前言 1
第一章 绪论 1
1.1 人工智能的认知问题 1
1.2 思维的层次模型 2
1.3 符号智能 3
1.4 人工智能的发展概况 5
1.5 人工智能的研究方法 6
1.5.1 认知学派 7
1.5.2 逻辑学派 7
1.5.3 行为学派 7
1.6 自动推理 8
1.7 机器学习 10
1.8 分布式人工智能 11
1.9 人工思维模型 13
1.10 知识系统 14
第二章 人工智能逻辑 17
2.1 重要的形式工具--逻辑 17
2.1.1 逻辑程序设计 17
2.1.2 关于知识的表示与推理 18
2.2 非单调逻辑 20
2.3 默认逻辑 21
2.4 限定逻辑 24
2.5 自认知逻辑 26
2.5.1 Moore系统￡B 26
2.5.2 O￡逻辑 27
2.5.3 标准型定理 28
2.5.4 ◇-记号以及稳定扩张的一种判定过程 29
2.6 真值维护系统 31
2.7 情景演算的逻辑基础 35
2.7.1 刻划情景演算的多类逻辑LR 36
2.7.2 LR中的基本动作理论 37
2.7.3 多类逻辑LR的改进 38
第三章 约束推理 41
3.1 概述 41
3.2 回溯法 45
3.3 约束传播 46
3.4 约束传播在树搜索中的作用 48
3.5 智能回溯与真值维护 48
3.6 变量例示次序与赋值次序 49
3.7 局部修正搜索法 49
3.8 基于图的回跳法 50
3.9 基于影响的回跳法 51
3.10 约束关系运算的处理 54
3.10.1 恒等关系的单元共享策略 54
3.10.2 区间传播 56
3.10.3 不等式图 57
3.10.4 不等式推理 58
3.11 约束推理系统COPS 58
第四章 定性推理 62
4.1 概述 62
4.2 定性推理的基本方法 63
4.3 定性模型推理 63
4.4 定性进程推理 65
4.5 定性仿真推理 68
4.5.1 定性状态转换 69
4.5.2 OSIM算法 70
4.6 代数方法 71
4.7 几何空间定性推理 72
4.7.1 空间逻辑 73
4.7.2 空间时间关系描述 74
4.7.4 Randell算法 76
4.7.3 空间和时间逻辑的应用 76
5.1 概述 78
第五章 基于范例推理 78
5.2 基于范例学习的一般过程 80
5.3 范例的表示 82
5.3.1 语义记忆单元 83
5.3.2 记忆网 83
5.4 基于记忆网的范例检索 86
5.4.1 检索问题 86
5.4.2 语义记忆单元和范例检索 86
5.4.3 检索信息集与源范例的对应 87
5.4.4 单概念的范例检索算法AS 88
5.4.5 多概念的范例检索算法AM 89
5.5.1 语义相似性 90
5.5.2 结构相似性 90
5.5 相似性关系 90
5.5.3 目标特征 91
5.5.4 个体相似性 91
5.5.5 相似性计算 91
5.5.6 优选过程 92
5.5.7 约束满足理论 93
5.6 范例复用 94
5.6.1 类比映射 94
5.6.2 类比转换 96
5.7 范例保存 97
5.8 基于范例的规划设计程序 98
5.9 范例库维护 99
5.10 基于范例推理的洪水预报系统FOREZ 99
第六章 归纳学习 101
6.1 概述 101
6.2.1 归纳学习的一般模式 102
6.2 归纳学习的逻辑基础 102
6.2.2 概念获取的条件 103
6.2.3 问题背景知识 104
6.2.4 选择型和构造型泛化规则 105
6.3 偏置变换 108
6.4 变型空间方法 109
6.4.1 消除候选元素算法 110
6.4.2 两种改进算法 112
6.5 AQ归纳学习算法 113
6.6 产生与测试方法 114
6.7 决策树学习 116
6.7.1 CLS学习算法 116
6.7.2 ID3学习算法 117
6.7.3 ID4学习算法 120
6.8 归纳学习的计算理论 121
6.7.4 ID5学习算法 121
6.8.1 Gold学习理论 122
6.8.2 模型推理系统 123
6.8.3 Valiant学习理论 123
第七章 类比学习 126
7.1 什么是类比学习 126
7.2 类比的形式定义 129
7.3 基于抽象的有用类比推理 130
7.4 转换类比 132
7.4.1 手段--目的分析的问题求解模型 132
7.4.2 类比求解问题计算模型 133
7.4.3 问题求解状态变换 134
7.4.4 转换类比学习系统 137
7.4.5 类比学习的泛化规则 141
7.5 派生类比 144
7.6 因果关系型类比学习 145
7.6.1 类比匹配技术与相似性度量概述 145
7.6.2 知识表示 146
7.6.3 类比匹配 148
7.6.4 抽取问题的特征 148
7.6.5 相似度的计算方法 149
7.6.6 最佳对应关系匹配 149
7.7 联想类比学习 150
7.7.1 联想类比 150
7.7.2 联想类比条件 151
7.8 约束满足类比 152
7.8.1 三类约束 152
7.8.2 约束满足理论 153
7.8.3 ACME 153
8.1 概述 155
第八章 解释学习 155
8.2 解释学习模型 156
8.3 解释泛化学习方法 157
8.3.1 基本原理 157
8.3.2 解释与泛化交替进行 160
8.4 全局取代解释泛化方法 161
8.5 解释特化学习方法 164
8.6 解释泛化的逻辑程序 166
8.6.1 工作原理 166
8.6.2 元解释器 167
8.6.3 实验例子 168
8.7 基于知识块的SOAR系统 169
8.8 可操作性标准 172
8.8.1 PRODIGY的效用问题 174
8.8.2 SOAR系统的可操作性 174
8.8.4 META-LEX的处理方法 175
8.8.3 MRS-EBG的可操作性 175
8.9 不完全领域知识下的解释学习 176
8.9.1 不完全领域知识 176
8.9.2 逆归结方法 176
8.9.3 基于深层知识方法 178
第九章 知识发现和数据开采 180
9.1 概述 180
9.2 数据驱动知识发现--BACON 182
9.3 模型驱动知识发现--COPER 184
9.4 理论驱动式发现方法 186
9.4.1 知识表示 186
9.4.2 学习实现 188
9.4.3 学习发现 191
9.5 概念聚类 191
9.5.1 概念内聚 192
9.5.2 聚类方法 195
9.6 数据开采 197
9.7 数据开采的数学工具--粗糙集 198
9.7.1 粗糙集理论 199
9.7.2 粗糙分类 200
9.7.3 渔网算法 201
9.8 广义粗糙集 202
9.9 基于粗糙集的数据约简 204
9.10 以数据仓库为基础的数据开采 206
9.10.1 数据仓库 206
9.10.2 联想规则发现算法 207
9.11 知识发现工具KDT 208
9.11.1 系统结构 209
9.11.2 知识发现算法 211
10.1 概述 212
第十章 分布式人工智能 212
10.2 分布式问题求解 214
10.2.1 分布式问题求解系统分类 214
10.2.2 分布式问题求解过程 215
10.3 主体 216
10.4 主体理论 217
10.4.1 理性主体 217
10.4.2 BDI主体模型 219
10.4.3 RAO逻辑框架 219
10.4.4 关于对别人进行推理的一个模式--换位推理 219
10.4.5 动作理论 220
10.4.6 次协调机制的引进 223
10.5 主体结构 223
10.5.1 反应主体 223
10.5.2 认知主体 223
10.5.3 复合式主体 225
10.6 主体通信 228
10.6.1 KQML 228
10.6.2 主体通信语言SACL 228
10.6.3 SACL语法结构 229
10.6.4 SACL保留关键字 229
10.7 主体的协调与协作 235
10.7.1 计算生态学 236
10.7.2 基于对策论的协调与协作 238
10.7.3 协商 238
10.8 多主体处理环境MAPE 240
10.8.1 主体的逻辑结构 240
10.8.2 主体虚拟层 241
10.8.3 主体逻辑层 242
10.8.4 主体概念层 244
10.8.5 多主体系统的总体结构 245
10.8.6 主体创建 246
10.8.7 多主体系统构建 248
第十一章 进化计算 249
11.1 概述 249
11.2 进化系统理论的形式模型 250
11.3 达尔文进化算法 252
11.4 分类器系统 253
11.5 桶链算法 257
11.6 遗传算法 258
11.6.1 遗传算法的主要步骤 259
11.6.2 表示模式 259
11.6.3 杂交操作 261
11.6.4 变异操作 263
11.8 分类器系统Boole 264
11.7 并行遗传算法 264
11.6.5 反转操作 264
11.9 规则发现系统 267
11.10 进化策略 270
11.11 进化程序设计 270
第十二章 人工生命 271
12.1 引言 271
12.2 研究人工生命的原因 271
12.3 人工生命的探索 273
12.4 人工生命模型 273
12.5 人工生命的研究方法和战略 275
12.6 计算机生命 276
12.7 细胞自动机 278
12.8 形态形成理论 280
12.9 混沌理论 281
参考文献 283