第1章 绪论 1
1.1 什么是人工智能 1
1.1.1 智能的解释 1
1.1.2 人工智能的解释 3
1.1.3 计算机与人工智能 6
1.1.4 人类智能与人工智能 6
1.1.5 人工智能的研究目标 7
1.1.6 人工智能中的通用问题求解方法 8
1.2 人工智能的发展简史 9
1.3 人工智能的研究方法及基本内容 12
1.3.1 人工智能的研究方法 12
1.3.2 人工智能研究的基本内容 15
1.4 人工智能的基本技术 17
1.5 人工智能的主要研究领域及实践 18
1.5.1 人工智能的主要研究领域 18
1.5.2 人工智能实践 24
1.6 人工智能在中国 25
1.6.1 数学机械化 25
1.6.2 机器学习 26
1.6.3 自动推理 26
1.6.4 时间和空间知识表示和推理 27
1.6.5 自然语言处理 27
1.6.6 智能体技术及应用 28
1.6.7 图像识别 29
习题 30
第2章 知识及知识的表示 31
2.1 概述 31
2.1.1 知识的基本概念 31
2.1.2 知识表示 33
2.2 一阶谓词逻辑表示法 34
2.2.1 知识的谓词逻辑表示法 34
2.2.2 谓词逻辑表示知识举例 36
2.2.3 一阶谓词逻辑表示法的特点 38
2.3 产生式表示法 39
2.3.1 产生式的基本形式 39
2.3.2 产生式表示知识的方法 39
2.3.3 产生式系统的组成 40
2.3.4 产生式系统的推理方式 41
2.3.5 产生式系统应用举例 42
2.3.6 产生式表示法的特点 43
2.4 框架表示法 44
2.4.1 框架的构成 45
2.4.2 框架表示知识举例 46
2.4.3 框架系统的推理 49
2.4.4 框架表示法的特点 50
2.5 语义网络表示法 50
2.5.1 语义网络的概念及结构 50
2.5.2 语义网络的基本语义联系 51
2.5.3 语义网络表示知识的方法及步骤 54
2.5.4 语义网络知识表示举例 57
2.5.5 语义网络的推理过程 59
2.5.6 语义网络表示法的特点 59
2.6 面向对象表示法 60
2.6.1 面向对象的基本概念 60
2.6.2 面向对象的知识表示 61
2.6.3 面向对象的知识表示举例 62
习题 63
第3章 经典逻辑推理 65
3.1 概述 65
3.1.1 推理定义 65
3.1.2 推理方式及分类 66
3.2 推理的逻辑基础 68
3.2.1 谓词公式的解释 68
3.2.2 谓词公式的等价性与永真蕴含性 69
3.2.3 置换与合一 70
3.2.4 谓词公式的范式 73
3.3 产生式系统推理 73
3.3.1 产生式系统的基本结构 73
3.3.2 推理方向 75
3.3.3 冲突消解策略 78
3.4 自然演绎推理 79
3.4.1 自然演绎推理的基本概念 79
3.4.2 利用演绎推理解决问题 80
3.5 归结演绎推理 82
3.5.1 子句集及其化简 82
3.5.2 Herbrand理论 84
3.5.3 Robinson归结原理 85
3.5.4 应用归结原理证明问题 87
3.5.6 用归结原理求解问题 89
3.5.7 归结策略 92
习题 94
第4章 不确定性推理 97
4.1 不确定性推理中的基本问题 97
4.2 不确定性推理方法分类 100
4.3 概率方法 101
4.3.1 经典概率方法 101
4.3.2 Bayes定理 101
4.3.3 逆概率方法的基本思想 102
4.3.4 逆概率方法的优缺点 103
4.4 主观Bayes方法 104
4.4.1 知识不确定性的表示 104
4.4.2 证据不确定性的表示 105
4.4.3 不确定性的传递算法 106
4.4.4 结论不确定性的合成算法 108
4.4.5 例子 108
4.4.6 主观Bayes方法的主要优缺点 111
4.5 可信度方法 112
4.5.1 可信度概念 112
4.5.2 C-F模型 112
4.5.3 可信度方法应用举例 115
4.6 证据理论 118
4.6.1 基本概念 118
4.6.2 D-S理论 120
4.6.3 知识的不确定性的表示 125
4.6.4 证据的不确定性的表示 125
4.6.5 例子 127
4.6.6 证据理论的主要优缺点 128
习题 128
第5章 搜索问题求解 131
5.1 基本概念 131
5.2 状态空间搜索 132
5.2.1 问题的状态空间表示 132
5.2.2 状态空间的穷搜索法 134
5.2.3 启发式搜索法 138
5.3 问题归约法 141
5.3.1 问题归约描述 141
5.3.2 与或图表示 141
5.3.3 AO算法 143
5.4 博弈树搜索 146
5.4.1 极大极小过程 148
5.4.2 α-β过程 149
习题 152
第6章 遗传算法 154
6.1 遗传算法简介 154
6.1.1 遗传算法的起源 154
6.1.2 遗传算法的基本思想 156
6.1.3 遗传算法的主要特点 157
6.1.4 遗传算法的应用 158
6.2 函数优化实例 160
6.2.1 问题描述 160
6.2.2 种群的初始化 160
6.2.3 选择策略 161
6.2.4 遗传算子 163
6.3 基本遗传算法 164
6.3.1 编码表示 165
6.3.2 适应度函数 166
6.3.3 选择策略 167
6.3.4 遗传算子的设计 170
6.4 遗传算法的应用举例 173
6.4.1 函数最优化问题 173
6.4.2 旅行商问题 176
6.4.3 排课表问题 182
习题 185
第7章 人工智能在教育教学领域中的应用 187
7.1 遗传算法在教育教学领域中的应用 187
7.1.1 基于遗传算法的智能组卷策略 187
7.1.2 基于遗传算法和模糊综合评价的课堂效果评价方法 190
7.1.3 基于遗传算法的网络教学资源共享优化调度 193
7.2 专家系统在教育教学领域中的应用 196
7.2.1 智能教学专家系统的形式化模型 196
7.2.2 计算机编程辅助教学专家系统的构建 200
7.2.3 专家系统在计算机辅助教学系统中的应用 203
7.2.4 智能计算机辅助教学系统中学生模型库的设计 207
7.2.5 计算机智能导师系统的知识表示 209
7.3 数据挖掘在教育教学领域中的应用 214
7.3.1 数据挖掘在本科教学评估中的应用 214
7.3.2 关联规则挖掘在学分制教学管理中的应用 217
7.3.3 多维关联规则挖掘在高校就业领域中的应用 219
7.4 神经网络在教育教学领域中的应用 223
7.4.1 神经网络在教学工作水平评估中的应用 223
7.4.2 基于BP神经网络的编译原理学绩评估方法 226
附录 简单函数优化的遗传算法C代码 231
参考文献 239