人工智能（第3版）

目录

第1章概述

1.1人工智能概述

1.2AI的产生及主要学派

1.3人工智能、专家系统和知识工程

1.4AI模拟智能成功的标准

1.5人工智能应用系统

1.6人工智能的技术特征

习题1

第1部分搜索与问题求解

第2章用搜索求解问题的基本原理

2.1搜索求解问题的基本思路

2.2实现搜索过程的三大要素

2.2.1搜索对象

2.2.2扩展规则

2.2.3目标测试

2.3通过搜索求解问题

2.4问题特征分析

2.4.1问题的可分解性

2.4.2问题求解步骤的撤回

2.4.3问题全域的可预测性

2.4.4问题要求的解的满意度

习题2

第3章搜索的基本策略

3.1盲目搜索方法

3.1.1宽度优先搜索

3.1.2深度优先搜索

3.1.3分支有界搜索

3.1.4迭代加深搜索

3.1.5一个盲目搜索问题的几种实现

3.2启发式搜索

3.2.1启发式信息的表示

3.2.2几种最基本的搜索策略

3.3随机搜索

3.3.1模拟退火法

3.3.2其他典型的随机搜索算法

习题3

第4章图搜索策略

4.1或图搜索策略

4.1.1通用或图搜索算法

4.1.2A算法与A*算法

4.2与/或图搜索

4.2.1问题归约求解方法与“与/或图”

4.2.2与/或图搜索

4.2.3与/或图搜索的特点

4.2.4与/或图搜索算法AO*

4.2.5对AO*算法的进一步观察

4.2.6用AO*算法求解一个智力难题

习题4

第5章博弈与搜索

5.1人机大战

5.1.1国际象棋人机大战

5.1.2围棋人机大战

5.2博弈与对策

5.3极小极大搜索算法

5.3.1极小极大搜索的思想

5.3.2极小极大搜索算法

5.3.3算法分析与举例

5.4α-β剪枝算法

习题5

第6章演化搜索算法

6.1遗传算法的基本概念

6.1.1遗传算法的基本定义

6.1.2遗传算法的基本流程

6.2遗传编码

6.2.1二进制编码

6.2.2Gray编码

6.2.3实数编码

6.2.4有序编码

6.2.5结构式编码

6.3适应值函数

6.4遗传操作

6.4.1选择

6.4.2交叉操作

6.4.3变异操作

6.5初始化群体

6.6控制参数的选取

6.7算法的终止准则

6.8遗传算法的基本理论

6.8.1模式定理

6.8.2隐含并行性

6.8.3构造块假设

6.8.4遗传算法的收敛性

6.9遗传算法简例

6.10遗传算法的应用领域

6.11免疫算法

6.11.1免疫算法的发展

6.11.2免疫算法的基本原理

6.11.3生物免疫系统与人工免疫系统的对应关系

6.11.4免疫算法的基本类型和步骤

6.12典型免疫算法分析

6.12.1阴性选择算法

6.12.2免疫遗传算法

6.12.3克隆选择算法

6.12.4基于疫苗的免疫算法

6.13免疫算法设计分析

6.14免疫算法与遗传算法比较

6.14.1免疫算法与遗传算法的基本步骤比较

6.14.2免疫算法与遗传算法不同之处

6.14.3仿真实验及讨论

6.15免疫算法研究的展望

习题6

第7章群集智能算法

7.1群集智能算法的研究背景

7.2群集智能的基本算法介绍

7.2.1蚁群算法

7.2.2flock算法

7.2.3粒子群算法

7.3集智系统介绍

7.3.1人工鱼

7.3.2Terrarium世界

7.4群集智能的优缺点

习题7

第8章记忆型搜索算法

8.1禁忌搜索算法

8.1.1禁忌搜索算法的基本思想

8.1.2禁忌搜索算法的基本流程

8.1.3禁忌搜索示例

8.1.4禁忌搜索算法的基本要素分析

8.1.5禁忌搜索算法流程的特点

8.1.6禁忌搜索算法的改进

8.2和声搜索算法

8.2.1和声搜索算法简介和原理

8.2.2算法应用

8.2.3算法比较与分析

习题8

第9章基于Agent的搜索

9.1DAI概述

9.2分布式问题求解

9.3Agent的定义

9.3.1Agent的弱定义

9.3.2Agent的强定义

9.4Agent的分类

9.4.1按功能划分

9.4.2按属性划分

9.5Agent通信

9.5.1Agent通信概述

9.5.2言语动作

9.5.3SHADE通信机制

9.6移动Agent

9.6.1移动Agent系统的一般结构

9.6.2移动Agent的分类

9.6.3移动Agent的优点

9.6.4移动Agent的技术难点

9.6.5移动Agent技术的标准化

9.7移动Agent平台的介绍

9.7.1General Magic公司的Odysses

9.7.2IBM公司的Aglet

习题9

第2部分知识与推理

第10章知识表示与处理方法

10.1概述

10.1.1知识和知识表示的含义

10.1.2知识表示方法分类

10.1.3AI对知识表示方法的要求

10.1.4知识表示要注意的问题

10.2逻辑表示法

10.3产生式表示法

10.3.1产生式系统的组成

10.3.2产生式系统的知识表示

10.3.3产生式系统的推理方式

10.3.4产生式规则的选择与匹配

10.3.5产生式表示的特点

10.4语义网络表示法

10.4.1语义网络结构

10.4.2二元语义网络的表示

10.4.3多元语义网络的表示

10.4.4连接词和量词的表示

10.4.5语义网络的推理过程

10.4.6语义网络的一般描述

10.5框架表示法

10.5.1框架理论

10.5.2框架结构

10.5.3框架表示下的推理

10.6过程式知识表示

习题10

第11章谓词逻辑的归结原理及其应用

11.1命题演算的归结方法

11.1.1基本概念

11.1.2命题演算的归结方法

11.2谓词演算的归结

11.2.1谓词演算的基本问题

11.2.2将公式化成标准子句形式的步骤

11.2.3合一算法

11.2.4变量分离标准化

11.2.5谓词演算的归结算法

11.3归结原理

11.3.1谓词演算的基本概念

11.3.2归结方法可靠性证明

11.3.3归结方法的完备性

11.4归结过程的控制策略

11.4.1简化策略

11.4.2支撑集策略

11.4.3线性输入策略

11.4.4几种推理规则及其应用

11.5应用实例

11.5.1归约在逻辑电路设计中的应用

11.5.2利用推理破案的实例

习题11

第12章非经典逻辑的推理

12.1非单调推理

12.1.1单调推理与非单调推理的概念

12.1.2默认逻辑

12.1.3默认逻辑非单调推理系统

12.2Dempster?Shater（D?S）证据理论

12.2.1识别框架

12.2.2基本概率分配函数

12.2.3置信函数Bel(A)

12.2.4置信区间

12.2.5证据的组合函数

12.2.6D?S理论的评价

12.3不确定性推理

12.3.1不确定性

12.3.2主观概率贝叶斯方法

12.4MYCIN系统的推理模型

12.4.1理论和实际的背景

12.4.2MYCIN模型

12.4.3MYCIN模型分析

12.4.4MYCIN推理网络的基本模式

12.4.5MYCIN推理模型的评价

12.5模糊推理

12.5.1模糊集论与模糊逻辑

12.5.2Fuzzy聚类分析

12.6基于案例的推理

12.6.1基于案例推理的基本思想

12.6.2案例的表示与组织

12.6.3案例的检索

12.6.4案例的改写

12.7归纳法推理

12.7.1归纳法推理的理论基础

12.7.2归纳法推理的基本概念

12.7.3归纳法推理中的主要难点

12.7.4归纳法推理的应用

习题12

第13章次协调逻辑推理

13.1次协调逻辑的含义

13.1.1传统的人工智能与经典逻辑

13.1.2人工智能中不协调的数据和知识库

13.1.3次协调逻辑

13.2注解谓词演算

13.2.1多真值格

13.2.2注解逻辑

13.2.3注解谓词公式的语义

13.2.4APC中的不协调、非、蕴涵

13.3基于APC的SLDa?推导和SLDa?反驳

13.3.1SLDa?推导和SLDa?反驳

13.3.2注解逻辑推理方法

13.3.3注解逻辑推理举例

13.4注解逻辑的归结原理

13.5应用实例

13.6控制策略

习题13

第3部分学习与发现

第14章机器学习

14.1概述

14.1.1机器学习的定义和意义

14.1.2机器学习的研究简史

14.1.3机器学习方法的分类

14.1.4机器学习中的推理方法

14.2归纳学习

14.2.1归纳概念学习的定义

14.2.2归纳概念学习的形式描述

14.2.3归纳概念学习算法的一般步骤

14.2.4归纳概念学习的基本技术

14.3基于解释的学习

14.3.1基于解释学习的基本原理

14.3.2基于解释学习的一般框架

14.3.3基于解释的学习过程

14.4基于类比的学习

14.4.1类比学习的一般原理

14.4.2类比学习的表示

14.4.3类比学习的求解

14.4.4逐步推理和监控的类比学习

习题14

第15章人工神经网络

15.1人工神经网络的特点

15.2人工神经网络的基本原理

15.3人工神经网络的基本结构模式

15.4人工神经网络互连结构

15.5神经网络模型分类

15.6几种基本的神经网络学习算法介绍

15.6.1Hebb型学习

15.6.2误差修正学习方法

15.6.3随机型学习

15.6.4竞争型学习

15.6.5基于记忆的学习

15.6.6结构修正学习

15.7几种典型神经网络简介

15.7.1单层前向网络

15.7.2多层前向网络及BP学习算法

15.7.3Hopfield神经网络

15.8人工神经网络与人工智能其他技术的比较

15.9人工神经网络的应用领域

习题15

第16章数据挖掘与知识发现

16.1数据挖掘

16.1.1数据挖掘的定义与发展

16.1.2数据挖掘研究的主要内容

16.1.3数据挖掘的特点

16.1.4数据挖掘的分类

16.1.5数据挖掘常用的技术

16.1.6数据挖掘过程

16.1.7数据挖掘研究面临的困难

16.1.8关联规则挖掘

16.1.9聚类分析

16.2Web挖掘

16.2.1Web挖掘概述

16.2.2Web内容挖掘

16.2.3Web结构挖掘

16.2.4Web使用挖掘

16.2.5Web数据挖掘的技术难点

16.2.6XML与Web数据挖掘技术

16.3文本挖掘

16.3.1文本挖掘的概念

16.3.2文本挖掘预处理

16.3.3文本挖掘的关键技术

16.3.4文本挖掘系统的评价标准

习题16

第4部分领域应用

第17章专家系统

17.1专家系统概述

17.1.1专家系统的定义

17.1.2专家系统的结构

17.1.3专家系统的特点

17.1.4专家系统的类型

17.1.5几个成功的专家系统简介

17.2专家系统中的知识获取

17.2.1概述

17.2.2知识获取的直接方法

17.2.3知识获取的新进展

17.3专家系统的解释机制

17.3.1预制文本解释法

17.3.2路径跟踪解释法

17.3.3自动程序员解释法

17.3.4策略解释法

17.4专家系统开发工具与环境

17.4.1专家系统开发工具的基本概念

17.4.2专家系统工具JESS

17.4.3JESS中的Rete匹配算法和逆向推理机制

17.5专家系统开发

17.5.1专家系统开发的步骤

17.5.2专家系统开发方法

17.6专家系统开发实例

17.6.1动物识别专家系统

17.6.2MYCIN专家系统

习题17

第18章自然语言处理

18.1语言的组成

18.1.1自然语言的基本要素

18.1.2实词和虚词

18.1.3短语结构

18.2上下文无关语法

18.2.1重写规则

18.2.2语法分析

18.3上下文无关语法分析

18.3.1产生后继状态的算法

18.3.2利用词典

18.3.3建立语法分析树

18.4特殊语法的分析

18.4.1引进特征

18.4.2特征匹配

18.5利用图表的高效语法分析

18.5.1chart数据结构

18.5.2有多种解释的句子

18.6语义解释

18.6.1词的意思

18.6.2利用特征的语义解释

18.6.3词义排歧

18.7生成自然语言

18.8在上下文中的自然语言

18.8.1言语的行为

18.8.2创建引用

18.8.3处理数据库的断言和问题

习题18

第19章智能机器人

19.1智能机器人的定义

19.2智能机器人的分类

19.2.1工业机器人

19.2.2服务机器人

19.2.3军用机器人

19.2.4仿生机器人

19.2.5网络机器人

19.3智能机器人的关键技术

19.3.1导航技术

19.3.2路径规划技术

19.3.3机器人视觉技术

19.3.4智能控制技术

19.3.5智能认知与感知技术

19.3.6多模式网络化交互技术

19.4智能机器人未来的发展

19.4.1人工智能技术的应用

19.4.2云机器人

19.4.3移动技术

19.4.4仿生技术

19.4.5机器人体系结构

习题19

参考文献