第1章 绪论 1
1.1人工智能的起源与发展 1
1.2人工智能学术流派 4
1.3人工智能的研究与应用领域 6
习题 10
第2章 知识表示和推理 11
2.1知识和知识表示的基本概念 11
2.2命题逻辑 14
2.2.1语法 14
2.2.2语义（Semantics） 15
2.2.3命题演算（Calculas）形式系统 16
2.3谓词逻辑 17
2.3.1语法 18
2.3.2语义 21
2.4归结推理 25
2.4.1子句集及其简化 26
2.4.2海伯伦定理 29
2.4.3Robinson归结原理 33
2.4.4利用Robinson归结原理实现定理证明 38
2.4.5应用归结原理求解问题 42
2.5产生式系统 43
2.5.1产生式系统的组成部分 44
2.5.2产生式系统的控制策略 45
2.5.3产生式系统的推理方式 46
2.6语义网络表示法 47
2.6.1语义网络的结构 47
2.6.2基本命题的语义网络表示 47
2.6.3语义网络的知识表示方法 50
2.6.4语义网络表示法的特点 54
2.7框架表示法 54
2.8状态空间表示法 56
2.9与或图表示法 57
习题 58
第3章 图搜索技术 59
3.1问题的提出 59
3.2状态图搜索 61
3.2.1状态图搜索分类 61
3.2.2穷举式搜索 63
3.2.3启发式搜索 66
3.2.4A算法及A＊算法 69
3.3与或图搜索 71
3.3.1与或图 71
3.3.2与或图搜索 72
3.4博弈图搜索 76
3.4.1博弈图 76
3.4.2极大极小分析法 78
3.4.3剪枝技术 80
习题 81
第4章 专家系统 82
4.1专家系统的概述 82
4.1.1专家系统的概念与特点 82
4.1.2专家系统和传统程序的区别 83
4.1.3专家系统的类型 83
4.2专家系统的结构 84
4.3专家系统的设计原则与开发过程 85
4.3.1专家系统的设计原则 85
4.3.2专家系统的开发过程 86
4.4专家系统评价 87
4.5MYCIN专家系统实例分析 88
4.6专家系统开发工具 90
4.6.1骨架型开发工具 90
4.6.2语言型开发工具 91
4.6.3构造辅助工具 91
4.6.4支撑环境 92
4.7Prolog语言 93
4.7.1Prolog语言的特点 93
4.7.2基本Prolog的程序结构 94
4.7.3Prolog程序的运行机理 95
4.7.4Turbo Prolog程序结构 97
4.7.5Turbo Prolog的数据与表达式 98
4.7.6Visual Prolog介绍 103
4.7.7PIE：Prolog的推理机 107
习题 109
第5章 模糊理论及应用 110
5.1模糊理论的产生与发展 110
5.2模糊理论的数学基础 111
5.2.1经典集合论的基本概念 111
5.2.2模糊集合的基本概念 112
5.2.3模糊关系与复合运算 115
5.3模糊推理 117
5.3.1模糊条件语句 117
5.3.2模糊推理 120
5.4模糊控制系统及模糊控制器 122
5.4.1模糊控制系统的基本结构 122
5.4.2模糊控制器 123
5.4.3模糊控制器的设计 124
5.4.4模糊PID控制器的设计 130
5.5模糊聚类分析与模糊模式识别 133
5.5.1模糊聚类分析 134
5.5.2模糊模式识别 137
5.6模糊聚类应用案例分析 138
习题 143
第6章 机器学习和神经网络 144
6.1机器学习的基本概念和发展史 144
6.2经典机器学习方法 145
6.3基于神经网络的学习 148
6.3.1神经网络概述 148
6.3.2人工神经网络模型 149
6.4BP神经网络 153
6.4.1网络结构 153
6.4.2网络学习算法 154
6.4.3BP网络的改进算法 156
6.4.4BP神经网络的特点 157
6.4.5神经网络应用实例解析 158
6.5RBF神经网络 160
6.5.1径向基函数 160
6.5.2径向基函数网络结构 162
6.5.3网络学习算法 162
6.5.4RBF网与BP网的对比 163
6.6CMAC神经网络 164
6.6.1CMAC网络结构 164
6.6.2网络学习算法 164
6.6.3CMAC网络的特点 166
6.7Hopfield神经网络 166
6.7.1离散型Hopfield网络 167
6.7.2连续型Hopfield网络 168
6.8Elman神经网络 171
6.8.1Elman神经网络结构 171
6.8.2Elman神经网络学习算法 172
6.9模糊神经网络 172
6.9.1网络结构 173
6.9.2学习过程 174
6.10其他类型的神经网络介绍 175
习题 178
第7章 卷积神经网络及TensorFlow应用实践 179
7.1卷积神经网络发展简介 179
7.2卷积神经网络工作原理 179
7.3TensorFlow学习 185
7.3.1TensorFlow简介 185
7.3.2TensorFlow中的函数和相关运算 190
7.3.3卷积函数 194
7.3.4池化函数 196
7.4利用TensorFlow进行图像处理 197
7.4.1图像的读取与存储 197
7.4.2图像处理常用函数 197
7.5卷积神经网络在MNIST的应用实例 201
习题 212
第8章 混沌理论与混沌神经网络 213
8.1混沌研究的起源与发展 213
8.2混沌的基本特性 215
8.3通往混沌的道路 216
8.4混沌的识别 217
8.4.1定性分析法 217
8.4.2定量分析法 218
8.5混沌应用 219
8.6混沌神经网络 222
8.6.1暂态混沌神经网络 222
8.6.2其他类型的混沌神经网络 223
8.6.3G-S混沌神经网络应用实例 224
习题 228
第9章 智能优化计算 229
9.1优化问题的分类 229
9.2优化算法分类 230
9.3梯度优化计算 231
9.4混沌优化 231
9.5模拟退火算法 234
9.6遗传算法 235
9.6.1遗传算法中的关键参数与操作 235
9.6.2遗传算法中的基本流程 243
9.6.3遗传算法的改进 243
9.6.4遗传算法的实现 245
9.7蚁群算法 248
9.7.1蚁群算法的研究现状 248
9.7.2基本蚁群算法的工作原理 249
9.8粒子群算法及应用 251
9.8.1基本粒子群优化算法 252
9.8.2粒子群优化算法的拓扑结构 255
9.9鱼群算法简介 257
9.10混合优化计算方法简介 258
习题 259
第10章 智能体与多智能体系统 260
10.1智能体的概念与结构 260
10.1.1智能体的概念 260
10.1.2智能体的结构 261
10.2多智能体系统 263
10.2.1多智能体系统的特征 263
10.2.2多智能体系统的类型 264
10.2.3多智能体系统的应用 265
习题 267
参考文献 268