第一章 绪论 1
1.1 人工智能的发展概况 1
1.1.1 什么是人工智能 1
1.1.2 人工智能的研究途径 1
目录 1
1.1.3 人工智能学科的发展 2
1.2 人工智能的应用 3
1.2.1 人工智能的应用领域 3
1.2.2 专家系统 3
2.1 LISP语言 6
2.1.1 概述 6
第二章 人工智能程序设计语言 6
2.1.2 LISP的基本功能 8
2.1.3 递归与迭代 15
2.1.4 输入输出功能 18
2.1.5 LISP的其他功能 20
2.2 PROLOG语言 22
2.2.1 概述 22
2.2.2 重复与递归 28
2.2.3 表处理方法 33
2.2.4 字符串处理方法 35
2.2.5 输入输出功能 36
习题 38
3.1.2 知识表示的方法 41
3.1.1 知识与知识表示 41
第三章 知识表示 41
3.1 概述 41
3.2 逻辑表示法 43
3.2.1 一阶谓词逻辑 43
3.2.2 谓词逻辑用于知识表示 46
3.3 规则表示法 47
3.3.1 产生式规则与产生式系统 47
3.3.2 Markov算法与Rete算法 49
3.3.3 控制策略的类型 51
3.4 语义网络表示法 52
3.4.1 语义网络的基本概念 52
3.4.2 语义网络的应用 54
3.5 框架表示法 56
3.5.1 框架的基本概念 56
3.5.2 框架表示的应用 57
3.6 概念从属与剧本表示法 58
3.6.1 概念从属 58
3.6.2 剧本 61
习题 62
第四章 基本的问题求解方法 64
4.1 状态空间搜索 64
4.1.1 概述 64
4.1.2 回溯策略 67
4.1.3 图搜索策略 70
4.1.4 任一路径的图搜索 72
4.1.5 最佳路径的图搜索 73
4.1.6 与或图的搜索 79
4.2 博弈树搜索 82
4.2.1 概述 82
4.2.2 极小极大过程 82
4.2.3 α-β过程 84
4.3 约束满足搜索 87
4.3.1 概述 87
4.3.2 生长法 88
4.3.3 修改法 94
4.4 通用问题求解 98
4.4.1 手段目的分析 98
4.4.2 生成与测试（Generate-and-test） 100
习题 101
第五章 基本的推理方法 104
5.1 归结反演系统 104
5.1.1 谓词演算基础 104
5.1.2 归结反演（refutation） 108
5.1.3 归结反演的控制策略 109
5.1.4 从归结反演中提取解答 111
5.2.1 正向演绎系统 114
5.2 基于规则的演绎系统 114
5.2.2 逆向演绎系统 119
5.3 规划生成系统 121
5.3.1 机器人问题求解 121
5.3.2 正向系统 122
5.3.3 规划的表示 123
5.3.4 逆向系统 125
习题 128
第六章 实用推理技术 131
6.1 推理的类型 131
6.1.1 从逻辑基础上的分类 131
6.1.2 从推理方法上的分类 133
6.2 非单调推理 134
6.2.1 概述 134
6.2.2 非单调逻辑 135
6.2.3 非单调系统 137
6.3 不精确推理 139
6.3.1 概述 139
6.3.2 概率方法 144
6.3.3 可信度方法 148
6.3.4 主观Bayes方法 152
6.3.5 证据理论 157
6.3.6 可能性理论 164
6.4.1 基本原理 171
6.4 基于模型的推理 171
6.4.2 基于规则与模型的系统 172
6.4.3 基于模型的故障诊断系统 174
6.5 基于事例的推理 181
6.5.1 基本概念 181
6.5.2 基本方法 182
6.5.3 与基于规则的系统的比较 183
6.5.4 实例系统 183
习题 186
第七章 专家系统 187
7.1 基本结构 187
7.2.2 元知识的作用 188
7.2 元知识结构 188
7.2.1 什么是元知识 188
7.2.3 元知识在专家系统中的应用 190
7.3 黑板系统结构 193
7.3.1 黑板模型 193
7.3.2 黑板结构 194
7.3.3 知识源 195
7.3.4 控制策略 197
7.3.5 黑板模型的优越性 197
7.4.1 基本概念 198
7.4.2 知识源的表示 198
7.4 黑板控制结构 198
7.4.3 控制黑板的组织 199
7.4.4 调度机制 201
7.4.5 黑板控制结构的优点与不足 203
7.5 实例 203
7.5.1 MYCIN系统 203
7.5.2 AM系统 211
习题 214
第八章 知识获取与机器学习 215
8.1 概述 215
8.1.1 知识获取的基本过程 215
8.1.2 知识获取的主要手段 217
8.1.3 机器学习 218
8.1.4 知识获取工具 220
8.2 通过例子学习 226
8.2.1 概述 226
8.2.2 学习单个概念 229
8.2.3 学习多个概念 237
8.2.4 学习执行多步任务 245
8.3 通过类比学习 250
8.3.1 概述 250
8.3.2 类比学习与推理系统 252
8.3.3 转换类比与派生类比系统 254
8.4.1 概述 259
8.4 基于解释的学习 259
8.4.2 基于解释的抽象 260
8.5 通过观察学习 262
8.5.1 合取概念聚类系统 262
8.5.2 结构对象的概念聚类 267
8.6 从数据库学习 270
8.6.1 数据库中的知识发现 270
8.6.2 数据挖掘方法 271
习题 277
9.1 演化计算 278
9.1.1 遗传算法概述 278
第九章 计算智能 278
9.1.2 遗传算法的理论基础 280
9.1.3 演化策略与演化规划 282
9.2 连接计算 283
9.2.1 概述 283
9.2.2 感知机 284
9.2.3 多层前向网络 287
9.2.4 Hopfield网络 289
9.3 混合系统 291
9.3.1 混合系统结构 291
9.3.2 用神经网络表示符号知识 292
10.1.1 基本概念 294
10.1 关于智能Agent 294
第十章 智能Agent 294
10.1.2 Agent理论 295
10.1.3 Agent系统结构 296
10.1.4 Agent程序设计 299
10.1.5 Agent的应用 301
10.2 多Agent系统 303
10.2.1 概述 303
10.2.2 多Agent系统的结构 304
10.2.3 Agent通信语言 306
10.2.4 多Agent系统的协商机制 313
11.1 分布式系统结构 320
第十一章 分布式专家系统工具DEST 320
11.2 面向对象的知识表示 322
11.2.1 对象的表示 322
11.2.2 规则的表示 327
11.2.3 方法的表示 330
11.3 问题求解机制 335
11.3.1 概述 335
11.3.2 模糊规则推理 336
11.3.3 模糊决策树推理 341
11.3.4 神经网络的模拟 345
11.3.5 实例 347
附录 DEST系统函数 351
参考文献 355