人工智能习题解析与实践PDF电子书下载

第1章 概论 1

1.1 学习目标与要求 1

1.2 知识要点 1

1.2.1 人工智能的概念 1

1.2.2 人工智能的产生及主要学派 2

1.2.3 人工智能、专家系统和知识工程 3

1.2.4 图灵测试 4

1.2.5 人工智能应用系统 5

1.2.6 人工智能的技术特征 7

1.3 习题解析 8

1.4 补充习题 9

1.5 课堂演示与实践指导 10

第2章 用搜索求解问题的基本原理 12

2.1 学习目标与要求 12

2.2 知识要点 12

2.2.1 搜索求解问题的基本思路 12

2.2.2 实现搜索过程的三大要素 12

2.2.3 通过搜索求解问题的方法 14

2.2.4 问题特征分析 14

2.3 习题解析 15

2.4 补充习题 16

2.5 课堂演示与实践指导 18

2.5.1 课堂演示 18

2.5.2 实践指导：分啤酒问题 22

第3章 搜索的基本策略 29

3.1 学习目标与要求 29

3.2 知识要点 29

3.2.1 盲目的搜索方法 29

3.2.2 启发式搜索 30

3.3 习题解析 32

3.4 补充习题 44

3.5 课堂演示与实践指导 49

3.5.1 课堂演示 49

3.5.2 实践指导：传教士—野人过河问题的实现 57

第4章 图搜索策略 71

4.1 学习目标与要求 71

4.2 知识要点 71

4.2.1 或图搜索策略 71

4.2.2 与/或图搜索 75

4.3 习题解析 77

4.4 补充习题 79

4.5 课堂演示与实践指导 84

4.5.1 课堂演示 84

4.5.2 实践指导：天平称球 90

第5章 博弈与搜索 93

5.1 学习目标与要求 93

5.2 知识要点 93

5.2.1 博弈与对策 93

5.2.2 极小极大搜索算法 93

5.2.3 α-β剪枝算法 94

5.3 习题解析 95

5.4 补充习题 100

5.5 课堂演示与实践指导 105

5.5.1 课堂演示 105

5.5.2 实践指导：人机对战五子棋游戏的实现 108

第6章 演化搜索算法 130

6.1 学习目标与要求 130

6.2 知识要点 130

6.2.1 遗传算法的基本概念 130

6.2.2 遗传编码 131

6.2.3 适应值函数 132

6.2.4 遗传操作 133

6.2.5 初始化群体 136

6.2.6 控制参数的选取 136

6.2.7 算法的终止准则 137

6.2.8 免疫算法 137

6.3 习题解析 141

6.4 补充习题 148

6.5 课堂演示与实践指导 149

6.5.1 课堂演示 149

6.5.2 实践指导：遗传算法求解TSP问题 151

第7章 群集智能算法 158

7.1 学习目标与要求 158

7.2 知识要点 158

7.2.1 群集智能的基本算法介绍 158

7.2.2 群集智能与人工鱼 165

7.2.3 群集智能的优缺点 166

7.3 习题解析 167

7.4 补充习题 169

7.5 课堂演示与实践指导 169

7.5.1 课堂演示 169

7.5.2 实践指导：蚁群算法的模拟实现 174

第8章 记忆型搜索算法 198

8.1 学习目标与要求 198

8.2 知识要点 198

8.2.1 禁忌搜索算法 198

8.2.2 和声搜索算法 202

8.3 习题解析 205

第9章 基于Agent的搜索 207

9.1 学习目标与要求 207

9.2 知识要点 207

9.2.1 DAI概述 207

9.2.2 分布式问题求解 208

9.2.3 Agent的定义 208

9.2.4 Agent的分类 209

9.2.5 Agent通信 211

9.2.6 移动Agent 213

9.2.7 典型的移动Agent平台 215

9.3 习题解析 216

9.4 补充习题 221

9.5 实践指导：基于Agent实现的分布式计算 221

第10章 知识表示与处理方法 235

10.1 学习目标与要求 235

10.2 知识要点 235

10.2.1 知识表示概述 235

10.2.2 逻辑表示法 237

10.2.3 产生式表示法 237

10.2.4 语义网络表示法 240

10.2.5 框架表示法 243

10.2.6 过程式知识表示 244

10.3 习题解析 244

10.4 补充习题 250

第11章 谓词逻辑的归结原理及其应用 257

11.1 学习目标与要求 257

11.2 知识要点 257

11.2.1 命题演算的归结方法 257

11.2.2 谓词演算的归结 258

11.2.3 归结原理 260

11.2.4 归结过程的控制策略 264

11.3 习题解析 265

11.4 补充习题 275

11.5 课堂演示与实践指导 292

11.5.1 课堂演示 292

11.5.2 实践指导 295

第12章 非经典逻辑的推理 299

12.1 学习目标与要求 299

12.2 知识要点 299

12.2.1 非单调推理 299

12.2.2 Dempster-Shater（D-S）证据理论 300

12.2.3 不确定性推理 302

12.2.4 MYCIN系统的推理模型 304

12.2.5 模糊推理 305

12.3 习题解析 308

12.4 补充习题 320

第13章 机器学习 327

13.1 学习目标与要求 327

13.2 知识要点 327

13.2.1 概述 327

13.2.2 归纳学习 329

13.2.3 基于解释的学习 332

13.2.4 基于类比的学习 333

13.3 习题解析 334

13.4 补充习题 336

13.5 实践指导 337

第14章 人工神经网络 346

14.1 学习目标与要求 346

14.2 知识要点 346

14.2.1 人工神经网络的特点 346

14.2.2 人工神经网络的基本原理 347

14.2.3 人工神经网络的基本结构模式 349

14.2.4 人工神经网络互联结构 350

14.2.5 神经网络模型分类 351

14.2.6 基本的神经网络学习算法介绍 352

14.2.7 典型神经网络简介 354

14.2.8 人工神经网络与人工智能其他技术的比较 359

14.3 习题解析 360

14.4 补充习题 363

14.5 实践指导 365

第15章 数据挖掘与知识发现 374

15.1 学习目标与要求 374

15.2 知识要点 374

15.2.1 数据挖掘 374

15.2.2 Web挖掘 385

15.2.3 文本挖掘 389

15.3 习题解析 391

15.4 补充习题 393

15.5 实践指导：利用Weka挖掘关联规则 394

第16章 专家系统 405

16.1 学习目标与要求 405

16.2 知识要点 405

16.2.1 专家系统概述 405

16.2.2 专家系统中的知识获取 407

16.2.3 专家系统的解释机制 408

16.2.4 专家系统开发工具与环境 409

16.2.5 专家系统开发方法 411

16.3 习题解析 412

16.4 补充习题 416

参考文献 419