目录 1
1 绪论 1
1.1什么是人工智能 1
1.1.1 智能 1
1.1.2人工智能 2
1.1.3 图灵测试 3
1.1.4人工智能的发展简史 3
1.2人工智能的研究目标及基本内容 6
1.2.1人工智能的研究目标 6
1.2.2人工智能研究的基本内容 6
1.3.1 以符号处理为核心的方法 7
1.3人工智能的研究途径 7
1.3.2 以网络连接为主的连接机制方法 8
1.3.3 系统集成 8
1.4人工智能的研究领域 8
1.4.1 专家系统 9
1.4.2机器学习 9
1.4.3模式识别 9
1.4.4 自然语言理解 10
1.4.5 自动定理证明 10
1.4.6 自动程序设计 10
1.4.11 分布式人工智能 11
1.4.10人工神经网络 11
1.4.9 智能决策支持系统 11
1.4.8博弈 11
1.4.7机器人学 11
本章小结 13
思考题与习题 13
2知识表示 14
2.1知识与知识表示概述 15
2.1.1什么是知识 15
2.1.2知识的特性 16
2.1.3知识分类和知识表示概述 17
2.2谓词逻辑表示法 19
2.2.1命题和谓词 19
2.2.2命题和谓词逻辑 21
2.2.3谓词公式的解释 24
2.2.4谓词公式的永真性、可满足性与不可满足性 25
2.2.5谓词逻辑的知识表示及其特性 26
*2.2.6谓词逻辑的演算律 30
2.3产生式表示法 32
2.3.1 产生式的知识表示 33
2.3.2 产生式系统求解及其控制策略 35
2.3.3产生式知识表示法的应用特点 39
2.4语义网络表示法 41
2.4.1语义网络知识表示 41
2.4.2语义网络推理及其知识表示特性 44
2.5.1框架知识表示系统 46
2.5框架表示法 46
2.5.2框架知识表示的组织结构形式 47
2.5.3框架的推理及其知识表示特性 50
*2.6过程表示法 53
2.6.1什么是过程表示法 53
2.6.2过程表示法的推理形式 53
2.6.3过程表示法的应用特性 55
*2.7 Petri网表示法 56
2.7.1 Petri网及其表示知识的方法 56
2.7.2一个实例——使用Petri网建模的知识表示 57
2.7.3 Petri网表示法的特点 58
2.8.1 面向对象知识表示概念 59
*2.8面向对象表示法 59
2.8.2 面向对象的知识表示方法 60
2.8.3对象模型技术概述 62
本章小结 63
思考题与习题 64
3搜索与启发式推理 67
3.1概述 67
3.1.1人工智能推理与搜索 67
3.1.2 问题的状态空间图搜索求解 69
3.1.3搜索效率 71
3.2.1 状态、操作和状态空间 72
3.2 状态空间表示法及其解的搜索 72
*3.2.2典型问题的状态空间图搜索求解分析 74
3.3状态空间的盲目搜索策略 80
3.3.1 广度优先搜索 80
3.3.2深度优先搜索 83
3.3.3有界深度优先搜索 86
3.3.4代价树的推进搜索 87
3.4启发式搜索原理 91
3.4.1启发式策略 91
3.4.2估价函数和启发函数 92
3.5启发式搜索法 94
3.5.1瞎子爬山法 95
3.5.2全局择优搜索法 97
3.5.3 图的有序搜索及其A与A*搜索算法 101
3.6与／或树的启发式搜索 104
3.6.1 与／或树、搜索树及其解树 104
3.6.2与／或树的代价计算及其计算策略分析 106
3.6.3与／或树的有序搜索 107
3.7博弈对策 110
3.7.1博弈思想及其博弈树 110
3.7.2博弈树的有序搜索策略 112
本章小结 115
思考题与习题 117
4.1.1什么是推理 122
4推理 122
4.1推理的基本概念 122
4.1.2推理方法及分类 123
4.2推理的控制策略 126
4.2.1 正向推理控制策略 126
4.2.2逆向推理控制策略 128
4.2.3混合推理控制策略 130
4.2.4其他相关问题 131
4.3模式匹配 131
4.3.1 置换 131
4.3.2合一 131
4.3.4差异集合 132
4.3.3最通用（一般）合一者 132
4.3.5合一算法 133
4.4冲突消解策略 134
4.5归结演绎推理 135
4.5.1 自然演绎推理 135
4.5.2子句和子句集合 137
4.5.3海伯伦理论 140
4.5.4鲁宾逊归结（消解）原理 146
4.6基于规则的演绎推理 155
4.6.1规则正向演绎推理 155
4.6.2规则逆向演绎推理 159
4.6.3规则双向演绎推理 162
4.7不确定推理和非单调推理 163
4.7.1什么是不确定推理 164
4.7.2不确定性推理中的基本问题 165
4.7.3不确定性推理方法 168
4.7.4非单调推理 184
本章小结 191
思考题与习题 191
5专家系统 195
5.1基本概念 195
5.1.1什么是专家系统 195
5.1.2专家系统的产生与发展 197
5.1.3 专家系统的分类 199
5.2专家系统的一般结构 202
5.2.1人机接口 203
5.2.2知识获取机构 203
5.2.3知识库及其管理系统 204
5.2.4推理机 204
5.2.5数据库及其管理系统 204
5.2.6 解释机构 204
5.3专家系统与常规的计算机程序系统区别 205
5.4建造专家系统 206
5.4.1 专家系统的建造原则 206
5.4.2 专家系统的开发过程 208
5.4.3专家系统的评价 213
5.5专家系统的开发工具 215
5.5.1人工智能语言 216
5.5.2 专家系统外壳 220
5.5.3 通用型专家系统工具 222
5.5.4专家系统开发环境 224
5.6专家系统举例 225
5.6.1动物识别系统 225
5.6.2 专家系统MYCIN 226
本章小结 231
思考题与习题 232
6机器学习 233
6.1机器学习概述 234
6.1.1 什么是机器学习 234
6.1.2机器学习的意义 235
6.1.3机器学习研究的发展 236
6.1.4机器学习的目标 237
6.2机器学习的模型、策略和方法 237
6.2.1 简单的学习模型 237
6.2.2主要的学习策略 239
6.2.3基本的学习方法 240
6.3学习方法的比较和展望 248
6.3.1 各种学习方法的比较 248
本章小结 249
6.3.2机器学习的展望 249
思考题与习题 250
7 人工神经网络 251
7.1基本概念 251
7.1.1 什么是神经网络 251
7.1.2脑神经信息活动的特征 252
7.1.3神经网络研究的目的和意义 253
7.1.4神经网络研究的发展简史 253
7.2神经网络基本模型 256
7.2.1 生物神经元的结构 256
7.2.2 M-P模型 257
7.2.3感知机模型 258
7.2.4 B-P模型 261
7.2.5 Hopfield模型 265
7.2.6 自适应谐振理论 268
7.3神经网络在专家系统中的应用 271
7.3.1 神经网络与专家系统的互补性 271
7.3.2基于神经网络的知识表示 273
7.3.3基于神经网络的推理 275
7.4神经网络应用实例 276
本章小结 278
思考题与习题 279
附录动物识别专家系统 280
参考文献 293