第一章 概论及数学知识准备 1
1.1 概论 1
1.2 集合论的基本概念 3
1.2.1 集合与成员 3
1.2.2 蕴含 4
1.2.3 幂集 5
1.2.4 集合的运算 5
1.2.5 全集 6
1.2.6 n值运算 6
1.2.7 加索引集合 6
1.2.8 划分 7
1.2.9 集合的代数式 7
1.2.10 有序偶 7
1.2.11 笛卡尔积 7
1.2.12 对应与映照 8
1.2.13 可列集 10
1.3 图论的基本概念 10
1.3.1 图 10
1.3.2 树 12
1.3.3 耗散图 14
1.3.4 图的数据结构 14
第二章 问题求解 20
2.1 状态空间搜索法 20
2.1.2 状态空间的表示法及穷搜索法 20
2.1.2 广度优先搜索法 21
2.1.3 深度优先搜索法 25
2.1.4 评价函数和启发式程序 26
2.1.5 性能的测量 33
2.2 问题归约法 35
2.2.1 算符法 35
2.2.2 关键法 37
2.3 与-或图法 43
2.3.1 与-或树的广度优先搜索法 47
2.3.2 与-或树的深度优先搜索法 48
2.3.3 与-或图的有序搜索法 51
2.4 博奕树 56
2.4.1 归约博奕图 56
2.4.2 最小最大值搜索法 57
2.4.3 α-β搜索法 61
2.4.4 A-B型α-β搜索法 63
2.4.5 向前修剪的搜索法 64
2.5 非确定程序 64
2.5.1 状态空间法 64
2.5.2 与-或图法 65
第三章 自动定理证明 73
3.1 命题演算 73
3.1.1 基本符号 73
3.1.2 解释Ⅰ 76
3.1.3 联结词的可约性 77
3.1.4 永真公式和永假公式 78
3.1.5 范式 78
3.1.6 逻辑推论 80
3.2 一阶谓词演算 82
3.2.1 基本概念 82
3.2.2 前束范式 85
3.2.3 Skolem标准形 86
3.2.4 Herbrand全域和Herbrand基 88
3.2.5 语义树 89
3.2.6 Herbrand定理及实现方法 90
3.3 分解原理 93
3.3.1 推理节点 93
3.3.2 命题演算的分解原理 94
3.3.3 谓词演算的分解原理 95
3.3.4 删除策略 101
第四章 模式识别 108
4.1 决策论方法 108
4.1.1 样本匹配法 109
4.1.2 基本的非参量决策论分类法 109
4.1.3 Bayes(参量)分类 113
4.2 句法(语言学)方法 117
4.2.1 句法(语言学)方法的基本思想 118
4.2.2 模式元与子模式的表示与选择 119
4.2.3 模式文法 123
4.2.4 自动机 127
第五章 智能机器人 136
5.1 概述 136
5.2 神经元与记忆 139
5.3 机器视觉 142
5.4 眼-手装置 147
5.5 眼-车装置 148
5.6 对答系统 151
5.6.1 句法分析 151
5.6.2 语义分析 153
5.6.3 对答 158
5.6.4 专家系统 159
5.7 类推(类比) 160
5.8 简单概念的学习 169
参考文献 169
词汇索引 171