人工智能基础 第2版PDF电子书下载

第1章 人工智能研究的发展和基本原则 1

1.1人工智能的研究和应用 1

1.2人工智能研究的发展 4

1.3人工智能研究的成果 6

1.4人工智能研究的基本原则 9

1.5存在的问题和发展前景 10

习题 13

参考文献 13

第2章 问题求解的基本方法 14

2.1一般图搜索 14

2.1.1状态空间搜索 14

2.1.2启发式搜索 21

2.1.3状态空间抽象和生成-测试法 27

2.1.4启发式搜索的适用性讨论 28

2.2问题归约 30

2.2.1问题归约的描述 30

2.2.2与或图搜索 34

2.2.3与或图的启发式搜索 36

2.3基于归结的演绎推理 39

2.3.1谓词演算 39

2.3.2归结演绎方法 46

2.3.3归结反演 53

2.4基于规则的演绎推理 57

2.4.1基于规则的正向演绎推理 58

2.4.2基于规则的逆向演绎推理 63

2.4.3演绎推理的应用讨论 66

2.4.4逻辑编程语言Prolog 67

本章小结 74

习题 75

参考文献 79

第3章 知识表示 80

3.1知识和知识表示 80

3.1.1知识原则 80

3.1.2知识表示的作用 81

3.1.3知识表示的功能 83

3.1.4知识表示的性能 84

3.1.5基本的知识表示方式 85

3.2产生式表示 87

3.2.1产生式系统 87

3.2.2控制策略 92

3.2.3产生式系统的分类 95

3.3结构化表示 97

3.3.1语义网络 97

3.3.2框架表示法 102

3.3.3面向对象的表示法 106

3.4知识表示的实用化问题 107

3.4.1程序性和陈述性知识 107

3.4.2表示能力和推理效率之间的制约关系 108

3.5基于本体的语义知识表示 113

3.5.1语义知识表示和共享本体 113

3.5.2本体表示语言的研究 114

3.5.3Web本体语言0WL 119

3.5.4语义Web的应用情景和支持技术 121

本章小结 124

习题 126

参考文献 128

第4章 基于知识的系统 129

4.1KB系统的开发 129

4.1.1KB系统的一般概念 129

4.1.2KB系统的体系结构原则 132

4.1.3KB系统的开发过程 134

4.1.4KB系统的开发工具和环境 136

4.2设计基于产生式表示的KB系统开发工具 137

4.2.1总体设计 137

4.2.2Xps的实现 140

4.2.3应用实例——家族树 142

4.2.4性能改进 144

4.2.5开发工具OPS5 145

4.3专家系统实例——MYCIN 147

4.3.1知识库的构造 147

4.3.2推理机的设计 149

4.3.3系统服务设施 153

4.3.4开发工具EMYCIN 155

4.4问题求解的结构化组织 156

4.4.1结构化组织的需求 156

4.4.2事务表 158

4.4.3黑板法 159

4.4.4问题求解建模 160

4.4.5KB系统的高级技术 164

4.5基于本体的知识系统 167

4.5.1基础级本体工程 167

4.5.2高级本体工程 173

4.5.3开发基于本体的知识系统 180

本章小结 188

习题 189

参考文献 191

第5章 自动规划和配置 193

5.1经典规划技术 193

5.1.1经典规划技术的发展 193

5.1.2规划的基本概念 194

5.1.3早期的自动规划技术 197

5.1.4部分排序规划技术 203

5.2自动规划技术的新进展 206

5.2.1非经典规划技术的开发 207

5.2.2自动规划技术的实用化 208

5.2.3智能的调度、规划和项目管理 210

5.3自动配置 217

5.3.1配置的一般概念 217

5.3.2自动配置的建模 219

5.3.3XCON——计算机自动配置系统 224

本章小结 230

习题 231

参考文献 233

第6章 机器学习 234

6.1机器学习概论 234

6.1.1机器学习的基本概念 234

6.1.2机器学习的发展历史 235

6.1.3机器学习分类 237

6.2示例学习 243

6.2.1示例学习的基本策略 243

6.2.2决策树构造法ID3 252

6.3基于解释的学习 255

6.3.1基于解释的泛化（EBG） 256

6.3.2基于解释学习的若干基本问题 260

6.4遗传算法 261

6.4.1简单遗传算法 261

6.4.2分类系统 265

6.5加强学习 269

6.5.1加强学习的基本方法 269

6.5.2Q学习 272

6.5.3有关加强学习的进一步讨论 274

6.6基于范例的学习 275

6.6.1基于范例推理的过程 275

6.6.2应用实例：智能饲料配方系统ICMIX 277

6.7知识发现与数据挖掘 279

6.7.1定理发现 279

6.7.2数据挖掘 284

6.7.3关联规则挖掘 287

6.7.4数据库及网络中的知识发现 295

本章小结 299

习题 300

参考文献 302

第7章 人工智能高级技术综述 305

7.1非单调推理和软计算 305

7.1.1真值维持系统 306

7.1.2约束满足问题 308

7.1.3不确定推理 310

7.1.4模糊逻辑和模糊推理 315

7.1.5人工神经网络 319

7.2基于范例的推理 323

7.2.1基于范例的推理系统 324

7.2.2范例表示和索引 326

7.2.3检索、改编和辩证 328

7.2.4基于范例的学习 329

7.2.5结论 330

7.3关于时间和空间的推理 330

7.3.1伴有时间的推理 331

7.3.2时间的不确定性和分支 333

7.3.3关于空间的推理 336

7.3.4关于形状的推理 339

7.4机器学习研究与应用的新进展 340

7.4.1贝叶斯网络 340

7.4.2隐马尔可夫模型 343

7.4.3统计学习理论 344

7.4.4粗糙集理论 348

7.4.5聚类分析 352

7.4.6复杂类型数据的挖掘 354

7.5Agent技术和多Agent协同工作 356

7.5.1Agent技术的研究和发展 357

7.5.2多Agent协作 361

7.5.3Agent通信 366

7.6新一代网络计算的技术基础及其智能化 369

7.6.1语义Web 370

7.6.2网格计算 371

7.6.3自治计算 373

本章小结 375

习题 383

参考文献 385