不確定性推理實際上是一種從不確定的初始證據出發，通過運用不確定性知識，最終推出具有一定程度的不確定性但卻又是合理或基本合理的結論的思維過程。
1）不確定性的表示：
知識的不確定性表示：乙個數值，表示相應知識的確定性程度，知識的靜態強度。
證據的不確定性表示：證據的不確定性可以用概率來表示，也可以用可信程度等來表示。
2）組合證據不確定性的計算：
最大最小方法、概率方法和有界方法
t(e1 and e2)= min
t(e1 or e2)= max
t(e1 and e2)= t(e1)*t(e2)
t(e1 or e2)= t(e1)+ t(e2)－ t(e1)*t(e2)
t(e1 and e2)= max
t(e1 or e2)= min
3）結論不確定性的合成：
在不確定性推理過程中，很可能會出現由多個不同知識推出同一結論，且該結論的不確定性程度有多個不相同的情況。這時，需要採用某種演算法對該結論的不確定性進行合成。
不採用嚴格的統計理論。使用的是一種接近統計理論的近似方法。
用專家的經驗估計代替統計資料，儘量減少需要專家提供的經驗資料，盡量使少量資料報含多種資訊。專家資料的輕微擾動不影響最終的推理結論。
1）知識不確定性的表示：
if e then h （ cf（h,e））
可信度 cf（certainty factor）的取值範圍是[-1，1]，表示e所對應的證據為真時，該前提條件對結論h為真的支援程度。
2）證據的不確定性表示：
cf( e) ：-1 ≤ cf( e) ≤ 1
3）組合證據不確定性的計算：
e＝e1 and e2 and… and en
cf(e)= min
e＝e1 or e2 or… or en，
cf(e)= max
4）不確定性的更新：
cf(h)=cf(h，e)* max，若cf(e)＜0，即相應證據以某種程度為假，則 cf(h)=0。
5）二元結論不確定性的合成：
用如下公式求e1與e2對h的綜合可信度：
6）帶閾值限度的可信度推理：
if e then h （cf(h，e)，λ） (0= λ, cf(h)＝cf(h,e)*cf(e)
7）多元結論不確定性的合成：
if e1 then h （cf（h， e1）λ1）
if e2 then h （cf（h， e2）λ2）
if en then h （cf（h， en）λn）
若cf(ei) >= λi，首先計算cfi（h）
（1）求極大值法：
cf(h)=max
（2）加權求和法：
cf(h)=(∑cfi(h, ei)*cf(ei))/∑ cfi(h, ei)）
（3）有限和法：
cf(h)=min
8）帶加權因子的可信度推理：
if e1(ω1) and e2 (ω2) and … and en(ωn) then h cf(h，e)
先求cf(e)= cf(e1)*ω1 +cf(e2)*ω2+……+cf(en)*ωn
1）概率分配函式：
設函式:2ω→［0，1］，且滿足m(φ)=0；∑m(a)=1 (a包含於ω） ,則稱m是2ω上的概率分配函式，m（a）稱為a的基本概率數。
m(a)表示了證據對ω的子集a成立的一種信任度，當a∈ω，且a≠ω， m(a)表示對a的精確信任度，當a=ω時，m(a)表示不知道該如何分配。
2）信任函式：
bel(a)=∑m(b) ，對所有的 b ∈ a ∈ ω
3）似然函式：
pl(a)=1－bel(﹁a)
4）信任函式與似然函式：
a(bel(a), pl(a))：對命題a的信任程度上下限
5）概率分配函式的正交和：
若m1和m2是兩個不同的概率分配函式，則正交和記作m=m1⊕ m2滿足：m(φ)=0
6）類概率函式：
知識不確定性的表示：
if e then h= cf=
證據不確定性的表示：
cer(e)∈[0，1] ，初始證據；中間證據
組合證據不確定性的表示：
e＝e1 and e2 and and en:
cer(e)＝min｛cer(e1)， cer(e2)，…，cer(en)｝
e＝e1 or e2 or… or en:
cer(e)＝max｛cer(e1)， cer(e2)，…，cer(en)｝
不確定性的更新：
①求h的概率分配函式：
m(,,……,) = (cer(e)×c1, cer(e)×c2 ,…, cer(e)×cn)
m=m1⊕m2
②求 bel（h）、pl（h）及f（h）
③求 cer（h）
cer（h）=md（h|e）×f（h）（如果h所要求的證據都已出現md（h|e）=1）
全概率公式：
貝葉斯公式：
p(ai)是事件ai的先驗概率，p(b|ai)是後驗概率，在事件ai發生條件下事件b的條件概率。
另一種形式：
貝葉斯網路是一種以隨機變數為節點，以條件概率為節點間關係強度的有向無環圖（directed acyclic graph，dag）是描述事物之間因果關係或依賴關係的直觀圖形。
網路結構：每個節點表示領域變數，每條邊表示變數間的概率依賴關係，條件概率表condition probability table，縮寫cpt ：該變數與父節點之間概率依賴的數量關係。
**：全概率公式
推理：貝葉斯公式
不確定性推理
不確定性推理 是指建立在不清楚，不明確的知識和證據基礎上的推理，不完備 不精確的知識推理，模糊知識推理。多種原因導致同一結論。解題方案不唯一，現實生活中的問題有很多解決方案，這些方案之間很難決定誰優誰劣，所以選擇認為較優的方案，就屬於一種不確定性推理。所需知識不完備，不精確。所需知識描述模糊。知識的...
人工智慧 確定性推理
搜尋的過程實際上就是轉化為在狀態空間圖上尋找一條從初識節點到目標節點的路徑。bfs 寬度優先搜尋 dfs 深度優先搜尋 ucs 一致代價搜尋 又名dijkstra演算法，由bfs拓展而來 dfs遍歷到目標節點就結束，因此找到的不一定是最短的路線，但bfs 適用於沒有權重路徑的移動過程 ucs每次用最...
重視不確定性
面臨兩種選擇時，多數人認為最重要的是從中選擇，然而設計 無論是軟體設計還是其他設計 並不是這樣的。當你面對兩種可能性時，應該仔細考慮設計中存在的不確定性。不確定性可以促使你推遲決定 譯註1 收集更多的資訊 促使你使用分隔 partition 和抽象 abstract 的方法來降低設計決策的重要性 譯...