第一章基本的搜索算法 1
第一节问题的表示 1
一、典型的智能问题 1
目 录 1
二、问题状态空间的形式表示：图、与／或图和广义与／或图 6
第二节基本的最优优先搜索算法 18
一、最优优先启发式搜索及搜索复杂度 18
二、无信息的搜索策略 21
三、启发式搜索策略 28
第二章启发式搜索的发展 61
第一节算法B：向A*的最优性提出挑战的算法 61
第二节动态改变启发函数的算法B′ 68
一、可采纳搜索算法最坏复杂度的下界 71
第三节算法S达到了可采纳搜索算法 71
最坏复杂度的下确界 71
二、搜索算法S的最坏复杂度 72
三、关于“无普遍最优算法”的重新证明 78
四、结论 80
第四节广义与／或图搜索的改进 80
一、广义与／或图（GAOG）的概念 80
二、GAOG的启发函数 82
三、图和广义与／或图（GAOG）的关系 84
四、GAOG搜索中的A算法——AO.A*算法 85
五、算法AO.A*的可采纳性 86
六、关于GAOG搜索复杂度的定义 89
第一节学习式搜索及其研究内容 92
第三章搜索与学习 92
第二节从例子中学习启发式 96
一、例子的识别 97
二、LEx——启发式学习的双向途径 100
第三节学习搜索控制知识——Prodigy系统 108
一、基于解释学习的基本思想 109
二、Prodigy的系统结构 113
三、Prodigy的基于解释学习 115
第四节组块学习与通用智能系统SOAR 120
一、认知科学中的组块学习理论 120
二、SOAR的系统结构 123
三、SoAR的组块学习 130
第五节宏操作学习 132
一、什么是宏操作 133
二、用宏操作解题 134
三、宏操作的学习 138
第四章基于操作分析的问题求解 142
第一节问题求解中的操作 142
第二节操作分析与问题分解 145
一、河内塔问题的操作分析 145
二、基于操作分析的问题分解 147
第三节操作分析后的搜索 153
第四节例子及实验结果分析 155
第五节适用性分析及相关研究工作 160
第六节面向子目标的宏操作学习 162
第五章基于规划岛策略的学习式搜索 166
一、多次性搜索的问题模型 167
第一节学习式搜索算法GLSA 167
二、GLSA的问题状态空间的层次结构 168
三、GLSA的学习 169
四、GLSA的知识表达语言 173
五、搜索算法GLSA 175
六、GLSA的算法性能分析 177
第二节清晰类搜索GLSB——双向的GLSA搜索 181
一、清晰类搜索的描述 181
二、清晰类搜索的性能分析 185
一、问题状态空间的划分 189
二、清晰类子空间中的问题求解 189
第三节基于GLSA、GLSB搜索的问题求解 189
三、模糊类子空间中的问题求解 190
第四节GLSA的学习机制 192
第五节AMO.GLSA——基于类比的多目标 196
GLSA搜索算法 196
一、多目标GLSA搜索算法 196
二、AMo.GLSA搜索算法 199
第六节PGLSA——并行GLSA搜索算法 203
一、PGLSA搜索算法 203
二、PGLSA算法的性能分析 204
三、讨论 206
第六章基于模式分类的学习式搜索 207
第一节搜索的一个结构模型 208
一、搜索的学习机制 211
第二节搜索的学习分类机制 211
二、搜索的分类机制 212
三、搜索的学习分类机制 213
第三节基于自适应分类的学习式搜索 222
一、SALS中的分类器 223
二、SALS中的路径特征获取器 227
三、SALS中的分类器训练策略 229
四、路径分类器的初级训练 230
五、基于自适应分类的学习式搜索算法SALS 232
六、反复加深的SALS算法ID-SALS 238
七、算法ID-SALS的并行化 243
八、算法ID-SALS的实时化 245
第四节基于序贯分类的学习式搜索 246
一、SCDF中的分类器 247
二、SCDF中的路径特征获取器 247
三、SCDF中的分类器训练策略 248
四、基于序贯分类的学习式搜索算法SCDF 249
第五节基于人工神经元网络的学习式搜索 256
一、NNSA中的神经元网络 256
二、NNSA中的学习训练策略 257
三、NNSA中的分类器 260
四、NNSA中的路径特征获取器 261
五、NNSA中的状态选择器 262
六、基于神经元网络的学习式搜索算法NNSA 264
参考文献 267