人工智能PDF电子书下载

第1章　绪论 1

1.1　人工智能的定义和研究目标 1

1.1.1　图灵测试 2

1.1.2　人工智能的定义 3

1.1.3　人工智能的研究目标 3

1.2　人工智能的起源和发展 4

1.2.1　人工智能的起源 4

1.2.2 人工智能的发展 4

1.2.3 40位图灵奖获得者中有6名人工智能学者 6

1.2.4　人工智能实现的飞跃 6

1.3　人工智能各学派的认知观 6

1.3.1　符号主义 7

1.3.2　联结主义 7

1.3.3　行为主义 7

1.4　人工智能的研究与应用领域 8

1.4.1 智能感知 8

1.4.2　智能推理 10

1.4.3　智能学习 11

1.4.4　智能行动 13

1.5　人工智能的近期发展分析 19

小结 19

习题 20

第2章　知识表示 21

2.1　知识的概念 21

2.1.1　知识、数据和信息 21

2.1.2　知识的特点 22

2.1.3　知识的分类及知识表示 23

2.2　一阶谓词逻辑表示法 24

2.2.1　什么是一阶谓词 24

2.2.2　一阶谓词逻辑表示法的特点 25

2.3　产生式表示法 25

2.3.1　产生式系统的定义和组成 26

2.3.2　产生式系统问题求解的基本过程 28

2.3.3　产生式系统的类型 29

2.3.4　产生式系统的优缺点 30

2.4　语义网络表示法 31

2.4.1　语义网络的基本概念 31

2.4.2　事物和概念的表示 33

2.4.3　语义网络表示法的优缺点 35

2.5　框架表示法 36

2.5.1　框架理论 36

2.5.2　框架和实例框架 36

2.5.3　框架表示的优缺点 38

2.6　脚本表示法 39

2.6.1　脚本的结构 39

2.6.2　脚本的推理 40

2.7　过程表示法 41

2.7.1　表示知识的方法 41

2.7.2　过程表示的优缺点 42

2.8　面向对象表示法 42

2.8.1　面向对象的基本概念和特征 43

2.8.2　知识的面向对象表示 44

2.9　基于Ontology的知识表示法 44

2.10　基于语义Web的知识表示法 47

小结 48

习题 49

第3章　搜索策略 50

3.1　引言 51

3.1.1　搜索的含义 51

3.1.2　状态空间法 52

3.1.3　问题归约 55

3.2　状态空间的盲目搜索 58

3.2.1　图搜索过程 58

3.2.2　宽度优先搜索 60

3.2.3　深度优先搜索 63

3.2.4　有界深度优先搜索 63

3.2.5　代价树搜索 66

3.3　状态空间的启发式搜索 67

3.3.1　启发式搜索窥视 68

3.3.2　启发信息与估价函数 70

3.3.3　启发式搜索算法（A算法） 71

3.3.4 A＊算法 73

3.3.5 A＊算法应用举例 75

3.4　与／或树的盲目搜索 77

3.4.1　与／或树的一般搜索 77

3.4.2　与／或树的广度优先搜索 78

3.4.3　与／或树的深度优先搜索 79

3.5　与／或树的启发式搜索 80

3.5.1　解树的代价与希望树 80

3.5.2　与／或树的启发式搜索过程 82

3.6　博弈树搜索 83

3.6.1　前言 83

3.6.2　博弈概述 84

3.6.3　极小极大分析法 84

3.6.4 α-β剪枝技术 85

小结 86

习题 86

第4章　确定性推理 88

4.1　推理的基本概念 88

4.1.1　推理的概念 88

4.1.2　推理的方法及其类型 89

4.1.3　推理的控制策略 90

4.1.4　推理的冲突消解策略 91

4.2　一阶谓词逻辑表示法 92

4.2.1　一阶谓词逻辑表示的逻辑基础 93

4.2.2　谓词逻辑表示方法 96

4.2.3　谓词公式的等价式 96

4.2.4　谓词公式的永真蕴含式 97

4.2.5　置换与合一 98

4.3　消解演绎推理方法 99

4.3.1　子句集及其化简 100

4.3.2　海伯伦理论 102

4.3.3　鲁宾逊消解原理 106

4.3.4　几个例子 111

4.4　不确定性推理 115

4.4.1　关于证据的不确定性 115

4.4.2　关于结论的不确定性 116

4.4.3 多个规则支持同一事实时的不确定性 116

4.4.4　模糊逻辑和模糊推理 117

4.4.5　系统组织技术 119

4.5　非单调推理 119

小结 120

习题 121

第5章　机器学习简介 122

5.1　机器学习概述 122

5.1.1　机器学习的基本思想 123

5.1.2　机器学习的发展历史 125

5.1.3　机器学习的研究热点 128

5.1.4　机器学习面临的挑战 129

5.2　机器学习的分类 130

5.2.1　符号机器学习 130

5.2.2　连接机器学习 132

5.2.3　行为机器学习 134

5.3　归纳学习 136

5.3.1 实例学习模型 137

5.3.2　决策树归纳方法 138

小结 141

习题 142

第6章　Agent技术理论基础 143

6.1　多Agent系统的产生背景 143

6.2 Agent概念 145

6.2.1 Agent定义 145

6.2.2 Agent属性 147

6.2.3　Agent分类 148

6.2.4　Agent与其他方法的区别 148

6.2.5 Agent结构 150

6.3　多Agent系统 152

6.3.1 多Agent系统的定义 153

6.3.2　多Agent系统的BDI模型 153

6.3.3 Agent通信 154

6.3.4　多Agent系统的开发方法及工具 156

6.4 Agent的研究应用领域 158

小结 161

习题 161

参考文献 162