第1章 人工智能概述 1
1.1 什么是人工智能 1
1.2 人工智能的历史 5
第2章 基于搜索的问题求解 9
2.1 搜索与人工智能的关系 9
2.1.1 八数码魔方 9
2.1.2 状态空间表示 10
2.1.3 与图有关的术语 11
2.2 逐个搜索 12
2.2.1 随机搜索 12
2.2.2 CLOSED 表的引入 12
2.2.3 OPEN 表的引入 13
2.2.4 纵向搜索 14
2.2.5 横向搜索 15
2.2.6 均一代价搜索 17
2.3 应用智能的搜索 19
2.3.1 启发式搜索 19
2.3.2 登山法和最佳优先搜索 20
2.3.3 A*算法 20
2.3.4 约束的利用 23
2.4 对问题进行分割后进行搜索 23
2.4.1 与/或(AND/OR)图表示 23
2.4.2 与/或(AND/OR)图搜索 26
2.5 博弈树的搜索 27
练习题 31
3.1 知识与推理中的关系 33
第3章 知识表示和推理 33
3.2.1 产生式系统的构造 34
3.2 产生式系统 34
3.2.2 推理机构的运行 37
3.2.3 理由(Why)和方法(How) 41
3.2.4 产生式系统的特征 42
3.3 框架 42
3.3.1 典型知识与框架 43
3.3.2 阶层知识与特征的继承 45
3.3.3 程序知识及其启动 47
3.3.4 框架的特征 47
练习题 48
4.1.1 什么是学习 49
第4章 机器学习 49
4.1 关于学习和机器学习 49
4.1.2 机器学习的研究历史 51
4.1.3 机器学习的分类标准 52
4.2 应用归纳方法由示例学习概念的定义 55
4.2.1 温斯顿的拱学习 55
4.2.2 决策树的学习 60
4.3 根据丰富的知识和经验提高推理效率 68
4.3.1 效率化学习 68
4.3.2 基于解释的学习(EBL) 69
练习题 73
5.1 模糊理论 75
5.1.1 什么是模糊理论 75
第5章 模糊理论-神经网络-遗传算法 75
5.1.2 模糊集合与普通集合的区别 76
5.1.3 模糊数也是数吗? 78
5.1.4 模糊控制是一种方便的控制方法 80
5.2 神经网络 85
5.2.1 什么是神经网络 85
5.2.2 神经元及其学习功能的研究 85
5.2.2 神经元及其学习功能的研究 85
5.2.3 误差反向传播学习是一种便利方法 89
5.3 遗传算法 94
5.3.1 什么是遗传算法 94
5.3.2 单纯 GA 的基本步骤 96
5.3.3 简单函数最优化举例 98
5.3.4 单纯 GA 的扩张 100
5.3.5 模式定理 103
5.3.6 遗传算法的应用 104
5.3.7 遗传算法的一些同类方法 106
练习题 106
第6章 模式识别 109
6.1 什么是模式识别 109
6.2 模式的特征 110
6.3 根据特征模式匹配进行识别 111
6.3.1 用一个参考模式代表类 111
6.3.2 用多个参考模式代表类 114
6.4 基于统计决策理论的识别 116
6.5 对声音的识别 117
6.5.1 根据与参考模式的匹配识别单词 118
6.5.2 基于统计决策理论的单词识别 122
6.5.3 基于统计决策理论的连续声音识别 125
练习题 127
第7章 人工智能语言 129
7.1 人工智能语言是怎样一种语言 129
7.2 函数型语言 Lisp 133
7.2.1 表:具有递归结构的数据 133
7.2.2 Lisp 程序的基本结构 134
7.2.3 由程序到数据和由数据到程序:eval 和 quote 136
7.2.4 表操作 138
7.2.5 其他的 Lisp 函数 142
7.2.6 Lisp 的执行例子 143
7.3.1 项:具有递归结构的另一种数据结构 148
7.3 逻辑型语言 Prolog 148
7.3.2 逻辑型语言的计算方法:归结原理 150
7.3.3 Prolog 的对象:Horn 逻辑式 152
7.3.4 Prolog 程序的表示法 154
7.3.5 单一化(unification) 155
7.3.6 Protog 的表处理 158
7.3.7 Prolog 的执行控制功能:自动回溯和截断符号 159
7.3.8 把程序变成数据,把数据变成程序:assert,retract 及 univ 162
7.3.9 其他的谓词 164
7.3.10 Prolog 的执行例子 164
练习题 168
练习题简答 169
参考文献 175