簡明人工智能（簡體書）

本書以簡明的方式系統地論述了人工智能的基礎知識及其拓展和應用。全書共16章，前10章介紹人工智能學科的基礎知識，包括人工智能的發展歷史、知識的表示、搜索策略、確定性推理、不確定性推理、專家系統、神經網絡、智能計算、機器學習和模式識別；接下來5章進行了拓展，講述了混合智能系統和表示學習，還介紹了神經網絡在模式識別和圖像處理中的應用、自然計算在聚類上的應用，並介紹了多目標優化算法及動態多目標優化；最後一章介紹了人工智能領域的前沿技術及其展望。每章都附有習題、延伸閱讀和參考文獻。
本書可作為高等院校智能科學與技術、計算機科學、電子科學與技術、信息科學、控制科學與工程、模式識別與人工智能等專業本科生及研究生的教材，同時可為相關領域的研究人員以及對自然計算和神經網絡及其應用感興趣的工程技術人員提供參考。

第1章 人工智能簡史 1
1.1 人工智能定義 1
1.1.1 生物智能與人類智能 1
1.1.2 智能與人工智能 2
1.2 人工智能的歷史 3
1.2.1 人工智能的誕生 4
1.2.2 人工智能的黃金時代 5
1.2.3 人工智能的第一次低谷 5
1.2.4 人工智能的繁榮期 6
1.2.5 人工智能的冬天 7
1.2.6 人工智能的新春 7
1.2.7 人工智能現狀與未來目標 9
1.3 人工智能研究的不同學派 10
1.3.1 符號主義 11
1.3.2 連接主義 11
1.3.3 行為主義 12
1.4 人工智能應用領域 13
1.4.1 計算機視覺領域 13
1.4.2 自然語言處理領域 15
1.4.3 認知與推理 16
1.4.4 機器人學 17
1.4.5 機器博弈 18
1.4.6 機器學習 18
本章小結 19
習題1 19
延伸閱讀 19
參考文獻 20
第2章 知識表示 21
2.1 基本概念 21
2.1.1 知識 21
2.1.2 知識表示 22
2.2 狀態空間表示法 23
2.2.1 問題狀態空間的構成 23
2.2.2 利用狀態空間表示問題的步驟 24
2.2.3 利用狀態空間求解問題的過程 24
2.2.4 狀態空間知識表示舉例 24
2.3 問題歸約表示法 26
2.3.1 問題的分解與等價變換 26
2.3.2 問題歸約的與/或圖表示 27
2.3.3 利用與/或圖表示問題的步驟 28
2.3.4 與/或圖知識表示舉例 28
2.4 謂詞邏輯表示法 29
2.4.1 謂詞邏輯表示的邏輯學基礎 29
2.4.2 利用謂詞邏輯表示知識的步驟 31
2.4.3 謂詞邏輯表示的特點 32
2.4.4 謂詞邏輯知識表示舉例 33
2.5 語義網絡表示法 34
2.5.1 語義網絡的概念及其結構 34
2.5.2 語義網絡中常用的語義聯繫 35
2.5.3 語義網絡表示知識的方法 37
2.5.4 利用語義網絡表示知識的步驟 40
2.5.5 利用語義網絡求解問題的過程 41
2.5.6 語義網絡表示法的特點 41
2.5.7 語義網絡知識表示舉例 42
2.6 新型知識表示 43
2.6.1 知識圖譜 43
2.6.2 模糊Petri網 44
2.6.3 神經網絡 44
本章小結 44
習題2 45
延伸閱讀 46
參考文獻 46
第3章 搜索策略 47
3.1 基本概念 47
3.1.1 什麼是搜索 47
3.1.2 搜索的分類 47
3.1.3 搜索算法的評價標準 48

3.2 狀態空間搜索 48
3.2.1 狀態空間的盲目搜索 48
3.2.2 狀態空間的啟發式搜索 57
3.3 與/或樹搜索 62
3.3.1 與/或樹的盲目搜索 62
3.3.2 與/或樹的啟發式搜索 66
3.4 博弈樹的啟發式搜索 70
3.4.1 極大極小過程 70
3.4.2 α-β剪枝技術 72
3.5 新型搜索技術 74
3.5.1 爬山法 74
3.5.2 模擬退火算法 75
3.5.3 遺傳算法 75
本章小結 75
習題3 76
延伸閱讀 77
參考文獻 78
第4章 確定性推理 79
4.1 推理的基本概念 79
4.1.1 推理的概念 79
4.1.2 推理的分類 79
4.1.3 推理的策略 81
4.2 推理的邏輯基礎 83
4.2.1 命題邏輯 83
4.2.2 謂詞邏輯 83
4.3 自然演繹推理 92
4.4 歸結演繹推理 93
4.4.1 海伯倫定理 93
4.4.2 魯賓遜歸結原理 95
4.4.3 歸結策略 98
4.4.4 歸結反演 99
4.5 基於規則的演繹推理 101
4.5.1 規則正向演繹系統 102
4.5.2 規則逆向演繹系統 105
4.5.3 規則雙向演繹系統 107
本章小結 109
習題4 109
延伸閱讀 110
參考文獻 110
第5章 不確定性推理與不確定性人工智能 111
5.1 不確定性推理的基本概念 111
5.1.1 不確定性的表示與度量 111
5.1.2 不確定性的算法 112
5.1.3 不確定性推理方法分類 113
5.2 概率推理 114
5.2.1 概率的基本公式 114
5.2.2 概率推理方法 116
5.3 主觀貝葉斯方法 117
5.3.1 基於主觀貝葉斯方法的不確定性表示 117
5.3.2 主觀貝葉斯方法的推理算法 121
5.4 可信度方法 123
5.4.1 基於可信度的不確定性表示 123
5.4.2 可信度方法的推理算法 125
5.4.3 帶有閾值限度的不確定性推理 126
5.4.4 加權的不確定性推理 127
5.5 證據理論 128
5.5.1 基於證據理論的不確定性 129
5.5.2 證據理論的不確定性推理模型 132
5.6 模糊推理 133
5.6.1 模糊集合 134
5.6.2 模糊關係及其合成 137
5.6.3 模糊推理 139
5.6.4 模糊決策 140
5.7 不確定性人工智能 141
5.7.1 人類智能的不確定性 142
5.7.2 雲模型 143
5.7.3 不確定性人工智能的應用及展望 145
本章小結 146
習題5 146
延伸閱讀 148
參考文獻 148
第6章 專家系統 149
6.1 專家系統的產生與發展 149
6.2 專家系統的概念 150
6.2.1 專家系統的定義 150
6.2.2 專家系統的基本特徵 151
6.2.3 專家系統的類型 153
6.2.4 傳統專家系統的缺陷 156
6.3 專家系統的工作原理 156
6.3.1 專家系統的基本結構 156
6.3.2 專家系統各部分功能 157
6.4 專家系統的分類 160
6.4.1 基於規則的專家系統 160
6.4.2 基於框架的專家系統 161
6.4.3 基於模型的專家系統 162
6.5 知識獲取 164
6.5.1 知識獲取的定義 164
6.5.2 知識獲取的過程 164
6.5.3 知識獲取的途徑 166
6.6 知識推理 167
6.6.1 人類推理 167
6.6.2 機器推理 169
6.7 專家系統的建立 171
6.7.1 專家系統的開發步驟 171
6.7.2 專家系統的開發實例 173
6.8 新型專家系統 175
6.8.1 新型專家系統的特徵 175
6.8.2 模糊專家系統 176
6.8.3 分布式專家系統 178
本章小結 180
習題6 180
延伸閱讀 180
參考文獻 181
第7章 深度人工神經網絡 182
7.1 人工神經網絡的基本原理 182
7.1.1 生物神經系統 182
7.1.2 人工神經網絡的模型 183
7.1.3 人工神經網絡的結構建模 185
7.2 學習機理 186
7.2.1 單層感知器及其學習算法 186
7.2.2 BP 神經網絡及其學習算法 189
7.3 人工神經網絡的分類 192
7.3.1 前饋網絡 192
7.3.2 反饋網絡 192
7.4 人工神經網絡的基本學習算法 196
7.4.1 Hebb規則 196
7.4.2 誤差修正學習算法 197
7.4.3 勝者為王學習規則 198
7.5 從神經網絡到深度學習 198
7.6 深度網絡 199
7.6.1 卷積神經網絡 199
7.6.2 稀疏深度神經網絡 203
7.6.3 深度融合網絡 207
本章小結 210
習題7 210
延伸閱讀 211
參考文獻 212
第8章 智能計算基礎 213
8.1 智能計算基礎 213
8.2 進化計算 215
8.2.1 進化計算的產生和發展 215
8.2.2 進化計算的一般框架 216
8.2.3 進化計算的四個分支 217
8.2.4 經典遺傳算法 219
8.2.5 遺傳算法在最優化問題中的應用 224
8.3 群智能 229
8.3.1 粒子群優化算法 229
8.3.2 蟻群優化算法 231
8.4 新型智能計算算法 235
8.4.1 免疫計算 235
8.4.2 差分進化算法 237
8.4.3 協同進化算法 239
8.4.4 量子計算 241
本章小結 243
習題8 244
延伸閱讀 244
參考文獻 244
第9章 機器學習基礎 248
9.1 機器學習理論基礎 248
9.1.1 機器學習的定義和研究意義 248
9.1.2 機器學習的發展史 249
9.2 機器學習的方法 250
9.2.1 機器學習系統的基本結構 250
9.2.2 機器學習方法的分類 251
9.2.3 幾種機器學習算法介紹 253
9.3 機器學習算法的應用 270
本章小結 275
習題9 275
延伸閱讀 276
參考文獻 276
第10章 模式識別 278
10.1 模式識別的基本概念 278
10.1.1 模式識別的定義 278
10.1.2 模式識別與分類器 279
10.1.3 有監督學習與無監督學習 279
10.1.4 實例：手寫數字識別 279
10.2 模式識別系統 281
10.2.1 基本框架 281
10.2.2 基本方法 282
10.3 特徵提取與選擇 284
10.3.1 基本概念 284
10.3.2 特徵評價 285
10.3.3 特徵選擇算法 289
10.3.4 特徵提取 292
10.4 分類器設計 296
10.4.1 經典的有監督分類器 296
10.4.2 經典的無監督分類器 305
10.5 分類器的評價 313
10.5.1 監督模式識別系統評價 313
10.5.2 非監督模式識別系統評價 316
本章小結 317
習題10 318
延伸閱讀 319
參考文獻 321
第11章 混合智能系統 323
11.1 混合智能系統的基本概念 323
11.2 密母算法 324
11.2.1 Memetic基本思想 324
11.2.2 密母算法的一般框架 325
11.2.3 密母算法的局部搜索策略 327
11.2.4 基於密母算法的複雜網絡社團檢測 328
11.3 基於遺傳算法的人工神經網絡 335
11.3.1 遺傳算法優化神經網絡的連接權 335
11.3.2 遺傳算法優化神經網絡的結構 336
11.3.3 遺傳算法優化神經網絡的學習規則 337
11.3.4 遺傳算法優化神經網絡舉例 338
11.4 混合遺傳算法――遺傳算法與粒子群優化算法的混合 341
11.4.1 兩種優化算法的優劣勢分析 341
11.4.2 兩種優化算法的結合方式 342
11.4.3 基於遺傳粒子群混合算法舉例 343
11.5 進化算法在機器學習中的應用 345
11.5.1 貝葉斯分類的一般原理 345
11.5.2 樸素貝葉斯分類模型 347
11.5.3 基於遺傳算法的樸素貝葉斯分類舉例 348
本章小結 351
習題11 351
延伸閱讀 351
參考文獻 352
第12章 表示學習 356
12.1 表示學習概述 356
12.1.1 表示學習的基本概念 356
12.1.2 表示學習的理論基礎 357
12.1.3 表示學習的典型應用 357
12.1.4 表示學習的主要優點 358
12.2 有監督的表示學習 359
12.2.1 稀疏表示初步 359
12.2.2 字典學習 362
12.3 無監督的表示學習 368
12.3.1 Kmeans聚類 369
12.3.2 主成分分析 371
12.3.3 局部線性嵌入 374
12.3.4 獨立主成分分析 377
12.4 多層/深層架構 384
12.4.1 玻爾茲曼機和遞歸神經網絡 384
12.4.2 自動編碼器 388
12.5 共享表示學習 393
12.5.1 遷移學習和領域自適應 393
12.5.2 多任務學習 398
本章小結 400
習題12 401
延伸閱讀 401
參考文獻 402
第13章 基於深度神經網絡的模式識別與圖像處理 403
13.1 深度神經網絡與淺層人工神經網絡 403
13.2 深度學習在模式識別領域的發展與挑戰 404
13.3 基於深度神經網絡的模式識別 406
13.3.1 文字識別 406
13.3.2 語音識別 408
13.3.3 指紋識別 410
13.4 基於深度神經網絡的圖像處理 411
13.4.1 圖像分類 411
13.4.2 圖像分割 414
13.4.3 目標檢測 416
13.4.4 圖像變化檢測 419
本章小結 421
習題13 421
延伸閱讀 421
參考文獻 422
第14章 自然計算與數據聚類 424
14.1 聚類與自然計算 424
14.2 基於遺傳算法的聚類算法 426
14.2.1 模糊C均值聚類算法 426
14.2.2 基於遺傳算法的模糊聚類算法 427
14.2.3 基於可變長度編碼的遺傳自動聚類算法 431
14.3 基於免疫計算的聚類算法 433
14.3.1 免疫克隆選擇算法 434
14.3.2 基於克隆選擇的模糊聚類算法 436
14.3.3 基於轉座子的免疫克隆選擇自動聚類算法 437
14.3.4 基於動態局部搜索的免疫自動聚類算法 443
14.3.5 基於協同雙變異算子的免疫多目標自動聚類算法 450
14.4 基於粒子群優化的聚類算法 452
14.4.1 粒子群的編碼和初始化 453
14.4.2 四種距離測度 453
14.4.3 基於粒子群優化的聚類算法步驟 457
14.4.4 基於幾種自然計算的聚類算法的性能對比 457
本章小結 461
習題14 461
延伸閱讀 462
參考文獻 462
第15章 進化多目標優化及動態優化 465
15.1 進化多目標優化 465
15.1.1 第二代非支配排序遺傳算法(NSGA-Ⅱ) 468
15.1.2 基於分解的多目標優化算法(MOEA/D) 472
15.2 進化動態多目標優化 475
15.2.1 動態多目標優化的基本概念及研究現狀 475
15.2.2 DNSGA-Ⅱ算法 477
15.2.3 基於預測策略的動態多目標免疫優化算法(PSDMIO) 481
15.3 進化高維多目標優化與偏好多目標優化 489
15.3.1 高維進化多目標優化 489
15.3.2 偏好進化多目標優化 491
15.4 用於多目標優化的粒子群算法 492
15.4.1 多目標粒子群優化算法(MOPSO) 492
15.4.2 動態多目標粒子群優化 494
15.5 深度神經網絡的優化 502
15.5.1 深度神經網絡的權值優化 502
15.5.2 深度神經網絡的結構優化 503
15.5.3 深度神經網絡的學習規則優化 505
本章小結 506
習題15 507
延伸閱讀 507
參考文獻 507
第16章 下一代人工智能 511
16.1 人工智能的發展階段 511
16.2 人工智能圍棋 512
16.2.1 AlphaGo 512
16.2.2 AlphaGo Zero 513
16.3 無人駕駛 514
16.3.1 原理概述 514
16.3.2 研究概況 515
16.4 無人超市 516
16.4.1 誕生背景 516
16.4.2 Amazon Go 517
16.5 情感機器人 518
16.5.1 情感機器人的定義 518
16.5.2 情感機器人研究概況 519
16.6 智能醫療 519
16.6.1 智能醫療設備 520
16.6.2 智能醫療系統 521
16.7 智能家居 522
16.7.1 背景 522
16.7.2 發展現狀 523
16.7.3 主要功能 523
16.8 智能藝術 525
16.8.1 作詩 525
16.8.2 繪畫 526
16.9 下一代人工智能展望 527
16.9.1 人工智能的未來趨勢 527
16.9.2 人工智能面臨的挑戰 528
本章小結 530
習題16 530
延伸閱讀 531
參考文獻 531