Nous nous intéressons dansette setion à ladéouverte de motifs d'arbres
d'exu-toirespour laaratérisationdeslasses de transfert(tâhe dénieen 3.7). L'approhe
onsisteàonserverunestrutured'arbresdanslesrèglesandefaireressortirdes
rela-tionsentreexutoirespertinentesvis-à-visdutransfert.Unarbred'exutoireesttraitéii
ommeunarbreoùlesn÷udssontdéritsparunensembled'attributs.Unmotifd'arbre
d'exutoires estunerègle représentant un arbreoùles n÷udsontiennent desséleteurs
suresattributs. Des exemplesdemotifs reherhés sontdonnés danslagure3.21.
Detellesmotifsnepeuventêtreexprimésqu'àl'aided'unlangagerelationnel,
'est-à-dire un langage permettant de dérire les relations entre objets;dans notre as, les
objetssontlesn÷udsd'unarbre.Silarelationde ouvertureestintuitive dansleadre
d'une logique attribut-valeur, elle peut être omplexe dans une logique relationnelle.
L'exemple 3.9a pour but de montrer larelation de ouverture qui nous intéresse pour
les motifsd'arbre d'exutoires;esderniers peuvent être vusomme dessous-arbres.
Exemple 3.9 (ouverture des motifs d'arbre d'exutoires).
Nous présentons ii larelation de ouverture qui nousintéresse entre un motif d'arbre
d'exutoiresetlesexemplesd'apprentissage.Pour simplier,lesexutoiressontii dérits
àl'aided'unseulattributquantitatif
Aquant
.L'interprétationdumotifdelagure3.10 est : la valeur deAquant
pour l'exutoire raine doit être supérieure à 3 et l'exutoire raine doit posséder au moins deux ls, et pour l'un d'eux, la valeur deAquant
doit être inférieureà 2. Tout d'abord, noussouhaitonsontraindre unmotif à ontenir unAquant < 2
motif d’arbre d’exutoires
Aquant = 1 exemple 1 Aquant = 5 exemple 3 Aquant = 3 Aquant = 1 Aquant = 5 exemple 2
Aquant = 1 Aquant = 4 Aquant = 4 Aquant = 3 Aquant > 3 PSfragreplaements _ _ _ (en%) nombred'arbres
Fig. 3.10 Les exutoiresraine desexemples etdu motif sont identiés par des
poin-tillés.Le motif ouvre les exemplesd'apprentissage 2 et3mais pasl'exemple1.
Ainsil'exemple1,danslequellavaleurde
Aquant
est1pourlaraine,n'estpasouvert par lemotif quiontraint lavaleur deAquant
,pour laraine,àêtre supérieureà3.Le but est, lors de la visualisation des motifs, d'êtreertain que l'exutoire le plus basestun exutoire raine, elui-i jouant de toute façon un rle primordial dans le transfert
d'herbiides. L'exemple2estouvertparlemotif,même s'ilpossèded'autres exutoires
que eux dérits par le motif (notion de sous-arbre induit). L'exemple 3 est ouvert
également, même si l'exutoire ls de laraine respetant la ontrainte
Aquant <2
est iireprésenté àdroite;en eetnousne souhaitonspasimposer d'ordre surlesls d'unexutoire (notion d'arbre nonordonné).
En bio-informatique,destravaux, tels queeux dérits dans(Inokuhiet al., 2000)
et (Dehaspe et al., 1998), ont onsisté à reherher des motifs dans les omposants
himiques. Lesomposantshimiquessont représentéspar desgraphes oùlesn÷uds et
les ars sont labellisés, 'est-à-dire qu'ils sont annotés par une valeur d'un attribut de
domaine qualitatif. Ces labels représentent des atomespour les n÷uds etdes typesde
liaisonentreatomespourlesars.Cestravauxnesontpasadaptéspournotreproblème
ar ils manipulent desgraphes et non des arbres et ne répondent pasau problème de
la reherhe de séleteurs sur les attributs dérivant les n÷uds. Les travaux de Ferré
et King (Ferré & King, 2005) suggèrent d'utiliser les logiques dédiées (en anglais :
domain-spei logis)an d'adapter la reherhe de motifs aux logiquesdérivant les
données. Dansnotre as,où lesdonnées sont desarbres d'exutoires,ilserait néessaire
dedénir unfonteur logique d'arbre pour lastruture primaire desarbres d'exutoires
etunfonteur logique attribut-valeur pour lesn÷uds desarbres.
Nous avonsfait le hoix d'une reherhe desendante dans l'espae des hypothèses
e type demotifs.
Lesnotionsutilespourleoneptdesous-arbressontdétailléesensous-setion3.4.1.
Avant de donner l'opérateur de spéialisation de lauses pour la reherhe de motifs
d'arbres d'exutoire (sous-setion 3.4.3), nous détaillons les langages des exemples
L
Eet des hypothèses
L
H utilisés (sous-setion 3.4.2). L'opérateur de spéialisation et la reherhe desendante sont mises en ÷uvre au sein du système Aleph (sous-setion3.4.4).
3.4.1 Notions de sous-arbres
La taille d'unarbre estlenombre den÷uds présentsdansl'arbre. Un n÷ud
n
p est un desendant5
d'un n÷ud
n
1 si, pour touti
de 1 àp−1
,n
i+1 est un ls den
i. Un arbre labellisé estunarbredontles n÷udsont unlabel;par exemple,l'arbreT
dansla gure3.11.Il existe de nombreux travaux sur lareherhe dans les arbres labellisés dont (Chi
et al., 2005) onstitue une vue d'ensemble. Dans es travaux, il s'agit de reherher
dessous-arbresfréquentsdansunebasede donnéesonstituée d'arbreslabellisés. Trois
typesde sous-arbressont distingués(gure 3.11):
lessous-arbresexats (enanglaisbottom upsubtrees).Un sous-arbre exat(a)de
T
peutêtre obtenu enonservant unn÷ud deT
et tous sesdesendantsdansT. les sous-arbresinduits (en anglaisindued subtrees). Un sous-arbre induit (b)deT
peutêtreobtenuen enlevant,àplusieurs reprisesune feuilledeT
(ousaraine siellein'a qu'unls).lessous-arbresahés(enanglaisembedded subtrees).Unsous-arbreahé()de
T
doitonserverlarelationde desendaneentredeuxn÷udsde
T
(ertainsn÷uds peuventêtresupprimés).Anoterquel'ensembledesarsdansunsous-arbreahéde
T
n'est pasnéessairement unsous-ensemble desarsdeT
.Un sous-arbre exat de
T
est un sous-arbre induit deT
qui est lui même sous-arbre ahé deT
.Les algorithmes dérits dans(Chi et al., 2005) peuvent être diretement appliqués
à la reherhe de sous-arbres non labellisés. Un arbre non labellisé (par exemple les
arbresdelagure3.12)peutêtrevuommeunarbrelabelliséoùiln'existequ'unlabel
possible pour les n÷uds. Il existe ependant desalgorithmes spéiques à la reherhe
dansles arbres nonlabellisés (Valiente, 2002).
Ondistingue également lesarbres ordonnés desarbres nonordonnés. Unarbrenon
ordonné n'impose pas d'ordre sur les ls d'unn÷ud et don, à un arbre non ordonné
orrespondentplusieursarbresordonnésditsisomorphiques.Parexemple,lesarbres(d)
et(e)delagure3.12sontdeuxarbresordonnésdistintsmaisesontdeuxarbresnon
ordonnés isomorphiques (il sut d'inverser les deux ls de la raine les plus à gauhe
pourobtenir l'arbre).Unarbrenonordonnéanonique estununiquereprésentant d'un
ensemble d'arbre non ordonnés isomorphiques. Nakano etUno (Nakano & Uno, 2003)
proposent une dénition d'arbre non ordonné anonique et présentent un algorithme
5
Déouvertede motifs d'arbre d'exutoires 59
_
_
_ (en%)
nombred'arbres
Fig. 3.11 (T) :arbre labellisé,(a) :sous-arbre exat de
T
, (b):sous-arbre induit deT
,():sous-arbre ahé deT
.
pour lesénumérer. L'énumérationonsisteàdénir leproédéquipermetlagénération
d'unarbredetaille
p+1
àpartird'unarbredetaillep
.L'objetifd'énuméreruniquement les arbres non ordonnés anoniques est d'éviter une redondane importante dans lagénérationdesarbres (voirl'exemple 3.13).Auours del'énumération, NakanoetUno
identient dansunarbrede taille
p
,lesn÷uds pourlesquels l'ajout d'unlspermetla générationd'unarbre non ordonnéanoniquede taillep+ 1
.PSfragreplaements
_
_
_ (en%)
nombred'arbres
Fig. 3.12 Les arbres non ordonnés (d) et (e) sont isomorphiques. Seul (e) qui est
anonique dansl'ensemble
{(d),(e)}
, selon Nakano et Uno (Nakano &Uno, 2003), est générélors de leurénumération.Exemple 3.13 (énumération d'arbres).
Lagure3.12présentedeuxarbresdetaille3nonordonnésanoniquesd'après(Nakano
anoniqueest (e), e dernierestdon générémais pas(d).Considérons pour l'exemple
trois énumérations d'arbres : une pour les arbres non ordonnés anoniques, une pour
les arbres ordonnés et la dernière, naïve, qui onsiste à ajouter un ls à n'importe
queln÷uddel'arbre. Sions'intéresseauxarbresdetaille9,l'énumérationnaïvegénère
6720arbres,elledesarbresordonnésgénère766arbresetelledesarbres nonordonnés
anoniques(tellequeproposéeparNakanoetUno)génère115arbres.Sil'ons'intéresse
aux arbres non ordonnés anoniques,l'énumération naïve génère don,parmi les 6720
arbres,uniquement 115 arbres diérentsde taille 9.
L'opérateur de spéialisation de lauses pour la reherhe de motifs d'arbre
d'exu-toires(sous-setion3.4.3)reposeentreautressurl'énumérationdesarbresnonordonnés
anoniques et non labellisés de Nakano et Uno. Les motifs que nous reherhons sont
dessous-arbres induits.
3.4.2 Représentation des données d'apprentissage
An d'exprimer les relations entre exutoires pour la desription d'un exemple de
labased'apprentissage(voirsous-setion 3.3.2), unereprésentation en logique des
pré-diats est adaptée; nous nous basons ii sur le langage Prolog (voir annexe A) et un
apprentissage de règlespar Programmation LogiqueIndutive (PLI). Mettre en ÷uvre
un tel apprentissage onsiste en premier lieu à dénirles langages desexemples etdes
hypothèses. En PLI, mettreen ÷uvreun tel apprentissage néessitede déterminerles
littéraux positifs qui identient les exemples dans les ensembles
E
⊕et
E
⊖, ainsi que
le langage de la théorie du domaine
T
et elui des hypothèsesL
H.Nous rappelons en eetquenousrestreignonslesensemblesE
⊕et
E
⊖àdesensemblesdelittérauxpositifs
(voir setion1.2.1).
Pour simplier l'ériture, nous introduisons le prédiat
classe/1
qui est égal au prédiattransf ert
_important/1
(respetivementtransf ert
_f aible/1
) dansleasoù l'on herhe à induire une théorie aratéristique de la lassetransf ert
_important
(respetivement
transf ert
_f aible
). Le littéralclasse(ex)
désigne don la lasse de l'exemple d'identiantex
.La desriptiond'unexemple,'estàdirel'arbred'exutoiresorrespondant,est
don-néedanslathéoriedudomaine
T
.Chaqueexutoireestdéritpardesattributsd'exutoire. Dénition 3.14 (Attribut d'exutoire).Unattribut d'exutoire est unattribut quidéritunexutoire de parelle.Il peut être
qua-litatif ou quantitatif. Dans notre représentation, le nom d'un attribut d'exutoire relatif
aux données déisionnelles est préxé par "itk" et elui d'un attribut d'exutoire relatif
aux données d'oupation du solou topologiques est préxé par "os".
Dans la théorie du domaine, nous introduisons 3 prédiats pour le langage des
exemples 6
:
racine(Ex, Exu)
:Exu
estl'exutoire raine de l'exempleEx
; 6Nom de l'attribut Type Desription de l'attribut
os_surfae quantitatif surfae de l'exutoire
os_mais qualitatif està
vrai
silesol estoupéen maïs os_dispositif_tampon qualitatifestà
vrai
sil'exutoire possède undispositif tamponos_pente qualitatif
lapenteloale àl'exutoire
(nulle,faible ou importante)
os_mrt quantitatif un indie topographique
itk_type qualitatif
type d'itinéraire tehnique employé
(tout_en_postou pre_puis_post)
itk_pression quantitatif
quantité totalede pestiide
appliqué surl'exutoire
Tab.3.15Listedesattributs d'exutoireutiliséspour ladéouverte demotifsd'arbre,
lesdétails sures attributssont donnés enannexe Bet danslehapitre 2.
valeur(Ex, Exu, Attr, V)
:V
estlavaleurdel'attributd'exutoireAttr
pour l'exu-toireExu
de l'exempleEx
,l'ensemble des attributs d'exutoires est listé dans le tableau 3.15;
f ils(Ex, Exu
1, Exu
2)
: l'exutoireExu
2 est un ls (dénition 2.11) de l'exutoireExu
1.Exemple 3.16 (exemple d'apprentissage pour l'indution des motifs).
L'ensemble defaits suivants formeladesription d'unexemple
ex
delabase d'appren-tissage.Cettedesriptionest donnéedanslathéoriedu domaineT
.raine(ex1,exu0). valeur(ex1,exu0,os_mais,faux). valeur(ex1,exu0,os_surfae,0.4). valeur(ex1,exu0,os_bande_enherbee,faux). valeur(ex1,exu0,os_pente,forte). fils(ex1,exu0,exu1). valeur(ex1,exu1,os_mais,vrai). valeur(ex1,exu1,os_surfae,0.84). valeur(ex1,exu1,os_bande_enherbee,faux). valeur(ex1,exu1,os_pente,forte). valeur(ex1,exu1,itk_type,tout_en_post). valeur(ex1,exu1,itk_pression,22.0).
Cetexemple,identié par
ex1
représenteun arbred'exutoiresàdeuxexutoiresexu0
etexu1
;exu1
estun exutoire deparelle ultivée enmaïs etest unls deexu0
.Pour spéier le langage des hypothèses
L
H, de nouveaux prédiats sont dénis, il s'agit des omparateurs<=
,>=
et=
et d'un prédiat d'introdution d'un nouvel
inf
_egal(X, seuil)
:lavaleurX
estinférieure ou égale àseuil
;sup
_egal(X, seuil)
:lavaleurX
estsupérieure ouégale àseuil
;egal(X, cste)
:lavaleurX
estégale à laonstantecste
;
intro
_noeud(Ex, Exu
0, ListExu, Exu
1)
: pour l'exempleEx
,Exu
1 est un exu-toirelsdel'exutoireExu0
etilestdiérentdetoutexutoiredelalistedevariablesListExu
;ette listerépertorie en faitles n÷uds lsdeExu0
déjà présents dans lemotif.L'exemple3.17montre l'intérêt de l'utilisation dee prédiat,à laplaeduprédiat
f ils/2
.Le langage des hypothèses repose également sur les prédiats
racine/1
,valeur/4
etclasse/1
dénispréédemment.Exemple 3.17 (intérêt de l'utilisation du prédiat
intro
_noeud/4
). Soitlalause suivante(non inlusedansL
H):lasse(Ex) :-raine(Ex,Exu0),fils(Exu0,Exu1),fils(Exu0,Exu2).
Onpeutpenserqu'ils'agitd'unmotifd'arbred'exutoiresonstituéd'unexutoireraine
Exu0
qui possède deux lsExu1
etExu2
. MaisExu0
,Exu1
etExu2
sont trois va-riablesetnondesonstantes.Unarbred'exutoiresonstituéd'uneraineExu0
ne pos-sédant qu'unlsestouvertparlalause;eneet,lesvariablesExu1
etExu2
peuvent êtreuniéesau mêmeexutoire.Pour évitereproblème, leprédiatintro
_noeud/4
est préféré àf ils/2
:lasse(Ex) :-raine(Ex,Exu0),intro_noeud(Ex,Exu0,[Exu0℄,Exu1),
intro_noeud(Ex,Exu0,[Exu0,Exu1℄,Exu2).
Ainsi,
Exu1
etExu2
représentent néessairement deuxexutoiresdiérents. Une visua-lisation graphique(représentant deuxexutoires diérents) peutêtre envisagée.Dans notre adaptation d'un algorithme de PLI à l'apprentissage de motifs d'arbres
d'exutoires,lelangage deshypothèses
L
H estl'ensembledeslausesdont latête repré-senteunelassedetransfertd'herbiidesetleorps,unmotifd'arbred'exutoires.Ainsi,ladeuxième lause de l'exemple3.17 estune lause dulangage
L
H.3.4.3 Opérateur de spéialisation de lauses pour l'indution de
mo-tifs d'arbre d'exutoires
Pourlaréalisationd'unereherhe desendantedemotifsd'arbresd'exutoires
(sous-setion1.2.5.1),ilfautdéterminerunopérateurdespéialisationpermettantdeonstruire
denouveauxmotifsd'arbres,plusspéiques,ausensdelarelation
θdeθ
-subsomption, àpartird'unmotifdéjàonstruit.Nousdéomposonsetopérateurendeuxopérateurs,haun permettant de générer de nouvelles lauses plus spéiques à évaluer sur
l'en-sembled'apprentissage. Voii lesdeux opérateurs utilisés:
spe1 : introdution danslemotif d'arbre d'unnouvel exutoire.Seuls les arbres
ano-niques,selon (Nakano&Uno,2003),doivent êtregénérés.Pour elal'ensemble
P
desexutoirespourlesquelsl'ajoutd'unlspermetlaonstrution d'unarbrenon
ordonnénon labellisé anonique detaille supérieureest alulé(voirsous-setion
Cette spéialisation de lause orrespond à une augmentation du nombre
d'exu-toiresdel'arbre.Uneénumérationdesarbresnonordonnésapourbutd'éviterune
redondane importante dans la onstrution des lauses à tester (voir l'exemple
3.13).L'opérateur
spec1
reposesurl'ajoutd'unlittéraldeprédiatintro
_noeud/4
àlalause.
spe2: ajout d'une ontrainte sur la valeur d'un attribut d'exutoire, pour le dernier
exutoireintroduitdansl'arbre.Laonstanteutiliséepourlaomparaisonest
éva-luée de manière paresseuse (de l'anglais lazy evaluation). C'est à dire qu'elleest
alulée en fontion des exemples ouverts par une lause intermédiaire où la
onstante est remplaéepar unevariable(voirl'exemple 3.20).L'opérateur
spec2
reposesurl'ajoutà lalaused'unlittéralde prédiat
valeur/4
et d'unlittéralde omparaison (inf
_egal/2
,sup
_egal/2
ouegal/2
).L'opérateur ainsi déni (omposé de spe1 et spe2) est un opérateur lassique
de spéialisation de lause puisqu'il repose sur l'ajout de prédiats à une lause (voir
l'exemple 3.18). Ainsi, une lause
θ
-subsume bien ses spéialisations. Des exemples de motifs d'arbres générés à l'aide de es deux opérateurs sont donnés dans l'exemple3.18. Chaque motif généré est évalué à l'aide d'untest de ouverture surles exemples
d'apprentissage.
Exemple 3.18 (un motif d'arbre d'exutoire et sa spéialisation).
Lagure3.19présente unmotif d'arbred'exutoire
(a)
etquelquesunesde es spéiali-sations(b)
,(c)
,(d)
et(e)
par l'opérateur déni i-dessus. Le motif d'arbre d'exutoires(a)
estreprésentépar leorps de lalause suivante:lasse(E) :-raine(E,Exu1),intro_noeud(E,Exu1,[℄,Exu2).
Laspéialisation
(b)
dumotif(a)
par l'ajout d'unn÷uds'érit : lasse(E) :-raine(E,Exu1),intro_noeud(E,Exu1,[℄,Exu2),intro_noeud(E,Exu2,[℄,Exu3).
Laspéialisation
(c)
dumotif(a)
par l'ajout d'unn÷uds'érit : lasse(E) :-raine(E,Exu1),intro_noeud(E,Exu1,[℄,Exu2),intro_noeud(E,Exu1,[Exu2℄,Exu3).
Dansette spéialisation, ilfaut s'assurerque l'exutoire identié par lavariable
Exu3
est biendiérent de l'exutoire identié par lavariable
Exu2
,es deux exutoires étant lsde l'exutoire identié par lavariableExu1
.La spéialisation
(d)
dumotif(a)
par l'ajout d'unséleteur surl'attributos
_dispositif
_tampon
del'exutoireExu2
s'érit :lasse(E) :-raine(E,Exu1),intro_noeud(E,Exu1,[℄,Exu2),
valeur(E,Exu2,os_dispositif_tampon,V),egal(V,vrai).
La spéialisation
(e)
du motif(a)
par l'ajout d'unséleteur surl'attributos
_surf ace
del'exutoire
Exu2
s'érit :lasse(E) :-raine(E,Exu1),intro_noeud(E,Exu1,[℄,Exu2),
valeur(E,Exu2,os_surfae,V),sup_egal(V,0.4).
Apartirdumotifd'arbred'exutoires
(a)
detaille 2,touslesarbres anoniquesdetaille 3 générés sont expliités dans et exemple. Par ontre, tous les motifs issusde l'ajoutPSfragreplaements
_
_
_ (en%)
nombred'arbres
Fig. 3.19Exemplesde motifsd'arbres d'exutoiresgénérés
(b, c, d, e)
à l'aidedes opé-rateursdespéialisationdelausesspe1etspe2,etàpartird'unelausereprésentantun arbred'exutoires àdeux exutoires
(a)
sansséleteurs surlesattributs aux n÷uds.3.4.4 Mise en ÷uvre au sein du système Aleph
L'opérateurdespéialisationpourlareherhedemotifsetlareherhedesendante
enellemêmesontmisen÷uvreauseindusystèmeAleph(sous-setion1.2.6.2).Le
pré-diat
ref ine/2
,permettant de dénir lesspéialisations d'unelause aété implémenté en s'appuyant surlesopérateursde spéialisation spe1 etspe2.L'étape2(ditederédution)pourlagénérationd'unehypothèseauseindusystème
Aleph(voiralgorithme1.26)onsisteenl'élaboration demotifsqui,représentéspardes
lauses, doivent être ontenus dans la bottom lause. La bottom lause est nalement
unebasedelittérauxquipeuventonstituerl'hypothèse.Elleestélaboréelorsdel'étape
de saturation d'unexempled'apprentissage non enoreouvert(étape1).
Dansnotreas,leslittérauxdeprédiat
intro
_noeud/4
nesontdéterminésquelors de l'élaboration du motif;en eet, letroisième argument de e prédiatrepose surlesvariablesd'exutoirespréalablement introduites danslemotifàl'aidedeemême
prédi-at(voirl'exemple3.17).Cesvariablesnesontdonpasonnuesaumomentdelaphase
deonstrution de labottom lause,où auunmotif n'est généré.Laonstrution de la
bottom lause est don rendueimpossible par l'utilisation du prédiat
intro
_noeud/4
. Lesprédiatsinf
_egal/2
,sup
_egal/2
etegal/2
sontévaluésdemanièreparesseuse (Srinivasan & Camaho, 1999). Les deuxièmes arguments de es prédiats sont desonstantes du domaine de l'attribut onsidéré. La génération exhaustive de toutes les
lasse que l'on herhe à aratériser; 'est e proédé que l'on appelle l'évaluation
paresseuse de prédiat(voir l'exemple 3.20).
Exemple 3.20 (l'évaluation paresseuse de prédiat en PLI).
Soitlalause
C1
suivante, oùcste
peut prendrelavaleurvrai
ouf aux
: lasse(E) :-raine(E,Exu1),valeur(E,Exu2,os_mais,V),egal(V,ste).Leprédiatàévaluer demanièreparesseuse estleprédiat
egal/2
,ils'agiten fait d'as-signer àcste
la valeurvrai
ouf aux
. L'évaluation paresseuse telle que mise en ÷uvre dans(Srinivasan&Camaho, 1999)ommene paronstruire lalause suivanteC2
où unevariableX
estintroduite làoù devraitgurer laonstante:lasse(E) :-raine(E,Exu1),valeur(E,Exu2,os_mais,V),egal(V,X).
Ensuiteleproédéstokelesexemplesd'apprentissagesouvertsparettelauseet
sur-tout les onstantes, pour haun des exemples, qui sont uniées à
X
lors des preuves Prologdeouverturedesexemples.Andeonstruirelalauselaplussigniativepourlalasseà aratériser,nousassignons à
cste
lavaleur quiest laplussouvent uniéeàX
lors des preuves de ouverture des exemples de lasse à aratériser. Prenons trois exemplesex1
,ex2
etex3
telsex1
etex2
soient delassetransf ert
_important
etex3
delasse
transf ert
_f aible
.Considéronsqu'unepartiedeleurdesriptiondansT
soit: raine(ex1,exu0). valeur(ex1,exu0,os_mais,vrai). raine(ex2,exu1). valeur(ex2,exu1,os_mais,vrai). raine(ex3,exu1). valeur(ex3,exu1,os_mais,faux).Alors,pour aratériser lalasse
transf ert
_important
,leproédéd'évaluation pares-seusesubstitueX
àlaonstantevrai
danslalauseC2
pour générerC1
.On note qu'un algorithme de reherhe desendante utilisant e proédé n'est pas un
algorithmedetype"générerettester"(sous-setion1.2.5.1)maisunalgorithmedetype
"guidéparlesexemples";les exemplessont eneetutilisésdansladéterminationde la
onstante etdon dansl'élaboration dumotif.
Enn, lors de l'étape de rédution, nous eetuons une reherhe desendante par
faiseauoù laspéialisation delause estdénieparleprédiat