第1章 人工智能概述 1
1.1人工智能的定义和研究目标 1
1.1.1人工智能的定义 1
1.1.2人工智能的研究目标 1
1.2人工智能研究的基本内容及其特点 2
1.2.1人工智能研究的基本内容 2
1.2.2人工智能研究的特点 3
1.3人工智能的基本技术 5
1.3.1推理技术 5
1.3.2搜索技术 5
1.3.3知识表示与知识库技术 5
1.3.4归纳技术 5
1.3.5联想技术 6
1.4人工智能的发展史 6
1.4.1孕育期（1956年以前） 6
1.4.2形成期（1956—1970年） 7
1.4.3知识应用期（20世纪70年代到80年代末） 9
1.4.4综合集成期（20世纪80年代末至今） 11
1.5人工智能的研究与应用领域 11
1.6人工智能研究的不同学派及其争论 16
1.6.1人工智能的三大学派 16
1.6.2人工智能理论的争论 18
1.6.3人工智能研究方法的争论 18
1.7人工智能进展 19
1.7.1人工智能发展面临的困难 19
1.7.2人工智能与云计算 19
1.7.3人工智能与物联网 21
1.7.4人工智能发展的新趋势 23
习题一 23
第2章 知识表示 24
2.1一阶谓词逻辑表示法 24
2.1.1一阶谓词逻辑表示法 24
2.1.2一阶谓词逻辑表示法的特点 30
2.1.3一阶谓词表示法的应用举例 32
2.2产生式表示法 34
2.2.1产生式与产生式系统 34
2.2.2产生式系统的分类及其特点 38
2.2.3产生式表示法应用举例 41
2.3框架表示 43
2.3.1框架与框架网络 43
2.3.2框架的推理及其特点 49
2.4语义网络表示法 52
2.4.1语义网络 52
2.4.2语义网络的推理及其特点 58
2.5面向对象表示法 61
2.5.1面向对象的知识表示 61
2.5.2面向对象知识表示法的特点 64
习题二 66
第3章 经典逻辑推理 68
3.1推理的基本概念 68
3.1.1推理方式及其分类 68
3.1.2推理的控制策略 70
3.1.3模式匹配及其变量代换 73
3.2自然演绎推理 76
3.3归结演绎推理 77
3.3.1谓词公式化为子句集的方法 77
3.3.2海伯伦理论 79
3.3.3鲁宾逊归结原理 80
3.3.4归结反演 83
3.3.5基于归结反演的问题求解 84
3.3.6归结反演策略 86
3.4与/或形的演绎推理 90
3.4.1与/或形的正向演绎推理 90
3.4.2与/或形的逆向演绎推理 93
3.4.3代换的一致性与剪枝策略 95
习题三 96
第4章 搜索策略 100
4.1问题求解过程的形式表示 100
4.1.1状态空间表示法 100
4.1.2与/或树表示法 102
4.2状态空间的盲目搜索策略 104
4.2.1宽度优先搜索 105
4.2.2深度优先搜索 106
4.2.3有界深度优先搜索 107
4.2.4代价树的宽度优先搜索 108
4.2.5代价树的深度优先搜索 109
4.3状态空间的启发式搜索策略 110
4.3.1估价函数与择优搜索 110
4.3.2图的有序搜索与A＊算法 112
4.3.3 A＊算法应用举例 116
4.4与/或树的搜索策略 118
4.4.1与/或树的宽度优先搜索 119
4.4.2与/或树的有界深度优先搜索 120
4.4.3与/或树的有序搜索 121
4.4.4博弈树的启发式搜索 124
4.5搜索性能的量度 127
习题四 128
第5章 知识的不确定性与不确定推理 133
5.1知识的不确定性 133
5.1.1证据的不确定性 133
5.1.2规则的不确定性 134
5.1.3推理的不确定性 135
5.2不确定推理的概率基础 136
5.3确定性理论 137
5.3.1可信度的概念 137
5.3.2C-F模型 138
5.3.3带加权因子的可信度推理 142
5.4主观Bayes方法 144
5.4.1知识不确定性的表示 144
5.4.2证据不确定性的表示 146
5.4.3组合证据不确定性的计算 147
5.4.4不确定性的更新 147
5.4.5结论不确定性的合成 149
5.5证据理论 151
5.5.1 D-S理论的形式描述 152
5.5.2证据理论的推理模型 156
5.6可能性理论和模糊推理 162
5.6.1模糊逻辑基础 162
5.6.2模糊知识表示 167
5.6.3模糊概念的匹配 169
5.6.4模糊推理 170
5.7非单调推理 174
习题五 175
第6章 智能算法 178
6.1爬山法 178
6.1.1爬山法的基本思想 178
6.1.2爬山法算法流程 178
6.1.3爬山法应用举例 179
6.1.4爬山法的特点 179
6.1.5爬山法存在的问题 179
6.2模拟退火算法 180
6.2.1模拟退火算法的基本思想 180
6.2.2模拟退火算法流程 180
6.2.3模拟退火算法应用举例 181
6.2.4模拟退火算法的特点 182
6.3禁忌搜索算法 182
6.3.1禁忌搜索算法的基本思想 182
6.3.2影响禁忌搜索算法性能的关键因素 183
6.3.3禁忌搜索算法流程 187
6.3.4禁忌搜索应用举例 188
6.3.5禁忌搜索算法的特点 192
6.4蚁群算法 193
6.4.1蚁群觅食行为的启示 193
6.4.2蚁群算法的基本思想 193
6.4.3蚁群算法流程 194
6.4.4蚁群算法的特点 196
6.5粒子群算法 197
6.5.1鸟群飞行方式的启示 197
6.5.2粒子群算法的基本思想 197
6.5.3粒子群算法流程 199
6.5.4粒子群算法的应用举例 199
6.5.5粒子群算法的特点 200
6.6遗传算法 200
6.6.1遗传算法的基本思想 201
6.6.2遗传算法流程 203
6.6.3遗传算法应用举例 203
6.6.4遗传算法的特点 204
6.7小结 205
习题六 206
第7章 分布式人工智能 207
7.1分布式人工智能概述 207
7.1.1分布式人工智能的定义 207
7.1.2分布式人工智能的分类 207
7.2 Agent技术 208
7.2.1 Agent简介 208
7.2.2移动Agent技术 210
7.3多Agent系统 212
7.3.1 MAS的概念及特性 212
7.3.2与MAS有关的问题 212
7.3.3 MAS通信 214
7.4细胞膜计算技术 216
7.4.1细胞膜计算的基本情况 216
7.4.2细胞膜的化学组成和结构 216
7.4.3细胞膜计算的基本概念 219
7.4.4细胞膜计算应用举例 220
7.5元胞自动机技术 222
7.5.1自动机简介 222
7.5.2元胞自动机的定义 223
7.5.3元胞自动机的构成 224
7.5.4元胞自动机的特征 226
7.5.5经典元胞自动机模型 227
7.6小结 231
习题七 232
第8章 机器学习 233
8.1机器学习的基本过程 233
8.1.1机器学习的定义 233
8.1.2西洋跳棋游戏 234
8.1.3西洋跳棋程序学习目标的确定 234
8.1.4西洋跳棋程序的具体学习过程 235
8.1.5机器学习的基本过程 236
8.2决策树学习 236
8.2.1决策树学习方法简介 236
8.2.2信息增益 237
8.2.3基本的决策树学习算法——ID3算法 239
8.2.4 ID3算法举例 240
8.2.5决策树学习算法的特点 244
8.3人工神经网络学习 244
8.3.1生物神经元 244
8.3.2人工神经元 245
8.3.3布尔函数的神经元实现 246
8.3.4神经网络学习机制 250
8.3.5前馈型BP网络 255
8.3.6反馈型Hopfield网络 261
8.3.7 Kohonen自组织网络 265
8.4马尔可夫模型 268
8.4.1马尔可夫模型简介 268
8.4.2基于马尔可夫性质的学习法简介 269
8.4.3基于马尔可夫性质的学习法应用举例 270
8.4.4基于马尔可夫性质的学习法的适用问题 273
8.5贝叶斯学习法 273
8.5.1贝叶斯学习法的基本思想 273
8.5.2朴素贝叶斯分类器 275
8.5.3基于参数估计的贝叶斯分类方法 277
8.5.4贝叶斯方法的特点 282
8.6基于实例的学习 282
8.6.1 K-近邻分类法 282
8.6.2距离加权最近邻算法 283
8.6.3局部加权回归 284
8.6.4径向基函数 285
8.6.5基于实例的学习方法的特点 286
8.7小结 286
习题八 287
第9章 专家系统 288
9.1专家系统的概念 288
9.1.1什么是专家系统 288
9.1.2专家系统的特点 289
9.1.3专家系统的类型 289
9.1.4专家系统与知识系统 290
9.1.5专家系统与知识工程 290
9.1.6专家系统与人工智能 291
9.2专家系统的结构 291
9.2.1概念结构 291
9.2.2实际结构 292
9.2.3分布式结构 293
9.2.4黑板模型 294
9.3专家系统的应用与发展概况 295
9.3.1专家系统的意义 295
9.3.2专家系统的应用 295
9.3.3专家系统的发展概况 296
9.4专家系统设计与实现 300
9.4.1一般步骤与方法 300
9.4.2快速原型与增量式开发 301
9.4.3知识获取 301
9.4.4知识表示与知识描述语言设计 302
9.4.5知识库与知识库管理系统设计 302
9.4.6推理机与解释功能设计 304
9.4.7系统结构设计 305
9.4.8人机界面设计 305
9.5专家系统开发工具与环境 306
9.5.1专家系统开发工具 306
9.5.2专家系统开发环境 308
9.6新一代专家系统研究 309
9.6.1深层知识专家系统 309
9.6.2模糊专家系统 309
9.6.3神经网络专家系统 309
9.6.4大型协同分布式专家系统 310
9.6.5网上（多媒体）专家系统 310
9.6.6事务处理专家系统 310
9.7小结 311
习题九 311
第10章 人工智能程序设计语言 313
10.1 LISP语言 313
10.1.1 Scheme语言的基本概念 314
10.1.2 Scheme语言的数据类型 315
10.1.3 Scheme语言的过程定义 322
10.1.4 Scheme语言的常用控制结构 323
10.2 Prolog语言 327
10.2.1 Prolog语言及其基本结构 327
10.2.2 Prolog程序的简单例子 328
10.3 Prolog语言的常用版本 330
10.4小结 331
习题十 331
第11章 人工智能应用举例 332
11.1专家系统实例 332
11.1.1 PROSPECTOR的功能与结构 332
11.1.2知识表示 333
11.1.3控制策略 337
11.1.4解释系统 338
11.2智能算法运行与“云端”的设想 339
11.2.1并行计算到云计算的演变 339
11.2.2云计算智能与Monte Carlo方法 339
11.2.3模拟谐振子算法 341
11.2.4云计算系统与智能算法 346
11.3元胞自动机在城市交通流中的应用 347
11.3.1快速公交系统简介 347
11.3.2兰州快速公交模型建立 347
11.3.3数值模拟与仿真分析 348
参考文献 353