人工智能導論（第3版）

目 錄
第1章 緒論\t1
1．1 人工智能的概念\t1
1．1．1 智能的定義\t1
1．1．2 人工智能的定義\t3
1．2 人工智能的產(chǎn)生和發(fā)展\t5
1．2．1 孕育期（20世紀50年代中期以前）\t5
1．2．2 形成及第一個興旺期（20世紀50年代中期至60年代中期）\t6
1．2．3 蕭條波折期（20世紀60年代中期至70年代中期）\t7
1．2．4 第二個興旺期（20世紀70年代中期至80年代中期）\t8
1．2．5 穩(wěn)步增長期（20世紀80年代中期至今）\t10
1．2．6 中國的人工智能發(fā)展\t11
1．3 人工智能的主要學派\t12
1．3．1 符號主義學派\t12
1．3．2 連接主義學派\t13
1．3．3 行為主義學派\t14
1．4 人工智能的主要研究內容\t14
1．5 人工智能的主要應用領域\t17
小結\t24
習題1\t24
第2章 知識表示\t25
2．1 知識表示概述\t25
2．1．1 知識的概念\t25
2．1．2 知識表示的概念\t26
2．2 一階謂詞邏輯表示法\t27
2．2．1 命題\t27
2．2．2 謂詞\t28
2．2．3 謂詞公式\t29
2．2．4 謂詞邏輯表示\t30
2．2．5 謂詞邏輯表示法的特點\t33
2．3 產(chǎn)生式表示法\t33
2．3．1 產(chǎn)生式表示的基本方法\t33
2．3．2 產(chǎn)生式系統(tǒng)的基本結構\t35
2．3．3 產(chǎn)生式系統(tǒng)的分類\t36
2．3．4 產(chǎn)生式表示法的特點\t37
2．4 語義網(wǎng)絡表示法\t39
2．4．1 語義網(wǎng)絡的基本概念\t39
2．4．2 語義網(wǎng)絡的基本語義關系\t39
2．4．3 語義網(wǎng)絡表示知識的方法\t41
2．4．4 語義網(wǎng)絡的推理過程\t45
2．4．5 語義網(wǎng)絡表示法的特點\t46
2．5 框架表示法\t46
2．5．1 框架結構\t46
2．5．2 框架表示\t48
2．5．3 框架表示的推理過程\t50
2．5．4 框架表示法的特點\t50
2．6 腳本表示法\t50
2．7 面向對象表示法\t54
小結\t56
習題2\t57
第3章 確定性推理\t59
3．1 推理概述\t59
3．1．1 推理的概念\t59
3．1．2 推理的分類\t59
3．1．3 推理的控制策略\t61
3．2 推理的邏輯基礎\t63
3．2．1 謂詞公式的永真性和可滿足性\t63
3．2．2 置換與合一\t65
3．3 自然演繹推理\t68
3．4 歸結演繹推理\t69
3．4．1 子句型\t69
3．4．2 魯濱遜歸結原理\t72
3．4．3 歸結演繹推理的歸結策略\t76
3．4．4　用歸結原理求取問題的答案\t81
小結\t81
習題3\t82
第4章 搜索策略\t85
4．1 搜索概述\t85
4．2 一般圖搜索\t86
4．2．1 圖搜索的基本概念\t86
4．2．2 狀態(tài)空間搜索\t87
4．2．3 一般圖搜索過程\t91
4．3 盲目搜索\t92
4．3．1 寬度優(yōu)先搜索\t93
4．3．2 深度優(yōu)先搜索\t95
4．3．3 有界深度搜索和迭代加深搜索\t97
4．3．4 搜索最優(yōu)策略的比較\t98
4．4 啟發(fā)式搜索\t99
4．4．1 啟發(fā)性信息和評估函數(shù)\t99
4．4．2 啟發(fā)式搜索A算法\t100
4．4．3 實現(xiàn)啟發(fā)式搜索的關鍵因素\t102
4．4．4 A*算法\t103
4．4．5 迭代加深A*算法\t106
4．5 回溯搜索和爬山法\t107
4．5．1 爬山法\t107
4．5．2 回溯策略\t108
4．6 問題規(guī)約\t109
4．7 與/或圖搜索\t111
4．7．1 與/或圖表示\t111
4．7．2 與/或圖的啟發(fā)式搜索\t113
4．8 博弈\t117
4．8．1 極大極小過程\t119
4．8．2 α?β過程\t121
小結\t122
習題4\t123
第5章 不確定性推理\t125
5．1 不確定性推理概述\t125
5．1．1 不確定性推理的概念\t125
5．1．2 知識不確定性的來源\t125
5．1．3 不確定性推理要解決的基本問題\t126
5．1．4 不確定性推理方法的分類\t128
5．2 概率方法\t129
5．2．1 概率論基礎\t129
5．2．2 經(jīng)典概率方法\t130
5．2．3 逆概率方法\t130
5．3 主觀貝葉斯方法\t132
5．3．1 規(guī)則不確定性的表示\t132
5．3．2 證據(jù)不確定性的表示\t134
5．3．3 組合證據(jù)不確定性的計算\t135
5．3．4 不確定性推理\t135
5．3．5 結論不確定性的合成算法\t137
5．4 確定性理論\t140
5．4．1 可信度\t140
5．4．2 CF模型\t142
5．4．3 確定性方法的說明\t145
5．5 證據(jù)理論\t146
5．5．1 證據(jù)理論的形式描述\t147
5．5．2 證據(jù)理論的推理模型\t150
5．5．3 證據(jù)不確定性的表示\t152
5．5．4 規(guī)則不確定性的表示\t152
5．5．5 不確定性的推理\t152
5．5．6 組合證據(jù)的不確定性計算\t152
5．6 模糊推理\t155
5．6．1 模糊數(shù)學的基本知識\t155
5．6．2 模糊假言推理\t157
小結\t160
習題5\t161
第6章 機器學習\t163
6．1 機器學習概述\t163
6．1．1 學習與機器學習\t163
6．1．2 學習系統(tǒng)\t164
6．1．3 機器學習的發(fā)展簡史\t166
6．1．4 機器學習的分類\t167
6．1．5 機器學習的應用和研究目標\t168
6．2 歸納學習\t169
6．2．1 歸納學習的基本概念\t169
6．2．2 變型空間學習\t171
6．2．3 歸納偏置\t173
6．3 決策樹學習\t174
6．3．1 決策樹的組成及分類\t174
6．3．2 決策樹的構造算法CLS\t175
6．3．3 基本的決策樹算法ID3\t177
6．3．4 決策樹的偏置\t179
6．4 基于實例的學習\t180
6．4．1 k?近鄰算法\t180
6．4．2 距離加權最近鄰法\t181
6．4．3 基于范例的學習\t181
6．5 強化學習\t186
6．5．1 強化學習模型\t186
6．5．2 馬爾可夫決策過程\t187
6．5．3 Q學習\t188
小結\t190
習題6\t191
第7章 支持向量機\t193
7．1 支持向量機概述\t193
7．2 統(tǒng)計學習理論\t194
7．2．1 學習問題的表示\t194
7．2．2 期望風險和經(jīng)驗風險\t195
7．2．3 VC維理論\t196
7．2．4 推廣性的界\t197
7．2．5 結構風險最小化\t198
7．3 支持向量機的構造\t199
7．3．1 函數(shù)集結構的構造\t199
7．3．2 支持向量機的模式\t200
7．4 核函數(shù)\t203
7．4．1 核函數(shù)概述\t203
7．4．2 核函數(shù)的分類\t204
7．5 SVM的算法及多類SVM\t205
7．6 用于非線性回歸的SVM\t206
7．7 支持向量機的應用\t207
小結\t209
習題7\t209
第8章 專家系統(tǒng)\t210
8．1 專家系統(tǒng)概述\t210
8．1．1 專家系統(tǒng)的特性\t210
8．1．2 專家系統(tǒng)的結構和類型\t211
8．2 基于規(guī)則的專家系統(tǒng)\t213
8．3 基于框架的專家系統(tǒng)\t215
8．4 基于模型的專家系統(tǒng)\t217
8．5 專家系統(tǒng)的開發(fā)\t219
8．5．1 專家系統(tǒng)的開發(fā)過程\t219
8．5．2 專家系統(tǒng)的知識獲取\t220
8．5．3 專家系統(tǒng)的開發(fā)工具和環(huán)境\t222
8．6 專家系統(tǒng)設計舉例\t224
8．6．1 專家知識的描述\t224
8．6．2 知識的使用\t227
8．6．3 決策的解釋\t230
8．6．4 MYCIN系統(tǒng)\t230
8．7 新型專家系統(tǒng)\t231
小結\t233
習題8\t234
第9章 神經(jīng)計算\t235
9．1 神經(jīng)計算概述\t235
9．2 感知器\t237
9．2．1 感知器的結構\t237
9．2．2 感知器的學習算法\t238
9．3 反向傳播網(wǎng)絡\t240
9．3．1 BP網(wǎng)絡的結構\t240
9．3．2 BP網(wǎng)絡的學習算法\t241
9．4 自組織映射神經(jīng)網(wǎng)絡\t244
9．4．1 SOM網(wǎng)絡結構\t244
9．4．2 SOM網(wǎng)絡的學習算法\t244
9．5 Hopfield網(wǎng)絡\t246
9．5．1 離散Hopfield網(wǎng)絡的結構\t246
9．5．2 離散Hopfield網(wǎng)絡的穩(wěn)定性\t247
9．5．3 離散Hopfield 網(wǎng)絡的學習算法\t247
9．6 脈沖耦合神經(jīng)網(wǎng)絡\t248
9．6．1 PCNN的結構\t248
9．6．2 PCNN的學習算法\t249
9．7 深度神經(jīng)網(wǎng)絡\t249
小結\t250
習題9\t251
第10章 進化計算\t252
10．1 進化計算概述\t252
10．2 遺傳算法\t253
10．2．1 遺傳算法的基本原理\t253
10．2．2 遺傳算法的應用示例\t255
10．2．3 模式定理\t257
10．2．4 遺傳算法的改進\t259
10．3 進化規(guī)劃\t260
10．3．1 標準進化規(guī)劃及其改進\t261
10．3．2 進化規(guī)劃的基本技術\t262
10．4 進化策略\t263
10．4．1 進化策略及其改進\t263
10．4．2 進化策略的基本技術\t264
10．5 GA、EP、ES的異同\t266
小結\t267
習題10\t267
第11章 模糊計算\t268
11．1 模糊集合的概念\t268
11．1．1 模糊集合的定義\t268
11．1．2 模糊集合的表示方法\t268
11．2 模糊集合的代數(shù)運算\t273
11．3 正態(tài)模糊集和凸模糊集\t275
11．4 模糊關系\t276
11．4．1 模糊關系的概述\t276
11．4．2 模糊關系的性質\t277
11．5 模糊判決\t277
11．6 模糊數(shù)學在模式識別中的應用\t278
11．6．1 最大隸屬度原則\t278
11．6．2 擇近原則\t279
小結\t280
習題11\t280
第12章 群智能\t282
12．1 群智能概述\t282
12．1．1 群智能優(yōu)化算法定義\t282
12．1．2 群智能優(yōu)化算法原理\t283
12．1．3 群智能優(yōu)化算法特點\t283
12．2 蟻群算法\t283
12．2．1 蟻群算法概述\t283
12．2．2 蟻群算法的數(shù)學模型\t284
12．2．3 蟻群算法的改進\t286
12．2．4 蟻群算法的應用示例\t287
12．3 粒子群優(yōu)化算法\t288
12．3．1 粒子群優(yōu)化算法基本思想\t288
12．3．2 粒子群優(yōu)化算法基本框架\t288
12．3．3 粒子群優(yōu)化算法參數(shù)分析與改進\t290
12．3．4 粒子群優(yōu)化算法的應用示例\t291
12．4 其他群智能優(yōu)化算法\t292
12．4．1 人工魚群算法\t292
12．4．2 細菌覓食算法\t295
12．4．3 混合蛙跳算法\t297
12．4．4 果蠅優(yōu)化算法\t298
小結\t299
習題12\t300
第13章 爭論與展望\t301
13．1 爭論\t301
13．1．1 對人工智能理論的爭論\t301
13．1．2 對人工智能方法的爭論\t302
13．1．3 對人工智能技術路線的爭論\t302
13．1．4 對強弱人工智能的爭論\t303
13．2 展望\t304
13．2．1 更新的理論框架\t304
13．2．2 更好的技術集成\t305
13．2．3 更成熟的應用方法\t305
13．2．4 腦機接口\t306
小結\t306
習題13\t307
附錄A 參考答案\t308
參考文獻\t309