人工智能 复杂问题求解的结构和策略 原书第5版PDF电子书下载

第一部分　人工智能的历史渊源及研究范围 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 3

1.1.1　人工智能基础的简要历史 4

1.1.2　理性主义和经验主义学派对人工智能的影响 6

1.1.3　形式逻辑的发展 7

1.1.4　图灵测试 10

1.1.5　智能的生物和社会模型：主体理论 12

1.2　人工智能的应用领域 15

1.2.1　博弈 15

1.2.3　专家系统 16

1.2.2　自动推理和定理证明 16

1.2.4　自然语言理解和语义建模 18

1.2.5 对人类工作能力建模 18

1.2.6　规划和机器人 19

1.2.7　人工智能的语言和环境 20

1.2.8　机器学习 20

1.2.9　另类表示：神经网络和遗传算法 21

1.2.10　AI和哲学 22

1.3　人工智能概要 22

1.4　结语和参考文献 23

1.5　习题 24

2.1.1　符号和语句 32

2.1　命题演算 32

第2章　谓词演算 32

2.0　简介 32

第二部分 作为表示和搜索的人工智能 32

2.1.2　命题演算的语义 33

2.2　谓词演算 35

2.2.1　谓词的语法和语句 35

2.2.2　谓词演算的语义 40

2.2.3　语义含义的积木世界例子 42

2.3　使用推理规则产生谓词演算表达式 44

2.3.1　推理规则 44

2.3.2　合一算法 46

2.3.3　合一的例子 49

2.4 应用：一个基于逻辑的财务顾问 52

2.5　结语和参考文献 55

2.6　习题 55

第3章　用以搜索状态空间的结构和策略 57

3.0　简介 57

3.1　图论 59

3.1.1　状态空间搜索的结构 59

3.1.2　有限状态自动机 61

3.1.3 问题的状态空间表示 62

3.2　用于状态空间搜索的策略 67

3.2.1　数据驱动搜索和目标驱动搜索 67

3.2.2　图搜索的实现 68

3.2.3　深度优先搜索和宽度优先搜索 71

3.2.4　迭代加深的深度优先搜索 76

3 3　利用状态空间来表示谓词演算推理 77

3.3.1　逻辑系统的状态空间描述 77

3.3.2 与或图 78

3.3.3　进一步的例子和应用 80

3.4　结语和参考文献 87

3.5　习题 87

第4章　启发式搜索 89

4.0　简介 89

4.1.1 爬山 92

4.1　启发式搜索算法 92

4.1.2　动态程序设计 93

4.2　最佳优先搜索算法 96

4.2.1　实现最佳优先搜索 96

4.2.2　实现启发评估函数 98

4.2.3　启发式搜索和专家系统 103

4.3　可采纳性、单调性和信息度 104

4.3.1 可采纳性尺度 104

4.3.2　单调性 106

4.3.3　信息度更高的启发是更好的启发 107

4.4　在博弈中使用启发 108

4.4.1　针对可穷举搜索情况的极小极大过程 108

4.4.2　固定层深的极小极大过程 109

4.4.3　α-β过程 113

4.5　复杂度问题 114

4.6　结语和参考文献 116

4.7　习题 117

第5章　随机方法 120

5.0　简介 120

5.1　计数基础（选读） 121

5.1.1　加法和乘法定理 121

5.1.2　排列与组合 123

5.2　概率论基础 124

5.2.1　样本空间、概率和独立性 124

5.2.2　概率推理：一个道路／交通例子 126

5.2.3　随机变量 127

5.2.4　条件概率 129

5.3　随机方法学的应用 131

5.4　贝叶斯定理 133

5.4.1　概述 133

5.4.2　道路／交通例子的扩展 136

5.5　结语和参考文献 137

5.6　习题 138

第6章　为状态空间搜索建立控制算法 140

6.0　简介 140

6.1　基于递归的搜索（可选） 141

6.1.1　递归 141

6.1.2　一个递归搜索的例子：模式驱动推理 142

6.2　产生式系统 145

6.2.1　定义和历史 145

6.2.2　产生式系统的例子 147

6.2.3 产生式系统中的搜索控制 153

6.2.4　AI产生式系统的优点 156

6.3　用于问题求解的黑板结构 157

6.4　结语和参考文献 159

6.5　习题 160

第三部分　表示和智能：AI中的挑战 164

第7章　知识表示 164

7.0　知识表示问题 164

7.1.1　语义关联理论 165

7.1　AI表象图式的简要历史 165

7.1.2　语义网络的早期研究 167

7.1.3　网络关系的标准化 170

7.1.4　脚本 174

7.1.5　框架 177

7.2　概念图：网络语言 180

7.2.1　概念图简介 180

7.2.2　类型、个体和名字 181

7.2.3　类型层次 182

7.2.4　泛化和特化 183

7.2.5　命题结点 185

7.2.6　概念图和逻辑 185

7.3.1　Brooks假设和包容结构 187

7.3　显式表示的替代方法 187

7.3.2　Copycat结构 189

7.4　基于主体的和分布式的问题求解方法 192

7.4.1　基于主体的定义 192

7.4.2　基于主体的应用 193

7.5　结语和参考文献 195

7.6　习题 197

第8章　求解问题的强方法 200

8.0　简介 200

8.1　专家系统技术概览 201

8.1.1　基于规则的专家系统设计 201

8.1.2　问题选择和知识工程的步骤 202

8.1.3　概念模型及其在知识获取中的作用 204

8.2　基于规则的专家系统 206

8.2.1　产生式系统和目标驱动问题求解 206

8.2.2　目标驱动推理中的解释和透明性 209

8.2.3　利用产生式系统进行数据驱动推理 210

8.2.4　专家系统的启发和控制 212

8.3　基于模型系统、基于案例系统和混合系统 214

8.3.1　基于模型推理简介 214

8.3.2　基于模型推理：来自NASA的例子 217

8.3.3　基于案例推理介绍 219

8.3.4　混合设计：强方法系统的优势和不足 222

8.4.1　简介 224

8.4　规划 224

8.4.2　使用规划宏：STRIPS 228

8.4.3　teleo-reactive规划 231

8.4.4　规划：来自NASA的例子 233

8.5　结语和参考文献 235

8.6　习题 236

第9章　不确定条件下的推理 238

9.0　简介 238

9.1　基于逻辑的反绎推理 239

9.1.1　非单调推理逻辑 239

9.1.2　真值维护系统 242

9.1.3　基于最小模型的逻辑 245

9.1.4　集合覆盖和基于逻辑的反绎 247

9.2　反绎：逻辑之外的办法 249

9.2.1　Stanford确信度代数 249

9.2.2　模糊集推理 251

9.2.3　Dempster-Shafer证据理论 254

9.3　处理不确定性的随机方法 258

9.3.1　有向图模型：贝叶斯信念网络 258

9.3.2　有向图模型：d-可分 260

9.3.3　有向图模型：一个推理算法 261

9.3.4 马尔可夫模型：离散马尔可夫过程 263

9.3.5　隐马尔可夫模型 265

9.3.6　用HMM和韦特比算法解码音素串 266

9.4　结语和参考文献 269

9.5　习题 270

第四部分　机器学习 275

第10章　基于符号的机器学习 275

10.0　简介 275

10.1　基于符号学习的框架 277

10.2　变型空间搜索 281

10.2.1　泛化操作和概念空间 281

10.2.2　候选解排除算法 282

10.2.3　LEX：启发式归纳搜索 287

10.2.4　评估候选解排除算法 289

10.3　ID33决策树归纳算法 290

10.3.1　自顶向下决策树归纳 292

10.3.2　测试选择的信息论方法 293

10.3.3　评价ID3 295

10.3.4决策树数据问题：打包、推进 296

10.4　归纳偏置和学习能力 296

10.4.1　归纳偏置 296

10.4.2　可学习性理论 298

10.5　知识和学习 299

10.5.1　Meta-DENDRAL 300

10.5.2　基于解释的学习 301

10.5.3　EBL和知识层学习 304

10.5.4　类比推理 304

10.6　无监督学习 306

10.6.1　发现和无监督学习 307

10.6.2　概念聚类 308

10.6.3　COBWEB和生物分类知识的结构 310

10.7　强化学习 313

10.7.1　强化学习的组成部分 313

10.7.2　一个例子：九宫游戏 315

10.7.3　强化学习的推理算法和应用 316

10.8　结语和参考文献 318

10.9 习题 319

第11章　连接主义的机器学习 321

11.0　简介 321

11.1　连接网络的基础 322

11.2　感知机学习 324

11.2.1　感知机学习算法 324

11.2.2　例子：用感知机进行分类 325

11.2.3　通用delta规则 328

11.3　反传学习 330

11.3.1　反传算法的起源 330

11.3.2　反传算法实例1：NETtalk 333

11.3.3　反传算法实例2：异或 334

11.4　竞争学习 335

11.4.1　对于分类的“胜者全拿”学习 335

11.4.2　学习原型的Kohonen网络 336

11.4.3　Outstar网络和逆传 337

11.4.4　支持向量机 339

11.5　Hebbian一致性学习 341

11.5.1　概述 341

11.5.2　无监督Hebbian学习的例子 342

11.5.3　有监督Hebbian学习 344

11.5.4　联想记忆和线性联想器 345

11.6　吸引子网络或“记忆” 348

11.6.1　概述 348

11.6.2　BAM，双向联想记忆 349

11.6.3　BAM处理的例子 350

11.6.4　自相关记忆和Hopfield网络 352

11.7　结语和参考文献 355

11.8　习题 356

第12章　机器学习：社会性和涌现性 357

12.0　社会性和涌现性的学习模型 357

12.1　遗传算法 358

12.1.1　两个例子：CNF可满足性问题和巡回推销员问题 360

12.1.2　遗传算法的评估 363

12.2　分类器系统和遗传程序设计 365

12.2.1　分类器系统 365

12.2.2　用遗传算子进行程序设计 369

12.3　人工生命和基于社会的学习 373

12.3.1　生命游戏 373

12.3.2　进化规划 375

12.3.3　涌现的实例研究 377

12.4　结语和参考文献 380

12.5　习题 381

第五部分　人工智能问题求解的高级课题 384

第13章　自动推理 384

13.0　定理证明中的弱方法 384

13.1　通用问题求解程序和差别表 385

13.2　归结定理证明 389

13.2.1　概述 389

13.2.2　为进行归结反驳生成子句形式 390

13.2.3　二元归结证明过程 393

13.2.4　归结策略和简化技术 396

13.2.5　从归结反驳中抽取解答 400

13.3　PROLOG和自动推理 402

13.3.1　概述 402

13.3.2　逻辑编程和PROLOG 403

13.4　自动推理进一步的问题 407

13.4.1　弱方法求解的统一表示法 407

13.4.2　可选推理规则 409

13.4.3　搜索策略及其使用 410

13.5　结语和参考文献 411

13.6　习题 411

14.0　自然语言理解问题 413

第14章　自然语言理解 413

14.1　解构语言：符号分析 415

14.1.1　概述 415

14.1.2　语言分析的过程 416

14.2　语法 417

14.2.1　使用上下文无关文法说明和解析 417

14.2.2　转移网络解析器 418

14.2.3　乔姆斯基层次和上下文相关文法 421

14.3　ATN解析器的语法和知识 423

14.3.1　扩充转移网络解析器 423

14.3.2　结合语法和语义知识 426

14.4.1　概述 430

14.4　语言分析随机工具 430

14.4.2　马尔可夫模型方法 431

14.4.3　决策树方法 432

14.4.4　随机技术的解析和其他语言应用 434

14.5　自然语言应用 435

14.5.1　故事理解和问题解答 435

14.5.2　数据库前端 436

14.5.3　Web信息抽取和摘要系统 438

14.5.4　用学习算法来泛化抽取的信息 440

14.6　结语和参考文献 440

14.7　习题 441

15.1.1　事实和规则的表示 447

15.0　简介 447

15.1　谓词演算程序设计的语法 447

第15章　PROLOG介绍 447

第六部分 人工智能语言与程序设计 447

15.1.2　创建、改变和监控PROLOG环境 450

15.1.3　PROLOG的列表和递归 451

15.1.4　PROLOG的递归搜索 454

15.1.5　在PROLOG中使用cut操作来控制搜索 455

15.2　PROLOG的抽象数据类型 457

15.2.1　ADT堆栈 457

15.2.2　ADT队列 458

15.2.3　ADT优先队列 458

15.2.4　ADT集合 459

15.3　一个PROLOG产生式系统的例子 460

15.4　设计各种搜索策略 464

15.4.1　采用closed列表的深度优先搜索算法 464

15.4.2　PROLOG的宽度优先搜索 466

15.4.3　PROLOG的最佳优先搜索 467

15.5　一个PROLOG规划器 468

15.6　PROLOG的元谓词、类型和合一 470

15.6.1　元逻辑谓词 470

15.6.2　PROLOG的类型 471

15.6.3　合一：用来启动谓词匹配和评估的工具 473

15.7　PROLOG的元解释器 475

15.7.1　有关PROLOG的PROLOG 475

15.7.2　基于规则的专家系统的外壳 478

15.7.3　PROLOG的语义网络 485

15.7.4　PROLOG的框架和模式 486

15.8　PROLOG的学习算法 488

15.8.1　PROLOG的变型空间搜索 488

15.8.2　候选消除算法 491

15.8.3　PROLOG的基于解释的学习 493

15.9　PROLOG的自然语言处理 495

15.9.1　自然语言处理的语义表示 495

15.9.2　PROLOG的递归下降上下文无关解析器 496

15.9.3　概率上下文无关解析器 498

15.9.4　概率词汇化上下文无关解析器 500

15.9.5　PROLOG上下文相关解析器 502

15.9.6　PROLOG的递归下降语义网解析器 503

15.10　结语和参考文献 505

15.11　习题 507

第16章　LISP介绍 511

16.0　简介 511

16.1　基本语法 511

16.1.1　符号表达式 511

16.1.2　控制LISP评估：quote和eval 514

16.1.3　LISP编程：创建新函数 515

16.1.4　LISP中的程序控制：条件和谓词 516

16.1.5　函数、表和符号计算 518

16.1.6　表的递归结构 520

16.1.7　嵌套表、结构以及car/cdr递归 522

16.1.8　用set绑定变量 524

16.1.9　用let定义局部变量 526

16.1.10　Common LISP中的数据类型 527

16.2　LISP中的搜索 528

16.3　高阶函数和抽象 532

16.3.1　映像和过滤器 532

16.3.2　函数参数和lambda表达式 534

16.4　LISP中的搜索策略 534

16.4.1　宽度优先和深度优先搜索 535

16.4.2　最佳优先搜索 537

16.5　LISP中的模式匹配 538

16.6　递归合一函数 539

16.7　解释器和嵌入式语言 542

16.8　LISP中的逻辑编程 544

16.8.1　一个简单的逻辑编程语言 544

16.8.2　流和流处理 546

16.8.3　基于流的逻辑程序解释器 547

16.9　流和延迟分析 550

16.10　一个LISP的专家系统外壳 553

16.10.1　实现确定性因子 553

16.10.2　lisp-shell的体系结构 554

16.10.　3用lisp-shell分类 557

16.11　LISP中的语义网络和继承 559

16.12　用CLOS的面向对象的编程 561

16.12.1　CLOS中类和实例的定义 562

16.12.2　定义通用函数和方法 564

16.12.3　CLOS中的继承 565

16.12.4　例子：自动调温器仿真 566

16.13　LISP中的学习：ID3算法 570

16.13.1　用defstruct定义结构 570

16.13.2　ID3算法 575

16.14　结语和参考文献 580

16.15　习题 580

第七部分　后记 587

第17章　人工智能是经验式的学科 587

17.0　简介 587

17.1.1　人工智能和物理符号系统假设 588

17.1　人工智能：修订的定义 588

17.1.2　连接主义或者“神经”计算 592

17.1.3　主体、涌现和智能 594

17.1.4　概率模型和随机技术 596

17.2　智能系统科学 598

17.2.1　心理学约束 598

17.2.2　认识论问题 600

17.3　人工智能：当前的挑战和未来的方向 605

17.4　结语和参考文献 608

参考文献 610

作者索引 634

主题索引 640