目 錄
第1章 緒論 1
1.1 人工智能的概念 1
1.1.1 智能的定義 1
1.1.2 人工智能的定義 3
1.2 人工智能的產(chǎn)生和發(fā)展 5
1.2.1 孕育期（20世紀(jì)50年代中期以前） 5
1.2.2 形成及第一個興旺期（20世紀(jì)50年代中期至60年代中期） 6
1.2.3 蕭條波折期（20世紀(jì)60年代中期至70年代中期） 7
1.2.4 第二個興旺期（20世紀(jì)70年代中期至80年代中期） 8
1.2.5 穩(wěn)步增長期（20世紀(jì)80年代中期至今） 10
1.2.6 中國的人工智能發(fā)展 11
1.3 人工智能的主要學(xué)派 12
1.3.1 符號主義學(xué)派 12
1.3.2 連接主義學(xué)派 13
1.3.3 行為主義學(xué)派 14
1.4 人工智能的主要研究內(nèi)容 14
1.5 人工智能的主要應(yīng)用領(lǐng)域 17
小結(jié) 24
習(xí)題1 24
第2章 知識表示 25
2.1 知識表示概述 25
2.1.1 知識的概念 25
2.1.2 知識表示的概念 26
2.2 一階謂詞邏輯表示法 27
2.2.1 命題 27
2.2.2 謂詞 28
2.2.3 謂詞公式 29
2.2.4 謂詞邏輯表示 30
2.2.5 謂詞邏輯表示法的特點 33
2.3 產(chǎn)生式表示法 33
2.3.1 產(chǎn)生式表示的基本方法 33
2.3.2 產(chǎn)生式系統(tǒng)的基本結(jié)構(gòu) 35
2.3.3 產(chǎn)生式系統(tǒng)的分類 36
2.3.4 產(chǎn)生式表示法的特點 37
2.4 語義網(wǎng)絡(luò)表示法 39
2.4.1 語義網(wǎng)絡(luò)的基本概念 39
2.4.2 語義網(wǎng)絡(luò)的基本語義關(guān)系 39
2.4.3 語義網(wǎng)絡(luò)表示知識的方法 41
2.4.4 語義網(wǎng)絡(luò)的推理過程 45
2.4.5 語義網(wǎng)絡(luò)表示法的特點 46
2.5 框架表示法 46
2.5.1 框架結(jié)構(gòu) 46
2.5.2 框架表示 48
2.5.3 框架表示的推理過程 50
2.5.4 框架表示法的特點 50
2.6 腳本表示法 50
2.7 面向?qū)ο蟊硎痉?54
小結(jié) 56
習(xí)題2 57
第3章 確定性推理 59
3.1 推理概述 59
3.1.1 推理的概念 59
3.1.2 推理的分類 59
3.1.3 推理的控制策略 61
3.2 推理的邏輯基礎(chǔ) 63
3.2.1 謂詞公式的永真性和可滿足性 63
3.2.2 置換與合一 65
3.3 自然演繹推理 68
3.4 歸結(jié)演繹推理 69
3.4.1 子句型 69
3.4.2 魯濱遜歸結(jié)原理 72
3.4.3 歸結(jié)演繹推理的歸結(jié)策略 76
3.4.4　用歸結(jié)原理求取問題的答案 81
小結(jié) 81
習(xí)題3 82
第4章 搜索策略 85
4.1 搜索概述 85
4.2 一般圖搜索 86
4.2.1 圖搜索的基本概念 86
4.2.2 狀態(tài)空間搜索 87
4.2.3 一般圖搜索過程 91
4.3 盲目搜索 92
4.3.1 寬度優(yōu)先搜索 93
4.3.2 深度優(yōu)先搜索 95
4.3.3 有界深度搜索和迭代加深搜索 97
4.3.4 搜索最優(yōu)策略的比較 98
4.4 啟發(fā)式搜索 99
4.4.1 啟發(fā)性信息和評估函數(shù) 99
4.4.2 啟發(fā)式搜索A算法 100
4.4.3 實現(xiàn)啟發(fā)式搜索的關(guān)鍵因素 102
4.4.4 A*算法 103
4.4.5 迭代加深A(yù)*算法 106
4.5 回溯搜索和爬山法 107
4.5.1 爬山法 107
4.5.2 回溯策略 108
4.6 問題規(guī)約 109
4.7 與/或圖搜索 111
4.7.1 與/或圖表示 111
4.7.2 與/或圖的啟發(fā)式搜索 113
4.8 博弈 117
4.8.1 極大極小過程 119
4.8.2 α?β過程 121
小結(jié) 122
習(xí)題4 123
第5章 不確定性推理 125
5.1 不確定性推理概述 125
5.1.1 不確定性推理的概念 125
5.1.2 知識不確定性的來源 125
5.1.3 不確定性推理要解決的基本問題 126
5.1.4 不確定性推理方法的分類 128
5.2 概率方法 129
5.2.1 概率論基礎(chǔ) 129
5.2.2 經(jīng)典概率方法 130
5.2.3 逆概率方法 130
5.3 主觀貝葉斯方法 132
5.3.1 規(guī)則不確定性的表示 132
5.3.2 證據(jù)不確定性的表示 134
5.3.3 組合證據(jù)不確定性的計算 135
5.3.4 不確定性推理 135
5.3.5 結(jié)論不確定性的合成算法 137
5.4 確定性理論 140
5.4.1 可信度 140
5.4.2 CF模型 142
5.4.3 確定性方法的說明 145
5.5 證據(jù)理論 146
5.5.1 證據(jù)理論的形式描述 147
5.5.2 證據(jù)理論的推理模型 150
5.5.3 證據(jù)不確定性的表示 152
5.5.4 規(guī)則不確定性的表示 152
5.5.5 不確定性的推理 152
5.5.6 組合證據(jù)的不確定性計算 152
5.6 模糊推理 155
5.6.1 模糊數(shù)學(xué)的基本知識 155
5.6.2 模糊假言推理 157
小結(jié) 160
習(xí)題5 161
第6章 機器學(xué)習(xí) 163
6.1 機器學(xué)習(xí)概述 163
6.1.1 學(xué)習(xí)與機器學(xué)習(xí) 163
6.1.2 學(xué)習(xí)系統(tǒng) 164
6.1.3 機器學(xué)習(xí)的發(fā)展簡史 166
6.1.4 機器學(xué)習(xí)的分類 167
6.1.5 機器學(xué)習(xí)的應(yīng)用和研究目標(biāo) 168
6.2 歸納學(xué)習(xí) 169
6.2.1 歸納學(xué)習(xí)的基本概念 169
6.2.2 變型空間學(xué)習(xí) 171
6.2.3 歸納偏置 173
6.3 決策樹學(xué)習(xí) 174
6.3.1 決策樹的組成及分類 174
6.3.2 決策樹的構(gòu)造算法CLS 175
6.3.3 基本的決策樹算法ID3 177
6.3.4 決策樹的偏置 179
6.4 基于實例的學(xué)習(xí) 180
6.4.1 k?近鄰算法 180
6.4.2 距離加權(quán)最近鄰法 181
6.4.3 基于范例的學(xué)習(xí) 181
6.5 強化學(xué)習(xí) 186
6.5.1 強化學(xué)習(xí)模型 186
6.5.2 馬爾可夫決策過程 187
6.5.3 Q學(xué)習(xí) 188
小結(jié) 190
習(xí)題6 191
第7章 支持向量機 193
7.1 支持向量機概述 193
7.2 統(tǒng)計學(xué)習(xí)理論 194
7.2.1 學(xué)習(xí)問題的表示 194
7.2.2 期望風(fēng)險和經(jīng)驗風(fēng)險 195
7.2.3 VC維理論 196
7.2.4 推廣性的界 197
7.2.5 結(jié)構(gòu)風(fēng)險最小化 198
7.3 支持向量機的構(gòu)造 199
7.3.1 函數(shù)集結(jié)構(gòu)的構(gòu)造 199
7.3.2 支持向量機的模式 200
7.4 核函數(shù) 203
7.4.1 核函數(shù)概述 203
7.4.2 核函數(shù)的分類 204
7.5 SVM的算法及多類SVM 205
7.6 用于非線性回歸的SVM 206
7.7 支持向量機的應(yīng)用 207
小結(jié) 209
習(xí)題7 209
第8章 專家系統(tǒng) 210
8.1 專家系統(tǒng)概述 210
8.1.1 專家系統(tǒng)的特性 210
8.1.2 專家系統(tǒng)的結(jié)構(gòu)和類型 211
8.2 基于規(guī)則的專家系統(tǒng) 213
8.3 基于框架的專家系統(tǒng) 215
8.4 基于模型的專家系統(tǒng) 217
8.5 專家系統(tǒng)的開發(fā) 219
8.5.1 專家系統(tǒng)的開發(fā)過程 219
8.5.2 專家系統(tǒng)的知識獲取 220
8.5.3 專家系統(tǒng)的開發(fā)工具和環(huán)境 222
8.6 專家系統(tǒng)設(shè)計舉例 224
8.6.1 專家知識的描述 224
8.6.2 知識的使用 227
8.6.3 決策的解釋 230
8.6.4 MYCIN系統(tǒng) 230
8.7 新型專家系統(tǒng) 231
小結(jié) 233
習(xí)題8 234
第9章 神經(jīng)計算 235
9.1 神經(jīng)計算概述 235
9.2 感知器 237
9.2.1 感知器的結(jié)構(gòu) 237
9.2.2 感知器的學(xué)習(xí)算法 238
9.3 反向傳播網(wǎng)絡(luò) 240
9.3.1 BP網(wǎng)絡(luò)的結(jié)構(gòu) 240
9.3.2 BP網(wǎng)絡(luò)的學(xué)習(xí)算法 241
9.4 自組織映射神經(jīng)網(wǎng)絡(luò) 244
9.4.1 SOM網(wǎng)絡(luò)結(jié)構(gòu) 244
9.4.2 SOM網(wǎng)絡(luò)的學(xué)習(xí)算法 244
9.5 Hopfield網(wǎng)絡(luò) 246
9.5.1 離散Hopfield網(wǎng)絡(luò)的結(jié)構(gòu) 246
9.5.2 離散Hopfield網(wǎng)絡(luò)的穩(wěn)定性 247
9.5.3 離散Hopfield 網(wǎng)絡(luò)的學(xué)習(xí)算法 247
9.6 脈沖耦合神經(jīng)網(wǎng)絡(luò) 248
9.6.1 PCNN的結(jié)構(gòu) 248
9.6.2 PCNN的學(xué)習(xí)算法 249
9.7 深度神經(jīng)網(wǎng)絡(luò) 249
小結(jié) 250
習(xí)題9 251
第10章 進(jìn)化計算 252
10.1 進(jìn)化計算概述 252
10.2 遺傳算法 253
10.2.1 遺傳算法的基本原理 253
10.2.2 遺傳算法的應(yīng)用示例 255
10.2.3 模式定理 257
10.2.4 遺傳算法的改進(jìn) 259
10.3 進(jìn)化規(guī)劃 260
10.3.1 標(biāo)準(zhǔn)進(jìn)化規(guī)劃及其改進(jìn) 261
10.3.2 進(jìn)化規(guī)劃的基本技術(shù) 262
10.4 進(jìn)化策略 263
10.4.1 進(jìn)化策略及其改進(jìn) 263
10.4.2 進(jìn)化策略的基本技術(shù) 264
10.5 GA、EP、ES的異同 266
小結(jié) 267
習(xí)題10 267
第11章 模糊計算 268
11.1 模糊集合的概念 268
11.1.1 模糊集合的定義 268
11.1.2 模糊集合的表示方法 268
11.2 模糊集合的代數(shù)運算 273
11.3 正態(tài)模糊集和凸模糊集 275
11.4 模糊關(guān)系 276
11.4.1 模糊關(guān)系的概述 276
11.4.2 模糊關(guān)系的性質(zhì) 277
11.5 模糊判決 277
11.6 模糊數(shù)學(xué)在模式識別中的應(yīng)用 278
11.6.1 最大隸屬度原則 278
11.6.2 擇近原則 279
小結(jié) 280
習(xí)題11 280
第12章 群智能 282
12.1 群智能概述 282
12.1.1 群智能優(yōu)化算法定義 282
12.1.2 群智能優(yōu)化算法原理 283
12.1.3 群智能優(yōu)化算法特點 283
12.2 蟻群算法 283
12.2.1 蟻群算法概述 283
12.2.2 蟻群算法的數(shù)學(xué)模型 284
12.2.3 蟻群算法的改進(jìn) 286
12.2.4 蟻群算法的應(yīng)用示例 287
12.3 粒子群優(yōu)化算法 288
12.3.1 粒子群優(yōu)化算法基本思想 288
12.3.2 粒子群優(yōu)化算法基本框架 288
12.3.3 粒子群優(yōu)化算法參數(shù)分析與改進(jìn) 290
12.3.4 粒子群優(yōu)化算法的應(yīng)用示例 291
12.4 其他群智能優(yōu)化算法 292
12.4.1 人工魚群算法 292
12.4.2 細(xì)菌覓食算法 295
12.4.3 混合蛙跳算法 297
12.4.4 果蠅優(yōu)化算法 298
小結(jié) 299
習(xí)題12 300
第13章 爭論與展望 301
13.1 爭論 301
13.1.1 對人工智能理論的爭論 301
13.1.2 對人工智能方法的爭論 302
13.1.3 對人工智能技術(shù)路線的爭論 302
13.1.4 對強弱人工智能的爭論 303
13.2 展望 304
13.2.1 更新的理論框架 304
13.2.2 更好的技術(shù)集成 305
13.2.3 更成熟的應(yīng)用方法 305
13.2.4 腦機接口 306
小結(jié) 306
習(xí)題13 307
附錄A 參考答案 308
參考文獻(xiàn) 309