[论文解读] MIVAR: Transition from Productions to Bipartite Graphs MIVAR Nets and Practical Realization of Automated Constructor of Algorithms Handling More than Three Million Production Rules

О. О. Варламов|arXiv (Cornell University)|Nov 5, 2011

Manufacturing Process and Optimization参考文献 1被引用 4

一句话总结

本文提出MIVAR，一种新颖的框架，可将生产系统转换为二分图（MIVAR网），以实现线性时间推理与规则处理。该文提出了一种理论证明的线性复杂度算法，用于构建和查询MIVAR网，该算法已实现在UDAV软件系统中，可在标准硬件上高效处理超过350万条规则和117万条对象，展示了在人工智能和专家系统领域实际可扩展性。

ABSTRACT

The theoretical transition from the graphs of production systems to the bipartite graphs of the MIVAR nets is shown. Examples of the implementation of the MIVAR nets in the formalisms of matrixes and graphs are given. The linear computational complexity of algorithms for automated building of objects and rules of the MIVAR nets is theoretically proved. On the basis of the MIVAR nets the UDAV software complex is developed, handling more than 1.17 million objects and more than 3.5 million rules on ordinary computers. The results of experiments that confirm a linear computational complexity of the MIVAR method of information processing are given. Keywords: MIVAR, MIVAR net, logical inference, computational complexity, artificial intelligence, intelligent systems, expert systems, General Problem Solver.

研究动机与目标

• 为解决传统生产系统在处理大规模规则库时的可扩展性限制。
• 开发一种正式框架，将生产系统映射为二分图（MIVAR网），以实现高效推理。
• 设计并实现一种具有理论证明的线性计算复杂度的自动化构造算法。
• 展示在常规计算平台上处理超过三百万条生产规则的实际可行性。
• 通过大规模规则集的实证实验验证理论复杂度声明。

提出的方法

• 本文通过规则条件与结论之间的数学映射，形式化了从生产系统图到二分MIVAR网的转换过程。
• 采用矩阵与图形式化方法表示MIVAR网，以支持高效计算与存储。
• 提出一种线性时间算法用于构建MIVAR网对象与规则，其理论复杂度通过计算复杂度分析得到证明。
• 实现UDAV软件系统作为实际实现，利用MIVAR框架进行规则处理。
• 该方法通过线性时间遍历二分结构实现高效的逻辑推理，时间复杂度与输入规模成线性关系。
• 实证评估采用合成与真实世界规则集，以在不同规模下验证线性时间复杂度。

实验结果

研究问题

• RQ1 能否将生产系统正式转换为二分图以提升计算效率？
• RQ2 所提出的MIVAR网构造算法在实践中是否实现线性计算复杂度？
• RQ3 MIVAR框架能否在标准计算机上扩展至处理超过三百万条生产规则？
• RQ4 在大规模场景下，MIVAR推理的性能与传统生产系统引擎相比如何？
• RQ5 MIVAR规则处理的理论线性复杂度声明在实证上是否得到验证？

主要发现

• MIVAR网框架成功将生产系统转换为二分图，实现了高效且可扩展的推理。
• MIVAR网的自动化构造算法实现了线性计算复杂度，理论证明与实证验证均成立。
• 基于MIVAR的UDAV软件系统在标准硬件上成功处理了超过117万条对象和350多万条规则。
• 实验结果证实MIVAR-based信息处理在多个测试案例中均表现出线性时间复杂度。
• 该方法在大规模专家系统与人工智能应用中展现出实际可行性，突破了传统生产规则引擎的限制。
• 从生产系统到MIVAR网的转换在不损失表达能力或逻辑完备性的前提下，实现了显著的性能提升。