, instance, team‬اﻟﺗﻲ ﺗﻧﺷﺄ ﻣن اﻟﻛﺎﺋن‬
‫اﻟذي ﯾﺗم وﺻﻔﻪ وﺗﻧﺗﻬﻲ ﻋﻧد اﻟﻘﯾﻣﺔ أو اﻟﻛﺎﺋن ﻧﻔﺳﻪ‪ .‬أﻣﺎ اﻟﻧﻘﺎط ‪ nodes‬أو اﻟﻣرﺑﻌﺎت ‪ box‬ﻓﺗﻣﺛل اﻟﻛﺎﺋﻧﺎت ‪ objects‬واﻟﻘﯾم‬
‫‪ values‬اﻟﺧﺎﺻﺔ ﺑﺎﻟﺻﻔﺎت‪.‬‬
‫وﻣن اﻟﻣﺛﺎل اﻟﺳﺎﺑق‪ ،‬ﻫﻧﺎك طرﯾﻘﺔ أﺧرى ﻟﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ إﺳﻣﻬﺎ طرﯾﻘﺔ اﻟﻘواﺋم ‪ frame‬أو اﻹطﺎرات‪ ،‬ﻓﯾﻣﺎ ﯾﻠﻲ ﺗﻣﺛﯾل ﻧﻘطﺔ ﻣﻌﯾﻧﺔ‬
‫ﻛﻘﺎﺋﻣﺔ ﺑﺄﺳﻠوب اﻟﻘواﺋم‪:‬‬
‫‪Viewing a node as a frame:Baseball-player‬‬ ‫ﻋرض ﻧﻘطﺔ ﻛﻣﺛﺎل ﻣن ﻣﺛﺎل ﻻﻋب اﻟﺑﯾﺳﺑول‬
‫‪Example‬‬
‫‪isa : Adult-Male‬‬ ‫ﻫو ﯾﻛون‪ :‬رﺟل ﺑﺎﻟﻎ‬
‫‪Bates : EQUAL handed‬‬ ‫ﺿرﺑﺎﺗﻪ ﻟﻠﻛرة‪ :‬ﻣﺗﺳﺎوﯾﺔ ﻣن ﻛﻼ اﻟﯾدﯾن‪.‬‬
‫‪Height : 6.1‬‬ ‫طوﻟﻪ‪٦.١ :‬‬
‫‪Batting-average : 0.252‬‬ ‫ﻣﺗوﺳط اﻟﺿرﺑﺎت‪٠.٢٥٢ :‬‬
‫وﻛﺗﻣرﯾن‪ :‬ﻗم ﺑﻌﻣل ﻗواﺋم ”‪ “frames‬ﻟﺑﻘﯾﺔ اﻟﻛﺎﺋﻧﺎت واﻟﺻﻔﺎت ﻣن ﺷﺑﻛﺔ اﻟدﻻﻟﺔ ”‪ “semantic network‬أﻋﻼﻩ‪.‬‬
‫ﺧوارزﻣﯾﺔ ﺗورﯾث اﻟﺧﺻﺎﺋص ‪Algorithm : Property Inheritance‬‬
‫ﻟﻛﻲ ﻧﻘوم ﺑﺎﺳﺗرﺟﺎع اﻟﻘﯾﻣﺔ ‪ V‬اﻟﺧﺎﺻﺔ ﺑﺎﻟﺻﻔﺔ ‪ A‬اﻟﺗﺎﺑﻌﺔ ﻟﻧﺳﺧﺔ اﻟﻛﺎﺋن ‪ ،O‬ﻧﺗﺑﻊ اﻟﺧطوات اﻟﺗﺎﻟﯾﺔ‪:‬‬
‫‪ .١‬ﺟد اﻟﻛﺎﺋن ‪ O‬ﻓﻲ ﻗﺎﻋدة اﻟﻣﻌرﻓﺔ ‪.knowledge base‬‬
‫‪ .٢‬إذا ﻛﺎن ﻫﻧﺎك ﻗﯾﻣﺔ ﻟﻠﺧﺎﺻﯾﺔ ‪ ،A‬ﻗم ﺑرﻓﻊ ﺗﻠك اﻟﻘﯾﻣﺔ‪.‬‬
‫‪ٕ .٣‬وان ﻟم ﯾﻛن ﻫﻧﺎك ﻗﯾﻣﺔ‪ٕ ،‬واذا ﻛﺎن ﻻ ﯾوﺟد ﻗﯾﻣﺔ ﻟﺧﺎﺻﯾﺔ أﺧرى‪ ،‬ﻓﺈﻧﻧﺎ ﻓﺷﻠﻧﺎ ﻓﻲ اﻻﺳﺗرﺟﺎع‪.‬‬
‫‪ٕ .٤‬وان ﻛﺎن ﻫﻧﺎك ﻗﯾﻣﺔ أﺧرى‪ ،‬ﻗم ﺑﺎﻟﺗوﺟﻪ إﻟﻰ اﻟﻧﻘطﺔ اﻟﻣﻧﺎظرة ﻟﺗﻠك اﻟﻘﯾﻣﺔ‪ ،‬واﺑﺣث ﻋن ﻗﯾﻣﺔ ﻟﻠﺧﺎﺻﯾﺔ ‪ ،A‬إن وﺟدت‬
‫ﻗﯾﻣﺔ ﻗوم ﺑرﻓﻌﻬﺎ‪.‬‬
‫‪ٕ .٥‬واﻻ‪ ،‬اﺳﺗﻣر ﺑﺎﻟﺑﺣث ﺣﺗﻰ ﺗﺟد ﻗﯾﻣﺔ ﻟﻠﺧﺎﺻﯾﺔ ”‪ ،“isa‬أو ﺣﺗﻰ ﻻ ﺗﺟد أي إﺟﺎﺑﺔ‪:‬‬
‫‪ .a‬اﺣﺻل ﻋﻠﻰ ﻗﯾﻣﺔ اﻟﺧﺎﺻﯾﺔ ”‪ “isa‬وﺗﺣرك إﻟﻰ اﻟﻧﻘطﺔ ﺑﻌدﻩ‪.‬‬
‫___________‬
‫‪99 - ٧٣‬‬
‫‪ .b‬اﻧظر ﻣﺎ إذا ﻛﺎﻧت ﻫﻧﺎك ﻗﯾﻣﺔ ﻟﻠﺧﺎﺻﯾﺔ ‪ ،A‬إن ﻛﺎﻧت ﻫﻧﺎك واﺣدة‪ ،‬ﺣددﻫﺎ‪.‬‬
‫‪1. Find object O in the knowledge base.‬‬
‫‪2. If there is a value for the attribute A then report that value.‬‬
‫‪3. Else, if there is a value for the attribute instance; If not, then fail.‬‬
‫‪4. Else, move to the node corresponding to that value and look for a value for the attribute A; If one is found,‬‬
‫‪report it.‬‬
‫‪5. Else, do until there is no value for the “isa” attribute or until an answer is found :‬‬
‫‪(a) Get the value of the “isa” attribute and move to that node.‬‬
‫‪(b) See if there is a value for the attribute A; If yes, report it.‬‬
‫ﺗﻌد اﻟﺧوارزﻣﯾﺔ اﻟﺳﺎﺑﻘﺔ ﺧوارزﻣﯾﺔ ﻣﺑﺳطﺔ‪ ،‬ﻓﻬﻲ ﺗﺻف اﻵﻟﯾﺎت اﻷﺳﺎﺳﯾﺔ ﻟﻠﺗورﯾث‪ ،‬وﻟﻛﻧﻬﺎ ﻻ ﺗﺧﺑرﻧﺎ ﻣﺎ ﻧﻔﻌل ﻟو ﻛﺎن ﻫﻧﺎك أﻛﺛر‬
‫ﻣن ﻗﯾﻣﺔ ﻟﻧﺳﺧﺔ ‪ instance‬اﻟﻛﺎﺋن اﻟواﺣد أو اﻟﺧﺎﺻﯾﺔ ”‪.“isa‬‬
‫وﯾﻣﻛن ﺗطﺑﯾق ﻫذا ﻋﻠﻰ اﻟﻣﺛﺎل اﻟﺳﺎﺑق ﻟﻘﺎﻋدة اﻟﻣﻌرﻓﺔ اﻟﻣوﺿﺣﺔ ﻓﯾﻪ‪ ،‬ﻟﻣﻌرﻓﺔ إﺟﺎﺑﺎت اﻻﺳﺗﻔﺳﺎرات اﻟﺗﺎﻟﯾﺔ‪:‬‬
‫‪team (Pee-Wee-Reese) = Brooklyn–Dodger‬‬
‫ﻓرﯾق اﻟﻼﻋب ﺑﯾوﯾﯾرﯾز ﻫو ﺑروﻛﻠﯾن دودﺟر‪.‬‬
‫‪batting–average(Three-Finger-Brown) = 0.106‬‬
‫ﻣﻌدل ﺿرﺑﺎت اﻟﻼﻋب ﺛري ﻓﯾﻧﺟر ﺑراون ﻫو ‪٠.١٠٦‬‬
‫‪height (Pee-Wee-Reese) = 6.1‬‬
‫طول اﻟﻼﻋب ﺑﯾوﯾرﯾز ﻫو ﺳﺗﺔ أﻗدام وواﺣد ﻣن ﻋﺷرة‪.‬‬
‫‪bats (Three Finger Brown) = right‬‬
‫اﻟﯾد اﻟﺗﻲ ﯾﺿرب ﺑﻬﺎ اﻟﻼﻋب ﺛرﯾﻔﯾﻧﺟرﺑراون ﻋﺎدة ﻫﻲ اﻟﯾد اﻟﯾﻣﻧﻰ‪.‬‬
‫وﻟﻠﻣزﯾد ﻣن اﻟﺗﻔﺎﺻﯾل ﯾﻣﻛن اﻟﻌودة إﻟﻰ ﻛﺗﺎب اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ ﻓﻲ اﻟﻣراﺟﻊ آﺧر اﻟﻔﺻل‪ ،‬ﻣن ﺗﺎﻟﯾف‪Elaine Rich & :‬‬
‫‪ ،Kevin Knight‬اﻟﺻﻔﺣﺔ رﻗم ‪.١١٢‬‬
‫اﻟﻣﻌرﻓﺔ اﻻﺳﺗدﻻﻟﯾﺔ ‪Inferential Knowledge‬‬
‫ﻫذﻩ اﻟﻣﻌرﻓﺔ ﺗﻧﺗﺞ ﻣﻌﻠوﻣﺎت ﺟدﯾدة ﻣن اﻟﻣﻌﻠوﻣﺎت اﻟﻣﻌطﺎة‪ ،‬وﻻ ﺗﺗطﻠب اﻟﻣﻌﻠوﻣﺎت اﻟﺟدﯾدة ﺟﻣﻊ ﺑﯾﺎﻧﺎت إﺿﺎﻓﯾﺔ ﻣن اﻟﻣﺻدر‪،‬‬
‫ﻟﻛﻧﻬﺎ ﺗﺗطﻠب ﺗﺣﻠﯾل اﻟﻣﻌﻠوﻣﺎت اﻟﻣﻌطﺎة ﻟﺗوﻟﯾد ﻣﻌرﻓﺔ ﺟدﯾدة‪.‬‬
‫‪ -‬ﻟدﯾﻧﺎ ﻣﺟﻣوﻋﺔ ﻣن اﻟﻌﻼﻗﺎت واﻟﻘﯾم‪ ،‬واﺣدة ﻣﻧﻬﺎ ﻗد ﻧﺳﺗدل ﺑﻬﺎ ﻋﻠﻰ ﻗﻣﯾﺔ أو ﻋﻼﻗﺎت أﺧرى‪.‬‬
‫‪ -‬اﻟﻣﻧطق اﻟﻣﺳﻧد )اﻻﺳﺗﻧﺗﺎج اﻟرﯾﺎﺿﻲ ‪ (a mathematical deduction‬ﯾﺳﺗﺧدم ﻟﻼﺳﺗدﻻل ﻣن ﻣﺟﻣوﻋﺔ ﻣن‬
‫اﻟﺻﻔﺎت‪.‬‬
‫‪ -‬ﯾﺳﺗﺧدم اﻻﺳﺗدﻻل‪ ،‬ﺧﻼل اﻟﻣﻧطق اﻟﻣﺳﻧد‪ ،‬ﻣﺟﻣوﻋﺔ ﻣن اﻟﻌﻣﻠﯾﺎت اﻟﻣﻧطﻘﯾﺔ‪ ،‬ﻟﻠرﺑط ﺑﯾن اﻟﺑﯾﺎﻧﺎت اﻟﻣﻧﻔردة‪.‬‬
‫‪ -‬اﻟرﻣوز اﻟﻣﺳﺗﺧدﻣﺔ ﻓﻲ ﻋﻣﻠﯾﺎت اﻟﻣﻧطق ﻫﻲ‪:‬‬
‫اﻟﺗﺿﻣﯾن )‪ ،"" (implication‬اﻟﻧﻔﻲ )‪ ، " ¬ " (not‬أو )‪ ، " V " (or‬و )‪ ، " Λ " (and‬ﻟﻛل )‪ ،"∀" (for all‬ﻟﺑﻌض "∃"‬
‫)‪.(there exists‬‬
‫ﻣﺛﺎل ﻋﻠﻰ ﻋﺑﺎرات اﻟﻣﻧطق اﻟﻣﺳﻧد ‪Examples of predicate logic statements‬‬
‫___________‬
‫‪99 - ٧٤‬‬
‫‪ "Wonder" .١‬ﻫو إﺳم ﻟﻛﻠب‪.dog (wonder) :‬‬

‫‪ .٢‬ﻛل اﻟﻛﻼب ﺗﻌود إﻟﻰ اﻟﻔﺋﺔ ‪ class‬اﻟﺧﺎﺻﺔ ﺑﺎﻟﺣﯾواﻧﺎت ‪.∀x : dog (x)  animal(x) :animals‬‬
‫‪ .٣‬ﻛل اﻟﺣﯾواﻧﺎت ﺗﻌﯾش إﻣﺎ ﻋﻠﻰ اﻷرض او ﺗﻌﯾش ﻓﻲ اﻟﻣﺎء‪:‬‬
‫‪∀x : animal(x)  live (x,land) V live (x, water).‬‬
‫واﻵن ﻣن اﻟﺟﻣل اﻟﺛﻼث اﻟﺳﺎﺑﻘﺔ‪ ،‬ﻧﺳﺗطﯾﻊ أن ﻧﺳﺗدل ‪ infer‬أن‪:‬‬
‫اﻟﻛﻠب "‪ "Wonder‬ﯾﻌﯾش إﻣﺎ ﻋﻠﻰ اﻷرض أو ﻓﻲ اﻟﻣﺎء‪ ،‬أو "‪."Wonder lives either on land or on water.‬‬
‫ﻣﻼﺣظﺔ‪ٕ :‬واذا أﺗﯾﺣت ﻣﻌﻠوﻣﺎت ﻛﺛﯾرة ﻋن ﺗﻠك اﻟﻛﺎﺋﻧﺎت وﻋﻼﻗﺎﺗﻬﺎ‪ ،‬ﻓﺈﻧﻧﺎ ﻧﺳﺗطﯾﻊ اﻻﺳﺗدﻻل ﻋن ﻣﻌرﻓﺔ أﻛﺛر‪.‬‬
‫اﻟﻣﻌرﻓﺔ اﻹﺟراﺋﯾﺔ واﻟﺗﺻرﯾﺣﯾﺔ ‪Declarative and Procedural Knowledge‬‬
‫اﻻﺧﺗﻼﻓﺎت ﺑﯾن اﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ واﻹﺟراﺋﯾﺔ ﻏﯾر واﺿﺢ ﺑﺷﻛل ﻛﺑﯾر‪.‬‬
‫اﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ ‪Declarative knowledge‬‬
‫ﻫﻧﺎ‪ ،‬ﺗﻌﺗﻣد اﻟﻣﻌرﻓﺔ ﻋﻠﻰ اﻟﺣﻘﺎﺋق اﻟﺗﺻرﯾﺣﯾﺔ ﻋن اﻟﺑدﯾﻬﯾﺎت ‪ axioms‬واﻟﻣﺟﺎﻻت ‪ domains‬اﻟﻣﺧﺗﻠﻔﺔ‪ :‬وﻧﻔﺗرض أن اﻟﺑدﯾﻬﯾﺔ‬
‫ﺗﻛون ﺻﺎﺋﺑﺔ‪ ،‬إن ﻟم ﯾظﻬر ﻣﺛﺎل ﻣﺿﺎد ﻹﺿﻌﺎﻓﻬﺎ‪ ،‬أﻣﺎ اﻟﻣﺟﺎﻻت ﻓﺗﻣﺛل ﻟﻧﺎ اﻟﻌﺎﻟم اﻟﻣﺎدي واﻟوظﺎﺋف اﻟﻣدرﻛﺔ ﻓﯾﻪ‪ ،‬وﻛﻼ ﻣن‬
‫اﻟﺑدﯾﻬﯾﺔ واﻟﻣﺟﺎل ﺗظﻬر ﺑﺑﺳﺎطﺔ وﻧﺗﻌﺎﻣل ﻣﻌﻬﺎ ﻛﻌﺑﺎرات ﺗﺻرﯾﺣﯾﺔ‪ ،‬ﯾﻣﻛن أن ﯾﻧظر ﻟﻬﺎ ﺑﺷﻛل ﻣﺳﺗﻘل وﺣدﻫﺎ‪.‬‬
‫اﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ ‪Procedural knowledge‬‬
‫ﻫﻧﺎ‪ ،‬ﺗﻛون اﻟﻣﻌرﻓﺔ ﻋﻣﻠﯾﺔ ﺗﺣوﯾل ﺑﯾن اﻟﻣﺟﺎﻻت اﻟﺗﻲ ﺗﺣدد "ﻣﺎذا ﻧﻔﻌل ﻋﻧدﻣﺎ‪ ،"..‬وﺑﯾن اﻟﺗﻣﺛﯾل ﻟـ "ﻛﯾف ﻧﻔﻌل ذﻟك‪ ،"...‬ﺑدﻻ ﻣن‬
‫"ﻣﺎ ﻫو ذﻟك"‪ ،‬ﻓﺎﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ ﻗد ﺗﺣوز ﻋﻠﻰ ﻛﻔﺎءة اﺳﺗدﻻل‪ ،‬وﻟﻛﻧﻬﺎ ﺑدون ﻣﻼﺋﻣﺔ ﻟﻼﺳﺗدﻻل وﻻ ﻛﻔﺎءة اﻛﺗﺳﺎب ﻟﻠﻣﻌرﻓﺔ‪.‬‬
‫وﯾﺗم ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ ﻣﺛل ﺑرﻧﺎﻣﺞ ﺻﻐﯾر‪ ،‬ﯾﻌرف ﻛﯾف ﯾﻧﻔذ أﺷﯾﺎء ﻣﺣددة‪ ،‬وﻛﯾف ﯾﻌﺎﻟﺟﻬﺎ‪.‬‬
‫ﻣﺛﺎل‪ :‬ﺑرﻧﺎﻣﺞ اﻹﻋراب ‪ parser‬ﻓﻲ اﻟﻠﻐﺔ اﻟطﺑﯾﻌﯾﺔ ﯾﻣﻠك ﻣﻌرﻓﺔ أن اﻟﺟﻣﻠﺔ ﻗد ﺗﺣﺗوي ﻋﻠﻰ أدوات ﺗﻌرﯾف‪ ،‬وﺻﻔﺎت وأﺳﻣﺎء‪،‬‬
‫وﻟذﻟك ﻓﻬو ﯾﻘوم ﺗﻠﻘﺎﺋﯾﺎ ﺑﺎﺳﺗدﻋﺎء ﺑراﻣﺞ ﻓرﻋﯾﺔ )روﺗﯾﻧﺎت( ﺗﻌرف ﻛﯾف ﺗﻌﺎﻟﺞ أدوات اﻟﺗﻌرﯾف ‪ articles‬واﻟﺻﻔﺎت ‪adjectives‬‬
‫واﻷﺳﻣﺎء ‪.nouns‬‬
‫___________‬
‫‪99 - ٧٥‬‬
‫‪ (٨‬ﲤﺜﻴﻞ ﺍﳌﻌﺮﻓﺔ ﺑﺎﺳﺘﺨﺪﺍﻡ ﺍﳌﻨﻄﻖ ﺍﳌﺴﻨﺪ ‪KR Using Predicate Logic‬‬

‫ﻓﻲ اﻟﻘﺳم اﻟﺳﺎﺑق ﺗﻌرﺿﻧﺎ إﻟﻰ اﻟﻣﻌرﻓﺔ وﺗﻣﺛﯾﻠﻬﺎ‪ ،‬وﻓﯾﻣﺎ ﯾﻠﻲ ﺳوف ﻧوﺿﺢ‪:‬‬
‫ﻛﯾف ﻧﺳﺗطﯾﻊ ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ﻛﺗراﻛﯾب أو ُﺑﻧﻰ ﻣن اﻟرﻣوز ”‪ ،“symbol structures‬ﺗﻠك اﻟﺗﻲ ﺗﻣﯾز دﻗﺎﺋق اﻟﻣﻌرﻓﺔ ﺣول‬
‫اﻟﻛﺎﺋﻧﺎت واﻟﻣﻔﺎﻫﯾم واﻟﺣﻘﺎﺋق واﻟﻘواﻧﯾن واﻻﺳﺗراﺗﯾﺟﯾﺎت‪ ،‬ﻣﺛﻼ‪:‬‬
‫ﻧﻣﺛل اﻟﻠون اﻷﺣﻣر ﺑـ”‪ “red‬وﻧﻣﺛل اﻟﺳﯾﺎرة ﻣﺛﻼ ﺑـ ”‪ “car1‬وﻧﻣﺛل ﺣﻘﯾﻘﺔ أن اﻟﺳﯾﺎرة ﺣﻣراء ﺑـ ")‪."red(car1‬‬
‫ﻓرﺿﯾﺎت ﺣول ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ‪:Assumptions about KR‬‬
‫‪ -‬ﯾﻣﻛن إﻧﺟﺎز اﻟﺳﻠوك اﻟذﻛﻲ ‪ Intelligent Behavior‬ﺑواﺳطﺔ ﻣﻌﺎﻟﺟﺔ ﺗراﻛﯾب اﻟرﻣوز‪.‬‬
‫‪ -‬ﺗﺻﻣم ﻟﻐﺎت ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ‪ KR languages‬ﻣن أﺟل ﺗﺳﻬﯾل اﻟﻌﻣﻠﯾﺎت ﻋﺑر ﺗراﻛﯾب اﻟرﻣوز‪ ،‬ﺗﻣﻠك ﻗواﻋد ﺗرﻛﯾب‬
‫دﻗﯾﻘﺔ ‪ syntax‬ﻟﻬﺎ دﻻﻻت ‪ semantics‬ﻣﺣددة‪.‬‬
‫ﻓﻘواﻋد اﻟﺗرﻛﯾب ‪ syntax‬ﺗﺧﺑرﻧﺎ أي اﻟﺗﻌﺑﯾرات ﺻﺣﯾﺣﺔ أو ﺧﺎطﺋﺔ‪ ،‬ﻣﺛﻼ اﻟﺗﻌﺑﯾر اﻟﺗﺎﻟﻲ ﯾﺟب أن ﺗﻛون ﺗﺎﺑﻌﺔ ﻟﻘواﻋد ﺻﯾﺎﻏﺔ‬
‫ﻣﻌﯾﻧﺔ‪:‬‬
‫? )‪red1(car1), red1 car1, car1(red1), red1(car1 & car2‬‬
‫ودﻻﻻت اﻟﺗرﻛﯾب ‪ semantics‬ﺗﺧﺑرﻧﺎ ﻣﺎ اﻟذي ﯾﻌﻧﯾﻪ ﺗﻌﺑﯾر ﻣﻌﯾن‪ ،‬ﻣﺛﻼ اﻟﺧﺎﺻﯾﺔ ”‪ “dark red‬ﺗطﺑق ﻋﻠﻰ اﻟﺳﯾﺎرة ‪.car‬‬
‫‪ -‬واﻟﻘﯾﺎم ﺑﺎﻻﺳﺗدﻻل ‪ Inferences‬ﯾﻧﺗﺞ ﻟﻧﺎ اﺳﺗﻧﺗﺎﺟﺎت ﺟدﯾدة ﻣن اﻟﺣﻘﺎﺋق اﻟﻣوﺟودة‪.‬‬
‫وﻣن أﺟل ﻗﺑول ﻫذﻩ اﻟﻔرﺿﯾﺎت ﺣول ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ‪ ،KR‬ﻧﺣﺗﺎج إﻟﻰ رﻣوز اﺻطﻼﺣﯾﺔ ﺗﺳﻣﺢ ﺑﺄﺗﻣﺗﺔ اﻻﺳﺗدﻻل وﺣل اﻟﻣﺳﺄﻟﺔ‪،‬‬
‫وأﺣد اﻟﺧﯾﺎرات اﻟﺷﺎﺋﻌﺔ ﻫو اﺳﺗﺧدام اﻟﻣﻧطق ‪.logic‬‬
‫اﻟﻣﻧطق ‪Logic‬‬
‫ﯾﻬﺗم اﻟﻣﻧطق ﺑﺎﻟﺣﻘﯾﻘﺔ اﻟﻣوﺟودة أو اﻟﻐﺎﺋﺑﺔ ﻓﻲ اﻟﻌﺑﺎرات واﻟﺗﻌﺑﯾرات ﻋن اﻟﻌﺎﻟم ﻣن ﺣوﻟﻧﺎ‪ ،‬وﻋﻣوﻣﺎ اي ﻋﺑﺎرة ﺗﻛون إﻣﺎ ﺻﺎﺋﺑﺔ‬
‫‪ TRUE‬أو ﺧﺎطﺋﺔ ‪.FALSE‬‬
‫ﯾﺗﻛون اﻟﻣﻧطق ﻣن‪ :‬ﻗواﻋد اﻟﺗرﻛﯾب ‪ Syntax‬واﻟدﻻﻻت ‪ٕ Semantics‬واﺟراءات اﻻﺳﺗدﻻل ‪.Inference Procedure‬‬
‫اﻟﺗرﻛﯾب اﻟﻠﻐوي أو ﻗواﻋد اﻟﺗرﻛﯾب ‪Syntax‬‬
‫ﻫﻲ ﻗواﻋد ﺗﺣدد اﻟرﻣوز ‪ symbols‬ﻓﻲ اﻟﻠﻐﺔ ﺣول ﻛﯾﻔﯾﺔ ﺗرﻛﯾﺑﻬﺎ ﻟﺗﺷﻛﯾل اﻟﺟﻣل‪ ،‬ﻓﺎﻟﺣﻘﺎﺋق ﺣول اﻟﻌﺎﻟم ﯾﺗم ﺗﻣﺛﯾﻠﻬﺎ ﻛﺟﻣل‬
‫ﻣﻧطﻘﯾﺔ‪.‬‬
‫اﻟدﻻﻻت ‪Semantic‬‬
‫ﻫﻲ ﻗواﻋد ﺗﺣدد ﻛﯾﻔﯾﺔ رﺑط ﻗﯾم اﻟﺻواب ﺑﺎﻟﺟﻣل اﻋﺗﻣﺎد ﻋﻠﻰ ﻣﻌﻧﺎﻫﺎ ﻓﻲ اﻟﻌﺎﻟم ﻣن ﺣوﻟﻧﺎ‪ ،‬وﺗﺣدد ﻣﺎ ﻫﻲ اﻟﺣﻘﺎﺋق اﻟﺗﻲ ﺗﻘﺻدﻫﺎ‬
‫اﻟﺟﻣﻠﺔ‪ ،‬واﻟﺣﻘﺎﺋق ‪ facts‬اﻟﻣﻘﺻودة ﻫﻧﺎ ﻫﻲ إدﻋﺎءات ﻋن اﻟﻌﺎﻟم‪ ،‬وﻗد ﺗﻛون ﺻﺎﺋﺑﺔ أو ﺧﺎطﺋﺔ‪.‬‬
‫إﺟراءات اﻻﺳﺗدﻻل ‪Inference Procedure‬‬
‫‪existing‬‬ ‫ﻫﻲ إﺟراءات ﺗﺣدد اﻷﺳﺎﻟﯾب واﻟطرق ﻟﺣوﺳﺑﺔ اﻟﺟﻣل اﻟﺟدﯾدة ‪ new sentences‬ﻣن اﻟﺟﻣل اﻟﻣوﺟودة‬
‫‪.sentences‬‬
‫ﻣﻼﺣظﺔ‬
‫ﺧﺎطﺋﺔ‪،‬‬ ‫أو‬ ‫ﺻﺎﺋﺑﺔ‬ ‫ﺗﻛون‬ ‫وﻗد‬ ‫اﻟﻌﺎﻟم‪،‬‬ ‫ﻋن‬ ‫إدﻋﺎءات‬ ‫ﻫﻲ‬ ‫‪:facts‬‬ ‫اﻟﺣﻘﺎﺋق‬
‫اﻟﻌرض‪/‬اﻟﺗﻣﺛﯾل ‪ :Representation‬ﻫﻲ ﺗﻌﺑﯾر أو ﺟﻣﻠﺔ ﺗﻌود إﻟﻰ ﻛﺎﺋﻧﺎت ‪ objects‬وﻋﻼﻗﺎت ‪.relations‬‬
‫اﻟﺟﻣل ‪ :Sentences‬ﻫﻲ ﻣﺎ ﻧﺳﺗطﯾﻊ ﺗرﻣﯾزﻩ إﻟﻰ ﺑرﻧﺎﻣﺞ ﺣﺎﺳوﺑﻲ‪.‬‬
‫___________‬
‫‪99 - ٧٦‬‬
‫اﻟﻣﻧطق ﻛﻠﻐﺔ ﻟﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ‪Logic as a KR Language‬‬

‫اﻟﻣﻧطق ﻫو ﻟﻐﺔ ﻟﻠﺗﻔﺳﯾر‪ ،‬وﻣﺟﻣوﻋﺔ ﻣن اﻟﻘواﻧﯾن اﻟﻣﺳﺗﺧدﻣﺔ أﺛﻧﺎء ﻋﻣﻠﯾﺔ اﻟﺗﻔﺳﯾر اﻟﻣﻧطﻘﻲ‪ ،‬اﻟﻣﻧطق ﯾدرس ﻛﻠﻐﺔ ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ‬
‫ﻓﻲ اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‪.‬‬
‫اﻟﻣﻧطق ‪ Logic‬ﻫو ﻧظﺎم اﺻطﻼﺣﻲ ﺗﻣﻠك ﻓﯾﻪ اﻟﺟﻣل واﻟﺻﯾﺎﻏﺎت ﻗﯾﻣﺎ ﺻﺎﺋﺑﺔ أو ﺧﺎطﺋﺔ‪ ،‬وﺗﻛﻣن ﺻﻌوﺑﺔ أﻣر ﺗﺻﻣﯾم ﻟﻐﺔ‬
‫ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ‪ designing KR language‬ﻓﻲ‪:‬‬
‫‪ -١‬ﻗدرﺗﻬﺎ ﻋﻠﻰ اﻟﺗﻌﺑﯾر اﻟﻛﺎﻓﻲ ﻟﺗﻣﺛﯾل اﻟﻛﺎﺋﻧﺎت واﻟﻌﻼﻗﺎت اﻟﻣﻬﻣﺔ ﻓﻲ ﻧطﺎق اﻟﻣﺳﺄﻟﺔ‪.‬‬
‫‪ -٢‬ﻓﺎﻋﻠﯾﺗﻬﺎ اﻟﻛﺎﻓﯾﺔ ﻓﻲ اﻟﺗﻔﺳﯾر ٕواﺟﺎﺑﺔ اﻷﺳﺋﻠﺔ ﺣول اﻟﻣﻌﻠوﻣﺎت اﻟﻛﺎﻣﻧﺔ ﺑﻛﻣﯾﺔ ﻣﻘﺑوﻟﺔ ﻣن اﻟزﻣن‪.‬‬
‫وﯾﻛون اﻟﻣﻧطق ﻓﻲ أﻧواع ﻣﺧﺗﻠﻔﺔ‪ ،‬ﻛﺎﻟﻣﻧطق اﻟﺧﺑري ‪ ،Propositional logic‬واﻟﻣﻧطق اﻟﻣﺳﻧد ‪ ،Predicate logic‬واﻟﻣﻧطق‬
‫اﻟﻣؤﻗت ‪ ،Temporal logic‬واﻟﻣﻧطق اﻟﻣﺷروط ‪ ،Modal logic‬واﻟﻣﻧطق اﻟوﺻﻔﻲ ‪ ،Description logic‬وﻫذﻩ اﻷﻧواع‬
‫اﻟﻣﺧﺗﻠﻔﺔ ﺗﻣﺛل اﻷﺷﯾﺎء وﻗد ﺗﺳﻣﺢ ﺑﺎﺳﺗدﻻل ﻛﺛﯾر أو أﻗل‪ ،‬ﻛﻣﺎ أن اﻟﻣﻧطق اﻟﺧﺑري واﻟﻣﻧطق اﻟﻣﺳﻧد ﻫﻣﺎ أﺻل ﻛل أﻧواع اﻟﻣﻧطق‬
‫اﻷﺧرى‪.‬‬
‫واﻟﻣﻧطق اﻟﺧﺑري ﻫو دراﺳﺔ اﻟﻌﺑﺎرات واﻟﺗراﺑط ﻓﯾﻣﺎ ﺑﯾﻧﻬﺎ‪ ،‬أﻣﺎ اﻟﻣﻧطق اﻟﻣﺳﻧد ﻓﻬو دراﺳﺔ اﻟﻣﻔردات وﺧﺻﺎﺋﺻﻬﺎ‪.‬‬
‫اﻟﻣﻧطق اﻟﺧﺑري ‪Logic Representation‬‬
‫ﯾﻣﻛن اﺳﺗﺧدام اﻟﻣﻧطق ﻟﺗﻣﺛﯾل اﻟﺣﻘﺎﺋق اﻟﺑﺳﯾطﺔ‪ ،‬وﻛﻣﺎ أﺳﻠﻔﻧﺎ ﻓﺎﻟﺣﻘﺎﺋق ‪ facts‬إﻣﺎ أن ﺗﻛون ﺻﺎﺋﺑﺔ ‪ True‬أو ﺧﺎطﺋﺔ ‪،False‬‬
‫وﻟﻛﻲ ﻧﻘوم ﺑﺈﻧﺷﺎء ﺗﻣﺛﯾل ﻟﻠﻣﻌرﻓﺔ ﻣﻌﺗﻣد ﻋﻠﻰ اﻟﻣﻧطق‪:‬‬
‫‪ ‬ﯾﻘوم اﻟﻣﺳﺗﺧدم ﺑﺗﻌرﯾف ﻣﺟﻣوﻋﺔ ﻣن اﻟرﻣوز اﻷﺻﯾﻠﺔ واﻟدﻻﻻت أو اﻟﻣﻌﺎﻧﻲ اﻟﻣرﺗﺑطﺔ‪.‬‬
‫‪ ‬ﯾﻘوم اﻟﻣﻧطق ﺑﺗﻌرﯾف أﺳﺎﻟﯾب وﺿﻊ اﻟرﻣوز ﻣﻊ ﺑﻌﺿﻬﺎ‪ ،‬ﻟﻛﻲ ﯾﻘوم اﻟﻣﺳﺗﺧدم ﺑﺗﻌرﯾف ﺟﻣل ﺳﻠﯾﻣﺔ ﻓﻲ اﻟﻠﻐﺔ‪ ،‬وﺗﻣﺛل‬
‫ﺣﻘﺎﺋق ﺻﺎﺋﺑﺔ ﻣﻧطﻘﯾﺎ‪.‬‬
‫‪ ‬ﯾﻘوم اﻟﻣﻧطق ﺑﺗﻌرﯾف أﺳﺎﻟﯾب اﺳﺗدﻻل أو اﺳﺗﻧﺑﺎط ﺟﻣل ﺟدﯾدة ﻣن ﺗﻠك اﻟﻣوﺟودة‪.‬‬
‫‪ ‬ﻓﻲ اﻟﻣﻧطق اﻟﺧﺑري ﯾﻛون اﻹﺧﺑﺎر ‪ propositions‬ﺑﺄن ﺗﻛون اﻟﺟﻣﻠﺔ ‪ Sentences‬إﻣﺎ ﺻﺎﺋﺑﺔ أو ﺧﺎطﺋﺔ‪.‬‬
‫‪ ‬اﻟﺟﻣﻠﺔ اﻟﺗﺻرﯾﺣﯾﺔ ‪ declarative sentence‬ﺗدل ﻋﻠﻰ ﻋﺑﺎرة ﻣﻊ إﺧﺑﺎر ﻓﻲ ﻣﺣﺗواﻫﺎ‪ ،‬ﻣﺛﻼ اﻟﺗﺻرﯾﺢ أن "اﻟﺛﻠﺞ‬
‫أﺑﯾض" ﯾﺧﺑرﻧﺎ أن اﻟﺛﻠﺞ ﯾﻛون أﺑﯾض اﻟﻠون‪ ،‬وأﯾﺿﺎ ﺗﻛون اﻟﺟﻣﻠﺔ "اﻟﺛﻠﺞ اﺑﯾض" ﺟﻣﻠﺔ ﺻﺎﺋﺑﺔ‪.‬‬
‫ﻓﯾﻣﺎ ﯾﻠﻲ ﺳوف ﻧوﺿﺢ ﺑﺎﺧﺗﺻﺎر اﻟﻣﻧطق اﻟﺧﺑري وﺑﻌدﻩ ﻧﺧوض ﻓﻲ اﻟﻣﻧطق اﻟﻣﺳﻧد ﺑﺗﻔﺻﯾل أﻛﺛر‪.‬‬
‫اﻟﻣﻧطق اﻟﺧﺑري)‪Propositional Logic (PL‬‬
‫اﻹﺧﺑﺎر ﻫو ﻋﺑﺎرة ﻗد ﺗﻛون ﺟﻣﻠﺔ ﺗﺻرﯾﺣﯾﺔ ﻓﻲ اﻟﻠﻐﺔ اﻟطﺑﯾﻌﯾﺔ ‪ ،‬اﻻﻧﺟﻠﯾزﯾﺔ ﻣﺛﻼ‪ ،‬وﻛل إﺧﺑﺎر ﻛﻣﺎ أﺳﻠﻔﻧﺎ ﯾﻛون ﺻﺎﺋﺑﺎ أو‬
‫ﺧﺎطﺋﺎ‪.‬‬
‫ﻣﺛﺎل‪:‬ﻓﯾﻣﺎ ﯾﻠﻲ ﺑﻌض اﻟﺟﻣل اﻟﺗﺻرﯾﺣﯾﺔ ﺑﺎﻹﻧﺟﻠﯾزﯾﺔ‬
‫‪(a) The sky is blue., (b) Snow is cold. , (c) 12 * 12=144‬‬
‫وﻛﻣﺎ أن اﻟﺟﻣﻠﺔ اﻟﺧﺑرﯾﺔ ﺗﻛون ﺻﺎﺋﺑﺔ او ﺧﺎطﺋﺔ‪ ،‬ﻓﻬﻲ ﺗﻌﺗﺑر اﺻﻐر وﺣدة ﻓﻲ اﻟﻣﻧطق اﻟﺧﺑري‪ ،‬وﺗﻛون ﻟﻬﺎ ﻗﯾﻣﺔ ﺻواب ‪truth‬‬
‫‪ ،value‬ﻓﺈذا ﻛﺎﻧت ﺻﺎﺋﺑﺔ ﻛﺎﻧت ﻗﯾﻣﺔ اﻟﺻواب ﻟﻬﺎ "‪ٕ "true‬واذا ﻛﺎﻧت ﺧﺎطﺋﺔ ﻛﺎﻧت ﻗﯾﻣﺔ ﺻواﺑﻬﺎ‪. "false" :‬‬
‫ﻣﺛﺎل‪ :‬اﻟﺟدول اﻟﺗﺎﻟﻲ ﯾوﺿﺢ ﻣﺟﻣوﻋ ﺔ ﻣن اﻟﺟﻣل وﯾظﻬر ﻟﻧﺎ ﻣﺎ إذا ﻛﺎﻧت ﺧﺑرﯾﺔ أم ﻻ‪ٕ ،‬وان ﻛﺎﻧت ﺧﺑرﯾﺔ ﯾوﺿﺢ ﻟﻧﺎ ﻗﯾﻣﺔ‬
‫اﻟﺻواب‪.‬‬
‫___________‬
‫‪99 - ٧٧‬‬
‫اﻟﺟﻣﻠﺔ ‪Sentence‬‬ ‫ﻗﯾﻣﺔ اﻟﺻواب ‪Truth value‬‬ ‫ﺧﺑرﯾﺔ أم )‪Proposition (Y/N‬‬

‫ﻻ؟‬
‫"‪"Grass is green‬‬ ‫"‪"true‬‬ ‫‪Yes‬‬
‫"‪"2 + 5 = 5‬‬ ‫"‪"false‬‬ ‫‪Yes‬‬
‫"‪"Close the door‬‬ ‫‪-‬‬ ‫‪No‬‬
‫"? ‪"Is it hot outside‬‬ ‫‪-‬‬ ‫‪No‬‬
‫‪"x > 2" where x is variable‬‬ ‫‪-‬‬ ‫‪No or Yes‬‬ ‫)ﺣﺳب ﻗﯾﻣﺔ ‪(x‬‬
‫وﯾﺳﻣﻰ اﻟﻣﻧطق اﻟﺧﺑري أﯾﺿﺎ ﺑﺎﻟﻣﻧطق اﻟﺣﺳﺎﺑﻲ‪ ،‬أو اﻟﺟﺑر اﻟﺑوﻟﻲ‪ ،‬ﻧﺳﺑﺔ إﻟﻰ اﻟﻌﺎﻟم ﺑول اﻟذي وﺿﻊ أﺳﺳﻪ‪ ،‬ﻛﻣﺎ أن اﻟﻣﻧطق‬
‫اﻟﺧﺑري ﯾﻌﻠﻣﻧﺎ أﺳﺎﻟﯾب رﺑط وﺗﻌدﯾل ﺟﻣل أو اﻟﻌﺑﺎرات اﻹﺧﺑﺎرﯾﺔ ﻛﺎﻣﻠﺔ‪ ،‬ﻟﺗﺷﻛﯾل ﺟﻣل وﻋﺑﺎرات أﻛﺛر ﺗﻌﻘﯾدا‪ ،‬إﺿﺎﻓﺔ إﻟﻰ اﻟﻌﻼﻗﺎت‬
‫اﻟﻣﻧطﻘﯾﺔ واﻟﺧﺻﺎﺋص اﻟﻣﺷﺗﻘﺔ ﻣن أﺳﺎﻟﯾب ﺟﻣﯾﻊ وﺗﺑدﯾل اﻟﺟﻣل‪.‬‬
‫اﻟﻌﺑﺎرة‪ ،‬واﻟﻣﺗﻐﯾرات‪ ،‬واﻟرﻣوز ‪Statement, Variables and Symbols‬‬
‫ﻓﯾﻣﺎ ﯾﻠﻲ ﻧﺗطرق إﻟﻰ ﺗﻠك اﻟﻣﺻطﻠﺣﺎت وأﻛﺛر ﻗﻠﯾﻼ ﻣﻧﻬﺎ‪ ،‬ﻣﺛل اﻟرﺑط وﻗﯾﻣﺔ اﻟﺻواب واﻟﻣﺻﺎدﻓﺎت واﻟﺣﺷو واﻟﺗﻧﺎﻗﺿﺎت واﻷﺳﺑﻘﯾﺔ‬
‫واﻟﻠﺣﺎﻗﯾﺔ وﻏﯾرﻫﺎ‪.‬‬
‫اﻟﻌﺑﺎرة ‪Statement‬‬
‫اﻟﺟﻣل ‪ ،(sentences‬ﺻﺎﺋﺑﺔ ﻛﺎﻧت أو ﺧﺎطﺋﺔ‪ ،‬اﻟﺗﻲ ﻻ ﺗﺣﺗوي أي ﻋﺑﺎرة أﺧرى ﻛﺟزء‪ ،‬ﻛﺈﺧﺑﺎر ﻓﻲ‬ ‫اﻟﻌﺑﺎرات اﻟﺑﺳﯾطﺔ ) ُ‬
‫اﻷﺳﺎس‪ ،‬وﺗﺳﺗﺧدم اﻟﺣروف اﻻﻧﺟﻠﯾزﯾﺔ اﻟﺻﻐﯾرة ‪ ،lower-case‬ﻣﺛﻼ ‪ p‬أو ‪ ،q‬ﻫﻲ رﻣوز ﻟﻠﻌﺑﺎرات اﻟﺑﺳﯾطﺔ‪.‬‬
‫واﻟﻌﺑﺎرات اﻟﺑﺳﯾطﺔ واﻟﻣرﻛﺑﺔ ﯾﺗم ﺟﻣﻌﻬﺎ ﻣن اﻟﺟﻣل اﻹﺧﺑﺎرﯾﺔ ﺑواﺳطﺔ ﺗﺟﻣﯾﻌﻬﺎ ﺑﻣؤﺛرات اﻟرﺑط‪.‬‬
‫اﻟرواﺑط واﻟﻣؤﺛرات ‪Connective or Operator‬‬
‫‪basic‬‬ ‫ﺗﺗم ﻋﻣﻠﯾﺔ رﺑط اﻟﻌﺑﺎرات اﻟﺑﺳﯾطﺔ ﺑﺎﺳﺗﺧدام اﻟﻣؤﺛرات‪ ،‬اﻟﺟدول اﻟﺗﺎﻟﻲ ﯾدل ﻋﻠﻰ ﻣؤﺛرات اﻻرﺗﺑﺎط اﻷﺳﺎﺳﯾﺔ‬
‫‪ connectives‬ورﻣوزﻫﺎ اﻟﻣﺧﺗﻠﻔﺔ‪ ،‬وﻫﻲ ﻣرﺗﺑﺔ ﺑﺷﻛل ﺗﻧﺎﻗﺻﻲ ﺣﺳب أوﻟوﯾﺔ اﻟﻌﻣﻠﯾﺔ اﻟﻣﻧطﻘﯾﺔ‪ ،‬ﺑﺣﯾث ﺗﻛون اﻟﻌﻣﻠﯾﺔ ذات‬
‫اﻷوﻟوﯾﺔ اﻷﻋﻠﻰ ﻣﻌروﺿﺔ أوﻻ‪ ،‬وﻟﻧﻘم ﺑدراﺳﺔ اﻟﻣﺛﺎل اﻟﺗﺎﻟﻲ وﻓﻬﻣﻪ ﺣﺳب ﺟدول اﻟﻣؤﺛرات أدﻧﺎﻩ‪.‬‬
‫)) ‪((((a Λ ¬b) V c d) ¬ (a V c‬‬
‫اﻟﻣؤﺛر )أداة اﻟرﺑط(‬ ‫اﻟرﻣوز ‪Symbols‬‬ ‫وﯾﻘرأ ﻋﻠﻰ أﻧﮫ‬

‫‪connective‬‬ ‫‪Read as‬‬
‫اﻟﺗﺄﻛﯾد ‪assertion‬‬ ‫‪P‬‬ ‫"‪"p is true‬‬
‫اﻟﻧﻔﻲ ‪negation‬‬ ‫‪¬p‬‬ ‫! ~‬ ‫‪Not‬‬ ‫"‪"p is false‬‬
‫‪Conjunction‬‬ ‫& && ‪p Λ .‬‬ ‫‪And‬‬ ‫"‪"Both p and q are true‬‬
‫‪q‬‬
‫‪Disjunction‬‬ ‫| || ‪p V‬‬ ‫‪Or‬‬ ‫‪"either p is true, or q is true, or‬‬
‫‪q‬‬ ‫"‪both‬‬
‫‪Implication‬‬ ‫>= ﬤ ‪p‬‬ ‫‪If..then "If p is true, then q is true", "p‬‬
‫‪q‬‬ ‫"‪implies q‬‬
‫‪Equivalence‬‬ ‫‪ ≡ ‬‬ ‫‪If and "p and q are either both true or‬‬
‫‪‬‬ ‫‪only if‬‬ ‫"‪both false‬‬
‫اﻷﺳﺎﺳﯾﺔ ﻓﻲ اﻟﻣﻧطق اﻟﺧﺑري‪.‬‬ ‫ﻻﺣظ أن أن اﻟﺟﻣل اﻟﺧﺑرﯾﺔ وﻣؤﺛرات اﻟرﺑط ﺑﯾﻧﻬﺎ ﻫﻲ اﻟﻌﻧﺎﺻر‬
‫___________‬
‫‪99 - ٧٨‬‬
‫ﻗﯾم اﻟﺻواب ‪Truth Value‬‬

‫ﻗﯾم اﻟﺻواب ‪ truth value‬ﻟﻠﻌﺑﺎرات ﻫﻲ ﺗﺣدﯾد ﺻواﺑﻬﺎ ‪ TRUTH‬أو ﺧطﺄﻫﺎ ‪ ،FALSITY‬ﻣﺛﻼ‪:‬‬
‫‪ p‬ﻫﻲ إﻣﺎ ﺻﺎﺋﺑﺔ ‪ TRUE‬أو ﺧﺎطﺋﺔ ‪ ،FALSE‬وﻛذﻟك ﻧﻔﯾﻬﺎ ‪ ~p‬إﻣﺎ ﺻﺎﺋﺑﺔ أو ﺧﺎطﺋﺔ‪ ،‬وﻛذﻟك اﻟﻌﺑﺎرة ‪ p v q‬ﻗد ﺗﻛون‬
‫ﺻﺎﺋﺑﺔ أو ﺧﺎطﺋﺔ وﻫﻛذا‪ ،‬وﻟﻠﺗﻌﺑﯾر ﻋن ﻗﯾﻣﺔ اﻟﺻواب ‪ TRUE‬ﻧﺳﺗﺧدم ﻋﺎدة اﻟرﻣز "‪ "1‬أو اﻟرﻣز "‪ ،"T‬وﻛذﻟك ﻗﯾﻣﺔ اﻟﺻواب‬
‫‪ FALSE‬ﻧﻣﺛﻠﻬﺎ إﻣﺎ ﺑﺎﻟرﻣز "‪ "0‬أو ﺑﺎﺳﺗﺧدام اﻟرﻣز "‪."F‬‬
‫ﻓﯾﻣﺎ ﯾﻠﻲ ﺟدول اﻟﺻواب ‪ Truth table‬اﻟذي ﯾوﺿﺢ ﻗﯾم اﻟﺻواب اﻟﻣﺣﺗﻣﻠﺔ ﻟﻠﻌﺑﺎرات ﺑﺎﻟﻣؤﺛرات اﻟﻣﺧﺗﻠﻔﺔ‪:‬‬
‫‪p‬‬ ‫‪q‬‬ ‫‪¬p‬‬ ‫‪¬q‬‬ ‫‪pΛq‬‬ ‫‪pvq‬‬ ‫‪p→q‬‬ ‫‪pq q → p‬‬
‫‪T‬‬ ‫‪T‬‬ ‫‪F‬‬ ‫‪F‬‬ ‫‪T‬‬ ‫‪T‬‬ ‫‪T‬‬ ‫‪T‬‬ ‫‪T‬‬
‫‪T‬‬ ‫‪F‬‬ ‫‪F‬‬ ‫‪T‬‬ ‫‪T F‬‬ ‫‪F‬‬ ‫‪T‬‬ ‫‪F‬‬
‫‪F‬‬ ‫‪T‬‬ ‫‪T‬‬ ‫‪F‬‬ ‫‪F‬‬ ‫‪T‬‬ ‫‪T‬‬ ‫‪F‬‬ ‫‪F‬‬
‫‪F‬‬ ‫‪F‬‬ ‫‪T‬‬ ‫‪T‬‬ ‫‪F‬‬ ‫‪F‬‬ ‫‪T‬‬ ‫‪T‬‬ ‫‪T‬‬
‫اﻟﺣﺷو أو اﻟﺗﻛرار ‪Tautologies‬‬

‫ﻫﻲ اﻟﺟﻣل اﻟﺧﺑرﯾﺔ اﻟﺗﻲ ﺗﺄﺗﻲ داﺋﻣﺎ ﺻﺎﺋﺑﺔ‪ ،‬ﻣﺛﻼ‪ :‬اﻟﺟﻣﻠﺔ )‪ (P v ¬P‬ﻫﻲ ﺟﻣﻠﺔ ﺻﺎﺋﺑﺔ داﺋﻣﺎ ﻣﻬﻣﺎ ﻛﺎﻧت ﻗﯾم اﻟﺻواب اﻟﻣﺗﻌﻠﻘﺔ‬
‫ﺑﺎﻟﺟﻣﻠﺔ اﻟﺧﺑرﯾﺔ ‪.p‬‬
‫اﻟﺗﻧﺎﻗض ‪Contradictions‬‬
‫ﻫﻲ اﻟﺟﻣﻠﺔ اﻟﺧﺑرﯾﺔ اﻟﺗﻲ ﺗﻛون داﺋﻣﺎ ﺧﺎطﺋﺔ‪ ،‬ﻣﺛﻼ‪ :‬اﻟﺟﻣﻠﺔ )‪ (P Λ ¬P‬ﻫﻲ داﺋﻣﺎ ﺧﺎطﺋﺔ ﻣﻬﻣﺎ ﻛﺎﻧت ﻗﯾم اﻟﺻواب ﻟﻠﺟﻣﻠﺔ‬
‫اﻟﺧﺑرﯾﺔ ‪.p‬‬
‫اﻟﻣﺻﺎدﻓﺎت ‪Contingencies‬‬
‫ﻧﺳﻣﻰ اﻟﺟﻣﻠﺔ اﻟﺧﺑرﯾﺔ ﻣﺻﺎدﻓﺔ أو ﺟﻣﻠﺔ ﻣﺣﺗﻣﻠﺔ‪ ،‬إذا ﻛﺎﻧت اﻟﺟﻣﻠﺔ ﻟﯾﺳت ﺣﺷوا ‪ Contradictions‬وﻻ ﻫﻲ‬
‫ﺗﻧﺎﻗض‪.Tautologies‬‬
‫ﻣﺛﻼ أي ﺟﻣﻠﺔ ﻣن اﻟﺷﻛل )‪ (p v q‬ﺗﻌﺗﺑر ﻣﺻﺎدﻓﺔ ‪.contingency‬‬
‫اﻟﺳﺎﺑﻘﺔ ‪ Antecedent‬واﻟﻼﺣﻘﺔ ‪:Consequent‬‬
‫ﻓﯾﻣﺎ ﯾﻠﻲ ﺟزءان ﻣن اﻟﻌﺑﺎرات اﻟﺷرطﯾﺔ‪ ،‬ﻣﺛﻼ اﻟﻌﺑﺎرة ‪ ،p → q‬ﺗﺗﻛون ﻣن ﻋﺑﺎرﺗﯾن اﻷوﻟﻰ ﻫﻲ ﺟﻣﻠﺔ اﻟﺷرط "‪ "if - clause‬ﻫﻧﺎ‬
‫‪ ،p‬وﺗﺳﻣﻰ ﺑﺎﻟﻌﺑﺎرة اﻟﺳﺎﺑﻘﺔ ‪ Antecedent‬أﻣﺎ اﻟﻌﺑﺎرة اﻟﺛﺎﻧﯾﺔ ﻓﻬﻲ ﺟﻣﻠﺔ ﺟواب اﻟﺷرط "‪ "then - clause‬ﻫﻧﺎ ﻫﻲ ‪ ،q‬وﺗﺳﻣﻰ‬
‫ﺑﺎﻟﻌﺑﺎرة اﻟﻼﺣﻘﺔ ‪.Consequent‬‬
‫اﻹﺛﺑﺎت أو اﻟﺣﺟﺔ ‪Argument‬‬
‫اﻹﺛﺑﺎت ﻫو ﺗوﺿﯾﺢ أو إﺛﺑﺎت ﻟﺑﻌض اﻟﻌﺑﺎرات‪ ،‬ﻣﺛﻼ‪" :‬اﻟطﺎﺋر ﻏراب‪ ،‬ﻟذﻟك ﻫو أﺳود اﻟﻠون"‪ ،‬وأي ﺣﺟﺔ أو إﺛﺑﺎت ﯾﻣﻛن أن ﯾﻌﺑر‬
‫ﻋﻧﻬﺎ ﻛﻌﺑﺎرة ﻣرﻛﺑﺔ‪ ،‬ﻓﻲ اﻟﻣﻧطق اﻟﺣﺟﺔ ﻫﻲ ﻣﺟﻣوﻋﺔ ﻣن واﺣدة أو أﻛﺛر ﻣن اﻟﺟﻣل اﻟﺗﺻرﯾﺣﯾﺔ أو اﻹﺧﺑﺎرﯾﺔ ذات ﻫدف‪ ،‬ﺗﻌرف‬
‫ﻛﻣﻘدﻣﺎت ﻣﻧطﻘﯾﺔ ‪ ،premises‬ﻣﻊ ﻣﺟﻣوﻋﺔ ﻣن اﻟﺟﻣل اﻟﺗﺻرﯾﺣﯾﺔ ذات اﻟﻬدف واﻟﺗﻲ ﺗﻌرف ﺑﺎﻻﺳﺗﻧﺗﺎﺟﺎت ‪.conclusion‬‬
‫اﻟﻣﻘدﻣﺔ اﻟﻣﻧطﻘﯾﺔ ‪Premise‬‬
‫ﻫﻲ ﺟﻣﻠﺔ ﺧﺑرﯾﺔ ﺗﻌطﻲ أﺳﺑﺎﺑﺎ أو ﺧﻠﻔﯾﺎت أو أدﻟﺔ ﺣول ﻗﺑول ﺑﻌض اﻟﺗﻌﺑﯾرات أو اﻟﺟﻣل اﻟﺧﺑرﯾﺔ اﻟﺗﻲ ﺗﺳﻣﻰ ﺑﺎﻻﺳﺗﻧﺗﺎﺟﺎت‬
‫‪.conclusion‬‬
‫___________‬
‫‪99 - ٧٩‬‬
‫اﻻﺳﺗﻧﺗﺎﺟﺎت ‪Conclusion‬‬
‫ﻫﻲ ﺟﻣﻠﺔ ﺧﺑرﯾﺔ ﯾﻔﺗرض أن ﺗﻛون ﻣﺑﻧﯾﺔ ﻋﻠﻰ أﺳﺎس ﺟﻣل ﺧﺑرﯾﺔ أﺧرى ﻗﺑﻠﻬﺎ‪ ،‬ﻓﻧﺄﺧذ ﻛل اﻟﻣﻘدﻣﺎت اﻟﻣﻧطﻘﯾﺔ‪ ،‬وﻧﻘوم ﺑرﺑطﻬﺎ‬
‫وﻧﺻﻧﻊ ﻋﻧدﺋذ ارﺗﺑﺎطﺎ‪ ،‬ﯾﻣﺛل ﻟﻧﺎ ﻣﻘدﻣﺔ ﻣﻧطﻘﯾﺔ ﻟﻠﺷرطﺔ‪ ،‬وﯾﺻﻧﻊ أﯾﺿﺎ اﻟﻼﺣﻘﺔ أي اﻻﺳﺗﻧﺗﺎج‪ ،‬ﻫذﻩ اﻟﺟﻣﻠﺔ اﻟﻧﺎﺗﺟﺔ ﺗﺳﻣﻰ‬
‫ﺑﺎﻟﺟﻣﻠﺔ اﻟﺷرطﯾﺔ اﻟﻣطﺎﺑﻘﺔ ﻟﻠﺣﺟﺔ ‪.argument‬‬
‫ﻣﻼﺣظﺔ‪ :‬ﻛل اﻹﺛﺑﺎﺗﺎت أو اﻟﺣﺟﺞ ﺗطﺎﺑق ﺟﻣﻼ ﺷرطﯾﺔ‪ ،‬وﻛل ﻋﺑﺎرة ﻧﺎﺗﺟﺔ ﯾﻧﺎظرﻫﺎ إﺛﺑﺎﺗﺎ ﻣﺎ‪ ،‬ﻷن اﻟﺷرط اﻟﻣﻧﺎظر ﻟﻺﺛﺑﺎت ﻫو‬
‫ﻋﺑﺎرة‪ ،‬ﻓﻬﻲ ﻟذﻟك إﻣﺎ ﺣﺷو أو ﺗﻧﺎﻗض أو أﻧﻬﺎ ﻣﺻﺎدﻓﺔ ‪ contingency‬أي ﺟﻣﻠﺔ ﺗﺣﺗﻣل اﻟﺻواب واﻟﺧطﺄ‪.‬‬
‫اﻟﺣﺟﺔ ﺗﻛون ﺻﺣﯾﺣﺔ إذا وﻓﻘط إذا ﻛﺎﻧت ﺷرطﺎ ﻣﻧﺎظرا ﻟﺟﻣﻠﺔ اﻟﺣﺷو ‪ ،tautology‬وﺗﻛون اﻟﺟﻣﻠﺗﯾن ﺛﺎﺑﺗﯾن إذا ٕواذا ﻓﻘط ﻛﺎن‬
‫ارﺗﺑﺎطﻬﻣﺎ ﻻ ﯾﺷﻛل ﺗﻧﺎﻗﺿﺎ‪ ،‬ﻧﻘول ﻋن ﺟﻣﻠﺗﯾن أﻧﻬﻣﺎ ﻣﺗﻛﺎﻓﺋﺗﯾن ﻣﻧطﻘﯾﺎ ‪ ،logically equivalent‬إذا وﻓﻘط إذا ﻛﺎﻧت أﻋﻣدة‬
‫ﺟدول اﻟﺻواب ﻟﻬﻣﺎ ﻣﺗطﺎﺑﻘﺗﯾن‪ ،‬أو إذا ٕواذا ﻓﻘط ﻛﺎﻧت اﻟﻌﺑﺎرة اﻟﻧﺎﺗﺟﺔ ﻋن ارﺗﺑﺎطﻬﻣﺎ ﺑﺎﺳﺗﺧدام ﻣؤﺛر اﻟﺗﻛﺎﻓؤ ‪ ‬ﻣن ﻧوع ﺟﻣﻠﺔ‬
‫اﻟﺣﺷو ‪.tautology‬‬
‫ﻻﺣظ أن ﺟدول اﻟﺻواب ﻣﻧﺎﺳب ﻹﺧﺗﺑﺎر ﺻواب اﻟﺟﻣﻠﺔ أو ﻛوﻧﻬﺎ ﺣﺷوا أو ﺗﻧﺎﻗﺿﺎ أو ﻣﺻﺎدﻓﺔ أو ﺛﺎﺑﺗﺔ أو اﻟﺗﻛﺎﻓؤ‪.‬‬
‫اﻟﻣﻧطق اﻟﻣﺳﻧد ‪Predicate Logic‬‬
‫إن اﻟﻣﻧطق اﻟﺧﺑري ﻟﯾس ﻗوﯾﺎ ﺑﺷﻛل ﻛﺎف ﻟﻛل أﻧواع اﻟﺗﺄﻛﯾدات ‪ assertions‬أو اﻻﻓﺗراﺿﺎت‪ ،‬ﻣﺛﻼ اﻟﺗﺄﻛﯾد أن "‪ ،"x > 1‬ﺣﯾث‬
‫‪ x‬ﻫﻲ ﻣﺗﻐﯾر‪ ،‬ﻻ ﯾﻌﺗﺑر إﺧﺑﺎرا ﺑﺷﻲء ﻣﺎ‪ ،‬ﻷﻧﻪ ﻻ ﯾوﺟد ﺻواب وﻻ ﺧطﺄ ﻫﻧﺎ إن ﻟم ﯾﺗم ﺗﺣدﯾد ﻗﯾﻣﺔ اﻟﻣﺗﻐﯾر‪.x‬‬
‫وﻟﻛﻲ ﺗﻣﺛل ﻟﻧﺎ )‪ (x > 1‬إﺧﺑﺎرا‪ ،‬إﻣﺎ أن ﻧﺿﻊ ﻗﯾﻣﺔ رﻗﻣﯾﺔ ﻟﻠﻣﺗﻐﯾر‪ ،x‬أو أن ﻧﻐﯾر اﻟﺟﻣﻠﺔ إﻟﻰ اﻟﺷﻛل‪:‬‬
‫"‪"There is a number x for which x > 1 holds‬‬
‫ﻫﻧﺎك رﻗﻣﺎ ‪ x‬اﻟذي ﺗﺗﺣﻘق ﻓﯾﻪ ‪ ،x > 1‬أو ﻧﻐﯾر اﻟﺟﻣﻠﺔ إﻟﻰ اﻟﺻﯾﻐﺔ ‪ "For every number x, x > 1 holds":‬وﻫﻲ ﺟﻣﻠﺔ‬
‫أﺧرى ﻣﺷﺎﺑﻬﺔ ﺗﻘرﯾﺑﺎ ﻟﻠﺳﺎﺑﻘﺔ‪.‬‬
‫وﻟﻧﺄﺧذ ﺑﺎﻻﻋﺗﺑﺎر اﻟﺟﻣﻠﺔ اﻟﺷﻬﯾرة اﻟﺗﺎﻟﯾﺔ‪:‬‬
‫‪“ All men are mortal. Socrates is a man. Then Socrates is mortal” ,‬‬
‫واﻟﺗﻲ ﺗﻌﻧﻲ "ﻛل اﻟرﺟﺎل ﻓﺎﻧون‪ .‬ﺳﻘراط رﺟل‪ .‬إذا ﯾﻛون ﺳﻘراط ٍ‬
‫ﻓﺎن"‬
‫ﻫذﻩ اﻟﺟﻣﻠﺔ ﯾﺻﻌب اﻟﺗﻌﺑﯾر ﻋﻧﻬﺎ ﺑﺎﻟﻣﻧطق اﻟﺧﺑري‪ ،‬ﻛﺎﺻطﻼح ﻟﺣﺟﺔ او إﺛﺑﺎت ﻣﻧطﻘﻲ ﺻﺣﯾﺢ ﻣﺣدد‪ ،‬ﻓﻧﺣن ﻧﺣﺗﺎج إﻟﻰ ﻟﻐﺎت‬
‫ﺗﺳﻣﺢ ﺑوﺻف اﻟﺧﺻﺎﺋص‪ ،‬أو ﻣﺎ ﻧﺳﻣﯾﻪ ﺑﺎﻟﻣﺳﻧدات ‪ ،predicates‬اﻟﺗﻲ ﺗﺗﺑﻊ ﻛﺎﺋﻧﺎ ﻣﺎ‪ ،‬أو ﺗﻠك اﻟﻠﻐﺔ اﻟﺗﻲ ﺗﺳﻣﺢ ﺑوﺻف ﻋﻼﻗﺔ‬
‫ﺑﯾن اﻟﻛﺎﺋﻧﺎت‪ ،‬ﻣﻣﺛﻠﺔ ﺑﺎﺳﺗﺧدام اﻟﻣﺗﻐﯾرات‪.‬‬
‫واﻟﻣﻧطق أﻹﺳﻧﺎدي أو اﻟﻣﺳﻧد ‪ Predicate logic‬ﯾﻧﺎﺳب ﻣﺗطﻠﺑﺎت اﻟﻠﻐﺔ اﻟﺗﻲ ﺗﺣدﺛﻧﺎ ﻋﻧﻬﺎ‪ ،‬ﻛﻣﺎ أﻧﻪ ﻗوي ﺑﺷﻛل ﻛﺎف ﻟﻠﺗﻌﺑﯾر‬
‫واﻟﺗﻔﺳﯾر‪ ،‬وﻫذا اﻟﻧوع ﻣن اﻟﻣﻧطق ﻣﺑﻧﻲ ﻋﻠﻰ أﻓﻛﺎر اﻟﻣﻧطق اﻟﺧﺑري ﻛﻣﯾزة ﻣﻬﻣﺔ ﻟﻪ‪.‬‬
‫اﻹﺳﻧﺎد أو اﻟﻣﺳﻧد ‪Predicate‬‬
‫ﻛل ﺟﻣﻠﺔ ﺗﺎﻣﺔ ﺗﺗﻛون ﻣن ﻣﻘطﻌﯾن‪ :‬اﻟﻣوﺿوع ‪ subject‬واﻟﻣﺳﻧد‪ ،‬اﻟﻣوﺿوع ﻫو ﻣﺎذا أو ﻣن ﺗﺗﺣدث ﻋﻧﻪ اﻟﺟﻣﻠﺔ‪ ،‬واﻟﻣﺳﻧد‬
‫ﯾﺧﺑرﻧﺎ ﺷﯾﺋﺎ ﻣﺎ ﻋن ذﻟك اﻟﻣوﺿوع‪.‬‬
‫ﻣﺛﻼ‪:‬‬
‫ﻓﻲ اﻟﺟﻣﻠﺔ "}‪ ،"Judy {runs‬اﻟﻣوﺿوع ‪ Judy‬واﻟﻣﺳﻧد ﻫو ‪.runs‬‬
‫اﻟﻣﺳﻧد ‪ ،Predicate‬داﺋﻣﺎ ﯾﺷﻣل اﻟﻔﻌل‪ ،‬ﯾﺧﺑرﻧﺎ اﻟﻔﻌل ﺷﯾﺋﺎ ﻣﺎ ﺣول اﻟﻣوﺿوع‪ ،‬واﻟﻣﺳﻧد ﯾﻛون ﻗﺎﻟب ﻟﺟﻣﻠﺔ ﻓﻌﻠﯾﺔ ﺗﺻف ﺧﺎﺻﯾﺔ‬
‫ﻟﻛﺎﺋن‪ ،‬أو ﻋﻼﻗﺔ ﺑﯾن ﻛﺎﺋﻧﺎت ‪ objects‬ﯾﺗم ﺗﻣﺛﯾﻠﻬﺎ ﺑواﺳطﺔ ﻣﺗﻐﯾرات ‪.variables‬‬
‫___________‬
‫‪99 - ٨٠‬‬
‫أﻣﺛﻠﺔ‪:‬‬
‫"‪“The car Tom is driving is blue" ; "The sky is blue" ; "The cover of this book is blue‬‬
‫ﻟدﻧﯾﺎ ﻓﻲ اﻷﻣﺛﻠﺔ أﻋﻼﻩ‪ ،‬اﻟﻣﺳﻧد "‪ “is blue‬ﯾﺻف ﺧﺎﺻﯾﺔ‪ ،‬واﻟﻣﺳﻧد ﯾﻣﻛن أن ﯾﻌطﻰ أﺳﻣﺎء‪ ،‬ﻣﺛﻼ ﻟﯾﻛن ‪ B‬اﺳﻣﺎ ﻟﻠﻣﺳﻧد‬
‫"‪ ،"is_blue‬وﯾﺗم ﺗﻣﺛﯾل اﻟﺟﻣﻠﺔ ﺑﺎﻟﺷﻛل ")‪ ،"B(x‬وﻧﻘرأ ذﻟك "‪ ،"x is blue‬ﻓﺎﻟرﻣز ”‪ “x‬ﯾﻣﺛل أي ﻛﺎﺋن ﻏﯾر ﻣﺣدد‪.‬‬
‫ﺗﻌﺑﯾرات اﻟﻣﻧطق اﻹﺳﻧﺎدي ‪Predicate Logic Expressions‬‬
‫ﻣؤﺛرات اﻟﺟﻣل اﻟﺧﺑرﯾﺔ ﯾﻘوم ﺑﺎﻟرﺑط ﺑﯾن اﻟﻣﺳﻧدات ﻣﺛﻼ اﻟﺻﯾﻐﺔ اﻟﺗﺎﻟﯾﺔ ﻫﻲ ﺧﻠﯾط ﻣن اﻟﻣﻧطق اﻹﺧﺑﺎري واﻟﻣﻧطق اﻹﺳﻧﺎدي‪:‬‬
‫) ) )‪If ( p(....) && ( !q(....) || r (....‬‬
‫اﻟﻣؤﺛرات اﻟﻣﻧطﻘﯾﺔ ‪Logic operators‬‬
‫أﻣﺛﻠﺔ ﻟﺟﻣﻠﺔ اﻟرﺑط ‪ (OR) disjunction‬وﺟﻣﻠﺔ اﻟرﺑط ‪ ،(AND) conjunction‬ﻻﺣظ اﺳﺗﺧدام اﻟرﻣز اﻟﻣﻧطﻘﻲ || ﻟﻣؤﺛر ﺟﻣﻠﺔ‬
‫)‪ (OR‬واﻟرﻣز اﻟﻣﻧطﻘﻲ && ﻟﻣؤﺛر ﺟﻣﻠﺔ )‪ ،(AND‬وﻟﻧرى اﻟﻣﺛﺎل اﻟﺗﺎﻟﻲ‪:‬‬
‫)‪x < y || ( y < z && z < x‬‬
‫ﻓﺈذا ﻛﺎن ﺟدول اﻟﺻواب ﻟﻠﺟﻣﻠﺔ ﺑﺎﻟﺻورة ; )‪ ،true || ( true && true‬ﻓﺈن ﺟدول اﻟﺻواب ﻟﻠﺟﻣﻠﺔ ﻛﻠﻬﺎ ﯾﻛون ‪ ،True‬وﻟﻛن‬
‫ﻫذا ﻏﯾر ﻣؤﻛد داﺋﻣﺎ ﻓﻠو وﺿﻌﻧﺎ اﻟﻘﯾم ‪ 1 ،2 ، 3‬ﻟﻠﻣﺗﻐﯾرات ‪ z، y،x‬ﻋﻠﻰ اﻟﺗرﺗﯾب‪ ،‬ﻟﻛﺎﻧت اﻟﺻﯾﻐﺔ ﺑﺎﻟﺷﻛل‪:‬‬
‫)‪3 < 2 || ( 2 < 1 && 1 < 3‬‬
‫وﻗﯾﻣﺔ اﻟﺻواب ﻟﻠﺻﯾﻐﺔ اﻟﺳﺎﺑﻘﺔ ﻫو ‪ ،FALSE‬وﯾﻣﻛن اﻟﺣﺻول أﯾﺿﺎ ﻋﻠﻰ ﻗﯾﻣﺔ اﻟﺻواب ‪ TRUE‬ﺑﻘﯾم أﺧرى‪.‬‬
‫اﻟﻣﻘﺎﯾﯾس اﻟﻛﻣﯾﺔ ﻟﻠﻣﻧطق اﻟﻣﺳﻧد ‪Predicate Logic Quantifiers‬‬
‫ﻛﻣﺎ ﻻﺣظﻧﺎ ﺳﺎﺑﻘﺎ ﻓﺈن ‪ x > 1‬ﻟﯾﺳت ﺟﻣﻠﺔ ﺧﺑرﯾﺔ ﻟﻌدم ﺗﺣدﯾد ﻗﯾﻣﺔ ﺻواﺑﻬﺎ‪ ،‬وﻟﻧﺗﺳﺎءل ﻣﺎذا ﺗﺣﺗﺎج ﻟﺗﻛون ﺧﺑرﯾﺔ‪ ،‬ﻋﻣوﻣﺎ‬
‫ﻓﺎﻟﺟﻣﻠﺔ اﻟﻣﺳﻧدة ﻣﻊ ﻣﺗﻐﯾراﺗﻬﺎ‪ ،‬ﻛوﺣدة ﺻﻐرى ﻟﺻﯾﻎ اﻟﺗﻣﺛﯾل‪ ،‬ﯾﻣﻛن أن ﺗﻛون ﺧﺑرﯾﺔ ﺑﺗطﺑﯾق واﺣدة ﻣن اﻟﻌﻣﻠﯾﺎت اﻟﺗﺎﻟﯾﺔ ﻟﻛل‬
‫ﻣﺗﻐﯾراﺗﻬﺎ‪:‬‬
‫‪ .١‬وﺿﻊ ﻗﯾﻣﺔ ﻟﻠﻣﺗﻐﯾر‪ ،‬ﻣﺛﻼ ‪ ،x > 1‬إذا ﻛﺎﻧت اﻟﻘﯾﻣﺔ ‪ 3‬ﻓﺳﺗﺻﺑﺢ اﻟﻌﺑﺎرة ﺻﺎﺋﺑﺔ ﻣﻧطﻘﯾﺎ‪.‬‬
‫‪ .٢‬ﺗﺣدﯾد اﻟﻣﺗﻐﯾر ﺑﺎﺳﺗﺧدام ﻣﻘﯾﺎس ﻛﻣﻲ ‪ quantifier‬ﻋﻠﻰ ﺻﯾﻎ اﻟﻣﻧطق اﻟﻣﺳﻧد‪ ،‬وﺗﺳﻣﻰ ﺑﺎﻟﺻﯾﻐﺔ اﻟﻣﻌدة ﺟﯾدا ‪wff‬‬
‫‪ ،well-formed formula‬ﺳواء ﻛﺎﻧت اﻟﺟﻣﻠﺔ ‪ x > 1‬أو ﻣن اﻟﺷﻛل )‪ ،P(x‬وذﻟك ﺑﺎﺳﺗﺧدام اﻟﻣﻘﯾﺎس اﻟﻛﻣﻲ ﻋﻠﻰ‬
‫اﻟﻣﺗﻐﯾرات‪ ،‬وﻓﯾﻣﺎ ﯾﻠﻲ ﺗوﺿﯾﺢ طرﯾﻘﺔ ﺗطﺑﯾق اﻟﻣﻘﯾﺎس اﻟﻛﻣﻲ‪:‬‬
‫‪ -‬اﻟﻣﺗﻐﯾر ‪: Variable x‬‬
‫اﻟﺗﻌﺑﯾر ‪ x > 5‬ﻟﯾس ﺟﻣﻠﺔ ﺧﺑرﯾﺔ‪ ،‬ﻓﻘﯾﻣﺔ ﺻواﺑﻬﺎ ﺗﻌﺗﻣد ﻋﻠﻰ اﻟﻣﺗﻐﯾر ‪ ،x‬وﻟﻛﻲ ﻧﻔﺳر اﻟﻌﺑﺎرة ﻧﺣﺗﺎج إﻟﻰ اﻟﺗﺻرﯾﺢ ﺑﻘﯾﻣﺔ ‪.x‬‬
‫‪ -‬اﻟﺗﺻرﯾﺢ ‪ Declaration‬ﻣن اﻟﺷﻛل ‪x : a‬‬
‫اﻟﺗﻌﺑﯾر ‪ x : a‬ﯾﺻرح ﻋن ﻣﺗﻐﯾر ‪ ،x‬وﯾﻘرأ ﻫذا اﻟﺗﺻرﯾﺢ "‪ x‬ﻋﻧﺻر ﻣن اﻟﻣﺟﻣوﻋﺔ ‪."a‬‬
‫‪ -‬اﻟﻌﺑﺎرة ‪ p‬ﻛﻌﺑﺎرة ﺣول اﻟﻣﺗﻐﯾر ‪:x‬‬
‫اﻟﺗﻌﺑﯾر ‪ Q x : a • p‬ﯾوﺿﺢ ﻟﻧﺎ ﻣﻘﯾﺎس ﻛﻣﻲ ﻟﻠﻌﺑﺎرة ‪ p‬اﻟﺗﻲ ﺗﺣدد ‪ x‬ﻛﻌﻧﺻر ﻣن اﻟﻣﺟﻣوﻋﺔ ‪ ،a‬ﺿﻣن اﻟﻣﻘﯾﺎس ‪.Q‬‬
‫ﻫذﻩ اﻟﻣﻘﺎﯾﯾس اﻟﻛﻣﯾﺔ ‪ Quantifiers‬ﻧوﻋﯾن‪ :‬اﻟﻣﻘﯾﺎس اﻟﻛﻣﻲ اﻟﻛﻠﻲ ‪ ،universal‬اﻟذي ﯾرﻣز ﻟﻪ ﺑـ∀‪،‬واﻟﻣﻘﯾﺎس اﻟﻛﻣﻲ اﻟﺟزﺋﻲ‬
‫‪ existential‬أي ﻣﻘﯾﺎس اﻟوﺟود‪ ،‬وﯾﺳﺗﺧدم ﻟذﻟك اﻟرﻣز ∃‪.‬‬
‫اﻟﻣوﺿوع اﻟﻛﻠﻲ ‪Universe of Discourse‬‬
‫اﻟﻣوﺿوع اﻟﻛﻠﻲ ﻫو ﻣﺳﻣﻰ آﺧر ﻟﻠﻣﻘﯾﺎس اﻟﻛﻣﻲ اﻟﻛﻠﻲ‪ ،‬واﻟذي ﯾﻘﺻد ﺑﻪ‪:‬‬
‫___________‬
‫‪99 - ٨١‬‬
‫‪ ‬ﻣﺟﻣوﻋﺔ ﻣن اﻟﻛﯾﺎﻧﺎت ‪ set of entities‬اﻟﺗﻲ ﺗﺗﻌﺎﻣل ﻣﻊ اﻟﻣﻘﺎﯾﯾس اﻟﻛﻣﯾﺔ‪ ،‬واﻟﻛﯾﺎﻧﺎت ‪ entities‬ﯾﻣﻛن أن ﺗﻛون‬
‫ﻣﺟﻣوﻋﺔ اﻷﻋداد اﻟﺣﻘﯾﻘﯾﺔ‪ ،‬أو اﻟﺻﺣﯾﺣﺔ‪ ،‬أو ﻣﺟﻣوﻋﺔ ﺟﻣﯾﻊ اﻟﺳﯾﺎرات ﻓﻲ ﻣوﻗف ﻣﺎ‪ ،‬أو ﺣﺗﻰ ﻛل اﻟطﻼب ﻓﻲ ﻓﺻل‬
‫ﻣﻌﯾن‪..‬اﻟﺦ‪.‬‬
‫‪ ‬واﻟﻛﻠﻲ ‪ universe‬ﻫو إذا ﻧطﺎق أو ﻣﯾدان اﻟﻣﺗﻐﯾرات اﻟﻣﻔردة‪.‬‬
‫‪ ‬اﻹﺧﺑﺎر ‪ propositions‬ﻓﻲ اﻟﻣﻧطق اﻟﻣﺳﻧد ﻫو ﻋﺑﺎرة ﺣول ﻛﺎﺋن ﻣن اﻟﻧطﺎق اﻟﻛﻠﻲ‪.‬‬
‫واﻟﻧطﺎق اﻟﻛﻠﻲ ﻓﻲ اﻟواﻗﻊ ﯾﺗرك ﺿﻣﻧﯾﺎ ﻋﺎدة‪ ،‬ﻟﻛن ﯾﻠزم أن ﯾﻛون واﺿﺣﺎ ﻣن اﻟﺳﯾﺎق‪ ،‬ﻣﺛﻼ ﺑﺎﻟﻧﺳﺑﺔ ﻟﻸﻋداد اﻟطﺑﯾﻌﯾﺔ ‪natural‬‬
‫‪ numbers‬ﻧﻘول‪:‬‬
‫)‪forAll x, y (x < y or x = y or x > y‬‬
‫ﻓﻼ ﻧﺣﺗﺎج ﻷن ﻧﻛون دﻗﯾﻘﯾن وﻧﻘول‪ ، forAll x, y in N:‬ﻷن ‪ N‬ﻣﻌروﻓﺔ ﺿﻣﻧﺎ ﻣن اﻟﺳﯾﺎق‪ ،‬وﻫﻲ اﻟﻣوﺿوع اﻟﻛﻠﻲ ‪Universe‬‬
‫‪ ،of Discourse‬وﻣن اﻟﻣﻬم ﺗﺣدﯾد اﻟﻘﯾم اﻟﻣﺳﻣوح ﺑﻬﺎ إذا ﻛﺎﻧت اﻟﺧﺎﺻﯾﺔ ﺗﺣﻣل ﻗﯾﻣﺎ طﺑﯾﻌﯾﺔ وﻟﯾس ﻣن اﻷﻋداد اﻟﺣﻘﯾﻘﯾﺔ ﻛﻠﻬﺎ‪،‬‬
‫ﺑﺎﻟﻧﺳﺑﺔ ﻟﻛل ﻣﺗﻐﯾر ‪ x‬و ‪.y‬‬
‫‪ ‬ﺗطﺑﯾق اﻟﻣﻘﯾﺎس اﻟﻛﻠﻲ ∀ " ‪Universal Quantifier " For All‬‬
‫اﻟﻣﻘﯾﺎس اﻟﻛﻠﻲ ﯾﺳﻣﺢ ﻟﻧﺎ ﺑﺻﯾﺎﻏﺔ ﻋﺑﺎرات ﺣول ﻣﺟﺎﻣﯾﻊ ﻣن اﻟﻛﺎﺋﻧﺎت‪.‬‬
‫ﻣﺛﻼ اﻟﻣﻘﯾﺎس اﻟﻛﻠﻲ ‪∀x : a • p‬‬
‫واﻟذي ﯾﻘرأ ” ‪ “ for all x in a , p holds‬أي ﻟﻛل ﻗﯾم ‪ x‬ﻣن اﻟﻣﺟﻣوﻋﺔ ‪ a‬ﺗﺣﻘق اﻟﺟﻣﻠﺔ ‪ ،p‬وﺗﺿﺢ أﯾﺿﺎ أن اﻟﻣﺟﻣوﻋﺔ ‪a‬‬
‫ﻫﻲ اﻟﻣوﺿوع اﻟﻛﻠﻲ‪ ،‬واﻟﻣﺗﻐﯾر ‪ x‬ﻫو ﻋﺿو ﻓﻲ اﻟﻣوﺿوع اﻟﻛﻠﻲ‪ ،‬وأن ‪ p‬ﻫﻲ اﻟﻌﺑﺎرة اﻟﺗﻲ ﺗﺳﺗﺧدم اﻟﻣﺗﻐﯾر ‪ ،x‬وﻛﺻﯾﻐﺔ ﺧﺑرﯾﺔ‬
‫ﻧﻛﺗﺑﻬﺎ ﻫﻛذا‪ ،∀x p(x) :‬وﺗﻘرأ ﻟﻛل ﻗﯾم ‪ x‬ﯾﻛون )‪ ،p(x‬أو ﻷي ﻗﯾﻣﺔ ﻣن ﻗﯾم ‪ x‬ﯾﻛون )‪ ،p(x‬ﺣﯾث )‪ p(x‬ﺟﻣﻠﺔ ﻣﺳﻧدة‪،‬‬
‫واﻟﻣﻘﯾﺎس ‪ ∀x‬ﯾدل ﻋﻠﻰ ﺟﻣﯾﻊ اﻟﻛﺎﺋﻧﺎت ﻓﻲ اﻟﻣوﺿوع اﻟﻛﻠﻲ‪ ،‬وأن )‪ p(x‬ﺗﻛون ﺻﺎﺋﺑﺔ ﻟﻛل ﺗﻠك اﻟﻛﺎﺋﻧﺎت أو اﻟﻌﻧﺎﺻر‪.‬‬
‫ﻣﺛﺎل ﺣول ﺗﺣوﯾل اﻟﻠﻐﺔ اﻻﻧﺟﻠﯾزﯾﺔ إﻟﻰ اﻟﺷﻛل اﻹﺧﺑﺎري‪ ،‬وﻟﻧﺄﺧذ اﻟﺟﻣﻠﺔ "‪: "All cars have wheels‬‬
‫وﻟﻧﻣﺛﻠﻬﺎ ﺑﺎﻟﺷﻛل ‪.∀x : car • x has wheel‬‬
‫وﻧﻛﺗب )‪ ،x P(x‬ﺣﯾث )‪ P(x‬ﻫﻲ ﺟﻣﻠﺔ ﻣﺳﻧدة ﺗﻘول ﻟﻧﺎ أن ’‪ ،‘x has wheels‬و ‪ x‬ﻣﺗﻐﯾر ﻟﻛﺎﺋن ﻣن ’‪‘cars‬اﻟﺗﻲ ﺗﻌﺗﺑر‬
‫اﻟﻣوﺿوع اﻟﻛﻠﻲ ﻫﻧﺎ‪.‬‬
‫‪ ‬ﺗطﺑﯾق اﻟﻣﻘﯾﺎس اﻟﺟزﺋﻲ ∃ " ‪Existential Quantifier " There Exists‬‬
‫ﯾﺳﻣﺢ ﻟﻧﺎ اﻟﻣﻘﯾﺎس اﻟﺟزﺋﻲ أو ﻣﻘﯾﺎس اﻟوﺟود∃‪ ،‬ﺑﺄن ﻧﺟزم ﺑوﺟود ﻛﺎﺋن دون أن ﻧﺣدد أﺳﻣﺎ ﻟﻪ‪.‬‬
‫ﻣﺛﻼ ﻣﻘﯾﺎس اﻟوﺟود ﻓﻲ اﻟﺻﯾﻐﺔ ‪∃x : a • p‬‬
‫وﯾﻘرأ ﻫذا اﻟﻣﺛﺎل ” ‪ ،“ there exists an x such that p holds‬أي ﯾوﺟد ﻗﯾﻣﺔ ﻟﻠﻣﺗﻐﯾر ‪ x‬ﻣن ﻗﯾم اﻟﻣﺟﻣوﻋﺔ ‪ a‬ﺗﺣﻘق‬
‫اﻟﺟﻣﻠﺔ ‪ ،p‬وﺗﻛون اﻟﻣﺟﻣوﻋﺔ ‪ a‬ﻫﻲ اﻟﻣوﺿوع اﻟﻛﻠﻲ ‪ universe of discourse‬ﻟﻠﻣﺳﺄﻟﺔ‪ ،‬واﻟﻣﺗﻐﯾر ‪ x‬ﻋﺿو ﻓﻲ ﻧطﺎق ذﻟك‬
‫اﻟﻣوﺿوع‪ ،‬و وأن ‪ p‬ﻫﻲ اﻟﻌﺑﺎرة اﻟﺗﻲ ﺗﺳﺗﺧدم اﻟﻣﺗﻐﯾر ‪ ،x‬وﻛﺻﯾﻐﺔ ﺧﺑرﯾﺔ ﻧﻛﺗﺑﻬﺎ )‪ ،∃x P(x‬واﻟﺗﻲ ﺗﻘرأ ﺗوﺟد ﻗﯾﻣﺔ ﻟـ ‪ x‬ﺑﺣﯾث‬
‫)‪ ،P(x‬أو ﻋﻠﻰ اﻷﻗل ﻫﻧﺎك ﻗﯾﻣﺔ واﺣدة ﻟـ ‪ x‬ﺑﺣﯾث ﯾﻛون )‪ ،P(x‬ﺣﯾث أن )‪ P(x‬ﺟﻣﻠﺔ ﻣﺳﻧدة‪ ،‬ﺗﻌﻧﻲ ‪ x‬ﻓﯾﻬﺎ ﻋﻠﻰ اﻷﻗل ﯾوﺟد‬
‫ﻛﺎﺋن ‪ x‬ﻓﻲ اﻟﻣوﺿوع اﻟﻛﻠﻲ‪ ،‬و)‪ P(x‬ﯾﻛون ﺻﺎﺋﺑﺎ ﻟﻘﯾﻣﺔ واﺣدة ﻋﻠﻰ اﻷﻗل ﻟﻠﻛﺎﺋن ‪ x‬ﻓﻲ اﻟﻧطﺎق اﻟﻛﻠﻲ‪.‬‬
‫ﻣﺛﺎل ﺣول ﺗﺣوﯾل اﻟﻠﻐﺔ اﻻﻧﺟﻠﯾزﯾﺔ إﻟﻰ اﻟﺷﻛل اﻹﺧﺑﺎري‪ ،‬وﻟﻧﺄﺧذ اﻟﺟﻣﻠﺔ ” ‪: “ Someone loves you‬‬
‫وﻟﻧﻣﺛﻠﻬﺎ ﺑﺎﻟﺷﻛل ‪.∃x : Someone • x loves you‬‬
‫___________‬
‫‪99 - ٨٢‬‬
‫وﻧﻛﺗب )‪ ،x P(x‬ﺣﯾث )‪ P(x‬ﺟﻣﻠﺔ ﻣﺳﻧدة ﺗﻘول أن‪ ،‘ x loves you ’ :‬وأن ‪ x‬ﻣﺗﻐﯾر ﻟﻛﺎﺋن ﻣن ’ ‪ ‘ someone‬اﻟﺗﻲ‬
‫ﺣددت ﻛﻣوﺿوع أو ﻧطﺎق ﻛﻠﻲ ﻫﻧﺎ‪.‬‬
‫اﻟﺻﯾﻐﺔ ‪Formula‬‬
‫ﻓﻲ اﻟﻣﻧطق اﻟرﯾﺎﺿﻲ ‪ ،mathematical logic‬اﻟﺻﯾﻐﺔ ﻫﻲ أﺣد أﺳﺎﻟﯾب ﺗﺟرﯾد اﻟﻛﺎﺋﻧﺎت ﻣن اﻟﺗﺣدﯾد إﻟﻰ اﻟﺗﻌﻣﯾم‪ ،‬وﺗظﻬر‬
‫اﻟﺻﯾﻐﺔ ﺑﺷﻛل رﻣز أو ﺳﻠﺳﻠﺔ ﻣن اﻟرﻣوز اﻟﺗﻲ ﻗد ﺗﻔﺳر ﺑﺄي ﻣﻌﻧﻰ ﻓﻲ اﻟﻠﻐﺔ اﻻﺻطﻼﺣﯾﺔ‪.‬‬
‫اﻟﻣﺻطﻠﺣﺎت ‪Terms‬‬
‫ﺗﻌرف اﻟﻣﺻطﻠﺣﺎت ﺑﺷﻛل ﻣﺗﻛرر ﻛﻣﺗﻐﯾرات وﺛواﺑت أو دوال ‪ functions‬ﻣﺛل )‪ ،f(t1, . . . , tn‬ﺣﯾث ‪ f‬رﻣز ﻟﻣﺻﻔوﻓﺔ ‪n-‬‬
‫‪ ary‬ﻧوﻧﯾﺔ اﻟرﺗﺑﺔ ﻣن اﻟدوال‪ ،‬ﺗﺳﺗﺧدم ﻣﺟﻣوﻋﺔ ﻣﺗﻐﯾرات ‪ ،t1, . . . , tn‬وﺑﺗطﺑﯾق اﻹﺳﻧﺎد إﻟﻰ ﻫذﻩ ﻧﺣﺻل ﻋﻠﻰ اﻟﺻﯾﻎ اﻟذرﯾﺔ‬
‫‪ ،atomic formulas‬أو اﻟﺻﯾﻎ اﻟﺑﻧﺎﺋﯾﺔ‪.‬‬
‫اﻟﺻﯾﻎ اﻟﺑﻧﺎﺋﯾﺔ ‪Atomic formulas‬‬
‫اﻟﺻﯾﻐﺔ اﻟﺑﻧﺎﺋﯾﺔ ﻫﻲ ﺻﯾﻐﺔ ﻟﯾس ﻟﻬﺎ ﺗرﻛﯾب ﻫﯾﻛﻠﻲ أﻋﻣق ﻣﻣﺎ ﺗﺑدو ﻋﻠﯾﻪ‪ ،‬ﺑﻣﻌﻧﻰ أﻧﻬﺎ اﻟﺻﯾﻐﺔ اﻟﺗﻲ ﻻ ﺗﺣﺗوي ﻋﻠﻰ رواﺑط‬
‫ﻣﻧطﻘﯾﺔ أو اﻟﺻﯾﻐﺔ اﻟﺗﻲ ﻻ ﺗﺟﻌﻠﻧﺎ ﻧﻌود إﻟﻰ ﺻﯾﻎ ﻓرﻋﯾﺔ ﻣﻌﯾﻧﺔ‪ ،‬واﻟﺻﯾﻐﺔ اﻟذرﯾﺔ أو اﻟﺑﻧﺎﺋﯾﺔ ‪ Atoms‬ﻫﻲ اﺑﺳط اﻟﺻﯾﻎ اﻟﻣﻧطﻘﯾﺔ‬
‫اﻟﻣﻌدة ﺟﯾدا ‪.well-formed‬‬
‫اﻟﺻﯾﻎ اﻟﻣرﻛﺑﺔ ‪ :Compound formulas‬ﻫﻲ ﺻﯾﻎ ﻣﻌدة ﺑﺷﻛل ﯾﺟﻣﻊ اﻟﺻﯾﻎ اﻟﺑﻧﺎﺋﯾﺔ ﺑﺎﺳﺗﺧدام اﻻرﺗﺑﺎط اﻟﻣﻧطﻘﻲ ‪logical‬‬
‫‪.connectives‬‬
‫اﻟﺻﯾﻐﺔ اﻟﻣﻌدة ﺟﯾدا )"‪ :Well-formed formula ("wiff‬ﻫﻲ رﻣز أو ﺳﻠﺳﻠﺔ ﻣن اﻟرﻣوز ﺗﻧﺗﺞ ﻋﺑر ﻗواﻋد اﻟﺗرﻛﯾب ﻟﻠﻐﺔ‬
‫اﻻﺻطﻼﺣﯾﺔ اﻟﻣﺳﺗﺧدﻣﺔ‪ ،‬واﻟﺻﯾﻐﺔ اﻟﺑﻧﺎﺋﯾﺔ ﺗﻛون ﻣن اﻟﺷﻛل‪ t1 = t2:‬ﺣﯾث ‪ t1‬و ‪ t2‬ﻫﻲ ﻋﻧﺎﺻرﻫﺎ‪ ،‬أو ﻣن اﻟﺷﻛل ‪R(t1, . . .‬‬
‫)‪ , tn‬ﺣﯾث ‪ R‬ﻫﻲ ﻋﻼﻗﺔ ﺑﯾن ‪ n‬ﻣن اﻟدوال‪ ،‬و)‪ (t1, . . ., tn‬ﻫﻲ ﻋﻧﺎﺻرﻫﺎ‪ ،‬أو ﻣن اﻟﺷﻛل ‪ ¬ a‬اﻟذي ﯾﻛون ﺻﯾﻐﺔ ﻋﻧدﻣﺎ‬
‫ﺗﻛون ‪ a‬ﺻﯾﻐﺔ‪ ،‬أو ﻗد ﺗﻛون اﻟﺻﯾﻐﺔ اﻟﺑﻧﺎﺋﯾﺔ )‪ (p Λ q‬و )‪ (a b‬اﻟﺗﻲ ﺗﻛون ﺻﯾﻐﺔ ﻋﻧدﻣﺎ ﺗﻛون ﻛﻼ ﻣن ‪ a‬و ‪ .b‬وﻛﻣﺛﺎل‬
‫ﺣول اﻟﺻﯾﻐﺔ اﻟﻣرﻛﺑﺔ‪. ((((a Λ b ) Λ c) v ((¬ a Λ b) Λ c)) v ((a Λ ¬ b) Λ c)) :‬‬
‫ﺗﻣﺛﯾل اﻟﻌﻼﻗﺔ "ﻫو ﯾﻛون" أو"ﺣﺎﻟﺔ ﻣن" ‪Representing “ IsA ” and “ Instance ” Relationships‬‬
‫ﺗﺗﻛون اﻟﻌﺑﺎرات اﻟﻣﻧطﻘﯾﺔ ﻣن اﻟﻣوﺿوع ‪ ،subject‬واﻟﻣﺳﻧد ‪ predicate‬واﻟﻛﺎﺋن ‪ ،object‬وﻫذﻩ ﺗﺳﺗﺧدم ﺧﺎﺻﯾﺗﯾن ﻣﻬﻣﺗﯾن ﻫﻣﺎ‬
‫"‪ "instance‬و "‪ "isa‬ﻓﻲ اﻟﻬﯾﻛل اﻟﻬرﻣﻲ‪ .‬ﻓﺎﻟﺻﻔﺎت "‪ "instance‬و "‪ "isa‬ﺗدﻋﻣﺎن اﻟﺧﺻﺎﺋص وراﺛﺔ اﻟﺧﺻﺎﺋص‪ ،‬وﺗﻠﻌﺑﺎن‬
‫دورا ﻣﻬﻣﺎ ﻓﻲ ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ‪ .‬ﻓﯾﻣﺎ ﯾﻠﻲ طرق اﻟﺗﻌﺑﯾر اﻟﻣﻧطﻘﻲ ﻋﻧﻬﻣﺎ‪.‬‬
‫ﻣﺛﺎل‪ :‬اﻟﺟﻣﻠﺔ اﻟﺑﺳﯾطﺔ "‪"Joe is a musician‬‬
‫ﻟدﯾﻧﺎ ﻫﻧﺎ اﺳﺗﺧدام ﻟﺻﻔﺔ "‪ "is a‬واﻟﺗﻲ ﺗﺳﻣﻰ ‪ ،IsA‬ﻛطرﯾﻘﺔ ﻟﻠﺗﻌﺑﯾر ﻋن ﻣﺎ ﻧﺳﻣﯾﻪ ﻣﻧطﻘﯾﺎ ﺑﻌﻼﻗﺔ ﺣﺎﻟﺔ اﻟﺻﻧف ‪class-‬‬
‫‪ instance‬ﺑﯾن اﻟﻣوﺿوع ﻣﻣﺛﻼ ﺑﺎﻟﻌﻧﺻرﯾن "‪ "Joe‬و "‪ ،"musician‬ﻓـ "‪ "Joe‬ﻫو ﺣﺎﻟﺔ ﻣن ﺻﻧف أﺷﯾﺎء ﺗﺳﻣﻰ "‪،"musician‬‬
‫ﻓﯾﻠﻌب "‪ "Joe‬دور اﻟﺣﺎﻟﺔ أو اﻟﻣﺛﯾل ‪ ،instance‬وﯾﻘوم اﻟﻌﻧﺻر "‪ "musician‬ﺑدور اﻟﺻﻧف أو اﻟﻔﺋﺔ ‪ class‬ﻓﻲ ﺗﻠك اﻟﺟﻣﻠﺔ‪.‬‬
‫ﻻﺣظ أﻧﻪ ﻓﻲ أي ﺟﻣﻠﺔ ﻛﺗﻠك‪ ،‬طﺎﻟﻣﺎ ﻛﻧﺎ ﻧﺗﻌﺎﻣل ﻣﻊ اﻟﺑﺷر ﻓﻼ ﻣﺷﻛﻠﺔ‪ ،‬أﻣﺎ ﺑﺎﻟﻧﺳﺑﺔ ﻟﻠﺣواﺳﯾب ﻓﻛل ﻋﻼﻗﺔ ﯾﺟب أن ﯾﺗم ﺗﻌرﯾﻔﻬﺎ‬
‫ﺑﺻورة ﺻرﯾﺣﺔ‪ :‬ﻓﺎﻟﺟﻣﻠﺔ ﻛﻬذﻩ‬
‫]‪[Joe‬‬ ‫‪IsA‬‬ ‫]‪[Musician‬‬
‫ﺗﺻﺎغ ﺑﺎﻟﺷﻛل اﻟﻌﺎم‬
‫]‪[Instance‬‬ ‫‪IsA‬‬ ‫]‪[Class‬‬
‫___________‬
‫‪99 - ٨٣‬‬
‫اﻟﻣﺳﻧدات واﻟدوال اﻟﻘﺎﺑﻠﺔ ﻟﻠﺣوﺳﺑﺔ ‪Computable Functions and Predicates‬‬

‫ﻧﻘدم اﻟﻔﻘرة اﻟﺗﺎﻟﯾﺔ ﺑﻬدف ﺗﻌرﯾف ﻓﺋﺔ اﻟدوال ‪ C‬اﻟﻘﺎﺑﻠﺔ ﻟﻠﺣوﺳﺑﺔ ﻋﻠﻰ اﻟﻌﻧﺎﺻر ‪ ،F‬وﻫذا ﯾﻌﺑر ﻋﻧﻪ ﺑـ } ‪ C { F‬ﻛﻣﺎ ﺳﻧوﺿﺢ‬
‫ﺑﻣﺛﺎﻟﯾن‪:‬‬
‫"‪(1) "evaluate factorial n‬‬
‫‪(2) "expression for triangular functions".‬‬
‫ﻣﺛﺎل‪ ١‬ﺣﺳﺎب ﻗﯾﻣﺔ اﻟﻣﻔﻛوك ‪:evaluate factorial n‬‬
‫ﻗﺑل اﻟدﺧول ﻓﻲ اﻟﺗﻌﺑﯾر اﻟﺷرطﻲ أو اﻟﻣﺷروط ﻟﺗﻌرﯾف ﻗﯾﻣﺔ اﻟﻣﻔﻛوك أو اﻟﻣﺿروب ‪ factorial‬ﻟﻠﻌدد ‪ n‬واﻟذي ﯾرﻣز ﻟﻪ ﺑـ !‪،n‬‬
‫ﻧﺑدأ ﺑﻌرض ﺷﻛﻠﻬﺎ اﻟﻌﺎم‪.‬‬
‫ﻟﯾﻛن ﻟدﯾﻧﺎ اﻟﺗﻌﺑﯾر ‪ “ if p1 then e1 else if p2 then e2 . . . else if pn then en” : Expression‬أو ﻣﺎ ﻧرﻣز ﻟﻪ‬
‫ﺑـ ‪:‬‬
‫) ‪(p1 → e1, p2 →e2, . . . . . . pn → en‬‬
‫ﻫﻧﺎ اﻟﻘﯾم ‪ p1, p2, . . . . pn‬ﻫﻲ ﺗﻌﺑﯾرات ﺧﺑرﯾﺔ ﺗﺄﺧذ اﻟﻘﯾم ‪ T‬و‪ F‬ﻟـ ‪ true‬و ‪ false‬ﻋﻠﻰ اﻟﺗواﻟﻲ‪ ،‬واﻟﻘﯾﻣﺔ اﻟﻧﺎﺗﺟﺔ ﻟﻠﺟﻣﻠﺔ‪:‬‬
‫) ‪(p1 → e1, p2 →e2, . . . . . . pn → en‬‬
‫ﺗﻧﺗﺞ ﻣن ﻗﯾﻣﺔ ‪ e‬اﻟﻣﻧﺎظرة إﻟﻰ أول ﻋﻧﺻر ‪ p‬اﻟذي ﻗﯾﻣﺗﻪ ‪ T‬ﻛﺷرط ﺻﺎﺋب‪ ،‬ﻣﻊ ﺗﺟﺎوز اﻟﻘﯾم اﻟﻣﻧﺎظرة ﻟﻠﺷروط اﻟﺧﺎطﺋﺔ‪.‬‬
‫واﻟﺗﻌﺑﯾر اﻟذي ﯾﻌرف ﻣﻔﻛوك !‪ n‬ﻋﻣوﻣﺎ‪ ،‬و‪ n= 5‬ﻋﻠﻰ اﻟﺗرﺗﯾب‪:‬‬
‫‪n! = n x (n-1)! for n ≥ 1‬‬
‫‪5! = 1 x 2 x 3 x 4 x 5 = 120‬‬
‫‪0! = 1‬‬
‫اﻟﺗﻌرﯾف أﻋﻼﻩ ﯾدﻣﺞ ﻣﻌﻪ اﻟﺣﺎﻟﺔ اﻟﺗﻲ ﯾﻛون ﻓﯾﻬﺎ ﻗﯾﻣﺔ اﻟﻌﻧﺻر اﻟﻣﺿروب ﻣن اﻟﺷﻛل ‪ ،0! = 1‬ﻣﻣﺎ ﯾﺳﻣﺢ ﺑﺎﻟﻌﻼﻗﺔ اﻟﺗﻌﺎودﯾﺔ‬
‫أن ﺗﺗﻛرر !‪ (n + 1)! = (n+1) x n‬ﺣﺗﻰ ﻋﻧدﻣﺎ ﺗﻛون ‪.n = 0‬‬
‫وﺑﺎﺳﺗﺧدام اﻟﺗﻌﺑﯾرات اﻟﺷرطﯾﺔ اﻟﺳﺎﺑﻘﺔ ﻧﺳﺗطﯾﻊ ﺗﻌرﯾف اﻟداﻟﺔ !‪ n‬ﺗﻌﺎودﯾﺎ ‪:‬‬
‫‪n! = ( n = 0 → 1, n‬‬ ‫) ! ) ‪≠ 0 →n . (n – 1‬‬
‫وﻟﻧﻘم اﻵن ﺑﺈﯾﺟﺎد !‪ ،2‬ﻛﺗطﺑﯾق ﻟﻠﺗﻌرﯾﻔﺎت اﻟﺳﺎﺑﻘﺔ‪:‬‬
‫‪2! = ( 2 = 0 →1, 2‬‬ ‫‪≠ 0→2 . ( 2 – 1 )! ) = 2 x 1! ,‬‬
‫‪2 x 1! = 2 x ( 1 = 0→1, 1 ≠ 0→1 . ( 1 – 1 )! ) = 2 x 1 x 0!,‬‬
‫‪2 x 1 x 0! = 2 x 1 x ( 0 = 0→1, 0 ≠ 0→0 . ( 0 – 1 )! )= 2 x 1 x 1,‬‬
‫‪2 x 1 x 1= 2‬‬
‫ﻣﺛﺎل‪ ٢‬اﻟﺗﻌﺑﯾر ﻋن اﻟدوال اﻟﺷرطﯾﺔ‪:‬‬
‫ﻓﯾﻣﺎ ﯾﻠﻲ ﻣﺛﺎل آﺧر ﻋن اﻟﺗﻌﺑﯾر اﻟﺷرطﻲ ﻟﻠدوال‪:‬‬
‫)‪|x|= (x < 0 →-x , x ≥ 0→x‬‬
‫اﻟذي ﯾﻌﺑر ﻋن داﻟﺔ اﻟﻣطﻠق ‪ absolute‬اﻟﺗﺎﻟﯾﺔ‪:‬‬
‫= |‪|x‬‬ ‫‪x‬‬ ‫‪if x ≥ 0‬‬
‫‪-x‬‬ ‫‪if x ≤ 0‬‬
‫___________‬
‫‪99 - ٨٤‬‬
‫ﻓﺈذا ﻛﺎﻧت ﻟدﯾﻧﺎ اﻟداﻟﺔ اﻟﺗﺎﻟﯾﺔ‪:‬‬

‫‪0‬‬ ‫‪if x ≤ -1, or if x >1‬‬
‫= )‪tri (x‬‬ ‫‪x‬‬ ‫‪if x ≤ 0‬‬
‫‪-x‬‬ ‫‪if x ≤ 1‬‬
‫ﻓﺎﻟﺗﻌﺑﯾر اﻟﺷرطﻲ ﻋﻧﻬﺎ ﯾﻛون ﺑﺎﻟﺷﻛل‪:‬‬
‫)‪|x|= (x ≤ -1→0 , x ≤ 0 → x, x ≤ 1→-x, x >1→0‬‬
‫اﻟﻘرار ‪Resolution‬‬
‫اﻟﻘرار ﯾﻘﺻد ﺑﻪ ﻫﻧﺎ إﺟراءات ﻣﺳﺗﺧدﻣﺔ ﻟﻠﺑرﻫﻧﺔ ﻋﻠﻰ أن ﺑﻌض اﻟﻣﺗﻐﯾرات اﻟﺗﻲ ﻣن اﻟﻣﻣﻛن اﻟﺗﻌﺑﯾر ﻋﻧﻬﺎ ﻓﻲ اﻟﻣﻧطق اﻟﻣﺳﻧد‪،‬‬
‫أﻧﻬﺎ ﺻﺣﯾﺣﺔ‪ .‬وﻫﻲ إﺟراءات اﻹﺛﺑﺎت ﻋن طرﯾق اﻟﺗﻔﻧﯾد ‪ refutation‬أو ﻛﺷف اﻟﺗﻧﺎﻗض ‪ contradiction‬إن وﺟدا‪ ،‬وﺗﻘود‬
‫ﻋﻣﻠﯾﺔ اﻟﻘرار‪ Resolution‬ﻫذﻩ ﻟﻠدﺣض ﺑﺎﺳﺗﺧدام ﺗﻘﻧﯾﺔ إﺛﺑﺎت اﻟﻧظرﯾﺎت ﻟﻠﺟﻣل اﻟﻣﺻﺎﻏﺔ ﺑﺎﻟﻣﻧطق اﻟﺧﺑري و ﻣﻧطق اﻟطﻠب‬
‫اﻷول‪.‬‬
‫ﯾﻌﺗﺑر اﻟﻘرار ﻗﺎﻧوﻧﺎ ﻣن ﻗواﻧﯾن اﻻﺳﺗدﻻل ‪ ، inference‬وﻣﺑرﻫﻧﺎ ﺣﺎﺳوﺑﯾﺎ ﻟﻠﻧظرﯾﺎت‪ ،‬وﯾﻌرف ﺣﺗﻰ اﻵن ﻓﻘط ﻟﻠﻣﻧطق اﻟﺧﺑري‪،‬‬
‫ﻛﺈﺳﺗراﺗﯾﺟﯾﺔ ﺗﺳﺎﻋد ﻋﻠﻰ ﺗﻛﯾﯾف ﺗﻘﻧﯾﺎت اﻟﻘرار ﻟﻠﻣﻧطق اﻟﺧﺑري ﻋﻠﻰ اﻟﻣﻧطق اﻟﻣﺳﻧد‪.‬‬
‫‪ (٩‬ﻗﻮﺍﻧﲔ ﺍﺳﺘﺨﺪﺍﻡ ﲤﺜﻴﻞ ﺍﳌﻌﺮﻓﺔ ‪KR Using Rules‬‬
‫ﻓﻲ اﻟﻣوﺿوع ا ﻟﺳﺎﺑﻘﺔ أوﺿﺣﻧﺎ اﻟﻣﻧطق اﻟﻣﺳﻧد ﺑﺎﺳﺗﺧدام ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ‪ ،‬وﻫﻧﺎك ﻣﻧﻬﺟﯾﺎت ﺷﺎﺋﻌﺔ ﻟﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ﻣﺛل‪ :‬ﻗواﻋد‬
‫اﻹﻧﺗﺎج ‪ ،production rules‬وﺷﺑﻛﺔ اﻟدﻻﻟﺔ ‪ ،semantic net‬واﻷطر ‪.frames‬‬
‫وﻗواﻋد اﻹﻧﺗﺎج ﺗﺳﻣﻰ أﺣﯾﺎﻧﺎ ‪ Production rules‬ﺑﻘواﻧﯾن ‪ ،IF-THEN‬وﻫﻲ أﻛﺛر طرق ﺗﻣﺛﯾل ‪ KR‬اﻟﻣﻌرﻓﺔ ﺷﯾوﻋﺎ‪ ،‬وﻫﻲ‬
‫ﺑﺳﯾطﺔ ﻟﻛﻧﻬﺎ ﺷﻛل ﻗوي ﻣن أﺷﻛﺎل اﻟﺗﻣﺛﯾل ‪ ،KR‬وﻗواﻋد اﻹﻧﺗﺎج ﺗﻘدم ﻟﻧﺎ ﻣروﻧﺔ ﻓﻲ ﺗرﻛﯾب اﻟﺗﻣﺛﯾل اﻟﺗﺻرﯾﺣﻲ واﻹﺟراﺋﻲ‬
‫اﻟﻣﺳﺗﺧدم ﻓﻲ اﻻﺻطﻼﺣﺎت اﻟﻣوﺣدة ‪.unified form‬‬
‫أﻣﺛﻠﺔ ﺣول ﻗواﻧﯾن اﻹﻧﺗﺎج ‪:Examples of production rules‬‬
‫‪ ‬إذا ﻛﺎن )ﺷرط( ﻓﺈن )اﻟﻔﻌل ﯾﺣدث( ‪IF condition THEN action‬‬
‫‪ ‬إذا ﻛﺎﻧت ﻣﻘدﻣﺔ ﻣﻧطﻘﯾﺔ ﺻﺣﯾﺣﺔ ﻓﺈن اﻻﺳﺗﻧﺗﺎج ﯾﺗﺣﻘق ‪IF premise THEN conclusion‬‬
‫‪ ‬إذا ﻛﺎﻧت اﻟﺟﻣﻠﺔ اﻟﺧﺑرﯾﺔ ‪ p1‬واﻟﺟﻣﻠﺔ اﻟﺧﺑرﯾﺔ ‪ p2‬ﺻﺎﺋﺑﺗﯾن‪ ،‬ﻓﺈن اﻟﺟﻣﻠﺔ اﻟﺧﺑرﯾﺔ ‪ p3‬ﺗﻛون ﺻﺎﺋﺑﺔ‪.‬‬
‫‪IF proposition p1 and proposition p2 are true THEN proposition p3 is true‬‬
‫ﻣﻣﯾزات ﻗواﻧﯾن اﻹﻧﺗﺎج ‪Advantages of production rules‬‬
‫‪ -‬أﻧﻬﺎ ﻣﻌﯾﺎرﯾﺔ ‪ ،modular‬أي ﻣﻘﺎﯾﯾس اﺳﺗﺧداﻣﻬﺎ ﺛﺎﺑﺗﺔ‪.‬‬
‫‪ -‬ﻛل ﻗﺎﻧون ﯾﻌرف ﺣﯾز ﺻﻐﯾر وﻣﺳﺗﻘل ﻣن اﻟﻣﻌرﻓﺔ‪.‬‬
‫‪ -‬ﯾﺗﯾﺢ ﻟﻧﺎ إﺿﺎﻓﺔ ‪ add‬ﻗواﻧﯾن ﺟدﯾدة‪ ،‬أو ﺣذف ﻗواﻧﯾن ﻗدﯾﻣﺔ‪.‬‬
‫‪ -‬ﺗﻛون اﻟﻘواﻋد أو اﻟﻘواﻧﯾن اﻟﻣﻧﺗﺟﺔ ﻋﺎدة ﻣﺳﺗﻘﻠﺔ ﻋن أي ﻗواﻋد أﺧرى‪.‬‬
‫ﻗواﻋد اﻹﻧﺗﺎج ﻛﺂﻟﯾﺔ ﻟﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ُﺗﺳﺗﺧدم ﻓﻲ ﺗﺻﻣﯾم ﻛﺛﯾر ﻣن اﻷﻧظﻣﺔ اﻟﻣﻌﺗﻣدة ﻋﻠﻰ اﻟﻘواﻧﯾن ‪،Rule-based systems‬‬
‫وﺗﺳﻣﻰ أﯾﺿﺎ ﻧظم اﻹﻧﺗﺎج ‪.Production systems‬‬
‫___________‬
‫‪99 - ٨٥‬‬
‫أﻧواع اﻟﻘواﻋد ‪Types of Rules‬‬

‫ﻫﻧﺎك ﺛﻼﺛﺔ أﻧواع ﻣن اﻟﻘواﻧﯾن اﻟﻣﺳﺗﺧدﻣﺔ ﺑﻛﺛرة ﻓﻲ ﻧظم إﻧﺗﺎج ﻗواﻋد اﻟﻘواﻧﯾن‪.‬‬
‫ﻗواﻧﯾن اﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ ‪Knowledge Declarative Rules‬‬
‫ﻫذﻩ اﻟﻘواﻧﯾن ﺗﺿﻊ ﻛل اﻟﺣﻘﺎﺋق ‪ facts‬واﻟﻌﻼﻗﺎت ‪ relationships‬ﺣول اﻟﻣﺳﺄﻟﺔ اﻟﻣطﻠوﺑﺔ‪.‬‬
‫ﻣﺛﺎل ‪:‬إذا اﻧﺧﻔﺿت ﻧﺳﺑﺔ اﻟﺗﺿﺧم‪ ،‬ﻓﺈن ﺳﻌر اﻟذﻫب ﯾﻘل‪.‬‬
‫‪IF inflation rate declines THEN the price of gold goes down‬‬
‫وﺗﺳﺟل ﻫذﻩ اﻟﻘواﻧﯾن ﻛﺟزء ﻣن ﻗﺎﻋدة اﻟﻣﻌرﻓﺔ ‪.knowledge base‬‬
‫ﻗواﻧﯾن اﻻﺳﺗدﻻل ِاﻹﺟراﺋﯾﺔ ‪Inference Procedural Rules‬‬
‫وﯾﻧﺻﺢ ﺑﻬذﻩ اﻟﻘواﻧﯾن ﻓﻲ ﺣل اﻟﻣﺳﺎﺋل طﺎﻟﻣﺎ ﻧﻌرف ﺑﻌض اﻟﺣﻘﺎﺋق‪ ،‬ﻣﺛﺎل‪:‬‬
‫إذا ﻛﺎﻧت اﻟﺑﯾﺎﻧﺎت اﻟﻣطﻠوﺑﺔ ﻟﯾﺳت ﻓﻲ اﻟﻧظﺎم‪ ،‬ﻓﺈﻧﻧﺎ ﻧطﻠب اﻟﺑﯾﺎﻧﺎت ﻣن اﻟﻣﺳﺗﺧدم‪.‬‬
‫‪IF the data needed is not in the system, THEN request it from the user.‬‬
‫وﺗﻠك اﻟﻘواﻋد ﺗﻌﺗﺑر ﺟزء ﻣن ﻣﺣرك اﻻﺳﺗدﻻل ‪.inference engine‬‬
‫ﻣﺎ وراء ﻗواﻧﯾن‪ ،‬أو ﻗواﻧﯾن اﻟﻘواﻧﯾن ‪:Meta rules‬ﻫﻲ ﻗواﻧﯾن ﺗﺳﺗﺧدم ﻟﺻﻧﺎﻋﺔ اﻟﻘواﻧﯾن‪ ،‬وﺗﻌطﻲ ﻗواﻧﯾن اﻟﻘواﻧﯾن ‪Meta-‬‬
‫‪ rules‬ﺗﻔﺳﯾرات ﺣول أي اﻟﻘواﻋد ﯾﺟب أن ﻧﺄﺧذﻫﺎ ﺑﺎﻻﻋﺗﺑﺎر ﻹطﻼق اﻻﺳﺗدﻻل‪.‬‬
‫ﻣﺛﺎل )ﻫذا اﻟﻣﺛﺎل ﯾﻘدم ﻣﺛﺎﻻ ﻋن اﻻﺳﺗﻔﺳﺎر ﻋن ﺣﺎﻻت ﻣﻌﯾﻧﺔ ﻓﻲ ﻗواﻧﯾن ﻣﻌﯾﻧﺔ‪ ،‬وﻛﯾﻔﯾﺔ ﺻﻧﺎﻋﺔ ﻣﺎ وراء اﻟﻘواﻧﯾن ﻟﻬﺎ(‬
‫إذا ﻛﺎن اﻟﻬدف اﻟﺣﺎﻟﻲ ﻻ ﯾظﻬر ﻓﻲ اﻟﻣﻘدﻣﺔ اﻟﻣﻧطﻘﯾﺔ ﻟﺗﻠك اﻟﻘواﻧﯾن ‪ ،premise‬و ﻟدﯾﻧﺎ ﻗواﻧﯾن ﻣن اﻟﺗﻲ ﯾظﻬر اﻟﻬدف اﻟﺣﺎﻟﻲ‬
‫ﻓﻲ ﻣﻘدﻣﺗﻬﺎ اﻟﻣﻧطﻘﯾﺔ ‪ ،premise‬ﻓﺈن ﻋﻠﯾﻧﺎ أن ﻧﺳﺗﺧدم ﻣﻛون اﻟﻘواﻧﯾن اﻷوﻟوﯾﺔ ﺣﺗﻰ اﻷﺧﯾر‪.‬‬
‫ﺗﻬﺗم ﻣﺎ وراء اﻟﻘواﻧﯾن ‪ Meta-rules‬ﺑﺎﻟﺗﻔﺳﯾر اﻟﻣﺑﺎﺷر ﻣﻧﻬﺎ‪ ،‬ﻻ ﺑﺈﻧﺟﺎز اﻟﺗﻔﺳﯾر ‪ reasoning‬ﻓﻌﻠﯾﺎ‪ ،‬وﺗﺣدد ﻣﺎ وراء اﻟﻘواﻧﯾن أي‬
‫اﻟﻘواﻧﯾن ﯾﺟب أﺧذﻩ ﺑﺎﻻﻋﺗﺑﺎر‪ ،‬وﻓﻲ أي ﺗرﺗﯾب ﯾﺗم اﺳﺗدﻋﺎء ﺗﻠك اﻟﻘواﻧﯾن‪.‬‬
‫اﻟﻣﻌرﻓﺔ اﻹﺟراﺋﯾﺔ ﻣﻘﺎﺑل اﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ ‪ :Procedural versus Declarative Knowledge‬ﻫذﯾن اﻟﻧوﻋﯾن ﻟﻠﻣﻌرﻓﺔ‬
‫اﻟﻣوﺿﺣﯾن ﺳﺎﺑﻘﺎ‪ ،‬ﯾﺧﺗﻠﻔﺎن ﺑﺎﻟﻧﺳﺑﺔ ﻟﻘواﻋد اﻹﻧﺗﺎج ﻛﻣﺎ ﯾﻠﻲ‪:‬‬
‫اﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ ‪ :Procedural Knowledge‬ﻫﻲ ﻛﻣﺎ ﻧﻌﻠم ﻣﻌرﻓﺔ ﻛﯾف ﻧﻔﻌل اﻷﻣر '‪ ،'how to do‬وﯾﺷﻣل ﻛﻣﺎ ذﻛرﻧﺎ‬
‫ﺳﺎﺑﻘﺎ اﻟﻘواﻧﯾن واﻻﺳﺗراﺗﯾﺟﯾﺎت واﻟﺧطط واﻻﺟراءات واﻟﻧﻣﺎذج‪ ،‬وﯾﺟﻣﻊ ﺑﯾﻧﻬﺎ ﺗوﺿﯾﺢ ﻣﺎ ﻧﻔﻌﻠﻪ ﺑﺎﻟﺗرﺗﯾب ﻟﻠوﺻول إﻟﻰ اﺳﺗﻧﺗﺎج‬
‫ﻣﻌﯾن‪.‬‬
‫وﻣﺛﺎل ذﻟك اﻟﻘﺎﻧون‪" :‬ﻟﻛﻲ ﻧﺣدد ﻣﺎ إذا ﻛﺎن ﺑﯾﺗر أو روﺑﯾرت أﯾﻬﻣﺎ أﻛﺑر‪ ،‬ﻧﻌرف أوﻻ ﻋﻣرﯾﻬﻣﺎ‪ ".‬ﻫﻲ إذا ﻣﻌرﻓﺔ ﺣول ‪'how to‬‬
‫'‪ do‬ﻛﯾﻔﯾﺔ ﻓﻌل ﺷﻲء ﻣﺎ‪ ،‬وﻫذﻩ اﻟﻣﻌرﻓﺔ ﺗظﻬر ﻧﻔﺳﻬﺎ ﻓﻲ ﻓﻌل اﻟﺷﻲء‪ ،‬ﻣﺛﻼ‪ :‬اﻟﻣﻬﺎرات اﻟﯾدوﯾﺔ أو اﻟذﻫﻧﯾﺔ اﻟﺗﻲ ﻻ ﯾﻣﻛن أن‬
‫ﺗﺗﺣول ﻟﻛﻠﻣﺎت‪ ،‬إذ ﯾﺣﻣﻠﻬﺎ اﻷﻓراد ﺑﺎﻟطرﯾﻘﺔ اﻟﺗﻲ ﻻ ﺗﺳﻣﺢ ﻟﻬﺎ أن ﺗﻛون اﺗﺻﺎﻻ ﻣﺑﺎﺷرا ﻣﻊ اﻷﻓراد اﻵﺧرﯾن‪ .‬وﻧواﻓق أن وﺻف‬
‫ﺧطوات ﺗﻧﻔﯾذ ﻣﻬﻣﺔ أو إﺟراء ﻣﺎ‪ ،‬ﺗﺑدو ﻣﺷﺎﺑﻬﺔ ﻟﻠﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ‪ ،‬ﻣﺎﻋدا ﻛون اﻟﻣﻬﺎم أو اﻟطرق ﺗﻛون ﻣوﺻوﻓﺔ ﺑدﻻ ﻣن‬
‫اﻷﺷﯾﺎء واﻟﺣﻘﺎﺋق‪.‬‬
‫اﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ ‪ :Declarative Knowledge‬ﻫﻲ ﻛﻣﺎ ﻧﻌﻠم ﻣﻌرﻓﺔ ﻣﺎذا '‪ ،'what‬وﻣﻌرﻓﺔ أن '‪ ،'that‬وﺗﺷﻣل ﻛﻣﺎ ﻗﻠﻧﺎ‬
‫ﺳﺎﺑﻘﺎ‪ :‬اﻟﻣﻔﺎﻫﯾم‪ ،‬واﻟﻛﺎﺋﻧﺎت‪ ،‬واﻟﺣﻘﺎﺋق‪ ،‬واﻹﺧﺑﺎر‪ ،‬واﻟﺗﺄﻛﯾد‪ ،‬واﻟﻧﻣﺎذج‪ ،‬وﯾﺟﻣﻊ ﺑﯾﻧﻬﺎ ﻣﻌرﻓﺔ اﻟﺣﻘﺎﺋق واﻟﻌﻼﻗﺎت اﻟﺗﻲ ﻧﺳﺗطﯾﻊ أن‬
‫ﻧﻌﺑر ﻋﻧﻬﺎ ﺑﻌﺑﺎرات ﺑﺳﯾطﺔ وواﺿﺣﺔ‪ ،‬وﻧﺳﺗطﯾﻊ اﻹﺿﺎﻓﺔ واﻟﺗﻌدﯾل ﺑﻼ ﺻﻌوﺑﺔ‪.‬ﻣﺛﺎل ذﻟك اﻟﻘﺎﻧون‪" :‬اﻟﺳﯾﺎرة ﺗﻣﺗﻠك أرﺑﻌﺔ إطﺎرات"‪،‬‬
‫___________‬
‫‪99 - ٨٦‬‬
‫أو "ﺑﯾﺗر أﻛﺑر ﺳﻧﺎ ﻣن روﺑﯾرت"‪ .‬ﻓﺎﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ واﻟﺻرﯾﺣﺔ ﻫﻲ اﻟﺗﻲ ﺗﺿﻊ اﻟﻣﻌرﻓﺔ اﻟﻣوﺿوﻋﯾﺔ وﻗد ﯾﺗم ﻣﻌﺎﻟﺟﺗﻬﺎ ﻛﻣرادف‬
‫ﻷﻏﻠب اﻷﻏراض اﻟﻌﻣﻠﯾﺔ‪ ،‬وﺗﻣﺛل اﻟﻣﻌرﻓﺔ اﻟﺗﺻرﯾﺣﯾﺔ ﻓﻲ ﻫﯾﺋﺔ ﯾﻣﻛن ﻣﻌﺎﻟﺟﺗﻬﺎ وﺿﻐطﻬﺎ وﺗﺣﻠﯾﻠﻬﺎ ﺑﺷﻛل ﻣﺳﺗﻘل ﻋن اﻟﻣﺣﺗوى‪.‬‬
‫اﻟﻣﻘﺎرﻧﺔ ‪ Comparison‬ﺑﯾن ﻧوﻋﻲ اﻟﻣﻌرﻓﺔ‬

‫‪Procedural Knowledge‬‬ ‫‪Declarative Knowledge‬‬
‫‪• Hard to debug‬‬ ‫ﯾﺻﻌب ﺗﻧﻘﯾﺣﻬﺎ‬ ‫‪• Easy to validate‬‬ ‫ﻣن اﻟﺳﻬوﻟﺔ ﺗﺻﺣﯾﺣﻬﺎ‬
‫ﻣﻐﻠﻘﺔ اﻟﺗﻔﺎﺻﯾل واﻟﻣﺣﺗوى ‪• Black box‬‬ ‫واﺿﺣﺔ اﻟﺗﻔﺎﺻﯾل واﻟﺟزﺋﯾﺎت ‪• White box‬‬
‫‪• Obscure‬‬ ‫ﻏﺎﻣﺿﺔ‬ ‫ﺻرﯾﺣﺔ ‪• Explicit‬‬
‫‪• Process oriented‬‬ ‫ﻣوﺟﻬﺔ ﻟﻠﻌﻣﻠﯾﺎت‬ ‫‪• Data – oriented‬‬ ‫ﻣوﺟﻬﺔ ﻟﻠﺑﯾﺎﻧﺎت‬
‫‪• Extension may effect stability‬‬ ‫‪• Extension is easy‬‬
‫اﻟﺗوﺳﻊ ﻗد ﯾؤﺛر ﻋﻠﻰ اﺳﺗﻘرارﻫﺎ‬ ‫ﺳﻬل ﺗوﺳﯾﻌﻬﺎ‬
‫ﺗﻧﻔﯾذ ﺳرﯾﻊ‪ ،‬وﻣﺑﺎﺷر ‪• Fast , direct execution‬‬ ‫ﺑطﯾﺋﺔ‪ ،‬ﺗﺗطﻠب ﺗﻔﺳﯾرات )‪• Slow (requires interpretation‬‬
‫‪• Simple data type can be used‬‬ ‫‪• May require high level data type‬‬
‫اﺳﺗﺧدام أﻧواع ﺑﯾﺎﻧﺎت ﺑﺳﯾطﺔ‬
‫‪• Representations in the form of sets of • Representations in the form of production‬‬
‫‪rules,‬‬ ‫‪organized‬‬ ‫‪into‬‬ ‫‪routines‬‬ ‫‪and system, the entire set of rules for executing the‬‬
‫‪ task.‬ﻋﻣﻠﯾﺔ ﺗﻣﺛﯾﻠﻬﺎ ﺗﺗم ﺑﺷﻛل ﻣﺟﻣوﻋﺎت ﻣن ‪subroutines.‬‬
‫اﻟﻘواﻧﯾن‪ ،‬اﻟﻣﻧظﻣﺔ ﻓﻲ ﺑراﻣﺞ ﻓرﻋﯾﺔ‪.‬‬ ‫ﻋﻣﻠﯾﺔ ﺗﻣﺛﯾل ﻛل ﻗواﻧﯾﻧﻬﺎ ﺗﺗم ﺑﺷﻛل ﻧظﺎم إﻧﺗﺎج‪ ،‬ﻟﺗﻧﻔﯾذ اﻟﻣﻬﺎم‪.‬‬
‫___________‬
‫‪99 - ٨٧‬‬
‫ﻣﻘﺎرﻧﺔ ﺑﯾن ﻟﻐﺎت اﻟﺑرﻣﺟﺔ اﻟﺗﺻرﯾﺣﯾﺔ واﻹﺟراﺋﯾﺔ‬

‫‪Comparison between Procedural and Declarative Language‬‬
‫اﻟﺑرﻣﺟﺔ اﻟﻣﻧطﻘﯾﺔ ‪Logic Programming‬‬

‫ﺗﻘدم اﻟﺑرﻣﺟﺔ اﻟﻣﻧطﻘﯾﺔ ﺻﯾﻎ ﺗﺣدﯾد اﻟﺣﺳﺎﺑﺎت ‪ computation‬ﻣن ﻧﺎﺣﯾﺔ اﻟﻌﻼﻗﺎت اﻟﻣﻧطﻘﯾﺔ ‪ logical relations‬ﺑﯾن اﻟﻛﯾﺎﻧﺎت‬
‫‪.entities‬‬
‫اﻟﺑرﻧﺎﻣﺞ اﻟﻣﻧطﻘﻲ ‪ : logic program‬ﻫﻲ ﻣﺟﻣوﻋﺔ ﻣن اﻟﻌﺑﺎرات اﻟﻣﻧطﻘﯾﺔ‪ .‬ﺑﺣﯾث ﯾﻘوم اﻟﻣﺑرﻣﺞ ‪ programmer‬ﺑﺗوﺻﯾف‬
‫ﺟﻣﯾﻊ اﻟﻌﻼﻗﺎت اﻟﻣﻧطﻘﯾﺔ ﺑﯾن اﻟﻛﯾﺎﻧﺎت اﻟﻣﺧﺗﻠﻔﺔ‪ ،‬واﻟﺣﺳﺎﺑﺎت ‪ computations‬ﯾﻘﺻد ﺑﻬﺎ ﺗﺣدﯾد ﻣﺎ إذا ﻛﺎن اﺳﺗﻧﺗﺎج ﻣﻌﯾن ﯾﻧﺗﺞ‬
‫ﻋن ﺗﻠك اﻟﻌﺑﺎرات اﻟﻣﻧطﻘﯾﺔ أو ﻻ‪.‬‬
‫ﺧﺻﺎﺋص اﻟﺑرﻧﺎﻣﺞ اﻟﻣﻧطﻘﻲ ‪Characteristics of Logic program‬‬
‫___________‬
‫‪99 - ٨٨‬‬
‫ﯾﺗﻣﯾز ﺑرﻧﺎﻣﺞ اﻟﻣﻧطق ﺑﻣﺟﻣوﻋﺔ ﻣن اﻟﻌﻼﻗﺎت واﻻﺳﺗدﻻﻻت‪ ،‬وﯾﺗﻛون اﻟﺑرﻧﺎﻣﺞ ﻣن ﻣﺟﻣوﻋﺔ ﻣن اﻟﻣﺳﻠﻣﺎت ‪ axioms‬واﻟﻌﺑﺎرة‬
‫اﻟﻬدف‪ ،‬ﻛﻣﺎ ﺗﺣدد ﻗواﻋد اﻻﺳﺗدﻻل ‪ rules of inference‬ﻣﺎ إذا ﻛﺎﻧت اﻟﻣﺳﻠﻣﺎت ﻛﺎﻓﯾﺔ ﻟﻠﺗﺄﻛد ﻣن ﺣﻘﯾﻘﺔ أو ﺻواب اﻟﻌﺑﺎرة‬
‫اﻟﻬدف ‪.goal statement‬‬
‫واﻟﺗﻧﻔﯾذ ‪ execution‬ﯾﻌﺗﺑر أﯾﺿﺎ ﻣن ﺧﺻﺎﺋص ﺑرﻧﺎﻣﺞ اﻟﻣﻧطق‪ ،‬ﻓﺗﻧﻔﯾذ ﺑرﻧﺎﻣﺞ اﻟﻣﻧطق ﯾﺷﺑﻪ اﻟﻘﯾﺎم ﺑﺈﻧﺷﺎء ﺑرﻫﺎن ﻋﻠﻰ اﻟﻌﺑﺎرة‬
‫اﻟﻬدف ﺑﺎﺳﺗﺧدام اﻟﻣﺳﻠﻣﺎت اﻟﻣوﺟودة‪ ،‬وأﺧﯾرا ﯾﻘوم اﻟﻣﺑرﻣﺞ ‪ programmer‬ﺑﺗﺣدﯾد اﻟﻌﻼﻗﺎت اﻟﻣﻧطﻘﯾﺔ اﻷﺳﺎﺳﯾﺔ‪ ،‬ﺑدون ﺗﺣدﯾد‬
‫اﻷﺳﻠوب اﻟذي ﺗطﺑق ﺑﻪ ﻗواﻋد اﻻﺳﺗدﻻل ‪ ،inference rules‬ﻟذﻟك ﻧﻘول أن اﻟﻣﻧطق ‪ +‬اﻟﺗﺣﻛم ﺑﻪ ﯾﺳﺎوي اﻟﺧوارزﻣﯾﺔ ) ‪Logic‬‬
‫‪.(+ Control = Algorithms‬‬
‫أﻣﺛﻠﺔ ﻟﻌﺑﺎرات اﻟﻣﻧطق ‪Examples of Logic Statements‬‬
‫ﻟﺗﻛن اﻟﻌﺑﺎرة ‪ :Statement‬اﻟﺟد ﻫو أب اﻻب‪.A grand-parent is a parent of a parent ،‬‬
‫ﺗﺻﺎغ اﻟﻌﺑﺎرة ﺑﺷﻛل اﻗرب ﻟﻠﻣﺻطﻠﺢ اﻟﻣﻧطﻘﻲ ﺑـ‪ :‬ﯾﻛون اﻟﺷﺧص ﺟدا ‪ grand-parent‬إذا ﻛﺎن ﻟﻪ أو ﻟﻬﺎ اﺑﻧﺎ وذﻟك اﻻﺑن ﻛﺎن‬
‫واﻟدا‪.‬‬
‫وﺗﺻﺎغ اﻟﻌﺑﺎرة ﻓﻲ ﻣﻧطق اﻟﺗرﺗﯾب اﻷول أوﻣﻧطق اﻟﻘﯾﺎس اﻟﻛﻣﻲ ﻛﺎﻟﺗﺎﻟﻲ‪:‬‬
‫)‪(for all) x: grandparent (x, y):- parent (x, z), parent (z, y‬‬
‫أي ‪ :x‬ﺟدا ‪ grandparent‬ﻟـ ‪ y‬إذا ﻛﺎن )‪ x‬واﻟدا ‪ parent‬ﻟـ ‪ z‬وﻛﺎن ‪ z‬واﻟدا ﻟـ ‪.(y‬‬
‫وﺗﻘرأ ﯾﻛون ﱡ‬
‫ﻟﻐﺔ ﺑرﻣﺟﺔ اﻟﻣﻧطق ‪Logic Programming Language‬‬
‫ﻟﻐﺔ اﻟﺑرﻣﺟﺔ ﺗﺷﻣل‪ :‬اﻟﺻﯾﺎﻏﺔ ‪ the syntax‬وﻣﻌﺎﻧﻲ أو دﻻﻻت ‪ semantics‬اﻟﺑرﻧﺎﻣﺞ واﻟﻧﻣوذج أﻻﺣﺗﺳﺎﺑﻲ ‪computational‬‬
‫‪.model‬‬
‫وﺗوﺟد طرق ﻛﺛﯾرة ﻟﺗﻧظﯾم اﻟﻣﻌﺎﻟﺟﺔ اﻟﺣﺳﺎﺑﯾﺔ‪ ،‬واﻟﻧﻣوذج اﻟﻣﻌﺗﺎد ﻫو اﻷﺳﻠوب اﻹﺟراﺋﻲ ‪ ،procedural‬ﯾﺣدد اﻟﺑرﻧﺎﻣﺞ اﻟﺣﺳﺎﺑﺎت‬
‫ﺑﺎﻟﺗﺳﺎؤل ﻋن "ﻛﯾف" ﯾﺗم اﻷداء‪ ،‬وﯾدﺧل ﺿﻣن ﻫذﻩ اﻟطرﯾﻘﺔ ﻟﻐﺎت اﻟﺑرﻣﺟﺔ ﻛﺎﺋﻧﯾﺔ اﻟﺗوﺟﻪ ‪ Object-oriented‬وﻟﻐﺎت أﻗدم ﻣﺛل‬
‫‪ C‬و ‪.FORTRAN‬‬
‫واﻟﻧﻣوذج اﻵﺧر ﻫو اﻟﺗﺻرﯾﺣﻲ ‪ ،declarative‬ﺣﯾث ﯾﺣدد اﻟﺑرﻧﺎﻣﺞ اﻟﻣﻌﺎﻟﺟﺔ اﻻﺣﺗﺳﺎﺑﯾﺔ ﺑﺈﻋطﺎء ﺧﺻﺎﺋص اﻹﺟﺎﺑﺔ‬
‫اﻟﺻﺣﯾﺣﺔ‪ ،‬وﻣن أﻣﺛﻠﺔ اﻟﻠﻐﺎت اﻟﺗﺻرﯾﺣﯾﺔ ﻟﻐﺔ اﻟﺑروﻟوج ‪ Prolog‬وﻟﻐﺔ اﻟﺑﯾﺎﻧﺎت اﻟﻣﻧطﻘﯾﺔ )‪ ،(LDL‬ﺣﯾث ﺗﻬﺗم ﺑﺎﻟﺧﺻﺎﺋص‬
‫اﻟﻣﻧطﻘﯾﺔ ‪ logical properties‬ﻟﻌﻣﻠﯾﺔ اﻟﻣﻌﺎﻟﺟﺔ اﻻﺣﺗﺳﺎﺑﯾﺔ‪.‬‬
‫وﻧﺳﻣﻲ ﻟﻐﺗﻲ اﻟﺑروﻟوج وﻟﻐﺔ اﻟﺑﯾﺎﻧﺎت اﻟﻣﻧطﻘﯾﺔ )‪ (LDL‬ﺑﻠﻐﺎت اﻟﺑرﻣﺟﺔ اﻟﻣﻧطﻘﯾﺔ‪.‬‬
‫ﻟﻐﺔ اﻟﺑروﻟوج )‪PROLOG (PROgramming LOGic‬‬
‫ﻫﻲ ﻟﻐﺔ اﻟﺑرﻣﺟﺔ اﻟﻣﻧطﻘﯾﺔ اﻷﻛﺛر ﺷﯾوﻋﺎ‪ ،‬وﻗد ظﻬرت ﺿﻣن ﺣﻘل اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‪ ،‬وﺻﺎرت ﺷﺎﺋﻌﺔ ﻋﻧد ﺑﺎﺣﺛﻲ اﻟذﻛﺎء‬
‫اﻻﺻطﻧﺎﻋﻲ‪ ،‬اﻟذﯾن ﯾﻌرﻓون اﻟﻛﺛﯾر ﺣول "ﻣﺎذا" و "ﻛﯾف" ﯾﺗم إﻧﺟﺎز اﻟﺳﻠوك اﻟذﻛﻲ‪.‬‬
‫واﻟﺻﯾﺎﻏﺔ واﻻﺻطﻼﺣﺎت ‪Syntax and Terminology‬‬
‫ﻓﻲ أي ﻟﻐﺔ ﺑرﻣﺟﺔ‪ ،‬ﯾﻛون ﺗﻧﺳﯾق اﻟﻣﻛوﻧﺎت‪ ،‬ﻛﺎﻟﺗﻌﺑﯾرات ‪ expressions‬واﻟﻌﺑﺎرات ‪.. statements‬اﻟﺦ‪ ،‬ﻛﻣﺎ ﺗوﺿﺣﻪ ﻗواﻋد‬
‫اﻟﺗرﻛﯾب أو ﻣﺎ ﺗﺳﻣﻰ ﺑﻘواﻋد اﻹﻋراب ‪.syntactic rules‬‬
‫وﺗﻘﺳم اﻟﻣﻛوﻧﺎت ﻓﻲ ﻟﻐﺔ اﻟﺑروﻟوج إﻟﻰ ﺟزأﯾن ﻫﻣﺎ‪:‬‬
‫)‪ (A‬ﻣﻛوﻧﺎت اﻟﺑﯾﺎﻧﺎت ‪data components‬‬
‫)‪ (B‬ﻣﻛوﻧﺎت اﻟﺑرﻧﺎﻣﺞ ‪program components‬‬
‫___________‬
‫‪99 - ٨٩‬‬
‫)‪ (A‬ﻣﻛوﻧﺎت اﻟﺑﯾﺎﻧﺎت ‪data components‬‬

‫ﻣﻛوﻧﺎت اﻟﺑﯾﺎﻧﺎت ﻫﻲ ﻣﺟﻣوﻋﺔ ﻣن ﻛﺎﺋﻧﺎت اﻟﺑﯾﺎﻧﺎت اﻟﺗﻲ ﺗﺗﺑﻊ ﺗﺳﻠﺳﻼ ﻫرﻣﯾﺎ ﻣﻌﯾﻧﺎ‪ ،‬وﻛﺎﺋن اﻟﺑﯾﺎﻧﺎت ‪ Data object‬ﻷي ﻧوع‬
‫ﯾﺳﻣﻰ أﯾﺿﺎ ﺑﺎﻟﻌﻧﺻر ‪ term‬وﯾﻌرف ﺑﺄﻧﻪ‪ :‬ﻣﺗﻐﯾر ‪ variable‬أو ﺛﺎﺑت ‪ constant‬أو ﻋﻧﺻر ﻣرﻛب ‪ ،compound term‬وﻻ‬
‫ﯾﻛون ﻛﺎﺋن اﻟﺑﯾﺎﻧﺎت اﻟﺑﺳﯾط ﻗﺎﺑﻼ ﻟﻠﺗﺟزﺋﺔ ‪ ،decomposable‬ﻣﺛﻼ‪ :‬اﻟﺻﯾﻎ اﻟﺑﻧﺎﺋﯾﺔ ‪ atoms‬أو اﻷﻋداد ‪ numbers‬و اﻟﺛواﺑت‬
‫واﻟﻣﺗﻐﯾرات‪.‬‬
‫وﺗﻣﯾز ﻗواﻋد اﻟﺻﯾﺎﻏﺔ ﺑﯾن ﻛﺎﺋﻧﺎت اﻟﺑﯾﺎﻧﺎت اﻟﻣﺧﺗﻠﻔﺔ‪ ،‬ﻓﻼ داﻋﻲ إذا ﻟﻠﺗﺻرﯾﺢ ﻋﻧﻬﺎ‪ ،‬أﻣﺎ ﻛﺎﺋن اﻟﺑﯾﺎﻧﺎت اﻟﻣرﻛب ﻓﯾﺣﺗوي ﻋﻠﻰ‬
‫ﻋدة ﻣﻛوﻧﺎت‪.‬‬
‫ﻛﺎﺋﻧﺎت اﻟﺑﯾﺎﻧﺎت ‪ :Data Objects‬ﻛﻣﺎ اﺳﻠﻔﻧﺎ ﺗﺳﻣﻰ ﻛﺎﺋﻧﺎت اﻟﺑﯾﺎﻧﺎت اﯾﺿﺎ ﺑﺎﻟﻌﻧﺎﺻر ‪ ،term‬ﻫذﻩ اﻟﻌﻧﺎﺻر ﻛﻣﺎ ﯾوﺿﺢ اﻟﺷﻛل‬
‫اﻟﺳﺎﺑق ﺗﺗﻛون ﻛﺄﻣﺛﻠﺔ ﻣن‪:‬‬
‫اﻟﺛواﺑت ‪ : Constants‬ﻫﻲ رﻣوز ﻟﻘﯾم ﺛﺎﺑﺗﺔ ﻛﺎﻷﻋداد اﻟﺻﺣﯾﺣﺔ ‪ integers‬واﻟﺣﻘﯾﻘﯾﺔ ‪ floating point‬واﻟﺻﯾﻎ اﻟﺑﻧﺎﺋﯾﺔ‪.‬‬
‫اﻟﻣﺗﻐﯾرات ‪ : Variables‬ﻫﻲ رﻣوز ﻟﻘﯾم وﺣﯾدة ﻟﻛﻧﻬﺎ ﻏﯾر ﻣﺣددة ‪ ،unspecified‬وﯾﻛون رﻣز اﻟﻣﺗﻐﯾر ﺑﺣرف ﻛﺑﯾر‬
‫‪ uppercase letter‬وﺑﺣروف ﺗﺣﺗﻬﺎ ﺧط ‪.underscore‬‬
‫اﻟﻌﻧﺎﺻر اﻟﻣرﻛﺑﺔ ‪:Compound terms‬‬
‫ﻫﻲ ﺳﻠﺳﻠﺔ ﻣن ﻋﻧﺻر واﺣد أو أﻛﺛر ﻣﺷﻛﻠﺔ اﻟـداﻟﺔ ‪ ،functor‬وﺗﺳﻣﻰ اﻟﻌﻧﺎﺻر أﯾﺿﺎ ﺑـﺎﻟﻣﻌﺎﻣﻼت ‪.arguments‬‬
‫وﻧﻌرف اﻟـداﻟﺔ ‪ functor‬ﺑﻛوﻧﻬﺎ ﺗﻣﯾز ﺑﺎﺳم ﺧﺎص ﺑﻪ وﻋدد ﻣن اﻟﻣﻌﺎﻣﻼت‪ ،‬وﯾﻌﺗﺑر اﻻﺳم ﺻﯾﻐﺔ ﺑﻧﺎﺋﯾﺔ ‪ ،atom‬وﻋدد اﻟﻌﻧﺎﺻر‬
‫ﻓﯾﻬﺎ ﺗﺳﻣﻰ ﺑﺎﻟـ ‪ ، arity‬ﻛﺎﻟﺗﺎﻟﻲ‪:‬‬
‫) ‪ƒ/n = ƒ( t1, t2, . . . tn‬‬
‫ﺣﯾث ‪ ƒ‬اﺳم اﻟـداﻟﺔ ‪ functor‬اﻟﻣﻛون ﻣن ﻋدد ‪ n‬ﻣﻌﺎﻣﻼت ‪ ،arity‬و ‪ ti 's‬ﻫﻲ ﺗﻠك اﻟﻣﻌﺎﻣﻼت‪ ،‬ﻓﺎﻟرﻣز ‪ ƒ/n‬ﯾﻘﺻد ﺑﻪ داﻟﺔ ﺑﻬﺎ‬
‫‪ n‬ارﯾﺗﻲ‪ٕ ،‬واذا ﻛﺎﻧت اﺛﻧﺗﺎن ﻣن اﻟدوال ‪ functors‬ﻟﻬﺎ ﻧﻔس اﻻﺳم وﻋدد ﻣﻌﺎﻣﻼت ﻣﺧﺗﻠف ﻓﻬﻣﺎ داﻟﺗﺎن ﻣﺧﺗﻠﻔﺗﺎن‪.‬‬
‫ﻋﻧﺎﺻر اﻟـ ‪ Ground‬واﻟـ ‪non-ground‬‬
‫ﻋﻧﺎﺻر اﻟـ ‪ Ground‬ﻫﻲ ﻋﻧﺎﺻر ﻻ ﺗﺣﺗوي ﻋﻠﻰ ﻣﺗﻐﯾرات‪ٕ ،‬واﻧﻣﺎ ﺛواﺑت ﻓﻘط‪ ،‬وﻣﺎ ﻋداﻫﺎ ﺗﻌد ﻋﻧﺎﺻر اﻟـ ‪،non-ground‬‬
‫وﻋﺎدة ﺗﻛون ﻫﻲ اﻟدوال اﻟﻣﻘﺻودة ﺳواء ﻛﺎﻧت ﻋﻧﺎﺻر ﻣرﻛﺑﺔ‪.‬‬
‫ﻛﺎﺋﻧﺎت اﻟﺑﯾﺎﻧﺎت اﻟﺑﺳﯾطﺔ ‪Simple Data Objects‬‬
‫اﻟﺻﯾﻎ اﻟﺑﻧﺎﺋﯾﺔ ‪ Atoms‬واﻷﻋداد ‪ Numbers‬واﻟﻣﺗﻐﯾرات ‪.Variables‬‬
‫اﻟﺻﯾﻎ اﻟﺑﻧﺎﺋﯾﺔ ‪:Atoms‬‬
‫___________‬
‫‪99 - ٩٠‬‬
‫‪ -‬ﺗﻛﺗب ﺑﺣروف ﻻﺗﯾﻧﯾﺔ ﺻﻐﯾرة ‪ ،lower-case‬ﻗد ﺗﺗﺑﻊ ﺑﺣروف أﺧرى ﻣن اﻟﺣﺎﻟﺔ اﻟﻛﺑﯾرة أو أرﻗﺎم أو اﺳﺗﺧدام رﻣز اﻟـ‬
‫‪ ،underscore‬ﻣﺛﻼ‪:‬‬
‫‪a greaterThan two_B_or_not_2_b‬‬
‫‪ -‬وﺗﺳﺗﺧدم ﻟﻬﺎ ﺳﻼﺳل ﻣن اﻟرﻣوز اﻟﺧﺎﺻﺔ ﻣﺛل & ‪+ - * / \ = ^ < > : ~ # $‬‬
‫‪ -‬وﻛذﻟك ﺳﻠﺳﻠﺔ ﻣن أي رﻣوز ﻣﻐﻠﻔﺔ ﺿﻣن اﻟﺗﻧﺻﯾص‪ ،‬ﻣﺛل‪'ABC' '1234' 'a<>b' :‬‬
‫‪ -‬وﻛذﻟك ﻣن اﻟﺻﯾﻎ اﻟﺑﻧﺎﺋﯾﺔ اﻟرﻣوز اﻟﺗﺎﻟﯾﺔ‪.! [] {} :‬‬
‫اﻷﻋداد ‪:Numbers‬‬
‫اﻟﺗطﺑﯾﻘﺎت اﻟﺗﻲ ﺗﺷﻣل ﻋﻠﻰ ﺣﺳﺎﺑﺎت ﻋددﯾﺔ ﺛﻘﯾﻠﺔ ﺗﻛﺗب ﻧﺎدرا ﻓﻲ اﻟﺑروﻟوج ‪ ،Prolog‬وﺗﻣﺛل اﻷﻋداد اﻟﺻﺣﯾﺣﺔ ﺑﺎﻟﺷﻛل‬
‫اﻟﻣﻌروف‪:‬‬
‫‪0 -16 33 +100‬‬
‫وﺗﻛﺗب اﻷﻋداد اﻟﺣﻘﯾﻘﯾﺔ ﺑﺎﻟطرﯾﻘﺔ اﻟﻣﻌﯾﺎرﯾﺔ اﻟﻣﺄﻟوﻓﺔ أو ﺑﺎﻟطرﯾﻘﺔ اﻟﻌﻠﻣﯾﺔ ﻟﻠﺗرﻣﯾز‪:‬‬
‫‪0.5 -3.1416 6.23e+23 11.0e-3 -2.6e-2‬‬
‫اﻟﻣﺗﻐﯾرات ‪Variables‬‬
‫ﯾﺑدأ اﺳﻣﻬﺎ ﺑﺄﺣرف ﻻﺗﯾﻧﯾﺔ ﻛﺑﯾرة ‪ ،capital letter‬وﯾﻣﻛن أن ﯾﺗﺑﻊ ﺑﺄﺣرف ﺻﻐﯾرة‪ ،‬وارﻗﺎم أو رﻣز اﻟـ ‪ ،underscore‬ﻣﺛﺎل‬
‫‪Noun_Phrase , List ,‬‬ ‫اﻟﻣﺗﻐﯾرات اﻟﺛﻼﺛﺔ اﻟﺗﺎﻟﯾﺔ‪X25 :‬‬
‫ﻛﺎﺋﻧﺎت اﻟﺑﯾﺎﻧﺎت اﻟﻣرﻛﺑﺔ ‪:Structured Data Objects‬‬
‫ﻫﻲ ﻧوﻋﯾن ﺗرﻛﯾب ﻋﺎم ‪ ،General Structures‬وﺗرﻛﯾب ﺧﺎص ‪.Special Structures‬‬
‫اﻟﺗرﻛﯾب اﻟﻌﺎم ‪ :General Structures‬ﻫو ﻋﻧﺻر ﻣرﻛب وﯾﺷﻛل ﻧﺣوﯾﺎ ﻋن طرﯾق اﻟدوال ‪ functor‬واﻟﻣﻌﺎﻣﻼت‬
‫‪ ،arguments‬وﺗﻌﺎﻣل اﻟداﻟﺔ ‪ functor‬ﻛﺻﯾﻐﺔ ﺑﻧﺎﺋﯾﺔ ‪ ،atom‬وﺗظﻬر ﻗﺎﺋﻣﺔ اﻟﻣﻌﺎﻣﻼت ﺿﻣن أﻗواس‪ ،‬وﯾﻔﺻل ﺑﯾﻧﻬﺎ ﺑﻔﺎﺻﻠﺔ‪،‬‬
‫وﯾﻌﺗﺑر ﻛل ﻣﻌﺎﻣل ﻋﻧﺻرا‪ ،‬وﻛذﻟك أي ﻛﺎﺋن ﺑﯾﺎﻧﺎت ﻓﻲ اﻟﺑروﻟوج‪.‬‬
‫وﻣن أﻣﺛﻠﺔ اﻟﺗرﻛﯾب اﻟﻌﺎم‪ greaterThan(9, 6) :‬و )‪ plus(2, 3, 5‬و ))‪.f(a, g(b, c), h(d‬‬
‫ﻣﻼﺣظﺔ‪ :‬اﻟﺗرﻛﯾب ﻓﻲ اﻟﺑروﻟوج ﻫو آﻟﯾﺔ ﻟﺟﻣﻊ اﻟﻌﻧﺎﺻر ﻣﻊ ﺑﻌﺿﻬﺎ‪ ،‬ﻛﺎﻷﻋداد اﻟﺻﺣﯾﺣﺔ ﻋﻧدﻣﺎ ﺗﺿﻣن ﻓﻲ داﻟﺔ ‪.functor‬‬
‫اﻟﺗرﻛﯾﺑﺎت اﻟﺧﺎﺻﺔ ‪Special Structures‬‬
‫ﻓﻲ اﻟﺑروﻟوج ‪ Prolog‬ﺗﺳﻣﻰ ﻣﺟﻣوﻋﺔ اﻟﻌﻧﺎﺻر ﻗﺎﺋﻣﺔ ‪ ،list‬ﻓﺎﻟﻘواﺋم ‪ Lists‬ﻫﻲ ﻋﻧﺎﺻر ﻣرﻛﺑﺔ وﯾﻘدم اﻟﺑروﻟوج ﻟﻧﺎ طرﯾﻘﺔ ﺗرﻣﯾز‬
‫ﻣﻼﺋﻣﺔ ﻟﺗﻣﺛﯾل ﻫذﻩ اﻟﻘواﺋم‪ ،‬وﯾرﻣز ﻟﻠﻘﺎﺋﻣﺔ اﻟﻔﺎرﻏﺔ ﺑﺎﻟﺻﯾﻐﺔ اﻟﺑﻧﺎﺋﯾﺔ ] [‪ ،‬واﻟﻘﺎﺋﻣﺔ ﻏﯾر اﻟﻔﺎرﻏﺔ ﺗﺣﻣل اﻟﻘﯾم ﺑﯾن ﻗوﺳﯾن ﻣرﺑﻌﯾن‬
‫ﯾﻔﺻل ﻛل ﻋﻧﺻر ﺑﻔﺎﺻﻠﺔ‪ ،‬ﻣﺛﺎل ذﻟك‪. [bach, bee] [apples, oranges, grapes]:‬‬
‫)‪ (B‬ﻣﻛوﻧﺎت اﻟﺑرﻧﺎﻣﺞ ‪program components‬‬
‫ﺑرﻧﺎﻣﺞ اﻟﺑروﻟوج ﻫو ﻣﺟﻣوﻋﺔ ﻣن اﻟﻣﺳﻧدات ‪ predicates‬أو اﻟﻘواﻧﯾن ‪ ،rules‬وﯾﺳﺗﺧدم اﻟﻣﺳﻧد ﻟﻠﻌﻼﻗﺔ ﺑﯾن اﻟﻛﺎﺋﻧﺎت‪ ،‬وﻓﯾﻣﺎ‬
‫ﯾﺧص ﻣﻛوﻧﺎت اﻟﺑرﻧﺎﻣﺞ ﻧﻘدم اﻟﺗﺎﻟﻲ‪:‬‬
‫‪ ١‬اﻟﻌﺑﺎرة ‪ Clause‬اﻟﻣﺳﻧد ‪ Predicate‬اﻟﺟﻣﻠﺔ ‪ Sentence‬اﻟﻣوﺿوع ‪Subject‬‬
‫‪ ٢‬اﻟﻌﺑﺎرة واﻟﻣﺳﻧدات ‪Predicates & Clause‬‬
‫‪ ٣‬ﺣﺎﻟﺔ ﺧﺎﺻﺔ‪ :‬اﻟﻌﺑﺎرة اﻟواﺣدة ‪Unit Clause‬‬
‫‪ ٤‬اﻻﺳﺗﻔﺳﺎرات ‪Queries‬‬
‫___________‬
‫‪99 - ٩١‬‬
‫اﻟﻌﺑﺎرة ‪ Clause‬اﻟﻣﺳﻧد ‪ Predicate‬اﻟﺟﻣﻠﺔ ‪ Sentence‬اﻟﻣوﺿوع ‪Subject‬‬

‫اﻟﻌﺑﺎرة ‪ : Clause‬ﻫﻲ ﻣﺟﻣوﻋﺔ ﻣن اﻟﻛﻠﻣﺎت اﻟﻣﺗراﺑطﺔ ﻗواﻋدﯾﺎ‪ ،‬أي ﺣﺳب ﻗواﻋد اﻟﺗرﻛﯾب ‪grammatically-related‬‬
‫‪ ،words‬وﯾﺗﻛون اﻟﻣﺳﻧد ‪ Predicate‬ﻣن ﻋﺑﺎرة أو أﻛﺛر‪ ،‬وﻛذﻟك ﺗﻌد اﻟﻌﺑﺎرات وﺣدات ﺑﻧﺎء اﻟﺟﻣﻠﺔ ‪ ،Sentence‬ﻓﺗﺷﻣل ﻛل‬
‫ﺟﻣﻠﺔ ﻋﺑﺎرة أو أﻛﺛر‪ ،‬وﺗﺗﻛون اﻟﺟﻣﻠﺔ اﻟﻛﺎﻣﻠﺔ ﻣن ﻣﻛوﻧﯾن ﻫﻣﺎ اﻟﻣوﺿوع ‪ Subject‬واﻟﻣﺳﻧد‪ ،‬واﻟﻣوﺿوع ﯾﻘﺻد ﺑﻪ ﻣﺎذا أو ﻣن‬
‫ﺗﺗﺣدث ﻋﻧﻪ اﻟﺟﻣﻠﺔ‪ ،‬ﻓﺎﻟﻣﺳﻧد ﯾﻘدم إﺧﺑﺎرا ﻋن ﻣوﺿوع ﻣﺣدد‪.‬‬
‫ﻣﺛﺎل‪ :‬ﻋﻧدﻣﺎ ﻧﻛﺗب "‪"cows eat grass‬‬

‫ﻫذﻩ ﻋﺑﺎرة‪ ،‬ﻓﻬﻲ ﺗﺗﻛون ﻣن اﻟﻣوﺿوع وﻫو‪ ،cows :‬واﻟﻣﺳﻧد ﻫو "‪"eat grass‬‬
‫ﻣﺛﺎل آﺧر‪ :‬اﻟﻌﺑﺎرة "‪"cows eating grass are visible from highway‬‬
‫ﻫذﻩ ﻋﺑﺎرة ﺗﺎﻣﺔ‪ ،‬ﻣﻛوﻧﺔ ﻣن اﻟﻣوﺿوع "‪ ،"cows eating grass‬وﻣن اﻟﻣﺳﻧد "‪ ،"are visible from the highway‬وﻫذا ﻣﺎ‬
‫ﯾﺷﻛل ﻟﻧﺎ ﻓﻛرة ﺗﺎﻣﺔ‪.‬‬
‫اﻟﻌﺑﺎرة واﻟﻣﺳﻧدات ‪Predicates & Clause‬‬
‫ﻗواﻋدﯾﺎ ﯾﺗﻛون اﻟﻣﺳﻧد ﻣن ﻋﺑﺎرة أو أﻛﺛر‪ ،‬ﻓﺎﻟﺷﻛل اﻟﻌﺎم ﻟﻠﻌﺑﺎرة ﻫو‪:‬‬
‫>‪<left-hand-side> :- <right-hand-side‬‬
‫"‪ ،"goal‬واﻟﺟﺎﻧب إﻟﻰ‬ ‫ﺣﯾث أن اﻟﺟﺎﻧب إﻟﻰ اﻟﯾﺳﺎر ‪ left-hand-side‬أو ‪ LHS‬ﻫﻲ ﻫدف وﺣﯾد ﯾﺳﻣﻰ ﺑﺎﻟﻬدف‬
‫اﻟﯾﻣﯾن‪ ، right-hand-side‬أو اﺧﺗﺻﺎر ‪ ،RHS‬ﺗﺗﻛون ﻣن ﻫدف أو أﻛﺛر ﻣن ﻫدف ﯾﻔﺻل ﺑﯾﻧﻬﺎ ﺑﻔﺎﺻﻠﺔ‪ ،‬وﯾﺳﻣﻰ ﻫدف‬
‫ﻓرﻋﻲ "‪ "sub-goals‬ﻟﻠﻬدف ﻓﻲ اﻟﺟﺎﻧب اﻟﻰ اﻟﯾﺳﺎر‪ ،‬واﻟرﻣز ‪ :-‬وﯾﻠﻔظ "إذا ﻛﺎن" أو "ﯾﻌﻧﻲ أن"‪ ،‬واﻟﺷﻛل اﻟﺗﺎﻟﻲ ﯾوﺿﺢ ﺗرﻛﯾب‬
‫اﻟﻌﺑﺎرة ﻓﻲ اﻟﺑرﻣﺟﺔ اﻟﻣﻧطﻘﯾﺔ‪:‬‬
‫ﯾﻘﺻد ﺑﺎل ‪ Literals‬ﻓﻲ اﻟﺷﻛل اﻟﺳﺎﺑق‪ ،‬ﺗﻣﺛﯾل اﻟﺧﯾﺎرات اﻟﻣﻣﻛﻧﺔ ﻓﻲ اﻻﻧواع اﻷﺻﻠﯾﺔ ﻟﻠﻐﺔ ﺑرﻣﺟﺔ ﻣﺣددة‪ ،‬ﺑﻌض أﻧواع‬
‫اﻟﺧﯾﺎرات ﻣﻧﻬﺎ ﺗﻛون إﻋداد ﺻﺣﯾﺣﺔ‪ ،‬أو ﺣﻘﯾﻘﯾﺔ‪ ،‬أو ﻣﻧطﻘﯾﺔ )ﺑوﻟﯾﺎﻧﯾﺔ( أو ﺳﻼﺳل ﺣرﻓﯾﺔ‪.‬‬
‫ﻣﺛﺎل‪ :‬اﻟﻌﺑﺎرة اﻟﺗﺎﻣﺔ اﻟﺗﺎﻟﯾﺔ‬
‫‪grand_parent (X, Z) :- parent(X, Y), parent(Y, Z).‬‬
‫‪parent (X, Y) :- mother(X, Y).‬‬
‫‪parent (X, Y) :- father(X, Y).‬‬
‫ﺗﻔﺳﯾر وﺗوﺿﯾﺢ اﻟﻣﺛﺎل ‪Interpretation‬‬
‫اﻟﻌﺑﺎرة اﻟﺳﺎﺑﻘﺔ ﺗﺣدد ﻗﯾﻣﺔ ﺻواب اﻟﺷرط ﻓﻲ اﻟﻬدف ﻋﻠﻰ ﯾﺳﺎر اﻟﻌﺑﺎرة ‪ ، LHS‬وﻻ ﺗﻛون ﻗﯾﻣﺔ ﺻواب اﻟﻬدف ﻓﻲ ‪LHS‬‬
‫"ﺻﺎﺋب" ‪ ،‬إﻻ ﻓﻲ ﺣﺎﻟﺔ ﻛﺎﻧت ﻗﯾﻣﺔ ﺻواب أي ﻣن اﻷﻫداف اﻟﻔرﻋﯾﺔ ﻋﻠﻰ ﯾﻣﯾن اﻟﻌﺑﺎرة ‪ RHS‬ﻛﻠﻬﺎ "ﺻﺎﺋب"‪ .‬وﯾﻛون اﻟﻣﺳﻧد‬
‫ﺻﺎﺋﺑﺎ إذا ﻛﺎﻧت واﺣدة ﻣن ﻋﺑﺎراﺗﻪ ﻋﻠﻰ اﻷﻗل ﺻﺎﺋﺑﺔ‪.‬‬
‫ﺑﺎﻟﻧﺳﺑﺔ ﻟﻠﻣﺛﺎل اﻟﺳﺎﺑق‪ ،‬ﯾﻛون اﻟﻛﺎﺋن أو اﻟﻌﻧﺻر ‪ X‬ﺟدا ﻟﻠﻌﻧﺻر ‪ Z‬إذا ﻛﺎن واﻟد ‪ X‬وﻫو ‪ ، Y‬واﻟدا ﻟـ ‪.Z‬‬
‫___________‬
‫‪99 - ٩٢‬‬
‫)‪(X is parent of Y‬‬ ‫)‪(Y is parent of Z‬‬

‫‪X ------------- Y -------------- Z‬‬
‫‪-----------------------------------‬‬
‫)‪(X is grand parent of Z‬‬
‫وﻟﺗﻔﺳﯾر اﻟداﻟﺔ ‪ parent‬اﻟﺗﻲ ﺗﻌﻧﻲ واﻟدا‪ ،‬أي إﻣﺎ أم ‪ mother‬أو أب ‪ ، father‬اﻟﺷﻛل اﻟﺗﺎﻟﻲ ﯾوﺿﺢ اﻟﻣﻌﻧﻰ اﻷول‪:‬أم‪.‬‬
‫)‪(X is parent of Y‬‬
‫‪X ------------- Y‬‬
‫‪--------------------‬‬
‫)‪(X is mother of Y‬‬
‫وﻓﯾﻣﺎ ﯾﻠﻲ ﺗﻔﺳﯾر اﻟداﻟﺔ واﻟد ﺑﺎﻟﻧﺳﺑﺔ ﻟﻠﻣﻌﻧﻰ اﻟﺛﺎﻧﻲ‪ :‬أب‪.‬‬
‫)‪(X is parent of Y‬‬
‫‪X ------------- Y‬‬
‫‪--------------------‬‬
‫)‪(X is father of Y‬‬
‫اﻟﻌﺑﺎرة اﻟواﺣدة ‪ - Unit Clause‬ﺣﺎﻟﺔ ﺧﺎﺻﺔ ‪special Case‬‬
‫ﻫﻲ ﻋﺑﺎرة ﺗﺧﺗﻠف ﻋن ﻋﺑﺎرات اﻟﻣﺛﺎل اﻟﺳﺎﺑق ﻟﺷرط اﻟﺻواب‪ ،‬ﻋﻧدﻣﺎ ﺗواﺟﻬﻧﺎ ﻋﻼﻗﺎت ﻏﯾر ﺷرطﯾﺔ ﻧﺣﺗﺎج ﻟﻠﺗﻌﺑﯾر ﻋﻧﻬﺎ‪ .‬ﻓﻲ‬
‫اﻟﺑروﻟوج ﺗﺳﻣﻰ اﻟﻌﺑﺎرات اﻟﺻﺎﺋﺑﺔ ﻏﯾر اﻟﺷرطﯾﺔ ﺑﺎﻟﻌﺑﺎرة اﻟواﺣدة او اﻟﺣﻘﯾﻘﯾﺔ ‪.fact‬‬
‫ﻣﺛﺎل ﻋﻠﻰ اﻟﻌﻼﻗﺎت ﻏﯾر اﻟﺷرطﯾﺔ‪:‬‬
‫اﻟﻌﺑﺎرة اﻟﻣﺑﺎﺷرة '‪ ،'X' is the father of 'Y‬ﻫﻲ ﻋﺑﺎرة ﺻﺎﺋﺑﺔ ﺑدون ﺷرط‪ ،‬وﺗﻣﺛل ﻓﻲ اﻟﺑروﻟوج ﺑﺎﻟﺻﯾﻐﺔ‪:‬‬
‫‪father(X, Y) :- true.‬‬
‫وﺗﻔﺳر ﺑﺄن اﻟﻌﻼﻗﺔ ﺑﯾن ‪ X‬و ‪ Y‬ﻫﻲ داﺋﻣﺎ ﺻﺎﺋﺑﺔ‪ ،‬أو ﺑﺑﺳﺎطﺔ ﺗﻔﺳر اﻟﻌﻼﻗﺔ ﺑﺄن ‪ X‬ﻫو أب ﻟـ ‪ ،Y‬وﯾﻛون ﺻواب اﻟﻬدف ‪Goal‬‬
‫‪ True‬داﺧﻠﯾﺎ أو ﻣدﻣﺟﺎ ﻓﻲ اﻟﺑروﻟوج وﯾﺗﺣﻘق داﺋﻣﺎ‪ ،‬واﻟﺑروﻟوج ﯾﻘدم ﺻﯾﺎﻏﺔ اﺑﺳط ﻟﻠﺗﻌﺑﯾر ﻋن ﻋﺑﺎرة اﻟوﺣدة أو اﻟﺣﻘﯾﻘﺔ‪:‬‬
‫‪father(X, Y).‬‬
‫ﺣﯾث ﺗﻛون ﺑﺎﻗﻲ اﻟﻌﺑﺎرة " ‪ " :- true‬ﺟزء ﻗﺎﺑﻼ ﻟﻠﺣذف ﺑﻛل ﺑﺳﺎطﺔ‪.‬‬
‫اﻻﺳﺗﻔﺳﺎرات ‪Queries‬‬
‫اﻻﺳﺗﻔﺳﺎرات ﻓﻲ ﻟﻐﺔ اﻟﺑروﻟوج ﻫﻲ ﻋﺑﺎرات أو ﺟﻣل ﺗﺳﻣﻰ ﺗوﺟﯾﻬﺎ ‪ ،directive‬واﻟﺣﺎﻟﺔ اﻟﺧﺎﺻﺔ ﻣن اﻟﺗوﺟﯾﻬﺎت ﺗﺳﻣﻰ اﺳﺗﻔﺳﺎرا‪.‬‬
‫وﻣن اﻟﻧﺎﺣﯾﺔ اﻟﻘواﻋدﯾﺔ ﺗﻌﺗﺑر اﻟﺗوﺟﯾﻬﺎت ﻋﺑﺎرات ‪ ،clauses‬ﻟﻛن ﯾﻛون اﻟﺟزء ﯾﺳﺎر اﻟﻌﺑﺎرة ‪ LHS‬ﻓﺎرﻏﺎ ﻓﻲ ﻫذﻩ اﻟﻌﺑﺎرات‪.‬‬
‫‪? - grandparent(Q, Z).‬‬
‫ﻫذا اﻻﺳﺗﻌﻼم ﯾﻔﺳر ﻛﺄﻧﻧﺎ ﻛﺗﺑﻧﺎ اﻟﻌﺑﺎرة‪:‬‬
‫? ‪Who is a grandparent of Z‬‬
‫___________‬
‫‪99 - ٩٣‬‬
‫ﺑﺈﺻدار اﻻﺳﺗﻔﺳﺎرات ﻋن ‪ ،Q‬ﯾﺣﺎول اﻟﺑروﻟوج أن ﯾؤﺳس ﺻﻼﺣﯾﺔ اﻟﻌﻼﻗﺎت اﻟﻣﺣددة‪ ،‬ﺑﺎﻟﻧﺳﺑﺔ ﻟﻠﻣﺛﺎل اﻟﺳﺎﺑق ﺗﻛون اﻹﺟﺎﺑﺔ‪،‬‬
‫ﻣﺛﻼ‪:‬‬
‫)‪(X is grand parent of Z‬‬
‫ﻧﺗﯾﺟﺔ ﺗﻧﻔﯾذ اﻻﺳﺗﻔﺳﺎر إﻣﺎ أن اﻟﻧﺟﺎح ‪ Success‬أو اﻟﻔﺷل ‪ ،failure‬اﻟﻧﺟﺎح ﯾﻌﻧﻲ أن اﻟﻬدف اﻟﻣﺣدد ﻓﻲ اﻻﺳﺗﻔﺳﺎر‪ ،‬ﯾﺗواﻓق‬
‫ﻣﻊ اﻟﺣﻘﺎﺋق واﻟﻘﺎﻧون ﻓﻲ اﻟﺑرﻧﺎﻣﺞ‪ ،‬واﻟﻔﺷل ﯾﻌﻧﻲ أن اﻷﻫداف اﻟﻣﺣددة ﻓﻲ اﻻﺳﺗﻔﺳﺎر‪ ،‬ﻻ ﺗﺗﻔق ﻣﻊ ﺗﻠك اﻟﺣﻘﺎﺋق واﻟﻘواﻧﯾن ﻓﻲ‬
‫اﻟﺑرﻧﺎﻣﺞ‪.‬‬
‫اﻟﻧﻣﺎذج اﻟﺑرﻣﺟﯾﺔ ‪Programming Paradigms‬‬
‫أو ﻧﻣﺎذج اﻟﺣﺳﺎب ‪ ،Models of Computation‬ﻫو وﺻف ﺗﺎم ﻟﻠﻐﺔ اﻟﺑرﻣﺟﺔ ﯾﺷﻣل اﻟﻧﻣوذج اﻻﺣﺗﺳﺎﺑﻲ‪ ،‬واﻟﻘواﻋد اﻟﻧﺣوﯾﺔ‬
‫واﻟدﻻﻟﯾﺔ‪ ،‬واﻋﺗﺑﺎرات اﻟﺗطﺑﯾق اﻟﺗﻲ ﺗﺣدد ﺷﻛل اﻟﻠﻐﺔ‪.‬‬
‫اﻟﻧﻣﺎذج اﻟﺣﺎﺳﺑﯾﺔ ‪Models of Computation‬‬

‫أو اﻟﻧﻣوذج أﻻﺣﺗﺳﺎﺑﻲ‪ ،‬ﻫو ﻣﺟﻣوﻋﺔ ﻣن اﻟﻘﯾم واﻟﻌﻣﻠﯾﺎت‪ ،‬طﺎﻟﻣﺎ اﻟﺣﺳﺎب ‪ computation‬ﻫو ﺗطﺑﯾق ﻟﺳﻠﺳﻠﺔ ﻣن اﻟﻌﻣﻠﯾﺎت‬
‫ﻋﻠﻰ ﻗﯾﻣﺔ ‪ value‬ﻟﻠﺣﺻول ﻋﻠﻰ ﻗﯾﻣﺔ أﺧرى‪ ،‬وﻫﻧﺎك ﺛﻼﺛﺔ ﻧﻣﺎذج اﺣﺗﺳﺎﺑﯾﺔ أﺳﺎﺳﯾﺔ‪:‬‬
‫)‪ (a‬اﻟﻧﻣوذج اﻷﻣري واﻷﺳﺎﺳﻲ‪ (b) ، Imperative‬اﻟﻧﻣوذج اﻟوظﯾﻔﻲ ‪ (c) ، Functional‬اﻟﻧﻣوذج اﻟﻣﻧطﻘﻲ ‪.. Logic‬‬
‫ٕواﺿﺎﻓﺔ إﻟﻰ ذﻟك‪ ،‬ﯾوﺟد ﻫﻧﺎك ﻧﻣوذﺟﯾن ﺑرﻣﺟﯾﯾن ﻣﻬﻣﯾن‪:‬‬
‫)‪ (a‬اﻟﻧﻣوذج اﻟﺗزاﻣﻧﻲ ‪ concurrent (b) ،‬ﻧﻣوذج اﻟﺑرﻣﺟﺔ اﻟﻛﺎﺋﻧﯾﺔ ‪.. object-oriented programming‬‬
‫وﻫﺎذﯾن ﻟﯾﺳﺎ ﻧﻣوذﺟﯾن ﻟﻠﺣوﺳﺑﺔ‪ ،‬ﻟﻛﻧﻬﻣﺎ ﻓﻲ ﻣﺳﺗوى أﻫﻣﯾﺔ اﻟﻧﻣﺎذج اﻟﺣﺳﺎﺑﯾﺔ‪.‬‬
‫اﻟﻧﻣوذج اﻷﻣري أو اﻷﺳﺎﺳﻲ ‪Imperative Model‬‬
‫اﻟﻧﻣوذج اﻷﺳﺎﺳﻲ ﯾﺗﻛون ﻣن ﺣﺎﻟﺔ ‪ state‬وﻣن ﻋﻣﻠﯾﺔ ‪ operation‬ﻣﻧﺎظرة ﺗﺳﺗﺧدم ﻟﺗﻌدﯾل ﺗﻠك اﻟﺣﺎﻟﺔ‪ ،‬ﺣﯾث ﺗﺗﻛون ﺑراﻣﺞ‬
‫اﻟﻧﻣوذج ﻣن ﺳﻠﺳﻠﺔ ﻣن اﻷواﻣر‪ ،‬واﻟﺣوﺳﺑﺔ ﻛﻣﺎ ﻧﻌﻠم ﻫﻲ ﺗﻐﯾر ﻓﻲ ﻋدد ﻣن اﻟﺣﺎﻻت‪.‬‬
‫ﻣﺛﺎل ذﻟك اﻟداﻟﺔ اﻟﺧطﯾﺔ ‪ ، Linear function‬ﻓﺎﻟداﻟﺔ اﻟﺧطﯾﺔ ‪ ،y = 2 x + 3‬ﺳﻧﻛﺗﺑﻬﺎ ﺑﺎﻟﺷﻛل‪.Y := 2 * X + 3 :‬‬
‫و ﯾﺗطﻠب اﻟﺗﻧﻔﯾذ ﺗﺣدﯾد ﻗﯾﻣﺔ ‪ x‬ﻓﻲ اﻟﺣﺎﻟﺔ اﻟﻣﺣددة‪ ،‬وﻣن ﺛم إﻧﺷﺎء اﻟﺣﺎﻟﺔ اﻟﺟدﯾدة اﻟﺗﻲ ﺗﺧﺗﻠف ﻋن اﻟﺣﺎﻟﺔ اﻟﻘدﯾﻣﺔ‪ ،‬ﻣﺛﻼ ﺑﺎﻟﻧﺳﺑﺔ‬
‫ﻟﻠﻣﻌﺎدﻟﺔ اﻟﺧطﯾﺔ اﻟﺳﺎﺑﻘﺔ‪ ،‬ﺗﻛون اﻟﺣﺎﻟﺔ اﻟﺟدﯾدة ‪:‬‬
‫‪New State: X = 3, Y = 9‬‬
‫وﯾﻌد اﻟﻧﻣوذج اﻷﺳﺎﺳﻲ ﻧﻣوذج ﻗرﯾب إﻟﻰ ﻧﻣوذج اﻟﻌﺗﺎد اﻟﺻﻠب )اﻟﻬﺎردوﯾر ‪ (hardware‬اﻟذي ﯾﻧﻔذ اﻟﺑراﻣﺞ‪ ،‬واﻟذي ﯾﺟﻌل ﻣن‬
‫ﻧﻣوذﺟﺎ اﻛﺛر ﻛﻔﺎءة ﺑﺎﻟﻧظر إﻟﻰ وﻗت اﻟﺗﻧﻔﯾذ ‪.execution time‬‬
‫اﻟﻧﻣوذج اﻟوظﯾﻔﻲ ‪Functional model‬‬
‫ﯾﺗﻛون اﻟﻧﻣوذج اﻟوظﯾﻔﻲ ﻟﻠﺣوﺳﺑﺔ ﻣن ﻣﺟﻣوﻋﺔ ﻣن اﻟﻘﯾم واﻟدوال‪ ،‬وﻋﻣﻠﯾﺎت اﻟدوال‪ ،‬واﻟدوال ﻗد ﺗﺳﻣﻰ أو ﺗدﻣﺞ ﻣﻊ دوال أﺧرى‪،‬‬
‫وﯾﻣﻛﻧﻬﺎ أﺧذ دوال أﺧرى ﻛﻣدﺧﻼت أو ﻣﻌﺎﻣﻼت ﻓﯾﻬﺎ ٕواﻋﺎدة اﻟﻧﺗﺎﺋﺞ‪ .‬وﺗﻛون ﺗﻌرﯾﻔﺎت اﻟدوال ﺿﻣن اﻟﺑراﻣﺞ‪ ،‬ﻓﺎﻟﻌﻣﻠﯾﺔ اﻟﺣﺳﺎﺑﯾﺔ‬
‫أو اﻟﺣوﺳﺑﺔ ‪ Computations‬ﻫﻲ ﺗطﺑﯾق ﯾﻧﻔذ داﻟﺔ ﻋﻠﻲ ﻗﯾم ﻣﻣرﻩ ﻟﻬﺎ‪.‬‬
‫ﻣﺛﺎل اﻟداﻟﺔ اﻟﺧطﯾﺔ ‪ Linear function‬اﻟﺗﺎﻟﯾﺔ‪ ،y = 2x + 3 :‬ﯾﻣﻛن أن ﺗﻌرف ﻛداﻟﺔ ﺑﺎﻟﺷﻛل‪.f (x) = 2 * x + 3 :‬‬
‫ﻣﺛﺎل ﺗﺣدﯾد ﻗﯾﻣﺔ اﻟﻣﺣﯾط ‪ ،Circumference‬ﻫﻲ ﻋﻼﻗﺔ ﻗﯾﻣﺔ ﺛﺎﺑﺗﺔ ﺑﻧﺻف اﻟﻘطر‪ ،‬وﺑﻬﺎ ﯾﺗﺣدد ﻣﺣﯾط اﻟداﺋرة‪:‬‬
‫___________‬
‫‪99 - ٩٤‬‬
‫‪Circumference = 2 × pi × radius , where pi = 3.14‬‬

‫وﻟﺗﻌﻣﯾم اﻟﻣﺣﯾط ﺑﺎﻟﻣﺗﻐﯾر ﻧﺻف اﻟﻘطر اﻟذي ﯾﺧﺗﻠف ﻣن داﺋرة إﻟﻰ أﺧرى‪:‬‬
‫‪Circumference(radius) = 2 × pi × radius , where pi = 3.14‬‬
‫ﻟﻘد ﺗطورت اﻟﻧﻣﺎذج اﻟوظﯾﻔﯾﺔ ﻋﺑر ﺳﻧوات ﻋدة‪ ،‬وﺗﺷﻛﻠت ﻣﻌﻬﺎ اﻟطرق واﻻﺻطﻼﺣﺎت ﻛﻘﺎﻋدة ﯾﺗم ﺑﻬﺎ ﻧﻣذﺟﺔ ﺣل اﻟﻣﺳﺎﺋل‪.‬‬
‫اﻟﻧﻣوذج اﻟﻣﻧطﻘﻲ ‪Logic Model‬‬
‫اﻟﻧﻣوذج اﻟﻣﻧطﻘﻲ اﻟﺣﺳﺎﺑﻲ ﯾﻌﺗﻣد ﻋﻠﻰ اﻟﻌﻼﻗﺎت واﻻﺳﺗدﻻل اﻟﻣﻧطﻘﻲ‪ ،‬إذ ﺗﺣﺗوي اﻟﺑراﻣﺞ ﻋﻠﻰ اﻟﻌﻼﻗﺎت‪ ،‬وﺗﻘوم اﻟﺣوﺳﺑﺔ‬
‫ﺑﺎﻻﺳﺗدﻻل واﻹﺛﺑﺎت‪.‬‬
‫ﻣﺛﺎل ﻣن اﻟدوال اﻟﺧطﯾﺔ‪:‬‬
‫اﻟداﻟﺔ اﻟﺧطﯾﺔ ‪ y = 2x + 3‬ﯾﻣﻛن أن ﻧﻘوم ﺑﺗﻣﺛﯾﻠﻬﺎ ﺑﺎﻟﺷﻛل‪:‬‬
‫)‪f (X , Y‬‬ ‫‪if‬‬ ‫‪Y‬‬ ‫‪is‬‬ ‫‪2*X+3‬‬
‫ﻫﻧﺎ ﻗﺎﻣت اﻟداﻟﺔ ﺑﺗﻣﺛﯾل اﻟﻌﻼﻗﺔ ﺑﯾن ‪ x‬و ‪.y‬‬
‫ﻣﺛﺎل ﺗﺣدﯾد ﻗﯾﻣﺔ اﻟﻣﺣﯾط ‪:Circumference‬‬
‫ﺣﺳﺎب ﻣﺣﯾط اﻟداﺋرة ﯾﻣﺛل ﻓﻲ ﻫذا اﻟﻧﻣوذج ﺑﺎﻟﺻﯾﻐﺔ‪:‬‬
‫‪Circle (R , C) if Pi = 3.14 and C = 2 * pi * R‬‬
‫وﻫﻧﺎ ﻛﺎﻧت اﻟداﻟﺔ ﻋﻼﻗﺔ ﻧﺻف اﻟﻘطر ‪ R‬واﻟﻣﺣﯾط ‪.C‬‬
‫ﻣﺛﺎل ﺛﻣﺔ ﻣﺳﺄﻟﺔ ﻣﻧطﻘﯾﺔ ﺷﻬﯾرة ﻫﻲ‪ ،‬ﻣﺳﺄﻟﺔ ﺗﺣدﯾد ﻓﻧﺎء ﺳﻘراط ‪ Socrates‬وﺑﯾﻧﻠوب ‪:Penelope‬‬
‫اﻟﺑرﻧﺎﻣﺞ ﯾﻬدف إﻟﻰ اﻟﺣﻛم ﻋﻠﻰ ﺳﻘراط وﺑﯾﻧﻠوب‪ ،‬ﻓﺎﻟﺣﻘﯾﻘﺔ اﻟﻣﻌطﺎة ﻫﻲ ﻛون ﺳﻘراط وﺑﯾﻧﻠوب ﺑﺷرﯾﺎن‪ ،‬واﻟﻘﺎﻧون ﻫو أن ﻛل اﻟﺑﺷر ﻓﺎﻧون‪،‬‬
‫أي‪:‬‬
‫‪for all X, if X is human then X is mortal.‬‬
‫وﻟﻛﻲ ﻧﺣﻛم ﻋﻠﻰ ﻓﻧﺎء ﺳﻘراط وﺑﯾﻧﻠوب‪ ،‬ﻧﺿﻊ اﻻﻓﺗراض ﺑﻌدم وﺟود ﻓﺎﻧﯾن ﺑﺎﻟﺻﯾﻐﺔ‪:‬‬
‫)‪¬ mortal (Y‬‬
‫واﻟﺷﻛل اﻟﻣﻛﺎﻓﺊ ﻟﻠﺣﻘﺎﺋق واﻟﻘواﻧﯾن اﻟﺳﺎﺑﻘﺔ ﻫو‪:‬‬
‫)‪human (Socrates‬‬
‫)‪mortal (X) if human (X‬‬
‫وﻟﻠﺣﻛم ﻋﻠﻰ ﺳﻘراط وﺑﯾﻧﻠوب‪ ،‬ﻧﺳﺗﺧدم اﻟﻔرض اﻟﺳﺎﺑق )‪ ،¬ mortal (Y‬واﻟﻌﻣﻠﯾﺎت اﻟﺣﺳﺎﺑﯾﺔ ﻹﺛﺑﺎت ﻓﻧﺎء ﺳﻘراط ﻫﻲ‪:‬‬
‫)‪1. (a‬‬ ‫)‪human(Socrates‬‬ ‫‪Fact‬‬
‫‪2.‬‬ ‫)‪mortal(X) if human(X‬‬ ‫‪Rule‬‬
‫‪3‬‬ ‫)‪¬mortal(Y‬‬ ‫‪assumption‬‬
‫)‪4.(a‬‬ ‫‪X=Y‬‬
‫)‪4.(b‬‬ ‫)‪¬human(Y‬‬ ‫‪from 2 & 3 by unification and modus tollens‬‬
‫‪5.‬‬ ‫‪Y = Socrates‬‬ ‫‪from 1 and 4 by unification‬‬
‫‪6.‬‬ ‫‪Contradiction‬‬ ‫‪5, 4b, and 1‬‬
‫ﺗوﺿﯾﺢ‪:‬‬
‫اﻟﺳطر اﻻول ﯾﻣﺛل اﻟﻌﺑﺎرة ‪" :‬ﺳﻘراط رﺟل"‪.‬‬
‫___________‬
‫‪99 - ٩٥‬‬
‫اﻟﺳطر اﻟﺛﺎﻧﻲ ﯾﻣﺛل اﻟﻌﺑﺎرة‪ :‬ﻛل اﻟﺑﺷر ﻓﺎﻧون‪ ،‬ﻋن اﻟﻣﻘﺎﺑل اﻟرﯾﺎﺿﻲ ﻟﻛل ‪ ، x‬إذا ﻛﺎﻧت ‪ x‬رﺟل ﻓﺈن ‪ٍ x‬‬
‫ﻓﺎن‪.‬‬
‫اﻟﺳطر اﻟﺛﺎﻟث ﯾﺿﺎف إﻟﻰ ﻣﺟﻣوﻋﺔ ﻣﻌطﯾﺎت اﻟﺣﻛم ﻋﻠﻰ ﻓﻧﺎء ﺳﻘراط‪ ،‬ﻛﺎﻓﺗراض‪.‬‬
‫اﻟﺳطر اﻟراﺑﻊ )‪ a‬و ‪ (b‬ﻫو اﺳﺗﻧﺗﺎج ﻣن اﻟﺳطرﯾن اﻟﺛﺎﻧﻲ واﻟﺛﺎﻟث‪ ،‬وﺗم إﺛﺑﺎت ﺑﺎﺳﺗﺧدام ﻗﺎﻧون اﻻﺳﺗدﻻل ‪،modus tollens‬‬
‫اﻟذي ﯾﻧص ﻋﻠﻰ إﻧﻪ إذا ﻛﺎن اﻻﺳﺗﻧﺗﺎج ﻓﻲ اﻟﻘﺎﻧون ﺧﺎطﺋﺎ‪ ،‬ﻓﻛذﻟك ﯾﻛون اﻟﻔرض أو اﻟﺷرط ﺧﺎطﺋﺎ‪.‬‬
‫اﻟﻣﺗﻐﯾرﯾن ‪ X‬و ‪ Y‬ﯾﺗﺣدان ﻷن ﻟﻬﻣﺎ ﻧﻔس اﻟﻘﯾﻣﺔ‪ ،‬وﺑذﻟك ﻧﺟد أن اﻟﺳطر اﻟﺧﺎﻣس واﻟﺳطر اﻟراﺑﻊ )‪ (b‬ﻣﻊ اﻟﺳطر اﻻول ﺗﺷﻛل‬
‫ﺗﻧﺎﻗﺿﺎ ‪ ،contradictions‬ﻣﻊ ﺗﻌرﯾف ﺳﻘراط أﻧﻪ ﺑﺷري‪ ،‬وﻋﻠﻰ ذﻟك ﻓﺳﻘراط ٍ‬
‫ﻓﺎن‪.‬‬
‫ﻻﺣظ أن ﺗﻘرر ﻫﻧﺎ اﺳﺗﺧدام ﻗﺎﻧون اﻻﺳﺗدﻻل اﻟذي ﯾﺑﺣث ﻋن وﺟود اﻟﺗﻧﺎﻗض‪ ،‬ﻹﺛﺑﺎت ﺧطﺄ اﻟﻔرض وﺻواب ﻋﻛﺳﻪ‪ ،‬ﺑﺎﺳﺗﺧدام‬
‫اﻟﻣﻘﺎرﻧﺔ ﺑﯾن اﻟﻌﺑﺎرات ﻟﻣﻌرﻓﺔ ﺗﺷﺎﺑﻪ ﻋﻧﺎﺻرﻫﺎ‪.‬‬
‫إن ﻧﻣوذج اﻟﻣﻧطق ‪ Logic model‬ﯾﺻوغ ﻋﻣﻠﯾﺎت اﻟﺗﻔﺳﯾر اﻟﻣﺳﺗﺧدﻣﺔ‪ ،‬وﻫذا اﻟﻧﻣوذج ﯾﺳﺗﺧدم ﻓﻲ ﻗواﻋد اﻟﺑﯾﺎﻧﺎت اﻟﻌﻼﺋﻘﯾﺔ‬
‫‪ ،relational data bases‬واﻟﻧظم اﻟﺧﺑﯾرة ‪.expert systems‬‬
‫اﻟﺗﻔﺳﯾر اﻷﻣﺎﻣﻲ ﻣﻘﺎﺑل اﻟﺗﻔﺳﯾر اﻟﺧﻠﻔﻲ ‪Forward versus Backward Reasoning‬‬
‫ﺗﺗﻛون ﻣﻌﻣﺎرﯾﺔ اﻟﻧظﺎم اﻟﻣﻌﺗﻣد ﻋﻠﻰ اﻟﻘواﻧﯾن ﻣن ﻣﺟﻣوﻋﺔ ﻣن اﻟﻘواﻧﯾن‪ ،‬وﻣﺟﻣوﻋﺔ ﻣن اﻟﺣﻘﺎﺋق‪ ،‬وﻣﺣرك اﺳﺗدﻻل‪ ،‬ﻛﻣﺎ أوﺿﺣﻧﺎ‬
‫ذﻟك ﺳﺎﺑﻘﺎ‪ ،‬وﻧﺣﺗﺎج ﻓﻲ ﻫذﻩ اﻟﻧظم إﻟﻰ اﻛﺗﺷﺎف اﻟﺣﻘﺎﺋق اﻟﺟدﯾدة‪ ،‬اﻟﺗﻲ ﯾﻣﻛن اﺷﺗﻘﺎﻗﻬﺎ‪ ،‬وﺑوﺟود ﻣﺟﻣوﻋﺔ ﻣن اﻟﻘواﻧﯾن اﻟﻣﺗوﻓرة‪،‬‬
‫ﻫﻧﺎك طرﯾﻘﺗﯾن رﺋﯾﺳﯾﺗﯾن ﻹﻧﺗﺎج ﻣﻌرﻓﺔ ﺟدﯾدة‪ :‬اﻷوﻟﻰ ﻫﻲ اﻟﺗﻘﯾﯾد اﻷﻣﺎﻣﻲ ‪ forward chaining‬واﻟﺛﺎﻧﯾﺔ ﻫﻲ اﻟﺗﻘﯾﯾد اﻟﺧﻠﻔﻲ‬
‫‪.backward chaining‬‬
‫اﻟﺗﻘﯾﯾد اﻷﻣﺎﻣﻲ ‪ : Forward chaining‬وﯾﺳﻣﻰ أﯾﺿﺎ ﺑﺎﻟﻘﯾﺎدة ﺑﺎﻟﺑﯾﺎﻧﺎت‪ ،‬وﯾﺑدأ ﺑﺎﻟﺣﻘﺎﺋق ﻟﻠﺑﺣث ﻋن اﻟﻘواﻧﯾن اﻟﺗﻲ ﯾطﺑﻘﻬﺎ‪.‬‬
‫اﻟﺗﻘﯾﯾد اﻟﺧﻠﻔﻲ ‪ :Backward chaining‬وﯾﺳﻣﻰ أﯾﺿﺎ ﺑﺎﻟﻘﯾﺎدة ﺑﺎﻟﻬدف‪ ،‬وﯾﺑدأ ﻣن طﻠب ﻣﺎ ﻻﻛﺗﺷﺎﻓﻪ‪ ،‬وﯾﺑﺣث ﻋن اﻟﻘواﻧﯾن اﻟﺗﻲ‬
‫ﺗﺳﺎﻋد ﻋﻠﻰ إﺟﺎﺑﺔ ذﻟك اﻟطﻠب‪.‬‬
‫اﻟﺗﺣﻛم ﺑﺎﻟﻣﻌرﻓﺔ ‪Control Knowledge‬‬
‫ﺗﺗﻛون اﻟﺧوارزﻣﯾﺔ ﻣن‪ :‬ﻣﻛوﻧﺎت ﻣﻧطﻘﯾﺔ‪ ،‬ﺗوﺻف طﺑﯾﻌﺔ اﻟﻣﻌرﻓﺔ اﻟﻣﺳﺗﺧدﻣﺔ ﻓﻲ ﺣل اﻟﻣﺳﺎﺋل‪ ،‬واﻟﺗﺣﻛم ﺑﺎﻟﻣﻛوﻧﺎت‪ ،‬ﻣﻣﺎ ﯾﺣدد‬
‫إﺳﺗراﺗﯾﺟﯾﺔ ﺣل اﻟﻣﺳﺄﻟﺔ‪ ،‬ﺑواﺳطﺔ ﺗﺣدﯾد طﺑﯾﻌﺔ اﺳﺗﺧدام اﻟﻣﻌرﻓﺔ ﻧﻔﺳﻬﺎ‪ ،‬ﻟﻬذا ﻧﻘول أن‪ :‬اﻟﺧوارزﻣﯾﺔ ﺗﺳﺎوي اﻟﻣﻧطق زاﺋدا اﻟﺗﺣﻛم‬
‫أو‪:‬‬
‫‪Algorithm = Logic + Control‬‬
‫ﻣﺣﺗوى اﻟﻣﻧطق ‪ logic component‬ﯾﺣدد طﺑﯾﻌﺔ اﻟﺧوارزﻣﯾﺔ‪ ،‬ﺑﯾﻧﻣﺎ ﻣﺣﺗوى اﻟﺗﺣﻛم ﯾؤﺛر ﻓﻘط ﻓﻲ ﻛﻔﺎءة اﻟﺧوارزﻣﯾﺔ‪،‬‬
‫وﺑﺎﻹﻣﻛﺎن ﺻﯾﺎﻏﺔ اﻟﺧوارزﻣﯾﺔ ﺑطرق ﻣﺧﺗﻠﻔﺔ‪ ،‬ﻹﻧﺗﺎج ﻧﻔس اﻟﻌﻣﻠﯾﺎت‪ ،‬وﻗد ﺗﻛون أﺣد ﻫذﻩ اﻟﺻﯾﺎﻏﺎت ﺗﻣﻠك ﻋﺑﺎرات واﺿﺣﺔ ﻣن‬
‫ﻧﺎﺣﯾﺔ اﻟﻣﺣﺗوى اﻟﻣﻧطﻘﻲ‪ ،‬ﻟﻛﻧﻬﺎ ﺗوظف إﺳﺗراﺗﯾﺟﯾﺔ ﺣل ﻣﺳﺄﻟﺔ ﻣﻌﻘدة‪ ،‬ﻣن ﻧﺎﺣﯾﺔ ﻣﺣﺗوى اﻟﻣﻧطق‪.‬وﻗد ﺗﻛون ﺻﯾﺎﻏﺔ أﺧرى ﻟﻬﺎ‬
‫ﻣﺣﺗوى ﻣﻧطق ﻣﻌﻘد‪ ،‬ﻟﻛﻧﻪ ﯾوظف إﺳﺗراﺗﯾﺟﯾﺔ ﺣل ﻣﺳﺄﻟﺔ ﺳﻬﻠﺔ‪.‬‬
‫وﻛﻔﺎءة اﻟﺧوارزﻣﯾﺔ ﯾﻣﻛن أن ﺗﺗﺣﺳن ﻣرارا‪ ،‬ﺑواﺳطﺔ ﺗﺣﺳﯾن ﻣﺣﺗوى اﻟﺗﺣﻛم ﺑدون ﺗﻐﯾﯾر ﻣﻧطق اﻟﺧوارزﻣﯾﺔ‪ ،‬أي ﺑدون ﺗﻐﯾﯾر‬
‫طﺑﯾﻌﺔ اﻟﺧوارزﻣﯾﺔ ﻧﻔﺳﻬﺎ‪ ،‬وﻫﻧﺎك ﻧزﻋﺔ ﻓﻲ ﻗواﻋد اﻟﺑﯾﺎﻧﺎت إﻟﻰ اﻟﻔﺻل ﺑﯾن اﻟﺗﺣﻛم ‪ control‬واﻟﻣﻧطق ‪.logic‬‬
‫وﻟﻐﺎت اﻟﺑرﻣﺟﺔ اﻟﯾوم ﻻ ﺗﻔرق ﺑﯾن اﻟﻣﻧطق واﻟﺗﺣﻛم‪ ،‬ﺣﯾث ﯾﺣدد اﻟﻣﺑرﻣﺞ اﻟﻣﻧطق واﻟﺗﺣﻛم ﻓﻲ اﻟﻠﻐﺔ اﻟواﺣدة‪ ،‬وﯾﺗدرب ﻋﻠﻰ آﻟﯾﺔ‬
‫اﻟﺗﻧﻔﯾذ اﻷﻛﺛر ﻗدرة ﻋﻠﻰ ﺣل اﻟﻣﺳﺎﺋل‪.‬‬
‫ﺳﺗﻛون ﺑراﻣﺞ اﻟﺣﺎﺳوب ﺻﺣﯾﺣﺔ ﻓﻲ أﻛﺛر اﻷﺣﯾﺎن‪ ،‬وأﻛﺛر ﺳﻬوﻟﺔ ﻓﻲ اﻟﺗﺣﺳﯾن‪ ،‬وأﻛﺛر ﺗﻛﯾﻔﺎ ﻣﻊ اﻟﻣﺳﺎﺋل اﻟﺟدﯾدة‪ ،‬ﻋﻧدﻣﺎ ﺗﻘدم‬
‫آﻟﯾﺔ اﻟﺗﻧﻔﯾذ ﺧدﻣﺎت ﺣل ﻣﺳﺎﺋل اﻓﺿل وأﻗوى‪ ،‬وذﻟك ﺑواﺳطﺔ ﻧظرﯾﺔ ﻣﺑرﻫﻧﺔ ﻟﻸﻧظﻣﺔ ذﻛﯾﺔ‪.‬‬
‫___________‬
99 - ٩٦
‫ ﻣﺳﺗﺧدﻣﺔ ﻣن ﻗﺑل اﻟﻣﺻدر‬References Textbooks ‫( ﻣﺮﺍﺟﻊ ﻭﻛﺘﺐ ﻧﺼﻴﺔ‬١٠
1. "Artificial Intelligence", by Elaine Rich and Kevin Knight, (2006), McGraw Hill
companies Inc., Chapter 4-6, page 105-192.
2. "Artificial Intelligence: A Modern Approach" by Stuart Russell and Peter Norvig,
(2002), Prentice Hall, Chapter 7-10, page 194-369.
3. "Computational Intelligence: A Logical Approach", by David Poole, Alan Mackworth,
and Randy Goebel, (1998), Oxford University Press, Chapter 5-7, page 169-278.
4. "Artificial Intelligence: Structures and Strategies for Complex Problem Solving", by
George F. Luger, (2002), Addison-Wesley, Chapter 2, 7, page 35-77, 227-273.
5. "AI: A New Synthesis", by Nils J. Nilsson, (1998), Morgan Kaufmann Inc., Chapter
13, Page 217-229.
6. "Artificial Intelligence: Theory and Practice", by Thomas Dean, (1994),
Addison-Wesley, Chapter 3, 6, Page 71-130, 255-296.
7. Related documents from open source, mainly internet. An exhaustive list is
being prepared for inclusion at a later date.
___________
99 - ٩٧
:‫ﻣﻠﺣق‬
: Introduction to AI ‫ ﻣدﺧل إﻟﻰ اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‬01
:Logic, Rules
___________
99 - ٩٨
:١‫ﻣﻠﺤﻖ‬
: Introduction to AI ‫ ﻣدﺧل إﻟﻰ اﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‬01
:Logic, Rules
___________
‫‪99 - ٩٩‬‬
‫ﻣﻠﺤﻖ‪:٢‬‬
‫ﻣﻧﻬﺟﯾﺗﻲ ﻓﻲ اﻟﺗرﺟﻣﺔ ﻛﺎﻟﺗﺎﻟﻲ‪:‬‬
‫‪ (١‬اﻷوﻟوﯾﺔ ﻟﻠﺳﯾﺎق ﺑﺎﻟﻠﻐﺔ اﻻﻧﺟﻠﯾزﯾﺔ ﻣﺎ ﻟم ﯾﺗﻧﺎﻗض ﻣﻊ ﺳﯾﺎق اﻟﻠﻐﺔ اﻟﻌرﺑﯾﺔ‪.‬‬
‫‪ (٢‬اﻟﺑﺣث ﻋن اﻟﻣﻔردة اﻟﻌرﺑﯾﺔ اﻷﻧﺳب ﻟﻠﺳﯾﺎق أو اﻟﻣﻔﻬوم‪ ،‬ﻻ اﻟﻣﻌﻧﻰ اﻟﻣﺑﺎﺷر‪ ،‬وﻟﻬذا ﻗد‬
‫ﺗﺟد ﻛﻠﻣﺔ واﺣدة ﻋرﺿت ﻟﻬﺎ أﻛﺛر ﻣن ﻣﻌﻧﻰ‪.‬‬
‫‪ (٣‬ﺗرﺗﯾب ﻛﻠﻣﺎت اﻟﺟﻣﻠﺔ ﻛﻣﺎ ﻫﻲ ﺑﺎﻷﺻل ﻗدر اﻹﻣﻛﺎن اﻗﺗراﺑﺎ ﻣن اﻟﺗرﺟﻣﺔ اﻟﺣرﻓﯾﺔ‪ ،‬ﻣﻣﺎ‬
‫ﻗد ﯾﺳﺑب ﺻﻌوﺑﺔ ﻓﻲ اﻟﺗرﻛﯾز واﻟﺣﺻول ﻋﻠﻰ اﻟﻣﻌﻧﻰ ‪...‬أﺣﯾﺎﻧﺎ‪.‬‬
‫‪ (٤‬اﻹﺳﻬﺎب ﻓﻲ ﻣواﺿﯾﻊ واﻻﻗﺗﺿﺎب ﻓﻲ أﺧرى ﺣﺳب رؤﯾﺔ ﺷﺧﺻﯾﺔ ﻟﺗﺳﻠﺳل اﻟﻣﻧﻬﺞ‪،‬‬
‫ﺑﻣﻌﻧﻰ ﺣذف ﺑﻌض اﻟﻔﻘرات واﻟﺗطوﯾل ﻓﻲ ﺑﻌﺿﻬﺎ‪.‬‬
‫‪ (٥‬أﺣﯾﺎﻧﺎ اﺣذف ﻓﻘرة ﻛﺎﻣﻠﺔ ﺑﺳﺑب ﻋدم وﺿوﺣﻬﺎ ﻓﻲ اﻟﻣﺻدر‪ ،‬أو ﻟﺗﻘدﯾري ﻋدم ﻓﺎﺋدﺗﻬﺎ‬
‫ﻟﻠﻣﻌﻧﻰ‪ ،‬ﻣﻊ إﺿﺎﻓﺔ ﻣﺎ ﯾﻣﻛن أن ﯾوﺿﺢ أو ﯾﻔﯾد ﻣن ﺧﺎرج اﻷﺻل‪.‬‬
‫‪ (٦‬اﺧﺗﯾﺎر اﻟﻣﺻطﻠﺢ اﻟﻌرﺑﻲ ﯾﺗم وﻓق إﻣﺎ ورودﻩ ﻓﻲ ﻛﺗﺎﺑﺎت ﻋرﺑﯾﺔ ﺳﺎﺑﻘﺔ‪ٕ ،‬واﻻ ﺣﺳب‬
‫اﻟﺧﺑرة اﻟﺷﺧﺻﯾﺔ‪.‬‬
‫‪ (٧‬ﻋرض اﻟﻣﺻطﻠﺢ اﻷﺟﻧﺑﻲ اﻟﻣﻧﺎظر ﻟﻠﻌرﺑﻲ ﻋﻧد ظﻬورﻩ أول ﻣرﻩ‪ ،‬ﻣﻊ اﻻﻛﺗﻔﺎء‬
‫ﺑﺎﻟﺗرﺟﻣﺔ اﻟﻌرﺑﯾﺔ ﺑﻌدﻫﺎ‪ ،‬وأﺣﯾﺎﻧﺎ ﯾظﻬر اﻟﻣﺻطﻠﺢ اﻟﻣﻧﺎظر ﻋﺷواﺋﯾﺎ ﺑﻣﺎ ﻻ ﯾﺧﺎﻟف‬
‫ﺿرورة ظﻬور اﻟﻣﺻطﻠﺢ اﻟﻌرﺑﻲ أول ﻣرﻩ ﻣﻊ اﻷﺟﻧﺑﻲ‪.‬‬
‫___________‬

21 PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

21 PDF

Uploaded by

Copyright:

Available Formats

‫ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ‬

‫ﺗرﺟﻣﺔ ﻓﺻول ﻣﻧزﻟﺔ ﻋن ﻣوﻗﻊ ‪ www.myreaders.info‬اﻟﻘﺳم اﻟﺧﺎص ﺑﺎﻟذﻛﺎء اﻻﺻطﻧﺎﻋﻲ‪....‬‬

‫‪- ١‬ﻣﺪﺧﻞ ﻣﺒﺴﻂ ﰲ ﺃﻫﻢ ﻣﻮﺍﺿﻴﻊ ﻋﻠﻢ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ‬

‫ﻣﻠﺤﻖ ‪ + ١‬ﻣﻠﺤﻖ ‪ +٢‬ﻣﻠﺤﻖ ‪...٣‬‬

‫ﺗﺮﲨﺔ ﻭﺇﻋﺪﺍﺩ ﻓﻬﺪ ﺁﻝ ﻗﺎﺳﻢ‬

‫رﺳﺎﻟﺔ ﻟﻠﻘﺎرئ اﻟﻌزﯾز‬

‫ﻋﻠﻢ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ‬

‫ﺗﺮﲨﺔ ﻭﺇﻋﺪﺍﺩ ﻓﻬﺪ ﺁﻝ ﻗﺎﺳﻢ‬

‫ﻣﺎ ﻫﻮ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ ‪What is Artificial Intelligence‬؟‬

‫وﺑدراﺳﺔ اﻟﺗﻌرﯾﻔﺎت اﻟﺛﻣﺎﻧﯾﺔ أﻋﻼﻩ‪ ،‬ﻧﺟد أن‪:‬‬

‫اﻟﺳﻠوك اﻟذﻛﻲ ‪ :Intelligent Behavior‬ﯾظﻬر اﻟﺳﻠوك اﻟذﻛﻲ ﺑﺻور ﻣﺧﺗﻠﻔﺔ ﻣﻧﻬﺎ‪:‬‬

‫ﺃﻫﺪﺍﻑ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ ‪Goals of AI‬‬

‫ﻣﻨﻬﺠﻴﺎﺕ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ ‪AI Approaches‬‬

‫‪ (٤‬ﻣﻧﻬﺟﯾﺔ اﻟﻌﻣﯾل اﻟﻌﻘﻼﻧﻲ‪ :‬اﻟﻔﻌل ﺑﻣﻌﻘوﻟﯾﺔ ‪Rational Agent : Act Rationally‬‬

‫‪ (١‬اﻟﺗﻘﻧﯾﺎت اﻟﺗﻲ ﺗﺟﻌل ﺳﻠوك اﻟﻧظﺎم ﯾﺑدو "ذﻛﯾﺎ"‪:‬‬

‫اﻟﻧﻣوذج اﻻﺣﺗﺳﺎﺑﻲ ‪:Computation model‬‬

‫‪ .٢‬ﺗﺧﻔﯾض اﻟﻬدف ‪:Goal Reduction‬‬

‫ﻣﺛﺎل ﯾوﺿﺢ ﺗﻘﻧﯾﺔ ﺗﺧﻔﯾض اﻟﻬدف ‪Goal Reduction‬‬

‫ﻣﺛﺎل ‪ :‬ﻟﻌﺑﺔ اﻟﻣﻠﻛﺎت اﻟﺛﻣﺎن ‪8 - Queens puzzle‬‬

‫ﺷﻛل ﯾوﺿﺢ ﺣﻠﯾن ﻣﺧﺗﻠﻔﯾن ﻟﻠﻌﺑﺔ اﻟﻣﻠﻛﺎت اﻟﺛﻣﺎن‬

‫ﻣﺛﺎل‪ :‬ﺗﻠوﯾن اﻟﺧرﯾطﺔ ‪Map Coloring‬‬

‫ﺧرﯾطﺔ رﺑﺎﻋﯾﺔ اﻷﻟوان‬

‫‪ .٤‬ﺗﻘﻧﯾﺔ ﺷﺟرة اﻟﺑﺣث ‪Tree Searching‬‬

‫وﻫذا اﻟﻧﻣوذج ﻣﻛون ﻣن ﻣرﺣﻠﺗﯾن‪:‬‬

‫وﺻف ﻣﻛوﻧﺎت ﻧظم ﻗﺎﻋدة اﻟﻘواﻧﯾن ‪RBS components – Description‬‬

‫‪ (٢‬اﻟﺗﻘﻧﯾﺎت اﻟﺗﻲ ﺗﺳﺗﺧدم ﻋﻠم اﻟﺑﯾوﻟوﺟﻲ ‪:Biology-inspired AI techniques‬‬

‫إذا ﻛﺎﻧت ﻣدﺧﻼت اﻟﺷﺑﻛﺔ اﻟﺗﻲ ﻫﻲ ‪:‬‬

‫ﺧطوات اﻟﺧوارزﻣﯾﺔ اﻟﺟﯾﻧﯾﺔ ‪ ، Genetic Algorithm Steps‬وﺗﻠﺧص ﻫذﻩ اﻟﺧطوات ﺑﺎﻟﺗﺎﻟﻲ‪:‬‬

‫‪ .٣‬اﻟﺗﻌﻠﯾم اﻟﻣﻌزز )‪Reinforcement Learning (RL‬‬

‫ﻓﺮﻭﻉ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ ‪Branches of AI‬‬

‫"‪3- "The cover of this book is blue‬‬

‫ﻣﺳﺎﺋل اﻟﺗﻌرف ﻋﻠﻰ اﻷﻧﻣﺎط‪:‬‬

‫‪ (٤‬ﺗﻣﺛﯾل اﻟﻣﻌرﻓﺔ ‪Knowledge Representation‬‬

‫ﺷﻛل ﯾوﺿﺢ اﻟﻣﻌرﻓﺔ اﻟﺗﻘرﯾرﯾﺔ ﻛﺗﻘﺎطﻊ ﺑﯾن اﻟﺣﻘﯾﻘﺔ واﻻﻋﺗﻘﺎد‬

‫‪ (١٢‬اﻟﺑرﻣﺟﺔ اﻟﺟﯾﻧﯾﺔ )‪Genetic programming (GP‬‬

‫ﺗﻄﺒﻴﻘﺎﺕ ﺍﻟﺬﻛﺎء ﺍﻻﺻﻄﻨﺎﻋﻲ ‪Applications of AI‬‬

‫ﻗﺎﻋدة اﻟﻣﻌرﻓﺔ ‪Knowledge base‬‬

‫ﺣﻞ ﺍﳌﺴﺎﺋﻞ ﻭﺍﻟﺒﺤﺚ ﻭﺍﺳﱰﺍﺗﻴﺠﻴﺎﺕ ﺍﻟﺘﺤﻜﻢ‬

‫ﺗﺮﲨﺔ ﻭﺇﻋﺪﺍﺩ ﻓﻬﺪ ﺁﻝ ﻗﺎﺳﻢ‬

‫ﻣﺎ ﺍﳌﻘﺼﻮﺩ ﲝﻞ ﺍﳌﺴﺎﺋﻞ ﻭﺍﻟﺒﺤﺚ ﻭﺍﺳﱰﺍﺗﻴﺠﻴﺎﺕ ﺍﻟﺘﺤﻜﻢ؟‬

‫‪ (١‬ﺣﻞ ﺍﳌﺴﺎﺋﻞ ‪General Problem solving‬‬

‫‪ (٢‬ﺍﻟﺒﺤﺚ ﻭﺍﺳﱰﺍﺗﻴﺠﻴﺎﺕ ﺍﻟﺘﺤﻜﻢ ‪Search and Control Strategies‬‬

‫ﺧوارزﻣﯾﺎت اﻟﺑﺣث ‪Search Algorithms‬‬

‫ﻓﺿﺎء اﻟﺑﺣث ‪Search Space‬‬

‫ﻟدﻧﯾﺎ ﻓﻲ اﻟﺷﻛل أﻋﻼﻩ‪:‬‬

‫اﻟﺑﯾﺎن اﻟﻣﻧﻬﺟﻲ ﻟﻠﻣﺳﺄﻟﺔ ‪Formal Statement‬‬

‫اﻟرﻣوز اﻟرﯾﺎﺿﯾﺔ ﻟﻠﺑﺣث ‪Search notations‬‬

‫ﺧوارزﻣﯾﺎت اﻟﺑﺣث ﺑﺂﻟﯾﺔ اﻟﻛﺷف ‪Heuristic Search Algorithms‬‬

‫ﻣﺛﺎل‪ :‬اﻟﺗﻘﯾﯾد اﻷﻣﺎﻣﻲ‬

Backward Chaining Algorithm ‫ﺧوارزﻣﯾﺔ اﻟﺗﻘﯾﯾد اﻟﺧﻠﻔﻲ‬

Backward Channing ‫ﻣﺛﺎل اﻟﺗﻘﯾﯾد اﻟﺧﻠﻔﻲ‬

‫)‪‡ conclusion B is true (2nd input found‬‬

‫اﻟﺑﺣث ﺑﺎﻟﻌﻣق‪ ،‬أو اﻟﺑﺣث اﻟرأﺳﻲ )‪Depth-First Search (DFS‬‬

‫واﺿﺢ ﻣن اﻟﺷﻛل أﻋﻼﻩ أن اﻟﻧﻘﺎط ﺗم اﺳﺗﻛﺷﺎﻓﻬﺎ ﺑﺎﻟﺗرﺗﯾب ﻛﻣﺎ ﯾﻠﻲ‪:‬‬

‫ﻻﺣظ أن اﻟﻧﻘﺎط اﻟﻣﺳﺗﻛﺷﻔﺔ وﻓق اﻟﺑﺣث ﺑﺎﻟﻌرض ﻫﻲ‪:‬‬

‫‪Algorithm - Breadth-first search‬‬ ‫ﺧوارزﻣﯾﺔ اﻟﺑﺣث اﻷﻓﻘﻲ )ﺑﺎﻟﻌرض اوﻻ(‬

‫‪ (٤‬ﺗﻘﻨﻴﺎﺕ ﺍﻟﺒﺤﺚ ﺑﺂﻟﻴﺔ ﺍﻟﻜﺸﻒ ‪Heuristic Search Techniques‬‬

‫ﻟﻌﺑﺔ اﻟﻠﻐز ﺑﺛﻣﺎن ﻣرﺑﻌﺎت ‪8 – Puzzle‬‬

‫‪state Initial‬‬ ‫‪Goal state‬‬

‫‪ ‬ﺗطﺑﯾق آﻟﯾﺔ اﻟﻛﺷف ﯾﻛون ﺑﺛﻼﺛﺔ ﻣﻧﻬﺟﯾﺎت ﻣﺧﺗﻠﻔﺔ‪:‬‬

‫اﻟﻣﻧﻬﺟﯾﺔ اﻟﺛﺎﻧﯾﺔ ‪2nd approach‬‬

‫ﻣﺳﺄﻟﺔ ﻟﻐز اﻟﻣﻠﻛﺎت اﻟﺛﻣﺎن ‪Eight Queens Puzzle Problem‬‬

‫ﻧﻣﺎذج ﺷرط اﻟرﺿﺎ ‪Constraint Satisfaction Models‬‬