人工智能原理及其應用(第4版)（簡體書）

本書是“十二五”普通高等教育本科國家級規劃教材和北京高等教育精品教材。 全書包括8章和附錄，主要內容包括：人工智能概述，確定性知識系統，不確定性知識系統，智能搜索技術，機器學習，人工神經網絡與連接學習，分佈智能，智能應用簡介。附錄A是新一代人工智能簡介。本書為任課教師免費提供電子課件。 本書可以作為高等院校計算機類各專業及相關專業的相關課程的教材。

王萬森，男，教授，2004年至今，首都師範大學信息工程學院任教。主要從事人工智能等放面的教學及研究工作。主要教學成果：2006年度教育部-微軟精品課程建設項目，主持人；普通高等教育"十一五”國家級規劃教材多本；精品課程建設項目"人工智能原理”負責人。
研究領域：人工智能、人工情感、e-learning系統、不確定推理、專家系統等方面的研究與開發工作。

前 言
2016年3月，在人工智能邁向其60“壽辰”的腳步中，一聲春雷，AlphaGo的橫空出世，人工智能隨之強勢興起，並迅速進入了一個空前的熱潮時期。
認真分析本輪人工智能熱潮的起因，AlphaGo僅僅是一根導火索，其深層的根源在於雲計算為人工智能跨越式發展提供了強大的計算能力、大數據為人工智能大規模機器學習提供了豐富的數據資源、深度學習為人工智能認知模擬提供了一條有效途徑，尤其是經濟社會智能化進程的加速為人工智能落地帶來了巨大的應用需求。
與以往人工智能的幾度興衰相比，本次熱潮有四大特點，即技術引領、政府主導、企業推動、需求牽引。從國家層面，世界各國政府近年紛紛出臺政策，迅速將人工智能上升為國家戰略，並將其視為國家核心競爭力的基本要素和重要標誌。例如，美國政府於2016年10月13日發佈了《國家人工智能研究與發展策略規劃》，英國政府於2017年10月15日再次發佈了名為《在英國發展人工智能》的報告，我國政府也於2017年7月8日發佈了《國務院關於印發新一代人工智能發展規劃的通知》等。從企業層面，全球各科技巨頭之間的人工智能競爭愈演愈烈，美國的穀歌、微軟、臉書、IBM、亞馬遜企業等，我國的百度、訊飛、華為、阿裡等企業，都不惜重金，投入鉅資，搶佔人工智能的高地。
縱觀當今人工智能，其技術發展之迅猛、政府熱情之高漲、企業競爭之激烈、社會需求之巨大，均前所未有。正因為有這些堅實基礎的強力支撐和社會需求的大力牽引，相信本輪人工智能熱潮將會在一個較長時期內持續，並將為整個人類的科技進步和社會文明做出巨大貢獻。
本次教材修訂正是在這一大背景下進行的。希望修訂後的第4版能不負時代所望，能對我國人工智能教育及人才培養有所貢獻。其實，本教材自第1版以來，一直備受讀者的支持與厚愛，前3版分別印刷了9次、9次、10次，共28次。同時，本教材先後被評為普通高等教育“十一五”國家級規劃教材、“十二五”普通高等教育本科國家級規劃教材，以及北京高等教育精品教材。在此，先向所有關心和支持過本教材建設，閱讀或使用過本教材的各位專家、學者和讀者表示深深的感謝。
本次修訂的基本思路是：在保證教材內容系統性、完整性的前提下，儘量反映人工智能技術的最新進展，以適應人工智能技術發展的時代需求。修訂後的第4版與第3版相比，主要改動情況如下：
（1）新增了集成學習的內容。集成學習作為一種集眾多個體學習器學習結果為一體的機器學習方法，具有較多的優越性和較廣的應用價值。
（2）新增了深層神經網絡模型和深度學習方法。其中，深度學習方面較詳細地討論了深度卷積神經網絡的學習問題。
（3）重寫了ID3算法的算法描述及例子。在ID3算法中明確定義了信息增益的概念，給出了由信息增益引導的ID3算法的過程描述，並完善了ID3算法例子的整個求解過程。
（4）充實了Hopfield網絡學習的推導過程。給出了Hopfield網絡能量函數的完整描述和詳細推導過程，改善了該內容的可讀性和可理解性。
（5）補充了人工神經網絡的生物機理。包括生物神經元的基本結構、工作方式、連接方法及突觸傳遞過程等，為讀者對人工神經網絡的深入認知提供了機理方面的基礎。
（6）修改和部分重寫了第1章的有關內容。結合人工智能的最新進展，對原第1章的部分內容做了適當修改，並重寫了1.5.9節。同時，把原1.6節改寫為“新一代人工智能簡介”，並作為附錄A放在了全書最後，實際上是對全書內容的提升和深化。
（7）全書組織架構做了適當調整。本次修訂撤銷了原第3版中的第4章計算智能，有關內容在第4版中調整如下：
① 神經計算作為連接學習的人工神經網絡基礎，放到了第4版的第6章人工神經網絡與連接學習中。
② 進化計算作為一種隨機（或演化）搜索方法，放到了第4版的第4章智能搜索技術中。
③ 模糊計算作為模糊推理的數學和邏輯基礎，放到了第4版的第3章不確定性知識系統中。
④ 粗糙集作為一種知識發現方法，放到了第4版的第5章機器學習中。
（8）調整了原第3章和第5章的次序。在調整後的第4版中，第3章為不確定性知識系統，第4章為智能搜索技術。
（9）刪除了個別陳舊內容。結合人工智能發展，刪除了第3版中的個別陳舊內容，如框架知識表示的推理過程、用歸結反演求取問題答案等。
通過本次修訂，第4版的知識更加系統、結構更加完整、內容更加新穎、方法更加明確、技術更趨可用、例子更切實際，可更好地滿足人工智能教學需求。
修訂後的第4版共8章，新增一個附錄。其中：
第1章為人工智能概述，主要介紹人工智能的定義、形成過程、研究內容、學派之爭、應用領域等，以建立起人工智能的初步概念。
第2章為確定性知識系統，包括確定性知識的表示和推理。
第3章為不確定性知識系統，給出了5種不確定性推理方法。
第4章為智能搜索技術，包括基於搜索空間的啟發式搜索方法和基於生物演化過程的進化搜索方法。
第5章為機器學習，主要討論基於符號主義人工智能的機器學習方法。
第6章為神經網絡與連接學習，包括淺層神經網絡模型及學習方法和深層神經網絡模型及深度學習方法。
第7章為分佈智能，主要討論基於多Agent的分佈智能技術及分佈智能系統。
第8章為智能應用。包括對自然語言理解和專家系統兩個方面的簡單介紹。
附錄A是新一代人工智能的簡單介紹及討論。新一代人工智能作為我國人工智能發展的國家戰略，深化其認識、加深其理解，無論從人工智能理論、技術發展的角度，還是從人工智能研究、應用的角度都十分必要。
本教材可為任課老師免費提供電子課件和重要練習題的參考答案，需要者可到華信教育網http://www.hxedu.com.cn註冊下載。
本教材建議總學時為48學時。其中，課堂教學42學時，實驗6學時（實驗內容由任課老師根據需要和條件確定），具體分配如下：
章次 1 2 3 4 5 6 7 8 理論課 實驗課 合計
學時 2 7 10 8 6 5 2 2 42 6 48
若課時不足，可依此刪除證據理論不確定性推理，概率推理中的貝葉斯網絡近似推理，以及粗糙集等內容。
本教材的編寫吸取了眾多國內外同行的報告、演講、專著、教材和論文中的精華。在此，謹向這些專家和作者表示真誠的感謝。
本教材的修訂和出版，同樣得到了電子工業出版社的大力支持，在此表示誠摯的謝意。馬獻英副編審參加了本書的資料、文稿整理和部分內容編寫等工作，在此也深表感謝。
人工智能是一門正在快速發展的年輕學科，其研究和應用領域十分寬廣。由於作者水平有限，加之時間倉促，教材中難免存在一些缺點和錯誤，懇請各位專家和讀者不吝賜教。

王萬森
2018年5月於北京

目 錄
第1章 人工智能概述 1
1.1 人工智能的基本概念 1
1.1.1 智能的概念 1
1.1.2 人工智能的概念 3
1.1.3 人工智能的研究目標 3
1.2 人工智能的產生與發展 4
1.2.1 孕育期（1956年之前） 4
1.2.2 形成期（1956年到20世紀60年代末） 5
1.2.3 知識應用期（20世紀70年代初到80年代初） 5
1.2.4 從學派分立走向綜合（20世紀80年代中到21世紀初） 7
1.2.5 機器學習和深度學習引領發展（21世紀初至今） 7
1.3 人工智能研究的基本內容 7
1.3.1 智能的腦與認知機理研究 7
1.3.2 智能模擬的理論、方法和技術研究 8
1.4 人工智能研究中的不同學派 9
1.4.1 符號主義 9
1.4.2 連接主義 10
1.4.3 行為主義 10
1.5 人工智能的研究和應用領域 11
1.5.1 機器思維 11
1.5.2 機器學習 12
1.5.3 機器感知 14
1.5.4 機器行為 15
1.5.5 計算智能 16
1.5.6 分佈智能 17
1.5.7 智能系統 18
1.5.8 人工心理和人工情感 18
1.5.9 人工智能的典型應用 19
習題1 21
第2章 確定性知識系統 23
2.1 確定性知識系統概述 23
2.1.1 確定性知識表示概述 23
2.1.2 確定性知識推理概述 25
2.2 確定性知識表示方法 27
2.2.1 謂詞邏輯表示法 27
2.2.2 產生式表示法 34
2.2.3 語義網絡表示法 36
2.2.4 框架表示法 42
2.3 確定性知識推理方法 46
2.3.1 產生式推理 46
2.3.2 自然演繹推理 51
2.3.3 歸結演繹推理 54
2.4 確定性知識系統簡例 63
2.4.1 產生式系統簡例 63
2.4.2 歸結演繹系統簡例 65
習題2 66
第3章 不確定性知識系統 70
3.1 不確定性推理概述 70
3.1.1 不確定性推理的含義 70
3.1.2 不確定性推理的基本問題 71
3.1.3 不確定性推理的類型 72
3.2 可信度推理 73
3.2.1 可信度的概念 73
3.2.2 可信度推理模型 73
3.2.3 可信度推理的例子 77
3.3 主觀Bayes推理 78
3.3.1 主觀Bayes方法的概率論基礎 78
3.3.2 主觀Bayes方法的推理模型 79
3.3.3 主觀Bayes推理的例子 83
3.3.4 主觀Bayes推理的特性 85
3.4 證據理論 85
3.4.1 證據理論的形式化描述 86
3.4.2 證據理論的推理模型 90
3.4.3 推理實例 91
3.4.4 證據理論推理的特性 93
3.5 模糊推理 93
3.5.1 模糊集及其運算 93
3.5.2 模糊關係及其運算 96
3.5.3 模糊知識表示 98
3.5.4 模糊概念的匹配 99
3.5.5 模糊推理的方法 100
3.6 概率推理 104
3.6.1 貝葉斯網絡的概念及理論 105
3.6.2 貝葉斯網絡推理的概念和類型 108
3.6.3 貝葉斯網絡的精確推理 109
3.6.4 貝葉斯網絡的近似推理 110
習題3 111
第4章 智能搜索技術 115
4.1 搜索概述 115
4.1.1 搜索的含義 115
4.1.2 狀態空間問題求解方法 116
4.1.3 問題歸約求解方法 119
4.1.4 進化搜索法概述 122
4.2 狀態空間的啟發式搜索 125
4.2.1 啟發性信息和估價函數 125
4.2.2 A算法 126
4.2.3 A*算法 128
4.2.4 A*算法應用舉例 132
4.3 與/或樹的啟發式搜索 133
4.3.1 解樹的代價與希望樹 133
4.3.2 與/或樹的啟發式搜索過程 135
4.4 博弈樹的啟發式搜索 136
4.4.1 概述 136
4.4.2 極大/極小過程 137
4.4.3 α-β剪枝 138
4.5 遺傳算法 139
4.5.1 遺傳算法中的基本概念 139
4.5.2 遺傳算法的基本過程 139
4.5.3 遺傳編碼 140
4.5.4 適應度函數 142
4.5.5 基本遺傳操作 143
4.5.6 遺傳算法應用簡例 148
習題4 151
第5章 機器學習 153
5.1 機器學習概述 153
5.1.1 學習的概念 153
5.1.2 機器學習的概念 154
5.1.3 機器學習系統的基本模型 156
5.2 記憶學習 157
5.3 示例學習 158
5.3.1 示例學習的類型 159
5.3.2 示例學習的模型 159
5.3.3 示例學習的歸納方法 161
5.4 決策樹學習 162
5.4.1 決策樹的概念 162
5.4.2 ID3算法 163
5.5 統計學習 169
5.5.1 小樣本統計學習理論 169
5.5.2 支持向量機 171
5.6 集成學習 176
5.6.1 集成學習概述 176
5.6.2 AdaBoost算法 178
5.6.3 Bagging算法 184
5.7 粗糙集知識發現 185
5.7.1 粗糙集概述 185
5.7.2 粗糙集的基本理論 186
5.7.3 決策表的約簡 188
習題5 192
第6章 人工神經網絡與連接學習 194
6.1 概述 194
6.1.1 人工神經網絡概述 194
6.1.2 連接學習概述 195
6.2 人工神經網絡的生物機理 195
6.2.1 人腦神經元的結構及功能 196
6.2.2 學習的神經機理 198
6.3 人工神經元及人工神經網絡的結構 200
6.3.1 人工神經元的結構及模型 200
6.3.2 人工神經網絡的互連結構 202
6.4 人工神經網絡的淺層模型 203
6.4.1 感知器模型 203
6.4.2 BP網絡模型 206
6.4.3 Hopfield網絡模型 207
6.5 深層神經網絡模型 208
6.5.1 深度卷積神經網絡 208
6.5.2 深度波爾茨曼機與深度信念網絡 210
6.6 淺層連接學習 211
6.6.1 連接學習規則 211
6.6.2 感知器學習 213
6.6.3 BP網絡學習 215
6.6.4 Hopfield網絡學習 221
6.7 深度學習 224
6.7.1 深度學習概述 224
6.7.2 深度卷積神經網絡學習 226
6.7.3 卷積神經網絡學習的經典模型LeNet5 234
習題6 237
第7章 分佈智能 239
7.1 分佈智能概述 239
7.1.1 分佈智能的概念 239
7.1.2 分布式問題求解 240
7.1.3 多Agent系統 241
7.2 Agent的結構 243
7.2.1 Agent的機理 243
7.2.2 反應Agent的結構 244
7.2.3 認知Agent的結構 245
7.2.4 混合Agent的結構 245
7.3 多Agent系統 246
7.3.1 Agent通信 246
7.3.2 多Agent合作 250
7.4 移動Agent 256
7.4.1 移動Agent系統的一般結構 256
7.4.2 移動Agent的實現技術及應用 257
習題7 259
第8章 智能應用簡介 261
8.1 自然語言理解簡介 261
8.1.1 自然語言理解的基本概念 261
8.1.2 詞法分析 263
8.1.3 句法分析 264
8.1.4 語義分析 268
8.2 專家系統簡介 270
8.2.1 專家系統概述 271
8.2.2 基於規則和基於框架的專家系統 274
8.2.3 模糊專家系統和神經網絡專家系統 275
8.2.4 基於Web的專家系統 278
8.2.5 分布式和協同式專家系統 279
8.2.6 專家系統的開發 281
習題8 286
附錄A 新一代人工智能簡介 288
A.1 新一代人工智能基礎理論簡介 288
A.2 新一代人工智能關鍵共性技術簡介 291
參考文獻 294