10、多智能体可能性逻辑推理与多属性领域偏好增量获取

多智能体可能性逻辑推理与多属性领域偏好增量获取

多智能体可能性逻辑推理

在多智能体可能性逻辑中，推理过程涉及到对不同状态和子句的探索。以一个示例来说明，在考虑子句的包含顺序时，某些路径可能不会被探索。例如，当考虑子句 C3 所在路径时，由于包含顺序，该路径未被探索。

接下来的状态 S2 = (C0C6C7)，其代价为 set(C6) ∩ set(C2) = set(C7) = All，其中 C7 为 (d, All)。从这个状态出发存在多条路径，由于子集的偏序关系，这些路径的评估函数不可比较，因此都会被探索。

若下一个状态 S3 = (C0C6C7C8)，其相关代价为 set(C7) ∩ set(C4) = set(C8) = A，且子句 C8 是一个矛盾式，此时就达到了第一个目标状态。当处理子句 C5 时，下一个状态 S4 = (C0C6C7C9)，代价为 set(C7) ∩ set(C5) = set(C9) = B，子句 C9 也是矛盾式，从而达到最后一个目标状态，得出 Γ |= (b, A ∪ B)。

在多智能体可能性逻辑的线性消解反驳中，有一个重要的规则是渐进子集弱化。即如果 β/B ⊆ α/A，那么 (c, α/A) ⊢ (c, β/B)。对于两个模糊子集 F 和 G 在参考集 U 上的包含关系，经典定义为 ∀u ∈ U, F(u) ≤ G(u)。特别地，当 U = All 时，α/A ⊇ β/B 当且仅当 A ⊇ B 且 α ≥ β。

目标是找到具有最大智能体子集和最大确定度的给定公式。显然，如果 α > β 且 A ⊂ B，应该取两个部分结果 (⊥, α/A) 和 (⊥, β/B) 的并集。基于这些观察，可以直接扩展前