Raisonnement en IA : Symbolisme, hypothèses et méthodes

Ces rer sentations remontent aux 1er de lIA

(logic theorist Newel, Shannon, Simon 1956)

Repr sentation d clarative qui concerne :

logique des propositions

logique des pr dicats de 1er ordre

dautres logiques non standards

Intelligence Articielle (SBC)

21Repr sentation des connaissances et raisonnement

Repr sentations logiques

v Logique des propositions

a- Les formules logiques coh rentes :

Une proposition

V

F

Exp : TOTO vole 7

vole(TOTO)

z

{

}|

argument

pr dicat

TOTO est un oiseau 7 Oiseau (TOTO)

Une proposition vraie

Intelligence Articielle (SBC)

22Repr sentation des connaissances et raisonnement

Repr sentations logiques

Un pr dicat peut avoir plusieurs arguments

Robe (Morgon, rouge) 7 le Morgon a une robe rouge

n gation :

connecteurs logiques :

ET '

OU (

implication logique =

quivalence

pour former des formules bien form es (f.b.f)

Une f.b.f peut repr senter une C. V ou F

Intelligence Articielle (SBC)

23Repr sentation des connaissances et raisonnement

Repr sentations logiques

b-Insusance

Si on veut d duire des propositions pour des ensembles

d l ments 7 Pb ?

Exp

1. Exprimer que tous les oiseaux volent :

vole(oiseau 1), vole(oiseau 2),..., vole(oiseau N)

2. Certains oiseaux ne volent pas ?

Intelligence Articielle (SBC)

24Repr sentation des connaissances et raisonnement

Repr sentations logiques

w Logique des pr dicats du 1er ordre

D f

La logique des pr dicats du 1er ordre est la logique des

propositions laquelle on rajoute :

Lintroduction des variables (u, v, ..., z)

Le qualicateur universel ()

Le qualicateur existentiel ()

1. x oiseau (x) vole (x)

2. x oiseau (x) ' vole (x)

Intelligence Articielle (SBC)

25Repr sentation des connaissances et raisonnement

Repr sentations logiques

Remarques

Les f.b.f de la logique des pr dicats

(pour une interpr tation donn e)

V

F

1er ordre car les variables sont quanti es mais pas les pr dicats

ni les fonctions

Exp

Tout cur a un v lo

x y

Tout chien est un animal

x

Intelligence Articielle (SBC)

26Repr sentation des connaissances et raisonnement

Repr sentations logiques

Raisonnement en logique des pr dicats

Raisonner en logique d montrer de nouvelles formules

partir dun ensemble de formules existantes

R gles :

a)- R gle du modus ponens :

P Q et P alors Q

b)- R gle du modus tollens

P Q et Q alors P

c)- Unication et ltrage :

et [ Fran ais(Jean)]

modus ponens

r gion(Jean, Europe)

avec substitution de la cte Jean la variable y

d)- Sp cialisation universelle : x P (x) alorsP (a)

La r solution

Utilise des r gles dinf rences

Intelligence Articielle (SBC)

27Repr sentation des connaissances et raisonnement

Repr sentations logiques

Une r gle permet de d duire une clause nouvelle partir de 2

clauses parents

Une clause a formule atomique V f.a V f.a

Tout f.b.f peut tre transform e en un ensemble de clauses

(algorithme de Skolem)

M thode clause1

Cp

clause 2

C p

Exp : A1 ( A2 ( An

clause 3

(1)

{z

|

}

A1 ( F1 ( Fp

(2)

{z

|

}

A2 ( An ( F1 ( Fp (3)

R solution par r futation (ou les syst mes de d duction

logique par refutation)

Prouver quune formule logique X est une cons quence logique

dun ensemble de formules logiques FL (FL|=X)

Intelligence Articielle (SBC)

28Repr sentation des connaissances et raisonnement

Repr sentations logiques

On consid re que X est vraie

On rajoute X FL FL*( X)=C

On d roule le m canisme de r solution sur C

Intelligence Articielle (SBC)

29Repr sentation des connaissances et raisonnement

Repr sentations logiques

On d montre que le syst me conduit une aberration (P et

P)

P

P

Nil (cid:3)

= On a prouv que C est contradictoire donc que X est une

cons quence logique de FL

FL ' X

P

P

Nil

(cid:3)

absurde donc X est vrai FL |=X

Intelligence Articielle (SBC)

30Repr sentation des connaissances et raisonnement

Repr sentations logiques

Inconvenients

Pr dicat

V

F

(cid:26)

• ne permet pas dexprimer des choses nuanc es
• ne peut pas d cider avec des infos manquantes

Contrairement lhomme (qui fait du raisonnement par

d faut)

Intelligence Articielle (SBC)

31Repr sentation des connaissances et raisonnement

Repr sentations logiques

Autres logiques

a- Logiques multivalu es

b- Logiques modales

c- Logiques non monotones

d- Logique temporelle

e- Logique oue

f- Logique 3 valeurs ...

Intelligence Articielle (SBC)

32Repr sentation des connaissances et raisonnement

R seaux s mantiques

III. R seaux s mantiques

D nition

Un R. S. est un graphe tiquet o les nSuds re-

pr sentent des concepts et les arcs des relations de

nature s mantique entre ces concepts

nSuds = concepts ou objets (ou instances)

arcs = des liens li s au sens :

lien s sorte de (kind of)

lien e est un (is a)

Intelligence Articielle (SBC)

33Repr sentation des connaissances et raisonnement

R seaux s mantiques

Exp

Jacquot poss de un nid :

Jacquot

e

s

Perroquet

Oiseau

poss de

Nid1

e

Nid

un Nid1 au C. G. Nid

concepts g n riques

relation de particulier g n ral

(h rite des choses de ce dernier)

• h ritage -

Intelligence Articielle (SBC)

34Repr sentation des connaissances et raisonnement

R seaux s mantiques

Pb

poss de est une instance (6= poss der cahier)

Intelligence Articielle (SBC)

35Repr sentation des connaissances et raisonnement

R seaux s mantiques

Remarque Si on veut calquer un S.I. on aurait :

BC + I + C

les r seaux

s mantiques

• mise en correspondance structurelle

| {z }

(pattern matching)

• h ritage de propri t s

Intelligence Articielle (SBC)

36Repr sentation des connaissances et raisonnement

R seaux s mantiques

Raisonnement

D nition

Raisonner revient tenter de calculer un R. S.

repr sentant le Pb sur un R. S. de connaissances

par une mise en correspondance structurelle

Exp v : Q : Que poss de Jacquot ?

On construit un R. S. correspondant la question

on le met en correspondance avec le R. S. quon a

correspon-

en

mise

dance

r ponse imm diate

cest Nid

Jacquot

sujet

poss1

objet

?

e

poss de

Intelligence Articielle (SBC)

37Repr sentation des connaissances et raisonnement

R seaux s mantiques

EXP PROLOG :(PROgrammation LOGique)

possede (yolande, automobile)

pere-de (yolande, jean)

pere-de famille (jean)

coquin (ls-de (andr )

On tape ? pere-de (yolande, jean) (unication)

et linterpreteur r pond

? chien (maxo) non

yes

une Question ? possede (Qui , automobile)

les variables avec majuscule

r ponse : Qui = yolande

Q : ? coquin (ls de (x))

R : x=andr

Intelligence Articielle (SBC)

38Repr sentation des connaissances et raisonnement

R seaux s mantiques

R gle : dinosaure (x) poids (x, y)

y > 4000.000

animal-terrestre (x)

Programme

grand-pere (x, z) pere-de (x, y), pere-de (y, z)

pere-de (x, pere(x))

fait x a toujours un p re qui est le terme pere(x)

Q : ? grand-pere (jean, T) quelle est la grand-p re de Jean ?

La r ponse est : T = pere (pere (jean))

Intelligence Articielle (SBC)

39Repr sentation des connaissances et raisonnement

R seaux s mantiques

D monstration :

pere-de (Jean, y)

pere-de (y, T)

partir de la

r gle 1

pere-de (Jean, pere (Jean)

on applique

le fait

donne y = pere (Jean)

pere-de (pere (Jean), T)

on applique

le fait

pere-de (pere (Jean), pere(pere(Jean)))

}

donc T = pere (per (Jean))

Remarques :

Les logiques non classiques

cet ordinateur est peut tre intelligent

lO sera un jour I

Logique modale

Intelligence Articielle (SBC)

40Repr sentation des connaissances et raisonnement

R seaux s mantiques

Introduit 2 op rateurs :

lop rateur de n cessit ( il est n cessairement vrai que ... )

lop rateur de possibilit ( il est possible que ... )

avec la logique et ces op rateurs nous pouvons d nir :

il est n cessairement vrai que lordinateur est branch et il est

possible quil soit intelligent

Dans la m me lign e il y a le Sys de logiques temporelles qui permet

dexprimer des v nements avec des conditions temporelles la valeur

de r alit dune proposition

Intelligence Articielle (SBC)

41Repr sentation des connaissances et raisonnement

R seaux s mantiques

Les R.S trop li s la compr hension du langage naturel issus de travail

en psychologie

Ali rend visite son p re

Ali

rend

visite

P re de

Ali

ne donne pas la relation entre Ali et le p re dAli : il manque son

Intelligence Articielle (SBC)

42Repr sentation des connaissances et raisonnement

R seaux s mantiques

EXP 2

e

personne1

rend

visite

nom

Ali

personne

e

p re de

e

personne2

personne3

nom

nom

Mohamed

Ali rend visite au p re de Mohamed

Intelligence Articielle (SBC)

43Repr sentation des connaissances et raisonnement

R seaux s mantiques

Donc 1)

P1

nom

Ali

e

personne

e

rend visite

p re de

P2

nom

...

Intelligence Articielle (SBC)

44Repr sentation des connaissances et raisonnement

R seaux s mantiques

Les dates de validit

Fares loue une maison de Janvier Ao t

nom

Fares

Personne

e

P 1

locataire

Maison

e

e

L 1

chose

lou e

Maison 1

situ e

louer

date

d but

Janvier

date

n

Ao t

e

e

Date

Intelligence Articielle (SBC)

45b

b

b

46Une r gle de production est une C. de la forme :

SI condition ALORS conclusion (Coef )

Une BC dans ce formalisme est appel e : BASE DE R GLES (BR)

• D clenchement de proc dures
• Hypoth se action &

Un SI = BC + I + C

Choix des r gles

Moteur

dinf rence

47BC ou BR

M.I.

Un Sys

r gles de

production

B. de FAITS

BC : Contient des r gles de

production

(M. long terme du Sys)

MI : m canisme algo

(manipule la BC dans une

situation de consultation)

" BF:

-M. court terme

• C les infos connues sur le Pb
• au d but elle C les donn es

pr liminaires sur le Pb

-elle senrichit ensuite par

application des r gles de la BC

48 Le MI fonctionne suivant 2 m canismes de base :

Le cha nage AVANT

Le cha nage ARRI RE

Le cha nage MIXTE

Peuvent tre combin s

Cest un raisonnement guid par les donn es

Il envisage les r gles dans le sens Condition Conclusion

(G D)

une tape le MI parcourt un cycle de 3 phases :

491. Recherche des r gles applicables

partie condition est v rifi e partir de la BF

2. S lection dune r gle parmi les candidates

r solution de conflits

3. Application de la r gle s lectionn e

les l ments de la conclusion vont enrichir la BF

Le cycle va reprendre jusquaucune r gle nest plus

applicable saturation de la BF ( chec)

Ou on a r ussi prouver le but (Succ s)

50 Raisonnement guid par un but

Utilise les r gles dans le sens Conclusion Condition

(D G)

Le MI fonctionne partir dun but initial prouver

(rang dans une pile)

Utilise un cycle de 3 phases :

1. D tection des r gles qui concluent sur le but courant

( sommet de pile)

2. S lection dune r gle

3. Application de cette r gle

la partie condition de la r gle devient un nouveau

but atteindre

51 Si cette condition est d j dans la BF le travail est

fait

Sinon, elle est empil e dans la pile des buts

Le cycle reprend (en traitant le sommet courant de

la pile)

Jusqu ce que :

La pile soit vide le but est atteint (Succ s)

Aucune r gle nest plus envisageable ( chec)

52

Lhomme met en jeu une d marche dirig e par les

donn es (tirer des conclusions partir dinfos)

Et dune d marche dirig e par les buts (tenter de prouver

une id e)

ceci se traduit par un cha nage mixte (combine les 2)

Remarques :

1. Lors de la recherche des R appliquer dans un cha nage

avant le MI utilise le filtrage dans le cas o les r gles

contiennent des variables MI dordre 1 (comme la

logique)

2. Lorqu une variable on ne peut substituer quune

constante (non une autre variable) MI dordre O+

3. Si la R admise ne renferme pas de variables on parle de

MI dordre O (une R sera tu e d s quelle est appliqu e)

53 Exp de r gles de production

Rappeler soi-m me au t l phone tout demandeur important

dans les 24 heures

SI appel t l phonique de X et X important

ALORS d gager une p riode dans les prochaines 24 heures

ET inscrire t l phoner X

54 La r solution de Pb se fait par inf rences d ductives

(cest une d duction par Modus Ponens)

Exp : BF

F1 : p re (Jacques, Charles)

F2 : fr re (Charles, Fran ois)

F3 : fr re(Jacques, Pierre)

BC

R1 : p re (x, y) fr re (y, z) p re (x, z)

R2 : p re (x, y) fr re (x, z) oncle (z, y)

BUT

oncle (x, Fran ois) trouver loncle de Fran ois

551.

2.

Inf rence en cha nage avant

R1 : (F1, F2) p re (Jacques, Fran ois) = F4

R2 : (F1, F3) oncle (Pierre, Charles) = F5

R2 : (F4, F3) oncle (Pierre, Fran ois) But

efficacit limiter les inf rences inutiles (exp : F5)

il faut aussi que linf rence ne boucle pas

R3 : fr re (x, y) fr re (y, x)

fr re (Fran ois, Charles) fr re (Charles , Fran ois)

(donc il faut d tecter les cycles)

Inf rence en cha nage arri re

R2 : But

SB1 = p re (y, Fran ois)

SB2 = fr re (y, x)

56 R1: SB1

SB2 = fr re(y, x)

SB3 = fr re (w, Fran ois)

SB4 = p re (y, w)

Peuvent tre satisfaits par la BF

SB2

y = Charles x = Fran ois

y = Jacques

x = Pierre

SB3

w = Charles

SB4

y = Jacques

w = Charles

57 2 possibilit s :

(y = Charles, x = Fran ois) (w = Charles) y = Jacques,

w = Charles)

(y= Jaqcues, x= Pierre) (w = Charles) (y = Jacques,

w = Charles)

x = Pierre

r sultat

Le cha nage arri re est plus efficace pour des Pbs bien

cibl s | la planification ou le diagnostic

Le cha nage avant est plus adapt aux Pbs dinterpr tation

des donn es

58 Il existe des syst mes qui admettent la pr sence de variables dans

les r gles

la place d crire :

Si

et

alors

sensibilit = 100

clairage = soleil

vitesse = 127

Si

sensibilit = 200

et clairage = soleil

alors vitesse = 270

Condenser ces r gles :

Si

et

et

alors

sensibilit = SENS

clairage = ECLAI

calcul (SENS, ECLAI)=VITESSE

vitesse = VITESSE

avec un tableau :

calcul ( 100, soleil) = 127

calcul ( 200, soleil) = 270

59 largir le formalisme des R de Pb pour prendre en compte

lincertitude de certains faits

Technique des coefficients de vraisemblance (E. H.

SHORTLIFFE) dans MYCIM

a

Un fait a un coefficient de vraisemblance (c.v.) not cf :

- 1 : fait faux

+1 : fait vrai

[-0,2 , +0,2] : fait ind termin (ni Faux ni Vrai)

Exp : Fi vre (Patient) = oui (cf = 0,7)

il est pratiquement certain que le patient a de la

fi vre

60 Lincertitude peut affecter la relation entre pr misses et

conclusion

si le patient a de la fi vre, il est peu pr s certain quil

a la m ningite

Si fi vre (P) = oui

Alors maladie (P) = m ningite (cf 0,6)

R gle de calcul ? (pour propager lincertitude dans

linf rence)

Exp : de MYCIN (3 r gles) :

61 R1 : Si plusieurs r gles concluent sur un m me fait avec des coef

diff rents

Exp :

Si

Si

P1

P2

alors

alors

F

F

0,6

0,5

FONCTION DE COMBINAISON (calcule le coef r sultant) :

1 0,6 = 0,4

0,4 * 0,5 = 0,2

Coef

de

certirude

0

1 0, 2 = 0,8

0,5

1

1 re r gle 0,6

h

h

Coef r sultant = 0,8

(2 me r gle) 0,5

0

0,5

1

62 R2 :

• Si P1 (cf 1) P2 (cf 2) Alors &

Prendre le max des 2 coef

• * Si P1 (cf 1) P2 (cf 2) Alors &

Prendre le min des 2 coef

R3 : Si la conclusion comporte un coef et que les Faits

qui satisfont les premisses ont aussi des coef

Exp : " Si fi vre(P) = oui

ou maux-de-t te (P) = oui

Alors maladie(P) = m ningite (cf 0,8)

" et dans la BF nous avons :

fi vre (P) = oui (cf = 0,6)

maux-de-t te (P) = oui (cf 0,4)

0,6 * 0,8 = 0,48

0,4 * 0,8 = 0,32

r sultat : maladie (P) = m ningite (cf 0,48)

Nous prenons

le Max

6364La n cessit dorganiser de fa on structur e des Cs.

disponibles

Dans la litt rature sont apparus des formalismes de

SCHEMAS ou PROTOTYPES :

FRAMES (pour la vision)

SCENARIOS (pour le traitement du langage) (scripts)

R cemment, ces formalismes ont t int gr s dans les L.

O. O

65DEF : Un FRAME regroupe de fa on structur e

lensemble des Cs. :

• dun objet physique
• dun concept
• dune situation typique

66EXP : Le concept boisson gazeuse

< FRAME B. GAZEUSE :

FACETTES

Sorte-de :

Application : app (valeurs possibles : COCA, BOGA, FANTA)

boisson

ATTRIBUTS

(d faut : COCA)

(si-besoin : demande appellation)

PROCEDURE

Couleur :

coul (valeur-possible : Noir, Blanc, Oranger)

rangement : caisse (intervalle : 20 25)

(d faut : noir)

(d faut : 20)

... : & >

67Au cours du raisonnement vont appara tre des instances

de ce concept

EXP :

< Instance

appellation : coca

couleur : noir

rangement : 25 >

DEF 2 : Un sc nario a le m me principe mais il est relatif

des s quences typiques d v nements

(non plus une description statique dobjets)

68EXP :

Script Manger-au-Restaurant

l ments :

(Restaurant, Argent, Nourriture,

Menu, Tables, Chaises)

R les :

(Personnes-affam es, Serveurs,

Chefs)

Point-de-vue : (Personnes-affam es)

Moment :

restaurant)

Lieu :

(Emplacement du restaurant)

(Heures-douverture du

69Sc nario :

Dabord : Script Entrer-au-Restaurant

Puis :

Puis :

Puis :

Script Attirer-lattention_du_Ma tre_dh tel

Script Prendre-place- -table

Script Manger sauf si (longue-attente) alors

script ( Sortie-en-col re

Puis :

si (qualit -nourriture > convenable) alors

script ( F liciter-le-chef

Puis :

Enfin :

Script Payer-laddition

Script Quitter-Restaurant

Remarque : Exemples plus professionnels

" d panner un mat riel, n gocier un contrat, conduire une r union

" Pr senter un dossier &

70Exp :

Frame ou objet (information d ductive)

OBJET : VEHICULE

O : Produit

O : Produit

industriel

O : Automobile

Type : Sous classe

Milieu : Terre

Marque : Renault / Fiat / &

Couleur : une couleur

Propri taire : Perso.

O : R25

Type : sous-classe

Marque : Renault

Puissance : 9 cv

classe

Terre / Air / Eau

un nb un objet

un nb

Type :

Milieu :

Masse :

Vitesse :

Puissance : un nb METH-Calc-Puiss

Age :

un nb

Proc dure

(information

proc durale)

Un

objet

H rite de v hicule

ou de produit Ind.

H ritage multiple

O : Camion

Type :

O : MA R25

Type : Instance

Couleur : Gris

Propri taire : Ali

Age : 7 ans

O : OM

Type :

71Nous allons faire le Frame Table qui d crit une cat gorie qui est sous-

ensemble de meuble et faire le Frame Table-de-Charles qui est une

instance de la cat gorie Table

Frame Table

Frame Table

Sorte-de :

Nombre-de-pieds : doit tre entier

Meuble

Forme :

Nbre-de- rallonges : doit tre 0, 1 ou 2

par d faut 4

doit tre carr , rectangulaire, ovale

72" La repr sentation des connaissance ou objets

structur s est issue de travaux diff rents o il y a eu des

applications vari es :

Sch mas, frames, scripts, prototypes, objets, &

73Id e : Lhomme devant une situation nouvelle :

Id e :

Id e :

Id e : Lhomme devant une situation nouvelle :

Il choisit dans son esprit une structure substantielle

appel e FRAME.

Cest un cadre de travail qui doit tre adapt pour coller la

r alit (en modifiant les d tails n cessaires).

Le processus dadaptation lappariement :

Le processus dadaptation

Choix dun frame (en utilisant des heuristiques et des pr visions)

Rechercher une correspondance entre la r alit et le FRAME choisi

Si la correspondance nest pas possible nouveau FRAME

Repr sentation : - Typicalit

Repr sentation :

• Valeur par d faut
• Exceptions
• Propri t s incompl tes
• Hi rarchie dynamique

74Inf rence : FILTRAGE (h ritage, appariement)

Inf rence :

CLASSIFICATION (int grer un Frame dans la

hi rarchie)

Exemples :

Exemples :

" FRL : Frame Rep-Lang (GOLDSTEIN, 1977)

" KRL : Knowledge Rep-Lang (WINOGRAD, 1977)

Forme :

Forme :

Forme :

Forme :

(Frame

(Frame

(attribut 1

(facette 1.1

(facette 1.2

)

valeur 1.1)

valeur 1.2)

(attribut 2

(facette 2.1

(facette 2.2

)

valeur 2.1)

valeur 2.2)

)

75Exemple

Exemple

Exemple

Exemple

::

::

((ATOME

(

Sorte-de

(valeur

OBJET))

OBJET))

(valence

(Un

(Intervalle

entier)

[1 7]))

(liaison

(liste-de

(Charges

(Charges

Liaison))

Liaison))

(un

(d fault

entier)

0)

(atomesli s

(

(liste-de

(si-ajout

(si-enl ve

ATOME)

• saturation)
• saturation))

(saturation

(saturation

(un

(si-besoin

entier)

calcul-satura)))

)

76Remarque :

Remarque :

Les facettes d pendent du langage (D claratives, Proc durales

Facettes d claratives

Facettes d claratives

Utilis es pour caract riser un attribut dans son env. s mantique

statique

Facettes de typage

1.1. Facettes de typage

caract risation des valeurs admissibles par un lattribut

" Un autorise une valeur l mentaire

"

Liste-de autorise plusieurs valeurs en m me temps

" Domaine ensemble des valeurs possibles

Intervalle ensemble des valeurs ordonn es

"

Facettes de valeur

2.2. Facettes de valeur

d terminent les valeurs attribu es

" Valeur la valeur courante

" D fault la valeur par d faut (valeur h rit e)

77Facettes proc durales

Facettes proc durales

" Elles incluent des proc dures se d clenchant

(lors des acc s aux attributs associ s)

" Elles sont des r actions aux acc s

do le nom : r flexes ou d mons

1.1. R flexes

R flexes a priori

a priori ::

ensembles de proc dures pr alables un acc s un attribut

Si-besoin O d clenchement dune proc dure activ e par un

"

acc s de lecture dune valeur dun attribut (si celle-ci nest pas

d j attribu e)

exp : voir calcul-saturation

Si-possible O d clenchement dune proc dure activ e par un

acc s d criture pour v rifier la validit dune valeur avant son

attribution

"

781.1. R flexes

a posteriori ::

R flexes a posteriori

ensemble de proc dures post rieures un acc s

lattribut

"

Si-ajout O introduit une proc dure activ e apr s

une modification de la valeur de lattribut

exp : -saturation

Si-enl ve O introduit une proc dure activ e apr s

une suppression de valeur de lattribut

"

Acc s aux attributs

Acc s aux attributs

Les FRAMES nont pas de comportement propre manipul s

par des primitives (permettant de travailler sur les attributs)

Ces primitives dacc s int grent les facettes de lattribut et la

hi rarchie dh ritage

79 3 types :

1. LIRE : (Lire Frame Attribut)

"

"

lecture de la valeur dun attribut

La lecture repose sur lutilisation de la hi rarchie et les

facettes (valeur, d faut et si-besoin)

La fa on de consulter ces facettes permet des strat gies de

parcours diff rentes

a. Lecture en I : chercher une valeur en remontant dans la

hi rarchie

(et ce pour lune des 3 facettes [- en g n ral la facette

valeur-]

b. Lecture en N : r aliser une lecture en I sur chacune des 3

facettes suivant lordre : Valeur, si-besoin, D faut

c. Lecture en Z : consulter dans lordre les facettes valeur,

Si-besoin, D faut avant de remonter la hi rarchie et

recommencer

802. ECRIRE, AJOUTER

affecter une valeur un attribut

(ECRIRE Frame Attribut Valeur)

attribution dune valeur un attribut par substitution de

lancienne

(AJOUTER Frame Attribut Valeur)

attribution dune valeur un attribut dont la valeur est de

type Liste

Ces deux op rations se d roulent en 3 temps :

A. V rification a priori :

a. nouvelle valeur diff rente de lancienne

b. Si oui elle doit satisfaire :

o Les contraintes de type (facette Domaine) de tous

les frames de la hi rarchie (g n ral ou particulier)

o Les r flexes si possible sont activ s (sils existent)

B. Ecriture

" la valeur est mise en place dans la facette valeur de

lattribut si elle existe

" sinon la facette est cr e avec la valeur

81C. R flexes a posteriori :

les r flexes Si-ajout sont d clench s dans le m me ordre

que les v rifications a priori (la valeur crite ne doit pas tre

mise en cause)

3. DETRUIRE, ENLEVER

supprimer une valeur de lattribut

(DETRUIRE Frame Attribut)

supprimer la valeur de lattribut

(ENLEVER Frame Attribut Valeur)

supprimer la valeur indiqu e de la liste des valeurs de

lattribut

o Si la valeur nexiste pas au niveau de lattribut la

proc dure rend la main

o Sinon la facette est d truite (dans le cas de la proc dure

DETRUIRE) ou la valeur est enlev e (pour la proc dure

ENLEVER)

o Les r flexes Si-enl ve sont ensuite d clench s dans lordre

ascendant de la hi rarchie

82q Dans le formalisme orient objet (O.O) lunivers dune

application se compose

o De classes g n riques