第1章 绪论 1
1.1 人工智能的起源 1
1.2 智能机械的发展 2
1.2.1 智能性机械 2
1.2.2 智能系统 3
1.3 人工智能的定义 4
1.4 人工智能的研究与应用领域 5
1.4.1 机器学习 5
1.4.2 人工神经网络 6
1.4.3 遗传算法 6
1.4.4 自然语言理解 7
1.4.5 专家系统 7
1.4.6 搏弈 7
1.4.7 数据库的智能检索 8
1.4.8 机器人学 8
1.4.9 Agent系统 9
1.4.10 蚂蚁算法 9
1.5 小结 10
习题1 10
第2章 知识表示与处理 11
本章要求 11
2.1 引言 11
2.1.1 知识表示的基本概念 11
2.1.2 人工智能系统所关心的知识 12
2.2 谓词逻辑表示法 12
2.2.1 用谓词公式表示知识 13
2.2.2 谓词逻辑表示知识的特点 14
2.3 产生式表示法 14
2.3.1 产生式的知识表示 14
2.3.2 产生式系统的组成 15
2.3.3 产生式系统的推理 16
2.4 语义网络表示法 17
2.4.1 语义网络的表示 17
2.4.2 语义网络的推理 18
2.4.3 语义网络的时序表示方法 19
2.5 框架表示法 20
2.5.1 框架的构成 20
2.5.2 框架的推理 21
2.5.3 框架知识表示的特点 22
2.6 面向对象的表示方法 22
2.6.1 面向对象的知识库 22
2.6.2 知识表示中对象的基本结构 24
2.7 状态空间表示法 24
2.7.1 问题状态描述 24
2.7.2 图的基本概念 25
2.7.3 状态空间表示举例 25
2.8 与或树表示法 26
2.9 小结 29
习题2 30
第3章 搜索算法 32
本章要求 32
3.1 搜索的概念和方法 32
3.2 状态空间搜索算法 34
3.2.1 状态空间图的搜索算法 34
3.2.2 宽度优先搜索 36
3.2.3 深度优先搜索 38
3.2.4 启发式搜索 40
3.2.5 A＊算法 43
3.3 其他搜索算法 45
3.3.1 分支界限法 45
3.3.2 与或图搜索算法 45
3.3.3 极大极小搜索算法 46
3.3.4 α—β搜索算法 46
3.4 小结 46
习题3 48
第4章 推理算法 51
本章要求 51
4.1 谓词逻辑推理 52
4.1.1 谓词逻辑 52
4.1.2 谓词演算 53
4.1.3 谓词公式 54
4.1.4 置换与合一 55
4.1.5 归结推理 57
4.2 规则演绎推理 67
4.2.1 推理控制策略 67
4.3 主观贝叶斯方法 71
4.3.1 基本贝叶斯公式 71
4.3.2 主观贝叶斯推理计算 73
4.3.3 推理网络 78
4.4 证据理论 80
4.5 小结 85
习题4 86
第5章 机器学习与知识获取 87
本章要求 87
5.1 机器学习概述 87
5.1.1 机器学习的基本概念 87
5.1.2 机器学习的发展历史 88
5.1.3 机器学习分类 89
5.2 归纳学习 92
5.2.1 示例学习 92
5.2.2 观察与发现学习 96
5.3 基于解释的学习 97
5.3.1 基于解释的泛化（EBG） 97
5.3.2 基于解释学习的若干基本问题 99
5.4 知识获取与数据挖掘 99
5.4.1 定理发现 100
5.4.2 知识发现与数据挖掘 102
5.5 小结 107
习题5 108
第6章 智能规划 109
本章要求 109
6.1 规划的作用与任务 109
6.1.1 规划的概念 109
6.1.2 规划的作用与问题分解途径 109
6.2 基于谓词逻辑的规划 111
6.2.1 规划世界模型的谓词逻辑表示 111
6.3 STRIPS规划系统 113
6.3.1 积木世界的机器人规划 113
6.3.2 STRIPS系统规划 117
6.4 分层规划 119
6.4.1 长度优先搜索 119
6.4.2 NOAH规划系统 120
6.5 应用实例：基于智能规划的时间表 121
6.6 小结 125
习题6 126
第7章 模糊理论和模糊知识表示 127
本章要求 127
7.1 模糊的概念 127
7.2 模糊逻辑和模糊知识表示 128
7.2.1 模糊知识表示 128
7.2.2 模糊集合 129
7.2.3 模糊关系 133
7.2.4 语言变量 133
7.3 模糊逻辑推理 134
7.4 小结 141
习题7 142
第8章 智能Agent与移动Agent 143
本章要求 143
8.1 智能Agent概念和性质 143
8.1.1 智能Agent概念 143
8.1.2 智能Agent性质 144
8.2 Agent的分类 145
8.2.1 按功能分类 145
8.2.2 按系统规模分类 145
8.3 Agent的基本结构 146
8.3.1 认知型Agent 147
8.3.2 反应型Agent 148
8.3.3 混合型Agent 149
8.4 多Agent与Agent通信 150
8.4.1 多Agent系统特性 150
8.4.2 多Agent系统模型和体系结构 151
8.4.3 多Agent系统的协作和协调 151
8.4.4 多Agent系统的通信 151
8.5 移动Agent 153
8.5.1 移动Agent的定义 153
8.5.2 移动Agent的特点 153
8.6 移动Agent在搜索引擎中的应用 154
8.7 Agent在空中交通管理系统的应用 157
8.8 小结 159
习题8 160
第9章 人工神经网络 162
本章要求 162
9.1 人工神经网络的基本知识 162
9.1.1 起源和发展 162
9.1.2 国内外研究和应用现状 163
9.1.3 人工神经网络定义 164
9.1.4 神经元是高度并列分散处理系统 164
9.1.5 神经元学习 165
9.2 神经网络模型及工作原理 167
9.2.1 人工神经元的基本工作原理 167
9.2.2 人工神经元的响应特性 168
9.2.3 网络模型 169
9.3 学习模型 173
9.3.1 自然神经元、神经网络的学习 173
9.3.2 人工神经网络的学习 174
9.4 反向传播算法 177
9.4.1 感知器 177
9.4.2 多层网络反向传播法BP 185
9.4.3 学习算法的改进 191
9.5 小结 193
习题9 194
第10章 遗传算法与智能 195
本章要求 195
10.1 遗传算法的特征与发展 195
10.1.1 遗传算法的特点 196
10.1.2 遗传算法所研究的问题 197
10.1.3 遗传算法的应用领域 197
10.2 遗传算法的基本模型 198
10.2.1 遗传编码 199
10.2.2 适应函数 201
10.2.3 遗传操作及遗传算法应用 202
10.3 基于遗传算法的机器学习 206
10.4 小结 207
习题10 208
第11章 蚂蚁算法 209
本章要求 209
11.1 引言 209
11.2 蚂蚁群体的生物特征 210
11.3 蚂蚁算法的原理 211
11.4 蚂蚁算法的特点 212
11.5 蚂蚁算法定义与求解步骤 213
11.6 蚂蚁算法的优化模型 214
11.6.1 AS模型 214
11.6.2 ACS模型 214
11.6.3 MMAS模型 217
11.7 蚂蚁算法模型的评价 217
11.8 蚂蚁算法研究进展 218
11.9 蚂蚁算法可研究问题 220
11.10 小结 221
习题11 221
第12章 人工智能在民航中的应用 222
12.1 人工智能与飞机发动机故障诊断技术 222
12.2 人工智能与民航信息系统 227
12.3 基于状态分类评价的飞机发动机故障诊断专家系统 228
12.3.1 概述 228
12.3.2 数据采集系统 229
12.3.3 专家系统的构造 229
12.3.4 状态分类器 230
12.3.5 定量诊断方法 230
12.3.6 定性诊断方法 231
12.3.7 诊断决策支援 232
12.4 D-S算法在发动机故障诊断中的应用 232
12.4.1 系统结构和知识处理 232
12.4.2 软件处理和推理逻辑 234
第13章 神经网络在民航中的应用 239
13.1 BP神经网络与发动机故障诊断 239
13.2 Kohonen网络在飞机发动机故障诊断中的应用 240
13.3 应用神经网络诊断航空发动机气路故障的前景 241
13.4 改进的BP神经网络在发动机故障诊断中的应用 241
13.4.1 典型BP算法收敛性的讨论 242
13.4.2 典型的BP算法收敛曲线 246
13.4.3 BP算法的改进 247
13.4.4 算法评估 254
13.4.5 ASFBP算法的应用 255
附录 260