本書對人工智能的理論基礎智能信息處理方法逐一進行了介紹,著重講解了各種智能算法的思想淵源、流程結構、改進方法及其相關應用。相比于其他的AI類圖書,本書的大特點是在介紹每一種類型的智能信息處理方法之前幾乎都追溯了算法設計的思想淵源,因此,本書具有較大的啟發(fā)性,讀者在閱讀時需要對此認真體會。本書精心地選擇了當前人工智能領域中具代表性的內容,主要包括緒論、模糊計算、機器學習算法、分類算法、聚類算法、遺傳算法、蟻群優(yōu)化算法、粒子群優(yōu)化算法以及復雜網(wǎng)絡方法等。本書不僅將基礎理論與實踐應用集于一身,同時還提供了一些與人工智能領域相關的經(jīng)典參考書籍,以便為讀者進一步深入地學習和研究AI算法和技術提供幫助。對于那些完全沒有了解和接觸過AI技術并對此有興趣的廣大讀者,本書無疑是適合閱讀的入門級教程或參考書。本書也適于作為高等院校計算機科學、智能科學、數(shù)據(jù)科學等相關專業(yè)的高年級本科生和研究生教程,還可以作為人工智能、計算智能、數(shù)據(jù)挖掘等領域的研究人員的理論參考書和工具書。為了方便教學,本書還配有電子課件等教學資源包,任課教師和學生可以登錄我們愛讀書網(wǎng)(www.ibook4us.com)注冊并瀏覽,任課教師還可以發(fā)郵件至hustpeiit@163.com索取。
本書對人工智能的理論基礎智能信息處理方法逐一進行了介紹,著重講解了各種智能算法的思想淵源、流程結構、改進方法及其相關應用。相比于其他的AI類圖書,本書的大特點是在介紹每一種類型的智能信息處理方法之前幾乎都追溯了算法設計的思想淵源,因此,本書具有較大的啟發(fā)性,讀者在閱讀時需要對此認真體會。本書精心地選擇了當前人工智能領域中具代表性的內容,主要包括緒論、模糊計算、機器學習算法、分類算法、聚類算法、遺傳算法、蟻群優(yōu)化算法、粒子群優(yōu)化算法以及復雜網(wǎng)絡方法等。本書不僅將基礎理論與實踐應用集于一身,同時還提供了一些與人工智能領域相關的經(jīng)典參考書籍,以便為讀者進一步深入地學習和研究AI算法和技術提供幫助。
當前,人工智能(artificial intelligence,AI)已經(jīng)成為計算機科學基礎理論研究的熱點和前沿研究領域,這部分源于不久以前由Google公司研制的智能圍棋機器人AlphaGo的技驚四座的表現(xiàn),而AlphaGo的優(yōu)異表現(xiàn)源于以Hinton教授為首的三位從事人工智能領域中一個重要研究方向深度學習(deep learning)的計算機科學家的開創(chuàng)性工作。這三位學者也因此摘得了2018年圖靈獎(Turing Award)。事實上,自從阿蘭·圖靈(Alan Turing)提出圖靈測試這個在人工智能誕生的過程中具有重要里程碑意義的方法至今,使計算機從一個僅僅只能用于科學計算的工具變成具有類似于人的思維能力的智能工具一直是計算機科學家追求的高目標。由于人工智能所涉及的學科領域極為廣泛,是真正意義上的跨學科領域,因此本書也僅僅只能展現(xiàn)這個計算機專業(yè)前沿領域的冰山一角。盡管如此,作者還是根據(jù)人工智能領域基礎理論支撐的力度,并且結合當前這一研究領域的熱點,精心選擇了模糊計算、演化計算、機器學習(包括深度學習)、復雜網(wǎng)絡以及數(shù)據(jù)挖掘(只涉及核心的基礎理論)作為講授內容。這樣做一方面是為了給讀者打下堅實的人工智能理論學習基礎,另一方面是考慮到應該盡可能地避免掛一漏萬。
作為人工智能理論基礎的智能信息處理方法是通過從自然界中各類生物的生存方式、行為以及人類智慧中所蘊含的豐富哲理獲得一定的啟發(fā)而設計出來的一類模擬算法的總稱。隨著科學和技術的不斷發(fā)展,在科學研究和工程實踐中遇到的問題越來越復雜,使用傳統(tǒng)的算法來求解往往將會導致計算復雜度越來越高、計算時間越來越長等瓶頸問題。尤其是對于一些NPhard(nondeterministic polynomial hard)問題,傳統(tǒng)的算法幾乎不可能在可以被接受的時間以內求出精確的解。因此,為了在求解精度和求解時間之間取得平衡,計算機科學家發(fā)明了許多具有啟發(fā)式特性的智能信息處理方法。這些智能算法包括模擬生物演化行為和過程的遺傳算法、模擬生物群體自組織行為的群智能算法以及模擬人的大腦思維和學習過程的機器學習算法等各種智能算法。這些算法的主要特征體現(xiàn)為它們都能夠在可被接受的時間之內求得可被接受的解(不一定是精確解),盡管不一定能得到精確解,但是這些算法的大優(yōu)勢在于它們能夠大大地減少計算時間。
但是,我們也必須承認,當前的智能信息處理方法仍然處于不斷的發(fā)展和完善的過程中。其主要原因在于這些算法與傳統(tǒng)算法不同,它們中有一部分目前仍然沒有找到嚴格的數(shù)學理論依據(jù)。盡管如此,這些算法還是建立在比較可靠的哲學基礎之上。因此,人工智能無論是從其基礎理論研究還是從其應用領域研究來說,發(fā)展速度都非常迅速。目前,人工智能技術已經(jīng)在模糊推理、圖像處理、模式識別、自然語言處理、經(jīng)濟管理、生物醫(yī)學、自動控制等諸多應用領域獲得了相當豐富的成果。與此同時,相關的國際會議和學術期刊也為人工智能領域的研究和發(fā)展營造了良好的研究環(huán)境和學術氛圍。因此,理解并掌握智能信息處理方法不僅已成為計算機專業(yè)學子的必備專業(yè)技能,而且也應成為廣大理工科學子的迫切要求。熟練地運用這些算法去解決現(xiàn)實中遇到的許多復雜計算問題也日益成為廣大科學工作者以及工程技術人員的必備能力。
前言人工智能
基礎教程正是由于以上種種需求,因此,需要有一本既適合于大學課堂教學又有利于讀者自學的從基礎理論到應用實踐全方位系統(tǒng)介紹人工智能的圖書。
這本書的主要特點是在介紹每一種智能信息處理方法之前幾乎都追溯了算法設計的思想淵源。這主要是因為每一種智能算法設計背后所依據(jù)的思想都是十分深刻的,如果不深入細致地琢磨、理解、領悟這些思想,甚至根本不知道這些思想,我們就不可能理解這些算法背后的本質,甚至根本不理解什么是人工智能、它和人類智能的區(qū)別究竟在何處,以至于對人工智能陷入盲目崇拜的地步。通過對本書的閱讀,讀者不僅能夠非常透徹地理解人工智能這個學科,而且甚至可能激發(fā)其對全新的智能算法的設計與研究熱情,因為這本書中具有十分濃厚的啟發(fā)性元素。除此以外,為了增強實踐性,本書在每一章中,幾乎都配有將人工智能算法應用到實踐領域中解決實際問題的具體案例,非常適合讀者自學。后,為了便于教學,在全書的后(附錄部分),附上了書中部分章節(jié)可以開設的相應實驗以及與之相應的參考源程序,供教師教學參考。
全書內容總共分為9章。第1章是緒論,主要對人工智能的發(fā)展歷程以及背景知識,人工智能算法的分類與理論、研究與發(fā)展、特征與應用等進行簡要介紹;第2章主要介紹模糊理論;第3章主要介紹機器學習算法,包括深度學習算法的簡要介紹;第4章和第5章主要介紹人工智能技術中必備的兩種基本方法分類和聚類;第6章主要介紹遺傳算法;第7章和第8章分別介紹基于自組織系統(tǒng)的群智能算法蟻群優(yōu)化算法和粒子群優(yōu)化算法;第9章主要介紹目前應用為廣泛的兩種復雜網(wǎng)絡方法,即小世界網(wǎng)絡模型和無標度網(wǎng)絡模型。本書既可作為計算機科學、智能科學、數(shù)據(jù)科學等專業(yè)高年級本科生或研究生教材使用,也可作為對AI領域發(fā)展或AI技術有興趣的廣大讀者了解或自學人工智能的輔助讀物。如果作為教材,建議本書的理論授課學時數(shù)為60~70學時,上機實驗學時數(shù)為10學時。如果學時數(shù)不夠,可以根據(jù)各個學校相關專業(yè)發(fā)展的實際需要做相應的調整。
本書由文華學院秦明擔任主編,由廣西外國語學院李雁星、武漢晴川學院胡婧、武昌工學院向前、南開大學濱海學院趙鳳怡擔任副主編。全書由秦明審核并統(tǒng)稿。
本書在編著的過程中得到了文華學院信息科學與技術學部的大力支持和幫助,尤其是翁廣安老師(博士),他在百忙之中就本書附錄部分的上機實驗以及參考源程序與編者進行了長期深入的交流,并提出了許多寶貴的意見和建議,在此一并表示衷心的感謝。同時對在編著成書的這段時間給予編者默默支持和幫助的家人和朋友表示感謝。
由于編者才疏學淺,人工智能又是一個新興的高科技領域,因此在理解和認識上難免出現(xiàn)有失偏頗之處,懇請廣大讀者批評指正,將不勝感激。
為了方便教學,本書還配有電子課件等教學資源包,任課教師和學生可以登錄我們愛讀書網(wǎng)(www.ibook4us.com)注冊并瀏覽,任課教師還可以發(fā)郵件至hustpeiit@163.com索取。
第1篇導論
第1章緒論/2
1.1人工智能的產(chǎn)生和發(fā)展/3
1.2優(yōu)化問題分類/6
1.3計算復雜性理論/9
1.4智能信息處理方法/11
第2篇模糊理論
第2章模糊信息處理/17
2.1模糊邏輯概述/18
2.2模糊集合與模糊邏輯/20
2.3模糊邏輯推理/25
2.4模糊計算/29
2.5模糊計算的應用現(xiàn)狀與發(fā)展前景/33
第3篇機器學習
第3章人工神經(jīng)網(wǎng)絡與機器學習/37
3.1預備知識/38
3.2人工神經(jīng)網(wǎng)絡模型/44
3.3人工神經(jīng)網(wǎng)絡的經(jīng)典結構/48
3.4人工神經(jīng)網(wǎng)絡學習算法/50
3.5基于反向傳播學習的前饋型神經(jīng)網(wǎng)絡/54
3.6基于深度學習算法的深度神經(jīng)網(wǎng)絡/64
3.7機器學習的應用與發(fā)展/72
第4篇數(shù)據(jù)挖掘基礎
第4章分類算法/77
4.1分類的基本概念/78
4.2基于距離的分類算法/79
4.3基于決策樹的分類算法/82
4.4貝葉斯分類算法/98
4.5規(guī)則歸納/107
第5章聚類算法/117
5.1聚類算法概述/117
5.2劃分聚類算法/125
5.3層次聚類算法/133
5.4密度聚類算法/139
5.5其余聚類算法/143
第5篇演化計算
第6章遺傳算法/148
6.1遺傳演化理論概述/148
6.2遺傳算法的基本理論/153
6.3遺傳算法的實現(xiàn)方式/158
6.4遺傳算法的改進研究/167
6.5遺傳算法的應用與發(fā)展/172
第7章蟻群優(yōu)化算法/174
7.1自組織系統(tǒng)概述/175
7.2蟻群優(yōu)化算法概述/177
7.3蟻群優(yōu)化算法的實現(xiàn)方式/180
7.4蟻群優(yōu)化算法的改進研究/187
7.5蟻群優(yōu)化算法的控制參數(shù)設置/199
7.6蟻群優(yōu)化算法的應用現(xiàn)狀/201
第8章粒子群優(yōu)化算法/203
8.1粒子群優(yōu)化算法概述/205
8.2粒子群優(yōu)化算法的實現(xiàn)方式/208
8.3粒子群優(yōu)化算法的改進研究/213
8.4粒子群優(yōu)化算法的應用現(xiàn)狀/219
第6篇復雜系統(tǒng)基礎
第9章復雜網(wǎng)絡方法/222
9.1復雜網(wǎng)絡理論概述/222
9.2小世界網(wǎng)絡模型/233
9.3無標度網(wǎng)絡模型/235
9.4復雜網(wǎng)絡方法的應用現(xiàn)狀與發(fā)展前景/239
附錄部分章節(jié)實驗參考源程序/241
附錄A機器學習算法參考源程序/242
附錄B遺傳算法參考源程序/246
附錄C蟻群優(yōu)化算法參考源程序/249
附錄D粒子群優(yōu)化算法參考源程序/252
參考文獻/254