目 录 1
第1章绪论 1
1.1人工智能的界定 1
1.1. 1 什么是人工智能 2
1.1.2 人工智能的研究目标 4
1.1.3 人工智能中的通用问题求解方法 5
1.2人工智能的学科范畴 8
1.2.1 人工智能的研究范畴 8
1.2.2 人工智能技术的应用 12
1.3人工智能的研究方法 15
1.3.1 人工智能研究的特点 15
1.3.2 人工智能的研究途径 15
1.4人工智能的发展简史和趋势 18
1.4.1 人工智能的发展简史 18
1.4.2 人工智能发展趋势 22
1.5本书的目标和范围 23
1.6 小结 24
习题 24
2.1 引言 25
第2章搜索技术 25
2.2通用问题求解方法 26
2.2.1 宽度优先搜索 27
2.2.2深度优先搜索 29
2.2.3迭代加深搜索 30
2.3启发式搜索 32
2.3.1 启发性信息和评估函数 33
2.3.2 启发式OR图搜索算法 33
2.4.1 问题归约的描述 45
2.4.2 AND-OR图表示 45
2.4 问题归约和AND-OR图启发式搜索 45
2.4.3 AO*算法 47
2.5博弈 52
2.5.1 极大极小过程 53
2.5.2 α-β过程 55
2.6约束满足搜索 57
2.7 小结 60
习题 61
第3章知识表示及逻辑推理 63
3.1 概述 63
3.1.1 知识和知识表示 63
3.2知识表示语言问题 65
3.1.2 人工智能对知识表示方法的要求 65
3.3命题逻辑 67
3.3.1 语法 67
3.3.2 语义 68
3.4谓词逻辑 70
3.4.1 语法 70
3.4.2语义 76
3.5逻辑推理 78
3.5.1 谓词公式的等价性和永真蕴涵 78
3.5.2 谓词公式的有效性和可满足性 80
3.6符号逻辑中的范式 83
3.7一阶谓词逻辑的应用 84
3.8小结 86
习题 87
第4章归结原理及其应用 89
4.1 引言 89
4.2命题演算中的归结 90
4.2.1 归结推理规则 90
4.2.2 归结反演 91
4.2.3命题逻辑归结反演的合理性和完备性 93
4.2.4 归结反演的搜索策略 93
4.3.1 子句型 95
4.3谓词演算中的归结 95
4.3.2 置换和合一 98
4.3.3合一算法 100
4.3.4 归结式 102
4.3.5 归结反演 103
4.3.6答案的提取 105
4.4谓词演算归结反演的完备性和合理性 108
4.4.1 Herbrand域 108
4.4.2 Herbrand解释 109
4.4.3语义树 110
4.4.4 Herbrand定理 112
4.4.5 完备性和合理性 114
4.5逻辑程序设计原理 117
4.5.1 逻辑程序定义 117
4.5.2 Prolog数据结构和递归 118
4.5.3 SLD归结 119
4.5.4 非逻辑成分:CUT 121
4.5.5 其他逻辑程序设计语言 123
4.6小结 124
习题 124
5.1 引言 128
第5章缺省和非单调推理 128
5.2非单调推理 129
5.3封闭世界假设 131
5.4缺省推理 133
5.5限制理论 137
5.6非单调逻辑 139
5.7真值维护系统 141
5.8框架问题 144
5.8.1 什么是框架问题 145
5.8.2 框架问题的非单调解决方案 149
5.9 小结 154
习题 155
第6章不确定性推理 157
6.1概述 157
6.1.1 什么是不确定推理 157
6.1.2 不确定推理要解决的基本问题 158
6.1.3 不确定性推理方法分类 160
6.2主观Bayes方法 161
6.2.1 全概率公式和Bayes公式 161
6.2.2 主观Bayes方法 163
6.3.1 建造医学专家系统时的问题 171
6.3确定性理论 171
6.3.2 C-F模型 172
6.3.3 确定性方法的说明 177
6.4证据理论 178
6.4.1 假设的不确定性 178
6.4.2 证据的不确定性 182
6.4.3 证据的组合函数 182
6.4.4规则的不确定性 183
6.4.5 不确定性的传递 183
6.4.6 不确定性的组合 184
6.5.1 模糊集合及其运算 186
6.4.7 证据理论的特点 186
6.5模糊逻辑和模糊推理 186
6.5.2模糊关系 188
6.5.3语言变量 189
6.5.4模糊逻辑 189
6.5.5模糊推理 190
6.6 小结 198
习题 199
第7章产生式系统 201
7.1概述 201
7.2.2 CLIPS中知识的表示模式 203
7.2产生式专家系统CLIPS 203
7.2.1 产生式系统语言CLIPS 203
7.2.3 CLIPS运行 207
7.3产生式系统的匹配算法 209
7.3.1索引记数法 210
7.3.2 Rete算法 210
7.3.3 书写规则时效率的考虑 214
7.4产生式系统的冲突消解策略 216
7.5.1 什么是元知识 217
7.5元知识 217
7.5.2元知识的作用 218
7.5.3 元知识的使用模式 219
7.6产生式系统的推理方向 220
7.7产生式系统的类型 222
7.8产生式系统的特点 223
7.9小结 224
习题 224
第8章知识的结构化表示 226
8.1引言 226
8.2.1 语义网络的基本概念 227
8.2语义网络 227
8.2.2 基本事实的表示 228
8.2.3表示情况和动作 230
8.2.4 多元语义网络的表示 231
8.2.5 连接词与量词的表示 231
8.2.6 语义网络的推理过程 234
8.2.7 语义网络表示方法的特点 238
8.3框架 239
8.3.1 框架理论 239
8.3.2 框架 240
8.3.3 框架系统 243
8.3.4 框架中预先定义的槽 245
8.3.5 框架中的推理 247
8.3.6 框架表示方法的特点 249
8.3.7 框架系统、语义网络、面向对象知识表示的比较 250
8.4 Petri网 251
8.5概念依赖 253
8.6脚本 255
8.7小结 256
习题 257
9.1专家系统概述 259
9.1.1 什么是专家系统 259
第9章专家系统 259
9.1.2 专家系统的结构 260
9.2问题求解组织结构 263
9.2.1 议程表 263
9.2.2 问题求解的黑板模型 264
9.2.3 面向对象的问题组织结构 266
9.3知识获取 266
9.3.1 知识获取的手工方法 266
9.4有效性、验证和维护问题 269
9.3.2 知识获取的机器学习方法 269
9.4.1 专家系统的有效性 270
9.4.2 知识库的验证 272
9.4.3 知识库的维护 275
9.5专家系统开发工具 276
9.6小结 278
习题 279
第10章机器学习 280
10.1 机器学习的概念和方法 280
10.1.1 什么是机器学习 280
10.1.2 机器学习研究概况 281
10.1.3 机器学习研究方法 282
10.2 归纳学习 285
10.2.1 归纳学习的基本概念 285
10.2.2 版本空间学习 287
10.2.3 基于决策树的归纳学习方法 289
10.2.4 Induce算法 292
10.3其他学习方法 294
10.3.1 类比学习 294
10.3.2 解释学习 295
10.4加强学习 297
10.5 归纳逻辑程序设计学习 300
10.6基于范例的学习 301
10.6.1 CBR的过程模型 302
10.6.2 范例的表示和索引 303
10.6.3 范例的推理 304
10.6.4 范例的学习 306
10.7小结 306
习题 307
第11章人工神经网络理论 309
11.1概述 309
11.1.1 基本的神经网络模型 309
11.1.2 神经网络的学习方法 310
11.2人工神经元及感知机模型 311
11.2.1 基本神经元 311
11.2.2 感知机模型 312
11.3前馈神经网络 313
11.3.1 前馈神经网络模型 313
11.3.2 多层前馈神经网络的误差反向传播(BP)算法 314
11.3.3 BP算法的若干改进 316
11.4反馈神经网络 317
11.4.1 离散Hopfield网络 317
11.4.2连续Hopfield网络 322
11.4.3 Hopfield网络应用 323
11.4.4 双向联想记忆(BAM)模型 324
11.5随机神经网络 325
11.5.1 模拟退火算法 325
11.5.2 玻尔兹曼机 327
11.6 自组织特征映射神经网络 330
11.6.1 网络的拓扑结构 330
11.6.2 网络自组织算法 331
11.7 小结 332
习题 332
11.6.3 有教师学习 332
第12章统计学习理论与支持向量机 334
12.1统计学习理论 334
12.1.1 机器学习的表示 334
12.1.2 学习过程一致性的条件 335
12.1.3 VC维理论 337
12.1.4 推广性的界 337
12.1.5 结构风险最小化 338
1 2.2支持向量机 339
12.2.1 最优分类超平面 340
12.2.2 广义最优分类超平面 341
12.2.3 支持向量机 342
12.2.4 核函数 343
12.2.5 SVM的算法及多类SVM 344
12.2.6 ε-不敏感损失函数 345
12.2.7 用于非线性回归的支持向量机 346
12.2.8 SVM的应用研究 348
12.3小结 348
习题 349
第13章遗传算法 350
13.1 简介 350
13.2遗传算法的历史 351
13.4遗传算法的描述 353
13.3遗传算法的研究内容和取得的进展 353
13.5遗传算法的特点 357
13.6遗传算法的马尔柯夫链分析 359
13.6.1 概率意义下的收敛 359
13.6.2 有限Markov链的预备知识 359
13.6.3 Markov链的分析方法回顾 360
13.6.4 GA的收敛性分析 361
13.7遗传算法的研究展望 362
习题 364
13.8小结 364
第14章智能Agent 365
14.1引言 365
14.2分布式人工智能 366
14.2.1 分布式问题求解 367
14.2.2 多Agent系统 369
14.3 Agent与智能Agent 369
14.3.1 什么是Agent 370
14.3.2 什么是智能Agent 371
14.3.3 Agent、专家系统与对象 373
14.3.4 智能Agent的抽象结构 374
14.4模态逻辑 375
14.4.1 可能世界模型 376
14.4.2模态逻辑 377
14.5知道和信念逻辑 381
14.5.1 知道和信念逻辑 381
14.5.2 公共和分布式知识 383
14.5.3 自认知逻辑 384
14.6逻辑万能问题 388
14.6.1 演绎规则的不完全性方法 389
14.6.2 隐式和显式信念 391
14.7理性Agent模型 393
14.7.1 Cohen和Levesque的理性逻辑 396
14.7.2 Rao和Georgeff的BDI逻辑 399
14.7.3 KARO框架 402
14.8 Agent结构 403
14.8.1基于逻辑的Agent 404
14.8.2反应Agent 406
14.8.3 BDI Agent 408
14.8.4层次Agent 410
14.9 小结 412
习题 412
15.1 引言 414
第15章多Agent系统 414
15.2 Agent通信 415
15.2.1通信与DAI 415
15.2.2通信的层次 417
15.2.3 言语动作 417
15.2.4 知识查询处理语言KQML 421
15.2.5 Agent通信语言ACL 425
15.2.6 Agent通信与对话 427
15.2.7 Agent通信与WWW 429
15.3协调与合作 429
15.3.1 协调 430
15.3.2 合作 434
15.3.3协商 435
15.3.4 市场机制 438
15.4 Agent的社会性 439
15.4.1 识别(Recognition) 439
15.4.2 团队形成 441
15.4.3规划形成 442
15.4.4 团队行动 443
15.5小结 443
习题 444
16.1.1 自然语言理解的概念及意义 445
第16章 自然语言理解 445
16.1 自然语言理解的一般问题 445
16.1.2 自然语言理解研究的发展 446
16.1.3 自然语言理解的层次 448
16.2词法分析 449
16.3句法分析 450
16.3.1 短语结构语法和Chomsky语法体系 450
16.3.2 句法分析树 452
16.3.3转移网络 453
16.3.4 转移网络的神经网络实现 455
16.3.5 扩充转移网络 456
16.4.1语义文法 459
16.4语义分析 459
16.4.2格文法 460
16.5大规模真实文本的处理 461
16.5.1 语料库语言学及其特点 461
16.5.2 统计学方法的应用及所面临的问题 464
16.5.3 汉语语料库加工的基本方法 465
16.6对话和语用分析 468
16.7小结 469
习题 469
参考文献 470