目 錄
第1章 緒論 （1）
1.1 人工智能 （1）
1.1.1 什么是人工智能 （1）
1.1.2 什么是自然智能 （2）
1.2 人工智能發(fā)展史 （3）
1.2.1 階段孕育期（1956年以前） （3）
1.2.2 第二階段人工智能基礎技術的研究和形成（19561970年） （5）
1.2.3 第三階段發(fā)展和實用化階段（19711980年） （6）
1.2.4 第四階段知識工程和深度學習（1980年至今） （8）
1.3 人工智能的研究領域 （9）
1.3.1 專家系統(tǒng) （9）
1.3.2 自然語言處理 （10）
1.3.3 機器學習 （11）
1.3.4 定理證明 （11）
1.3.5 分布式人工智能 （12）
1.3.6 機器人 （12）
1.3.7 模式識別 （13）
1.3.8 博弈和游戲 （14）
1.3.9 計算機視覺 （15）
1.3.10 人工神經網(wǎng)絡 （15）
習題1 （16）
第2章 知識表達方法 （17）
2.1 知識的概念和含義 （17）
2.2 知識表達方法概述 （18）
2.2.1 知識類型 （18）
2.2.2 知識模型變換 （18）
2.3 狀態(tài)空間表達 （19）
2.3.1 狀態(tài)空間表達法的概念 （19）
2.3.2 狀態(tài)空間表達法的例子 （20）
2.4 與/或圖表達法 （20）
2.4.1 與/或圖表達法的概念 （20）
2.4.2 與/或圖表達法的例子 （21）
2.5 產生式系統(tǒng) （22）
2.5.1 產生式系統(tǒng)的基本結構 （23）
2.5.2 產生式系統(tǒng)的表示 （25）
2.6 知識的邏輯表達方法 （28）
2.6.1 命題邏輯 （28）
2.6.2 謂詞邏輯 （32）
2.6.3 一階謂詞邏輯表達方法 （33）
2.6.4 謂詞邏輯表達法的特性和應用 （35）
2.7 語義網(wǎng)絡 （36）
2.7.1 語義網(wǎng)絡的概念和特性 （36）
2.7.2 語義網(wǎng)絡的知識表示 （37）
2.8 框架表達法 （42）
2.8.1 框架的構成 （43）
2.8.2 框架系統(tǒng)和產生式系統(tǒng)的結合 （46）
2.9 特征表表達法 （48）
2.10 面向對象的表示 （49）
2.10.1 對象、消息和方法 （49）
2.10.2 類、類層次和繼承性 （51）
2.10.3 面向對象的知識表示和語義網(wǎng)絡、框架系統(tǒng)的比較 （51）
習題2 （52）
第3章 問題求解方法 （54）
3.1 狀態(tài)空間搜索概述 （54）
3.1.1 狀態(tài)圖 （54）
3.1.2 問題在狀態(tài)空間中的圖描述 （55）
3.1.3 將問題求解定義為狀態(tài)空間搜索 （56）
3.1.4 搜索的基本概念 （58）
3.2 盲目的圖搜索 （60）
3.2.1 搜索策略概述 （60）
3.2.2 回溯策略 （61）
3.2.3 寬度優(yōu)先搜索 （64）
3.2.4 深度優(yōu)先搜索 （65）
3.2.5 圖搜索 （68）
3.3　啟發(fā)式圖搜索 （68）
3.3.1　啟發(fā)式策略 （69）
3.3.2　啟發(fā)信息和估價函數(shù) （71）
3.3.3　啟發(fā)式圖搜索法A及A*搜索算法 （73）
3.3.4　A*搜索算法的討論 （75）
3.4　與/或圖搜索 （77）
3.4.1　與/或圖的概念 （77）
3.4.2　AO及AO*搜索算法 （79）
3.4.3　博弈樹搜索 （83）
3.5　局部搜索算法 （90）
3.6　模擬退火算法 （93）
3.6.1　固體退火過程 （93）
3.6.2　模擬退火算法 （94）
3.6.3 參數(shù)的確定 （95）
3.6.4 應用舉例 （99）
3.7 遺傳算法 （100）
3.7.1 生物進化和遺傳算法 （100）
3.7.2 遺傳算法的實現(xiàn)問題 （103）
3.8 約束滿足法 （107）
習題3 （109）
第4章　基本推理技術 （112）
4.1　推理技術概述 （112）
4.1.1　推理的概念和類型 （112）
4.1.2　推理的控制策略 （115）
4.2　歸結反演系統(tǒng) （118）
4.2.1　歸結原理 （118）
4.2.2　歸結反演 （122）
4.2.3　歸結反演的控制策略 （124）
4.2.4　應用歸結反演求取問題的答案 （126）
4.3　基于規(guī)則的演繹推理 （128）
4.3.1　正向演繹推理 （128）
4.3.2　反向演繹推理 （133）
4.3.3 雙向演繹推理 （135）
習題4 （136）
第5章 不精確推理 （138）
5.1 不精確推理概述 （138）
5.2 概率方法 （140）
5.2.1 概率論基礎 （140）
5.2.2 概率推理模型 （142）
5.3 主觀貝葉斯方法 （143）
5.3.1 不確定性的表示 （143）
5.3.2 主觀貝葉斯方法推理的基本算法 （145）
5.4 可信度方法 （150）
5.4.1 基于可信度的不確定性表示 （150）
5.4.2 可信度方法推理的基本算法 （152）
5.5 模糊推理 （154）
5.5.1 模糊理論基礎 （155）
5.5.2 語言變量和模糊推理 （158）
習題5 （159）
第6章 PROLOG語言 （161）
6.1 PROLOG語言概述 （161）
6.1.1 PROLOG語言的發(fā)展 （161）
6.1.2 PROLOG語言的特點 （161）
6.2 PROLOG語言的數(shù)據(jù)結構 （162）
6.2.1 數(shù)據(jù)結構 （162）
6.2.2 程序結構 （164）
6.3 PROLOG語言的內部謂詞 （165）
6.3.1 比較類 （165）
6.3.2 表達式類 （166）
6.3.3 輸入輸出類 （166）
6.3.4 文件操作類 （166）
6.3.5 控制類 （167）
6.3.6 復雜目標類 （167）
6.3.7 項類 （168）
6.3.8 結構分量類 （168）
6.3.9 項維護類（動態(tài)數(shù)據(jù)庫） （169）
6.4 PROLOG語言的搜索策略 （169）
6.4.1 例化與匹配 （170）
6.4.2 回溯控制 （170）
6.4.3 搜索策略 （172）
6.5 謂詞!的討論 （173）
6.5.1 謂詞!的作用 （174）
6.5.2 用法及舉例 （175）
6.6 PROLOG程序設計 （178）
6.6.1 數(shù)學函數(shù) （178）
6.6.2 八皇后問題 （180）
6.6.3 專家系統(tǒng)示例 （181）
6.7 PROLOG語言與C語言的連接 （183）
6.7.1 語言條件 （183）
6.7.2 外部謂詞說明 （184）
6.7.3 參數(shù)傳遞 （184）
6.7.4 外部C語言子程序 （185）
6.7.5 兩個限制 （185）
習題6 （186）
第7章 專家系統(tǒng) （189）
7.1 專家系統(tǒng)的定義和分類 （189）
7.1.1 專家系統(tǒng)的定義和特點 （189）
7.1.2 專家系統(tǒng)的類型 （192）
7.2 專家系統(tǒng)的結構和工作原理 （194）
7.2.1 專家系統(tǒng)的一般結構 （194）
7.2.2 專家系統(tǒng)的工作原理 （195）
7.3 知識獲取 （197）
7.3.1 知識獲取的任務 （198）
7.3.2 知識獲取的模式 （199）
7.4 專家系統(tǒng)的建立 （201）
7.4.1 適于專家系統(tǒng)求解的問題 （201）
7.4.2 專家系統(tǒng)的設計原則和開發(fā)步驟 （202）
7.4.3 專家系統(tǒng)的評價 （205）
7.5 專家系統(tǒng)實例 （206）
7.5.1 動物識別專家系統(tǒng) （206）
7.5.2 醫(yī)學專家系統(tǒng)MYCIN （208）
7.5.3 地質勘探專家系統(tǒng)PROSPECTOR （216）
7.6 專家系統(tǒng)的開發(fā)工具 （219）
7.6.1 用于開發(fā)專家系統(tǒng)的程序設計語言 （219）
7.6.2 骨架系統(tǒng) （219）
7.6.3 通用型知識表達語言 （222）
7.6.4 專家系統(tǒng)開發(fā)環(huán)境 （223）
習題7 （224）
第8章 機器學習 （225）
8.1 機器學習概述 （225）
8.1.1 機器學習的基本概念 （225）
8.1.2 機器學習的主要策略 （226）
8.1.3 機器學習系統(tǒng)的基本結構 （226）
8.1.4 機器學習系統(tǒng)的主要特性 （228）
8.2 機械學習 （230）
8.2.1 機械學習模式及主要問題 （230）
8.2.2 機械學習應用舉例 （232）
8.3 示例學習 （233）
8.3.1 示例學習模型 （234）
8.3.2 示例學習的一般過程 （235）
8.3.3 示例表示 （238）
8.3.4 示例復用 （239）
8.3.5 示例保存 （240）
8.4 類比學習 （241）
8.4.1 類比學習的概念 （241）
8.4.2 類比學習的表示和求解 （242）
8.5 幾種類比學習系統(tǒng)介紹 （244）
8.5.1 轉換類比學習 （244）
8.5.2 派生類比學習 （248）
8.5.3 因果關系類比學習 （249）
8.5.4 聯(lián)想類比學習 （252）
8.6 歸納學習 （253）
8.6.1 歸納學習概述 （253）
8.6.2 歸納學習的一般模式 （254）
8.6.3 類型定義 （254）
8.6.4 結構歸納學習及示例 （256）
8.6.5 基于決策樹的歸納學習方法 （259）
習題8 （261）
第9章 人工神經網(wǎng)絡 （263）
9.1 神經網(wǎng)絡概述 （263）
9.2 人工神經元模型 （264）
9.2.1 神經元模型 （264）
9.2.2 神經網(wǎng)絡結構及工作方式 （266）
9.3 神經網(wǎng)絡的學習方法 （267）
9.3.1 學習方式 （267）
9.3.2 學習規(guī)則 （267）
9.3.3 學習與自適應 （268）
9.4 前饋神經網(wǎng)絡 （269）
9.4.1 前饋神經網(wǎng)絡結構 （269）
9.4.2 利用BP算法進行網(wǎng)絡訓練 （270）
9.5 Hopfield神經網(wǎng)絡 （276）
9.5.1 神經聯(lián)想記憶 （276）
9.5.2 Hopfield網(wǎng)絡 （276）
9.5.3 Hopfield網(wǎng)絡的一個范例 （281）
9.6 Kohonen自組織神經網(wǎng)絡 （283）
習題9 （284）
第10章 人工智能游戲 （286）
10.1 計算機游戲中的人工智能 （286）
10.2 游戲編程中的人工智能 （287）
10.3 游戲中的移動 （288）
10.3.1 環(huán)境和空間 （288）
10.3.2 游戲世界的類型 （289）
10.3.3 處理移動 （291）
10.3.4 假設 （292）
10.3.5 測試條件 （292）
10.3.6 導航的技巧 （293）
10.3.7 游戲中的機器人及其移動 （293）
10.3.8 仿生機器人的自主導航 （294）
10.3.9 移動的標準 （295）
10.3.10 實例研究 （295）
10.4 實驗平臺FEAR （296）
習題10 （299）
參考文獻 （300）