人工智能 复杂问题求解的结构和策略 structues and strategies for complex problem solvingPDF电子书下载

第一部分 人工智能的渊源及范围 3

第1章 人工智能的历史及应用 3

1.1 从伊甸园到第一台电子计算机：对智慧、知识和人类技能的态度 3

1.1.1 历史基础 4

1.1.2 逻辑的发展 6

1.1.3 图灵测试 8

1.1.4 智能的生物和社会模型：主体 11

1.2 人工智能的应用领域 13

1.2.1 博弈 14

1.2.2 自动推理和定理证明 15

1.2.3 专家系统 15

1.2.4 自然语言理解和语义建模 17

1.2.5 对人类表现建模 18

1.2.6 规划和机器人 18

1.2.7 人工智能的语言和环境 19

1.2.8 机器学习 20

1.2.9 另类表示：神经网络和遗传算法 20

1.2.10 AI 和哲学 21

1.3 人工智能的概括 22

1.4 结语和参考文献 23

1.5 练习 24

2.1.1 符号和语句 39

2.1 命题演算 39

第2章 谓词演算 39

2.0 简介 39

第二部分 作为表示和搜索的人工智能 39

2.1.2 命题演算的语义 41

2.2 谓词演算 42

2.2.1 谓词的语法和语句 42

2.2.2 谓词演算的语义 47

2.2.3 语义含义的积木世界例子 51

2.3 使用推理规则产生谓词演算表达式 52

2.3.1 推理规则 52

2.3.2 合一算法 55

2.3.3 合一的例子 58

2.4 应用：一个基于逻辑的财务顾问 61

2.5 结语和参考文献 64

2.6 练习 65

第3章 用以搜索状态空间的结构和策略 67

3.0 简介 67

3.1 图论 69

3.1.1 状态空间搜索的结构 69

3.1.2 问题的状态空间表示 71

3.2 用于状态空间搜索的策略 76

3.2.1 数据驱动搜索和目标驱动搜索 76

3.2.2 图搜索的实现 78

3.2.3 深度优先搜索和宽度优先搜索 81

3.2.4 迭代加深的深度优先搜索 87

3.3 利用状态空间来表示谓词演算推理 88

3.3.1 逻辑系统的状态空间描述 88

3.3.2 与或图 89

3.3.3 进一步的例子和应用 91

3.4 结语和参考文献 99

3.5 练习 99

第4章 启发式搜索 101

4.0 简介 101

4.1.1 实现最佳优先搜索 104

4.1 启发式搜索算法 104

4.1.2 实现启发评估函数 107

4.1.3 启发式搜索和专家系统 113

4.2 可采纳性、单调性和信息度 114

4.2.1 可采纳性尺度 115

4.2.2 单调性 116

4.2.3 信息度更高的启发是更好的启发 117

4.3 在博弈中使用启发 119

4.3.1 针对可穷举搜索情况的极小极大过程 119

4.3.2 固定层深的极小极大过程 121

4.3.3 α-β过程 125

4.4 复杂度问题 126

4.6 练习 129

4.5 结语和参考文献 129

第5章 状态空间搜索的控制和实现 133

5.0 简介 133

5.1 基于递归的搜索 134

5.1.1 递归 134

5.1.2 递归搜索 135

5.2 模式导向搜索 137

5.2.1 递归搜索实例：骑士周游问题 138

5.2.2 改进模式搜索算法 141

5.3.1 定义和历史 143

5.3 产生式系统 143

5.3.2 产生式系统的例子 146

5.3.3 产生式系统中的搜索控制 150

5.3.4 产生式系统的优点 155

5.4 用于问题求解的黑板结构 156

5.5 结语和参考文献 158

5.6 练习 158

第三部分 表示和智能：AI 中的挑战 165

第6章 知识表示 165

6.0 知识表示问题 165

6.1.1 语义关联理论 166

6.1 AI 表象图式的简要历史 166

6.1.2 语义网络的早期研究 168

6.1.3 网络关系的标准化 171

6.1.4 脚本 176

6.1.5 框架 180

6.2 概念图：网络语言 183

6.2.1 概念图简介 183

6.2.2 类型、个体和名字 183

6.2.3 类型层次 186

6.2.4 泛化和特化 186

6.2.6 概念图和逻辑 189

6.2.5 命题结点 189

6.3 显式表示的替代方法 191

6.3.1 Brooks 假设和包容结构 191

6.3.2 Copycat 结构 193

6.4 基于主体的和分布式的问题求解方法 196

6.4.1 面向主体的问题求解：定义 196

6.4.2 面向主体模式的应用领域以及存在的问题 198

6.5 结语和参考文献 199

6.6 练习 202

第7章 求解问题的强方法 205

7.0 简介 205

7.1.1 基于规则的专家系统 206

7.1 专家系统技术概览 206

7.1.2 问题选择和知识工程的步骤 207

7.1.3 概念模型及其在知识获取中的作用 209

7.2 基于规则的专家系统 212

7.2.1 产生式系统和目标驱动问题求解 212

7.2.2 目标驱动推理中的解释和透明性 215

7.2.3 利用产生式系统进行数据驱动推理 217

7.2.4 专家系统的启发和控制 219

7.3 基于模型系统、基于案例系统和混合系统 221

7.3.1 基于模型推理简介 221

7.3.2 基于模型推理：来自 NASA 的例子(Williams and Nayak) 224

7.3.3 基于案例推理介绍 226

7.3.4 混合设计：强方法系统的优势和不足 230

7.4 规划 232

7.4.1 简介 232

7.4.2 使用规划宏：STRIPS 237

7.4.3 teleo-reactive 规划(Nilsson1994，Benson1995) 240

7.4.4 规划：来自 NASA 的例子(Williams and Nayak) 242

7.5 结语和参考文献 245

7.6 练习 246

第8章 不确定条件下的推理 249

8.0 简介 249

8.1 基于逻辑的反绎推理 250

8.1.1 非单调推理逻辑 251

8.1.2 真值维护系统 254

8.1.3 基于最小模型的逻辑 258

8.1.4 集合覆盖和基于逻辑的反绎(Stem 1996) 260

8.2 反绎：逻辑之外的办法 262

8.2.1 Stanford 确信度代数 262

8.2.2 模糊集推理 264

8.2.3 Dempster-Shafer 证据理论 267

8.3 统计的方法处理不确定性 272

8.3.1 贝叶斯推理 272

8.3.2 贝叶斯信念网络 276

8.4 结语和参考文献 280

8.5 练习 282

第四部分 机器学习 287

第9章 基于符号的机器学习 287

9.0 概述 287

9.1 基于符号的学习的框架 289

9.2 变型空间搜索 294

9.2.1 泛化操作和概念空间 294

9.2.2 候选解排除算法 295

9.2.3 LEX：启发式归纳搜索 300

9.2.4 评价候选解排除算法 303

9.3 ID3决策树归纳算法 304

9.3.1 自顶向下决策树归纳 306

9.3.2 测试选择的信息论方法 307

9.3.3 评价 ID3 309

9.3.4 决策树数据问题：打包、推进 310

9.4 归纳偏置和学习能力 310

9.4.1 归纳偏置 311

9.4.2 可学习性理论 312

9.5 知识和学习 314

9.5.1 Meta-DENDRAL 314

9.5.2 基于解释的学习 315

9.5.3 EBL 和知识层学习 319

9.5.4 类比推理 319

9.6 无监督学习 322

9.6.1 发现和无监督学习 322

9.6.2 概念聚类 323

9.6.3 COBWEB 和分类知识的结构 325

9.7 强化学习 329

9.7.1 强化学习的组成部分 329

9.7.2 一个例子：九宫游戏 331

9.7.3 强化学习的推理算法和应用 333

9.8 结语和参考文献 335

9.9 练习 336

第10章 连接主义的机器学习 339

10.0 介绍 339

10.1 连接网络的基础 340

10.2 感知机学习 342

10.2.1 感知机学习算法 342

10.2.2 例子：用感知机进行分类 344

10.2.3 用 delta 规则 347

10.3 反传学习 349

10.3.1 反传算法的起源 349

10.3.2 反传算法实例1：NETtalk 353

10.3.3 反传算法实例2：异或 354

10.4 竞争学习 355

10.4.1 对于分类的“胜者全拿”学习 355

10.4.2 学习原型的 Kohonen 网络 356

10.4.3 Outstar 网络和逆传 358

10.5 Hebbian 一致性学习 361

10.5.1 介绍 361

10.5.2 无监督 Hebbian 学习的例子 362

10.5.3 有监督 Hebbian 学习 364

10.5.4 关联记忆和线性关联器 366

10.6.1 介绍 369

10.6 吸引子网络或记忆 369

10.6.2 BAM，双向关联记忆 370

10.6.3 BAM 处理的例子 371

10.6.4 自相关记忆和 Hopfield 网络 373

10.7 结语和参考文献 377

10.8 练习 377

第11章 机器学习：社会性和涌现性 379

11.0 社会性和涌现性的学习模型 379

11.1 遗传算法 380

11.1.1 两个例子：CNF 可满足性问题和巡回推销员问题 382

11.1.2 遗传算法的评估 385

11.2.1 分类器系统 388

11.2 分类器系统和遗传程序设计 388

11.2.2 用遗传算子进行程序设计 392

11.3 人工生命和基于社会的学习 396

11.3.1 生命游戏 397

11.3.2 进化规划 399

11.3.3 涌现的实例研究(Crutchfield and Mitchell 1994) 401

11.4 结语和参考文献 405

11.5 练习 405

第五部分 智能问题求解高级主题 409

第12章 自动推理 409

12.0 定理证明中的弱方法 409

12.1 通用问题求解程序和差别表 410

12.2 归结定理证明 414

12.2.1 介绍 414

12.2.2 为进行归结反驳生成子句形式 416

12.2.3 二元归结证明过程 419

12.2.4 归结策略和简化技术 423

12.2.5 从归结反驳中抽取解答 428

12.3 PROLOG 和自动推理 430

12.3.1 介绍 430

12.3.2 逻辑编程和 PROLOG 431

12.4 自动推理进一步的问题 435

12.4.1 弱方法求解的统一表示法 436

12.4.2 可选推理规则 438

12.4.3 搜索策略及其使用 440

12.5 结语和参考文献 441

12.6 练习 441

第13章 自然语言理解 443

13.0 自然语言理解问题 443

13.1 解构语言：符号分析 445

13.1.1 介绍 445

13.1.2 语言分析的过程 446

13.2 语法 447

13.2.1 使用上下文无关文法说明和解析 447

13.2.2 转移网络解析器 449

13.2.3 乔姆斯基层次和上下文相关文法 453

13.3 ATN 解析器的语法和知识 455

13.3.1 扩充转移网络解析器 455

13.3.2 结合语法和语义知识 457

13.4 语言分析随机工具 462

13.4.1 介绍 462

13.4.2 马尔科夫模型方法 464

13.4.3 决策树方法 465

13.4.4 随机技术的解析和其他语言应用 466

13.5.1 故事理解和问题解答 468

13.5 自然语言应用 468

13.5.2 数据库前端 469

13.5.3 Web 信息抽取和摘要系统 471

13.5.4 用学习算法来泛化抽取的信息 473

13.6 结语和参考文献 473

13.7 练习 474

第六部分 人工智能语言与程序设计 482

第14章 PROLOG 介绍 482

14.0 引言 482

14.1 谓词演算程序设计的语法 482

14.1.1 事实和规则的表示 482

14.1.2 创建、改变和监控 PROLOG 环境 486

14.1.3 PROLOG 的列表和递归 487

14.1.4 PROLOG 的递归搜索 489

14.1.5 在 PROLOG 中使用 cut 操作来控制搜索 491

14.2 PROLOG 的抽象数据类型(ADT) 493

14.2.1 ADT 堆栈 493

14.2.2 ADT 队列 494

14.2.3 ADT 优先队列 494

14.2.4 ADT 集合 495

14.3 一个 PROLOG 产生式的例子 496

14.4 设计各种搜索策略 500

14.4.1 采用 closed 列表的深度优先搜索算法 500

14.4.2 PROLOG 的宽度优先搜索 502

14.4.3 PROLOG 的最佳优先搜索 504

14.5 一个 PROLOG 规划器 505

14.6 PROLOG 的元谓词、类型和合一 508

14.6.1 元逻辑谓词 508

14.6.2 PROLOG 的类型 509

14.6.3 合一：用来启动谓词匹配和评价的工具 511

14.7 PROLOG 的元解释器 514

14.7.1 元解释器的介绍：有关 PROLOG 的 PROLOG 514

14.7.2 基于规则的专家系统的外壳 517

14.7.3 PROLOG 的语义网络 525

14.7.4 PROLOG 的框架和模式 526

14.8.1 PROLOG 的变型空间搜索 528

14.8 PROLOG 的学习算法 528

14.8.2 候选消除算法 532

14.8.3 PROLOG 的基于解释的学习 534

14.9 PROLOG 的自然语言处理 536

14.9.1 自然语言的语义处理 536

14.9.2 PROLOG 的递归下降语法分析器 537

14.9.3 PROLOG 的递归下降语义网分析器 541

14.10 结语和参考文献 543

14.11 练习 545

第15章 LISP 介绍 549

15.0 介绍 549

15.1.1 符号表达式，LISP 的语义基础 550

15.1 LISP：简要概述 550

15.1.2 控制 LISP 分析：quote 和 eval 553

15.1.3 LISP 编程：创建新函数 554

15.1.4 LISP 中的程序控制：条件和谓词 555

15.1.5 函数、表和符号计算 557

15.1.6 表的递归结构 559

15.1.7 嵌套表、结构以及 car/cdr 递归 561

15.1.8 用 set 绑定变量 562

15.1.9 用 let 定义局部变量 565

15.1.10 Common LISP 中的数据类型 567

15.2 LISP 中的搜索：一个解决“农夫、狼、山羊和卷心菜问题”的函数式方法 568

15.3 高阶函数和抽象 572

15.3.1 映像和过滤器 572

15.3.2 函数参数和 lambda 表达式 574

15.4 LISP 中的搜索策略 575

15.4.1 宽度优先和深度优先搜索 575

15.4.2 最优搜索 577

15.5 LISP 中的模式匹配 578

15.6 递归合一函数 580

15.7 解释器和嵌入式语言 583

15.8 LISP 中的逻辑编程 585

15.8.1 一个简单的逻辑编程语言 586

15.8.2 流和流处理 587

15.8.3 基于流的逻辑程序解释器 588

15.9 流和延迟分析 592

15.10 一个 LISP 的专家系统外壳 595

15.10.1 实现确定性因子 595

15.10.2 lisp-shell 的体系结构 597

15.10.3 用 lisp-shell 的分类 600

15.11 LISP 中的语义网络和继承 601

15.12 用 CLOS 的面向对象的编程 604

15.12.1 CLOS 中类和实例的定义 605

15.12.2 定义通用函数和方法 607

15.12.3 CLOS 中的继承 608

15.12.4 例子：自动调温器仿真 609

15.13 LISP 中的学习：ID3算法 614

15.13.1 用 defstruct 定义结构 614

15.13.2 ID3算法 619

15.14 结语和参考文献 624

15.15 练习 625

第七部分 后记 631

第16章 人工智能作为按经验进行探索的学科 631

16.0 引言 631

16.1.1 人工智能和物理符号系统假设 633

16.1 人工智能：修订后的定义 633

16.1.2 连接或者“神经”计算 636

16.1.3 主体、涌现和智能 639

16.2 智能系统科学 641

16.2.1 心理学约束 642

16.2.2 认识论问题 644

16.2.3 情景角色和存在智能 649

16.3 人工智能：当前的问题和未来的方向 650

16.4 结语和参考文献 654

参考文献 655

作者索引 681

主题索引 686