本书主要阐述人工智能的基本原理、方法和应用技术。全书共13章,除第1章讨论人工智能的基本概念、第13章讨论人工智能的争论与展望外,其余11章均按照“基本智能 典型应用 计算智能”三个模块编写。个模块为人工智能经典的三大技术,分别为知识表示技术、搜索技术和推理技术,主要包括知识表示、搜索策略、确定性推理和不确定性推理; 第二个模块为人工智能的典型应用领域,包括机器学习、支持向量机和专家系统; 第三个模块为计算智能与群智能,包括神经计算、进化计算、模糊计算和群智能。 本书力求科学性、模块化、实用性。内容由浅入深、循序渐进、条理清晰,能让读者在有限的时间内掌握人工智能的基本原理、基本方法和应用技术。本书为教师提供习题答案。 本书可作为计算机科学与技术、智能科学与技术、人工智能、数据科学与大数据技术、自动化、机器人工程等专业的教材,也可供从事人工智能研究与应用的科技工作者学习参考。

第1章绪论 1.1人工智能的概念 1.1.1智能的定义 1.1.2人工智能的定义 1.2人工智能的诞生与发展 1.2.1孕育期 1.2.2形成期 1.2.3萧条期 1.2.4第二个兴旺期 1.2.5稳步增长期 1.2.6中国的人工智能发展 1.3人工智能的主要研究学派 1.3.1符号主义学派 1.3.2连接主义学派 1.3.3行为主义学派 1.4人工智能的主要研究内容 1.5人工智能的主要应用领域 1.6小结 习题 第2章知识表示 2.1知识表示概述 2.1.1知识的概念 2.1.2知识表示的概念 2.2一阶谓词逻辑表示法 2.2.1命题 2.2.2谓词 2.2.3谓词公式 2.2.4谓词逻辑表示 2.2.5谓词逻辑表示法的特点 2.3产生式表示法 2.3.1产生式表示的基本方法 2.3.2产生式系统的基本结构 2.3.3产生式系统的分类 2.3.4产生式表示法的特点 2.4语义网络表示法 2.4.1语义网络的基��概念 2.4.2语义网络的基本语义关系 2.4.3语义网络表示知识的方法 2.4.4语义网络的推理过程 2.4.5语义网络表示法的特点 2.5框架表示法 2.5.1框架结构 2.5.2框架表示 2.5.3框架表示的推理过程 2.5.4框架表示法的特点 2.6脚本表示法 2.7面向对象表示法 2.7.1面向对象的基本概念 2.7.2面向对象方法学的主要观点 2.8小结 习题 第3章搜索策略 3.1搜索策略概述 3.2基于状态空间图的搜索技术 3.2.1图搜索的基本概念 3.2.2状态空间搜索 3.2.3一般图搜索过程 3.3盲目搜索 3.3.1宽度优先搜索 3.3.2深度优先搜索 3.3.3有界深度搜索和迭代加深搜索 3.3.4搜索策略的比较 3.4启发式搜索 3.4.1启发性信息和评估函数 3.4.2启发式搜索A算法 3.4.3实现启发式搜索的关键因素 3.4.4A*算法 3.4.5迭代加深A*算法 3.5回溯搜索和爬山法 3.5.1爬山法 3.5.2回溯策略 3.6问题规约和与或图启发式搜索 3.6.1问题规约 3.6.2与或图表示 3.6.3与或图的启发式搜索 3.7博弈 3.7.1极大极小过程 3.7.2αβ过程 3.8小结 习题 第4章确定性推理 4.1推理概述 4.1.1推理的概念 4.1.2推理的分类 4.1.3推理的控制策略 4.2推理的逻辑基础 4.2.1谓词公式的永真性和可满足性 4.2.2置换与合一 4.3自然演绎推理 4.4归结演绎推理 4.4.1子句集 4.4.2鲁滨逊归结原理 4.4.3归结演绎推理的归结策略 4.4.4用归结原理求取问题的答案 4.5小结 习题 第5章不确定性推理 5.1不确定性推理概述 5.1.1什么是不确定性推理 5.1.2知识不确定性的来源 5.1.3不确定性推理方法分类 5.2不确定性推理的基本问题 5.2.1表示问题 5.2.2计算问题 5.2.3语义问题 5.3概率方法 5.3.1概率论基础 5.3.2经典概率方法 5.3.3逆概率方法 5.4主观Bayes方法 5.4.1规则不确定性的表示 5.4.2证据不确定性的表示 5.4.3组合证据不确定性的计算 5.4.4不确定性推理的计算 5.4.5结论不确定性的合成算法 5.5可信度方法 5.5.1可信度的定义和性质 5.5.2CF模型 5.5.3可信度方法的说明 5.6证据理论 5.6.1证据理论的形式描述 5.6.2证据理论的推理模型 5.6.3证据不确定性的表示 5.6.4规则不确定性的表示 5.6.5不确定性推理计算 5.6.6组合证据不确定性的计算 5.7模糊推理 5.7.1模糊数学的基本知识 5.7.2模糊假言推理 5.8小结 习题 第6章机器学习 6.1概述 6.1.1学习与机器学习 6.1.2学习系统 6.1.3机器学习的发展简史 6.1.4机器学习的分类 6.1.5机器学习的应用与研究目标 6.2归纳学习 6.2.1归纳学习的基本概念 6.2.2变型空间学习 6.2.3归纳偏置 6.3决策树学习 6.3.1决策树的组成及分类 6.3.2决策树的构造算法CLS 6.3.3基本的决策树算法ID3 6.3.4决策树的偏置 6.4基于实例的学习 6.4.1k近邻算法 6.4.2距离加权近邻法 6.4.3基于范例的学习 6.5强化学习 6.5.1强化学习模型 6.5.2马尔可夫决策过程 6.5.3Q学习 6.6小结 习题 第7章支持向量机 7.1支持向量机概述 7.1.1支持向量机的概念 7.1.2支持向量机的基本思想 7.2统计学习理论 7.2.1学习问题的表示 7.2.2期望风险和经验风险 7.2.3VC维理论 7.2.4推广性的界 7.2.5结构风险小化 7.3支持向量机的构造 7.3.1函数集结构的构造 7.3.2支持向量机求解 7.4核函数 7.4.1概述 7.4.2核函数的分类 7.5SVM的算法及多类SVM 7.6用于非线性回归的SVM 7.7支持向量机的应用 7.8小结 习题 第8章专家系统 8.1专家系统概述 8.1.1专家系统的主要特性 8.1.2专家系统的结构与类型 8.2基于规则的专家系统 8.2.1基于规则的专家系统的基本结构 8.2.2基于规则的专家系统的特点 8.2.3基于规则的专家系统举例 8.3基于框架的专家系统 8.3.1基于框架的专家系统简介 8.3.2基于框架的专家系统的继承、槽和方法 8.3.3基于框架的专家系统举例 8.4基于模型的专家系统 8.4.1基于模型的专家系统的概念 8.4.2基于模型的专家系统举例 8.5专家系统的开发 8.5.1开发步骤 8.5.2知识获取 8.5.3开发工具及环境 8.6专家系统设计举例 8.6.1专家知识的描述 8.6.2知识的使用 8.6.3决策的解释 8.6.4MYCIN系统 8.7新型专家系统 8.8小结 习题 第9章神经计算 9.1人工神经元模型 9.2感知器 9.2.1感知器的结构 9.2.2感知器学习算法 9.3反向传播网络 9.3.1BP网络的结构 9.3.2BP网络的学习算法 9.4自组织映射神经网络 9.4.1SOM网络结构 9.4.2SOM网络的学习算法 9.5Hopfield网络 9.5.1离散Hopfield网络的结构 9.5.2离散Hopfield 网络的稳定性 9.5.3离散Hopfield 网络的学习算法 9.6脉冲耦合神经网络 9.6.1PCNN的结构 9.6.2PCNN的学习算法 9.7面向时序数据的神经网络 9.7.1循环神经网络及其学习算法 9.7.2长短时记忆神经网络 9.8深度神经网络 9.8.1卷积神经网络 9.8.2注意力机制 9.9小结 习题 第10章进化计算 10.1进化计算概述 10.2遗传算法 10.2.1遗传算法的基本原理 10.2.2遗传算法的应用示例 10.2.3模式定理 10.2.4遗传算法的改进 10.3进化规划 10.3.1标准进化规划及其改进 10.3.2进化规划的基本技术 10.4进化策略 10.4.1进化策略及其改进 10.4.2进化策略的基本技术 10.5GA、EP、ES的异同 10.5.1GA、ES的异同 10.5.2EP和ES的异同 10.6小结 习题 第11章模糊计算 11.1模糊集合的概念 11.1.1模糊集合的定义 11.1.2模糊集合的表示方法 11.2模糊集合的代数运算 11.3正态模糊集和凸模糊集 11.4模糊关系 11.4.1模糊关系的概述 11.4.2模糊关系的性质 11.5模糊判决 11.6模糊数学在模式识别中的应用 11.6.1模糊模式识别的直接方法 11.6.2模糊模式识别的间接方法 11.7模糊综合评判 11.8小结 习题 第12章群智能 12.1群智能概述 12.1.1群智能优化算法定义 12.1.2群智能优化算法原理 12.1.3群智能优化算法特点 12.2蚁群优化算法 12.2.1蚁群优化算法概述 12.2.2蚁群优化算法的数学模型 12.2.3蚁群优化算法的改进 12.2.4蚁群优化算法的应用示例 12.3粒子群优化算法 12.3.1粒子群优化算法基本思想 12.3.2粒子群优化算法基本框架 12.3.3粒子群优化算法参数分析与改进 12.3.4粒子群优化算法的应用示例 12.4其他群智能优化算法 12.4.1人工鱼群算法 12.4.2细菌觅食算法 12.4.3混合蛙跳算法 12.4.4果蝇优化算法 12.5小结 习题 第13章争论与展望 13.1争论 13.1.1对人工智能理论的争论 13.1.2对人工智能方法的争论 13.1.3对人工智能技术路线的争论 13.1.4对强弱人工智能的争论 13.2展望 13.2.1更新的理论框架 13.2.2更好的技术集成 13.2.3更成熟的应用方法 13.2.4脑机接口 13.3小结 习题 参考文献