第1章 概论 1
1.1 学习目标与要求 1
1.2 知识要点 1
1.2.1 人工智能的概念 1
1.2.2 人工智能的产生及主要学派 2
1.2.3 人工智能、专家系统和知识工程 3
1.2.4 图灵测试 4
1.2.5 人工智能应用系统 5
1.2.6 人工智能的技术特征 7
1.3 习题解析 8
1.4 补充习题 9
1.5 课堂演示与实践指导 10
第2章 用搜索求解问题的基本原理 12
2.1 学习目标与要求 12
2.2 知识要点 12
2.2.1 搜索求解问题的基本思路 12
2.2.2 实现搜索过程的三大要素 12
2.2.3 通过搜索求解问题的方法 14
2.2.4 问题特征分析 14
2.3 习题解析 15
2.4 补充习题 16
2.5 课堂演示与实践指导 18
2.5.1 课堂演示 18
2.5.2 实践指导：分啤酒问题 22
第3章 搜索的基本策略 29
3.1 学习目标与要求 29
3.2 知识要点 29
3.2.1 盲目的搜索方法 29
3.2.2 启发式搜索 30
3.3 习题解析 32
3.4 补充习题 44
3.5 课堂演示与实践指导 49
3.5.1 课堂演示 49
3.5.2 实践指导：传教士—野人过河问题的实现 57
第4章 图搜索策略 71
4.1 学习目标与要求 71
4.2 知识要点 71
4.2.1 或图搜索策略 71
4.2.2 与/或图搜索 75
4.3 习题解析 77
4.4 补充习题 79
4.5 课堂演示与实践指导 84
4.5.1 课堂演示 84
4.5.2 实践指导：天平称球 90
第5章 博弈与搜索 93
5.1 学习目标与要求 93
5.2 知识要点 93
5.2.1 博弈与对策 93
5.2.2 极小极大搜索算法 93
5.2.3 α-β剪枝算法 94
5.3 习题解析 95
5.4 补充习题 100
5.5 课堂演示与实践指导 105
5.5.1 课堂演示 105
5.5.2 实践指导：人机对战五子棋游戏的实现 108
第6章 演化搜索算法 130
6.1 学习目标与要求 130
6.2 知识要点 130
6.2.1 遗传算法的基本概念 130
6.2.2 遗传编码 131
6.2.3 适应值函数 132
6.2.4 遗传操作 133
6.2.5 初始化群体 136
6.2.6 控制参数的选取 136
6.2.7 算法的终止准则 137
6.2.8 免疫算法 137
6.3 习题解析 141
6.4 补充习题 148
6.5 课堂演示与实践指导 149
6.5.1 课堂演示 149
6.5.2 实践指导：遗传算法求解TSP问题 151
第7章 群集智能算法 158
7.1 学习目标与要求 158
7.2 知识要点 158
7.2.1 群集智能的基本算法介绍 158
7.2.2 群集智能与人工鱼 165
7.2.3 群集智能的优缺点 166
7.3 习题解析 167
7.4 补充习题 169
7.5 课堂演示与实践指导 169
7.5.1 课堂演示 169
7.5.2 实践指导：蚁群算法的模拟实现 174
第8章 记忆型搜索算法 198
8.1 学习目标与要求 198
8.2 知识要点 198
8.2.1 禁忌搜索算法 198
8.2.2 和声搜索算法 202
8.3 习题解析 205
第9章 基于Agent的搜索 207
9.1 学习目标与要求 207
9.2 知识要点 207
9.2.1 DAI概述 207
9.2.2 分布式问题求解 208
9.2.3 Agent的定义 208
9.2.4 Agent的分类 209
9.2.5 Agent通信 211
9.2.6 移动Agent 213
9.2.7 典型的移动Agent平台 215
9.3 习题解析 216
9.4 补充习题 221
9.5 实践指导：基于Agent实现的分布式计算 221
第10章 知识表示与处理方法 235
10.1 学习目标与要求 235
10.2 知识要点 235
10.2.1 知识表示概述 235
10.2.2 逻辑表示法 237
10.2.3 产生式表示法 237
10.2.4 语义网络表示法 240
10.2.5 框架表示法 243
10.2.6 过程式知识表示 244
10.3 习题解析 244
10.4 补充习题 250
第11章 谓词逻辑的归结原理及其应用 257
11.1 学习目标与要求 257
11.2 知识要点 257
11.2.1 命题演算的归结方法 257
11.2.2 谓词演算的归结 258
11.2.3 归结原理 260
11.2.4 归结过程的控制策略 264
11.3 习题解析 265
11.4 补充习题 275
11.5 课堂演示与实践指导 292
11.5.1 课堂演示 292
11.5.2 实践指导 295
第12章 非经典逻辑的推理 299
12.1 学习目标与要求 299
12.2 知识要点 299
12.2.1 非单调推理 299
12.2.2 Dempster-Shater（D-S）证据理论 300
12.2.3 不确定性推理 302
12.2.4 MYCIN系统的推理模型 304
12.2.5 模糊推理 305
12.3 习题解析 308
12.4 补充习题 320
第13章 机器学习 327
13.1 学习目标与要求 327
13.2 知识要点 327
13.2.1 概述 327
13.2.2 归纳学习 329
13.2.3 基于解释的学习 332
13.2.4 基于类比的学习 333
13.3 习题解析 334
13.4 补充习题 336
13.5 实践指导 337
第14章 人工神经网络 346
14.1 学习目标与要求 346
14.2 知识要点 346
14.2.1 人工神经网络的特点 346
14.2.2 人工神经网络的基本原理 347
14.2.3 人工神经网络的基本结构模式 349
14.2.4 人工神经网络互联结构 350
14.2.5 神经网络模型分类 351
14.2.6 基本的神经网络学习算法介绍 352
14.2.7 典型神经网络简介 354
14.2.8 人工神经网络与人工智能其他技术的比较 359
14.3 习题解析 360
14.4 补充习题 363
14.5 实践指导 365
第15章 数据挖掘与知识发现 374
15.1 学习目标与要求 374
15.2 知识要点 374
15.2.1 数据挖掘 374
15.2.2 Web挖掘 385
15.2.3 文本挖掘 389
15.3 习题解析 391
15.4 补充习题 393
15.5 实践指导：利用Weka挖掘关联规则 394
第16章 专家系统 405
16.1 学习目标与要求 405
16.2 知识要点 405
16.2.1 专家系统概述 405
16.2.2 专家系统中的知识获取 407
16.2.3 专家系统的解释机制 408
16.2.4 专家系统开发工具与环境 409
16.2.5 专家系统开发方法 411
16.3 习题解析 412
16.4 补充习题 416
参考文献 419