第一章 绪论 1
1.1智能 1
1.2人工智能 3
1.2.1如何衡量机器是否具有智能 3
1.2.2人工智能的研究目标 4
1.2.3人工智能的研究和应用领域 5
1.3人工智能发展简史 10
1.3.1孕育期（1956年以前） 10
1.3.2形成期（1956年—1970年） 12
1.3.3知识工程时代（1970年至20世纪80年代初） 13
1.3.4发展期（20世纪80年代初至今） 15
1.4人工智能的实现途径 16
1.4.1符号主义 16
1.4.2连接主义 18
1.4.3学习主义 18
1.4.4行为主义 19
1.4.5进化主义 20
1.4.6群体主义 21
1.5本书的内容与组织 21
小结 22
深入学习资源 23
习题 24
符号主义 25
第二章 搜索与问题求解 25
2.1搜索概述 25
2.2问题求解 27
2.2.1状态空间 27
2.2.2与或图 29
2.3图搜索 33
2.3.1图搜索算法的一般结构 33
2.3.2盲目图搜索 34
2.3.3启发式图搜索 36
2.4博弈搜索 43
2.4.1博弈树 44
2.4.2极大极小搜索 46
2.4.3α-β剪枝 50
小结 52
深入学习资源 54
习题 54
第三章 知识与推理 57
3.1推理概述 57
3.1.1推理方式 57
3.1.2推理控制策略 58
3.2知识及其表示 60
3.2.1知识 60
3.2.2知识的表示 62
3.3知识表示方法 63
3.3.1一阶谓词逻辑表示法 63
3.3.2产生式表示法 70
3.3.3其他知识表示方法 73
3.4经典逻辑推理的逻辑基础 81
3.4.1推理规则 81
3.4.2范式 83
3.4.3置换与合一 84
3.4.4自然演绎推理 85
3.5归结演绎推理 87
3.5.1子句集及其转化方法 87
3.5.2归结原理 88
3.5.3命题逻辑的归结反演 90
3.5.4谓词逻辑的归结反演 91
3.5.5归结策略 93
3.6不确定性推理基本问题 94
3.7基于概率论的不确定性推理 96
3.7.1概率论基础 96
3.7.2可信度方法 98
3.7.3主观贝叶斯方法 102
3.8基于证据理论的不确定性推理 106
3.8.1证据理论基础 106
3.8.2推理方法 109
3.9模糊推理 112
3.9.1模糊集基础 113
3.9.2模糊推理模型 116
小结 120
深入学习资源 122
习题 122
连接主义 127
第四章 人工神经网络 127
4.1人工神经元模型 128
4.1.1生物神经元 128
4.1.2人工神经元 130
4.1.3人工神经元互连模型 133
4.2人工神经网络的拓扑结构 134
4.3人工神经网络的学习方式 136
4.3.1赫伯型学习 136
4.3.2误差修正型学习 137
4.3.3竞争型学习 138
4.3.4随机型学习 139
4.4多层感知器及其学习算法 140
4.4.1感知器与多层感知器 140
4.4.2误差反向传播网络（BP网络） 143
4.4.3自适应线性神经元网络 147
4.4.4径向基函数网络 148
4.5霍普菲尔德网络与玻耳兹曼机 151
4.5.1霍普菲尔德网络 152
4.5.2联想记忆 154
4.5.3优化计算 155
4.5.4玻耳兹曼机 158
4.6自组织特征映射网 159
小结 162
深入学习资源 164
习题 164
学习主义 166
第五章 机器学习 166
5.1什么是机器学习？ 166
5.2机器学习的主要策略 168
5.2.1机械式学习 168
5.2.2指导式学习 169
5.2.3类比学习 172
5.2.4解释学习 172
5.2.5归纳学习 172
5.3类比学习方法 173
5.3.1属性类比学习 174
5.3.2转换类比学习 175
5.4基于解释的学习 176
5.4.1学习模型 176
5.4.2基于解释的学习方法 178
5.5规则集的归纳学习 181
5.5.1示例空间 182
5.5.2归纳过程 182
5.5.3规则空间 183
5.5.4验证过程 184
5.6决策树学习 184
5.6.1决策树 184
5.6.2基本决策树生成算法（ID3算法） 184
5.6.3决策树剪枝 188
5.7贝叶斯学习 190
5.7.1贝叶斯法则 190
5.7.2朴素贝叶斯分类器 192
5.7.3贝叶斯信念网 195
5.8聚类分析 199
5.8.1数据相似性度量 200
5.8.2划分聚类方法 202
5.8.3层次聚类方法 206
小结 207
深入学习资源 209
习题 210
行为主义 214
第六章 行为智能 214
6.1没有表示和推理的智能 215
6.1.1感知一行为模式 215
6.1.2渐进的智能 216
6.2智能体 217
6.2.1智能体的特点 218
6.2.2智能体的体系结构 218
6.2.3智能体的学习 220
6.3强化学习 220
6.3.1强化学习任务与模型 221
6.3.2 Q-学习算法 223
6.3.3Dyna-Q 225
6.3.4强化学习的应用 225
小结 226
深入学习资源 227
习题 227
进化主义 229
第七章 进化计算 229
7.1生物进化对计算的启示 230
7.1.1生物进化的启示 230
7.1.2不同的进化计算观点 231
7.2进化计算的一般框架和共同特点 232
7.2.1进化计算的一般框架 232
7.2.2进化计算的共同特点 233
7.3遗传算法 233
7.3.1遗传算法的起源与发展 233
7.3.2遗传算法的基本思想 234
7.3.3模式理论 239
7.3.4遗传算法的改进与变形 244
7.4进化规划 244
7.4.1进化规划的起源与发展 244
7.4.2进化规划的主要特点 245
7.4.3进化规划中的遗传算子 245
7.4.4进化规划的算法流程 246
7.5进化策略 247
7.5.1进化策略的起源与发展 247
7.5.2进化策略的主要特点 247
7.5.3进化策略的不同形式 247
7.5.4进化策略中的遗传操作 248
7.5.5进化策略的算法流程 250
小结 251
深入学习资源 252
习题 252
群体主义 253
第八章 群智能 253
8.1多智能体系统 253
8.1.1智能体之间的通信机制 253
8.1.2智能体之间的协调策略 255
8.1.3智能体之间的协作策略 255
8.1.4多智能体强化学习 256
8.2蚁群优化算法 257
8.2.1蚁群觅食行为对计算的启示 257
8.2.2蚁群优化算法的基本原理 258
8.2.3蚁群优化算法的改进 261
8.3粒子群优化算法 263
8.3.1鸟群飞行方式对计算的启示 263
8.3.2粒子群优化算法的基本原理 263
8.3.3粒子群优化算法中的有关参数 264
小结 266
深入学习资源 267
习题 267
智能系统 269
第九章 专家系统 269
9.1什么是专家系统 269
9.1.1基本概念 269
9.1.2专家系统类型 270
9.2专家系统的体系结构 273
9.3知识获取 275
9.3.1知识获取的任务 276
9.3.2知识获取的方法 276
9.4专家系统的开发与评价 278
9.4.1开发专家系统的前提 278
9.4.2专家系统的生命期 279
9.4.3专家系统的评价 281
9.5专家系统开发工具与环境 282
9.5.1程序设计语言 283
9.5.2知识工程语言 283
9.5.3辅助型工具 285
9.5.4支持工具 286
9.5.5专家系统开发环境 286
9.6专家系统的发展趋势 288
小结 289
深入学习资源 290
习题 290
第十章 人工智能程序设计语言 292
10.1LISP语言 292
10.1.1主要特点 292
10.1.2表 293
10.1.3函数 294
10.1.4 LISP程序设计方法 297
10.1.5 LISP编程举例 299
10.2 PROLOG 301
10.2.1主要特点 301
10.2.2语法与数据结构 301
10.2.3程序设计原理 302
10.2.4编程举例 305
小结 305
深入学习资源 306
习题 306
第十一章 智能计算机 307
11.1光计算机 308
11.1.1光计算机的基本原理 308
11.1.2光计算机的基本问题 309
11.2量子计算机 310
11.2.1量子计算的基本原理 310
11.2.2量子计算方法 312
11.2.3量子计算的主要问题 314
11.3生物计算机 314
11.3.1生物开关 315
11.3.2 DNA计算机 315
小结 318
深入学习资源 319
习题 319
附录1 汉英一英汉术语对照与索引 320
附录2 汉英一英汉人名对照与索引 334
参考文献 338