第1章 绪论 1
1.1 人工智能概述 2
1.1.1 人工智能基本概念 2
1.1.2 人工智能的研究方法 7
1.2 人工智能的研究目标及基本内容 10
1.2.1 人工智能的研究目标 10
1.2.2 人工智能研究的基本内容 11
1.3 人工智能的发展历程 13
1.3.1 人工智能发展简史 13
1.3.2 人工智能的发展趋势 19
1.4 人工智能的主要研究与应用领域 20
1.4.2 机器学习 21
1.4.1 专家系统 21
1.4.3 机器人 22
1.4.4 模式识别 23
1.4.5 计算机视觉 25
1.4.6 人工神经网络 26
1.4.7 自然语言理解 26
1.4.8 自动定理证明 27
1.4.9 自动程序设计 28
1.4.10 博弈 28
1.4.11 智能决策支持系统 29
1.4.12 智能搜索 29
1.4.13 数据挖掘与知识发现 29
习题 30
第2章 问题求解的基本原理 31
2.1.1 问题形式化 32
2.1 概述 32
2.1.2 问题实例 33
2.1.3 问题搜索 34
2.1.4 问题求解的性能 35
2.2 盲目搜索策略 35
2.2.1 状态空间表示及搜索分析 35
2.2.2 一般图搜索策略 43
2.2.3 宽度优先搜索 46
2.2.4 深度优先搜索 48
2.2.5 迭代加深搜索 50
2.2.6 代价树搜索 52
2.3 启发式搜索策略 55
2.3.1 启发式策略 55
2.3.3 全局择优搜索 57
2.3.2 局部择优搜索 57
2.3.4 算法A 59
2.4 与／或树的搜索策略 60
2.4.1 与／或树的盲目搜索 60
2.4.2 与／或树的启发式搜索 61
2.5 博弈树搜索策略 65
2.5.1 概述 65
2.5.2 极小极大分析法 66
2.5.3 α-β剪枝技术 68
2.5.4 实时决策技术 71
2.5.5 当前博弈程序的发展水平 74
2.6 约束满足搜索策略 77
习题 82
第3章 知识表示 84
3.1.1 概述 85
3.1 基本概念 85
3.1.2 关于知识 86
3.1.3 知识表示 89
3.1.4 知识表示的选择原则 91
3.2 一阶谓词逻辑表示法 91
3.2.1 谓词逻辑的理论基础 92
3.2.2 谓词公式的解释 95
3.2.3 谓词公式的等价性和永真蕴涵 96
3.2.4 一阶谓词逻辑的知识表示 98
3.2.5 一阶谓词逻辑表示的特点 102
3.3 产生式表示法 103
3.3.1 产生式规则的知识表示 103
3.3.2 产生式系统 104
3.3.3 产生式系统的推理过程 108
3.3.4 产生式表示法特点 110
3.4 框架表示法 112
3.4.1 框架理论 112
3.4.2 框架的知识表示 112
3.4.3 框架系统 115
3.4.4 框架中预定义的槽 119
3.4.5 框架系统中问题求解的推理 121
3.4.6 框架表示方法的特点 125
3.5 语义网络表示法 126
3.5.1 语义网络概述 126
3.5.2 多元语义网络的表示 130
3.5.3 连接词与量词的表示 131
3.5.4 语义网络的推理 135
3.5.5 语义网络知识表示的特点 138
3.6 面向对象表示法 139
3.6.1 面向对象的基本概念 140
3.6.2 面向对象的知识表示 142
3.6.3 面向对象的基本特征 144
3.6.4 面向对象知识表示与语义网络、框架系统的比较 145
3.7 Petri网表示法 146
3.7.1 Petri网的基本概念 146
3.7.2 Petri网的知识表示 147
3.7.3 Petri网的推理过程 148
3.7.4 Petri网表示法的特点 150
习题 151
第4章 经典逻辑推理 154
4.1.2 推理的发展概述 155
4.1.1 什么是推理 155
4.1 概述 155
4.1.3 推理的控制策略 156
4.2 命题逻辑推理 159
4.2.1 命题的自然演绎 159
4.2.2 命题推理规则 161
4.2.3 命题的归结反演 162
4.2.4 命题归结反演的合理性与完备性 164
4.3 谓词逻辑推理 164
4.3.1 谓词逻辑的合取范式 165
4.3.2 置换与合一 168
4.3.3 合一算法 170
4.3.4 归结原理 172
4.3.5 基于归结原理的定理证明 174
4.3.6 基于归结反演的问题解答 180
4.3.7 归结控制策略 182
4.4 归结的完备性和合理性 184
4.4.1 Herbrand域 184
4.4.2 Herbrand解释 186
4.4.3 语义树 186
4.4.4 Herbrand定理 188
4.4.5 完备性和合理性 191
4.5 基于规则的演绎推理 193
4.5.1 正向演绎推理 194
4.5.2 反向演绎推理 198
4.5.3 双向演绎推理 200
习题 201
第5章 高级知识推理 204
5.1 经典逻辑系统的局限性 205
5.2 非单调推理 207
5.2.1 非单调推理简介 207
5.2.2 封闭世界假设 209
5.2.3 缺省推理 210
5.2.4 限定推理 213
5.2.5 非单调逻辑 216
5.2.6 真值维持系统TMS 218
5.3 不确定性推理 222
5.3.1 不确定性推理的基本概念 222
5.3.2 不确定性推理要解决的基本问题 224
5.3.3 概率方法 227
5.3.4 主观Bayes方法 230
5.3.5 可信度方法 239
5.3.6 证据理论 245
习题 258
第6章 计算智能 260
6.1 计算智能概述 261
6.1.1 从符号智能到计算智能 261
6.1.2 计算智能基本概念 262
6.2 模糊计算 264
6.2.1 模糊逻辑的数学基础 265
6.2.2 模糊逻辑的推理 272
6.2.3 模糊判决方法 282
6.3 神经计算 284
6.3.1 人工神经网络研究进展 284
6.3.2 人工神经网络的结构 285
6.3.3 人工神经网络的典型模型 288
6.3.4 感知机 289
6.3.5 BP网络 291
6.3.6 Hopfield网络 294
6.3.7 随机神经网络 296
6.3.8 基于神经网络的知识表示与推理 301
6.4 进化计算 304
6.4.1 进化计算概述 304
6.4.2 基本遗传算法 306
6.4.3 遗传算法模式理论 313
习题 317
第7章 专家系统 320
7.1 专家系统概述 321
7.1.1 基本概念 321
7.1.2 专家系统发展简史 325
7.1.3 专家系统结构与工作原理 327
7.2 问题求解的组织结构 330
7.2.1 传统问题求解组织结构 331
7.2.2 结构化组织的需求 332
7.2.3 问题求解组织结构的进展 333
7.3 知识获取 335
7.3.1 知识获取的任务 336
7.3.2 知识的人工获取 337
7.3.3 半自动化知识获取 338
7.3.4 知识的自动获取 339
7.4 开发专家系统 340
7.4.1 专家系统的开发原则 340
7.4.2 专家系统的开发步骤 341
7.4.3 专家系统的评价 344
7.5.1 骨架型开发工具 346
7.5 专家系统开发工具 346
7.5.2 语言型开发工具 347
7.5.3 构造辅助工具 347
7.5.4 支撑环境 347
7.6 专家系统实例——MYCIN剖析 348
7.6.1 MYCIN概述 348
7.6.2 数据的表示 350
7.6.3 知识的表示 352
7.6.4 控制策略 354
7.6.5 解释 355
7.7 专家系统进展 355
7.7.1 新一代专家系统特征 355
7.7.2 分布式专家系统 357
7.7.3 协同式专家系统 359
习题 360
第8章 机器学习 361
8.1 机器学习概述 362
8.1.1 机器学习的概念 362
8.1.2 机器学习的发展简史 364
8.1.3 机器学习的研究方法 366
8.2 机械学习 369
8.2.1 机械学习模式 369
8.2.2 机械学习的主要问题 370
8.2.3 机械学习应用举例 371
8.3 指导式学习 373
8.3.1 指导式学习的学习过程 373
8.3.2 指导式学习示例 373
8.4.1 类比推理与类比学习 374
8.4 类比学习 374
8.4.2 类比学习的表示与求解 375
8.4.3 类比学习过程与类型 377
8.5 解释学习 378
8.5.1 解释学习的概念 378
8.5.2 解释学习的过程 379
8.5.3 解释学习示例 380
8.6 归纳学习 381
8.6.1 归纳学习的基本概念 381
8.6.2 示例学习 383
8.6.3 观察与发现学习 386
8.6.4 版本空间学习 387
习题 389
参考文献 390