目录 1
第1章 人工智能概述 1
1.1 人工智能及其研究目标 1
1.1.1 人工智能的定义 1
1.1.2 人工智能的研究目标 4
1.2 人工智能的产生与发展 5
1.2.1 孕育期 5
1.2.2 形成期 7
1.2.3 知识应用期 9
1.2.4 综合集成期 11
1.3.1 人工智能研究的基本内容 12
1.3 人工智能研究的基本内容及其特点 12
1.3.2 人工智能研究的特点 14
1.4 人工智能的研究和应用领域 15
1.4.1 机器学习 16
1.4.2 自然语言理解 16
1.4.3 专家系统 16
1.4.4 模式识别 17
1.4.5 计算机视觉 18
1.4.6 机器人学 18
1.4.7 博弈 20
1.4.8 自动定理证明 20
1.4.9 自动程序设计 21
1.4.12 人工神经网络 22
1.4.13 知识发现和数据挖掘 22
1.4.10 智能控制 22
1.4.11 智能决策支持系统 22
1.4.14 分布式人工智能 23
1.5 人工智能研究的不同学派及其争论 23
1.5.1 人工智能的三大学派 23
1.5.2 人工智能理论的争论 25
1.5.3 人工智能研究方法的争论 26
1.6 人工智能的近期发展分析 27
1.6.1 更新的理论框架研究 27
1.6.2 更好的技术集成研究 27
1.6.3 更成熟的应用方法研究 28
习题 28
2.1 知识与知识表示的概念 29
2.1.1 知识 29
第2章 知识表示 29
2.1.2 知识表示 33
2.2 一阶谓词逻辑表示法 35
2.2.1 一阶谓词逻辑表示的逻辑基础 35
2.2.2 谓词逻辑表示方法 39
2.2.3 谓词逻辑表示的应用 40
2.2.4 谓词逻辑表示的特性 45
2.3 产生式表示法 46
2.3.1 产生式表示的基本方法及特性 46
2.3.2 产生式系统的基本结构 48
2.3.3 产生式系统的基本过程 51
2.3.4 产生式系统的控制策略 51
2.3.5 产生式系统的类型 52
2.3.6 产生式系统的特点 55
2.4.1 语义网络的基本概念 56
2.4 语义网络表示法 56
2.4.2 事物和概念的表示 59
2.4.3 情况和动作的表示 62
2.4.4 逻辑关系的表示 64
2.4.5 语义网络的推理过程 66
2.4.6 语义网络表示法的特征 67
2.5 框架表示法 68
2.5.1 框架理论 68
2.5.2 框架和实例框架 69
2.5.3 框架系统 71
2.5.4 框架系统的问题求解过程 79
2.5.5 框架表示的特性 81
2.6.1 脚本的结构 82
2.6 脚本表示法 82
2.6.2 脚本的推理 83
2.7 过程表示法 84
2.7.1 表示知识的方法 85
2.7.2 过程表示的问题求解过程 86
2.7.3 过程表示的特性 87
2.8 面向对象表示法 87
2.8.1 面向对象的基本概念和特征 87
2.8.2 知识的面向对象表示 89
习题 90
第3章 搜索策略 92
3.1 搜索的基本概念 92
3.1.1 搜索的含义 92
3.1.2 状态空间法 92
3.1.3 问题归约 97
3.2 状态空间的盲目搜索 100
3.2.1 一般图搜索过程 101
3.2.2 广度优先搜索 103
3.2.3 深度优先搜索 105
3.2.4 有界深度优先搜索 106
3.2.5 代价树搜索 107
3.3 状态空间的启发式搜索 109
3.3.1 启发性信息和估价函数 110
3.3.2 A算法 111
3.3.3 A算法 113
3.3.4 A算法应用举例 118
3.4.1 与／或树的一般搜索 120
3.4 与／或树的盲目搜索 120
3.4.2 与／或树的广度优先搜索 121
3.4.3 与／或树的深度优先搜索 123
3.5 与／或树的启发式搜索 123
3.5.1 解树的代价与希望树 124
3.5.2 与／或树的启发式搜索过程 125
习题 127
第4章 确定性推理 130
4.1 推理的基本概念 130
4.1.1 推理的概念 130
4.1.2 推理的方法及其类型 130
4.1.3 推理的控制策略 132
4.1.4 推理的冲突消解策略 132
4.2.1 命题的概念 134
4.2.2 连接词与命题公式 134
4.2 命题逻辑 134
4.3 谓词逻辑 136
4.3.1 谓词与个体 136
4.3.2 谓词公式的解释 136
4.3.3 谓词公式的永真性 137
4.3.4 谓词公式的可满足性 138
4.3.5 谓词公式的等价性 138
4.3.6 谓词公式的永真蕴含性 139
4.3.7 谓词公式的范式 139
4.3.8 置换与合一 140
4.4 自然演绎推理方法 141
4.5 归结演绎推理方法 142
4.5.1 子句集及其化简 142
4.5.2 海伯伦理论 145
4.5.3 鲁宾逊归结原理 146
4.5.4 归结演绎推理的归结策略 148
4.5.5 用归结反演求取问题的答案 149
4.6 基于规则的演绎推理方法 149
4.6.1 规则正向演绎推理 150
4.6.2 规则逆向演绎推理 155
4.6.3 规则双向演绎推理 158
4.7 规则演绎推理的剪枝策略 159
习题 160
第5章 归纳学习 164
5.1 概述 164
5.2 归纳学习的逻辑基础 165
5.2.1 归纳学习的一般模式 165
5.2.2 概念获取的条件 167
5.2.3 问题背景知识 168
5.2.4 选择型和构造型泛化规则 169
5.3 偏置变换 173
5.4 变型空间方法 174
5.4.1 消除候选元素算法 175
5.4.2 两种改进算法 177
5.5 AQ归纳学习算法 179
5.6 产生与测试方法 180
5.6.1 INDUCE1.2 180
5.6.2 算法的推广 180
5.7 决策树学习 182
5.7.1 CLS学习算法 182
5.7.2 ID3学习算法 183
5.7.4 ID5学习算法 186
5.7.3 ID4学习算法 186
5.8 归纳学习的计算理论 187
5.8.1 Gold学习理论 188
5.8.2 模型推理系统 189
5.8.3 Valiant学习理论 190
第6章 统计学习 193
6.1 统计学习理论思想追源 193
6.2 统计学习理论基础 194
6.2.1 学习问题的表示 194
6.2.2 期望风险和经验风险 195
6.2.3 VC维理论 197
6.2.4 推广性的界 198
6.2.5 结构风险最小化 200
6.3.1 梯度下降和delta法则 201
6.3 神经网络 201
6.3.2 梯度下降的随机近似 204
6.3.3 小结 205
6.4 最大边缘算法 205
6.4.1 凸二次规划问题与支持向量 206
6.4.2 SVM优化问题的几何解释 207
6.4.3 算法设计的理论基础 208
6.4.4 线性SVM理论的几何解释 208
6.5 核技巧 211
6.5.1 特征映射 211
6.5.2 特征空间的线性可分性 212
6.5.3 分类算法的理论框架 214
7.1 智能Agent 215
7.1.1 什么是Agent 215
第7章 Agent技术理论基础 215
7.1.2 理性Agent模型 216
7.1.3 Agent结构 220
7.2 多Agent系统 223
7.2.1 多Agent系统的定义 223
7.2.2 Agent通信 223
7.2.3 协调与协商 226
7.2.4 Agent协作与组织 227
7.2.5 多Agent系统的开发方法及工具 239
第8章 模态逻辑与Agent 242
8.1 模态逻辑的计算解释 242
8.2 模态程序设计语言 243
8.3 知识与行为理论 245
8.4.1 为什么多代理系统需要模态逻辑？ 246
8.4 模态逻辑与多代理系统 246
8.4.2 模态逻辑中的可能世界语义 248
8.4.3 正规模态逻辑 249
8.4.4 对应理论 250
8.4.5 作为认知逻辑的正规模态逻辑 251
8.4.6 逻辑全知 252
8.4.7 知识和信念的公理 252
8.4.8 讨论 253
8.5 多Agent系统的认知逻辑 253
8.6 模态逻辑与面向Agent的软件工程 255
8.6.1 系统规范的形式化方法 255
8.6.2 系统现实的形式化方法 256
8.6.3 系统验证 258
9.1 人工智能在石油工业中的应用 261
第9章 人工智能应用 261
9.1.1 人工智能应用的原则 262
9.1.2 人工智能的应用模式 263
9.1.3 国内外研究现状 264
9.1.4 人工智能在油田开发中的应用 268
9.1.5 用于油田储层保护的“IEDPTFD”系统分析 277
9.2 基于Agent的混合智能系统在金融投资计划领域的应用 287
9.2.1 关于系统中一些模型的介绍 287
9.2.2 系统分析 297
9.2.3 系统的设计 298
9.2.4 系统体系结构 300
9.2.5 系统的执行 301
参考文献 306