第1章 绪论 1
1.1 人工智能及其发展 1
1.2 人工智能的研究与应用领域 7
习题一 10
第2章 知识表示方法 11
2.1 一阶谓词逻辑表示方法 11
2.1.1 一阶谓词逻辑 11
2.1.2 一阶谓词逻辑表示方法 16
2.2 产生式表示方法 18
2.2.1 产生式与产生式系统 18
2.2.2 产生式系统的分类及其特点 21
习题二 24
第3章 搜索方法 25
3.1 问题求解过程的形式表示 25
3.1.1 状态空间表示法 25
3.1.2 与／或图表示法 27
3.2 状态空间的搜索算法 29
3.2.1 盲目搜索算法 30
3.2.2 启发式搜索算法 36
3.2.3 状态空间搜索算法的应用 42
3.2.4 A＊算法及其特性 54
3.3 与／或图的搜索方法 57
3.3.1 与／或图的盲目搜索算法 58
3.3.2 与／或图的启发式搜索算法 59
3.3.3 博弈算法及应用 62
习题三 66
第4章 逻辑推理 69
4.1 推理的基本概念 69
4.1.1 推理方式及其分类 69
4.1.2 推理的控制策略 71
4.1.3 模式匹配及其变量代换 74
4.2 归结演绎推理 76
4.2.1 谓词公式化为子句集的方法 77
4.2.2 归结原理 78
4.2.3 归结反演 82
4.3 基于归结反演的问题求解 83
4.4 归结反演的改进策略 86
4.4.1 删除策略 86
4.4.2 限制策略 87
习题四 89
第5章 专家系统 93
5.1 专家系统概述 93
5.1.1 专家系统研究的意义 93
5.1.2 专家系统的结构与开发方法 95
5.2 LISP语言 97
5.2.1 LISP语言的特点与表达式 98
5.2.2 LISP语言的基本函数 99
5.3 知识库与推理机 107
5.3.1 产生式规则与规则库的存储结构 107
5.3.2 正向推理机 111
5.3.3 反向推理机 115
5.4 解释方法与解释器 120
5.5 知识获取与检测 124
5.5.1 知识获取的任务与方式 124
5.5.2 知识的检测与求精 126
5.5.3 知识检测的方法 128
5.6 专家系统工具 130
5.6.1 专家系统工具概述 130
5.6.2 CLIPS及其应用 132
5.6.3 基于Java的规则引擎Jess 142
习题五 143
第6章 模糊推理 146
6.1 知识的不确定性 146
6.2 模糊集合的定义与运算 148
6.2.1 模糊集合的定义与表示 148
6.2.2 模糊集合的运算 150
6.3 模糊知识表示与模糊匹配 155
6.3.1 模糊知识表示 155
6.3.2 模糊匹配 156
6.4 简单模糊推理 159
6.4.1 模糊推理的基本模式 160
6.4.2 简单模糊推理方法 160
6.4.3 模糊三段论推理方法 166
6.5 一般模式的模糊推理 167
6.5.1 多维模糊推理方法 167
6.5.2 带有可信度的模糊推理方法 170
习题六 172
第7章 机器学习 175
7.1 机器学习的特征与方法 175
7.2 归纳学习方法 176
7.2.1 CLS算法 176
7.2.2 ID3算法 179
7.2.3 归纳学习生成产生式规则集的应用 183
7.3 遗传算法 196
7.3.1 遗传算法的概念与计算方法 196
7.3.2 遗传算法在预测预报中的应用 202
7.4 人工神经网络方法 205
7.4.1 人工神经元与感知器 205
7.4.2 人工神经网络模型 208
7.4.3 BP神经网络的学习算法 211
7.4.4 BP学习算法的改进 215
7.4.5 基于神经网络的专家系统 217
7.4.6 基于神经网络的模糊分类器 219
7.4.7 神经网络在预测中的应用 225
习题七 229
参考文献 233