人工智能（簡體書）

《21世紀高等學校規劃教材·計算機科學與技術:人工智能》系統地闡述了人工智能的基本原理、方法和應用技術，比較全面地反映了國內外人工智能領域研究的最新進展和研究動態。全書將人工智能劃分為3篇，第1篇：基本人工智能。論述人工智能的基本理論與技術。第2篇：高級人工智能。論述人工智能的高級理論與技術，主要涉及粗糙集與軟計算、進化計算、模糊計算，以及粒度計算等人工智能的研究熱點。第3篇：人工智能的展望。討論人工智能的爭論與展望。
《21世紀高等學校規劃教材·計算機科學與技術:人工智能》力求科學性、實用性、可讀性好。內容由淺入深、循序漸進，條理清晰，讓學生在有限的時間內，掌握人工智能的基本原理與應用技術。
《21世紀高等學校規劃教材·計算機科學與技術:人工智能》可作為高等院校高年級本科生和研究生的人工智能課程教材，也可供從事人工智能研究與應用的科技工作者學習參考。

第1篇 基本人工智能
第1章 緒論 3
1.1 什麼是人工智能 3
1.1.1 人工智能的定義 3
1.1.2 人工智能研究的目標 4
1.2 人工智能的發展 4
1.2.1 人工智能的孕育期 4
1.2.2 搖籃期 5
1.2.3 形成期 5
1.2.4 發展期 6
1.2.5 實用期 7
1.2.6 穩步增長期 8
1.3 人工智能的研究方法 8
1.3.1 符號主義 8
1.3.2 連接主義 9
1.3.3 行為主義 9
1.4 人工智能的應用領域 9
1.4.1 機器學習 9
1.4.2 問題求解 10
1.4.3 專家系統 10
.1.4.4 模式識別 10
1.4.5 自然語言處理 11
1.4.6 智能決策支持系統 11
1.4.7 人工神經網絡 11
1.4.8 自動定理證明 12
1.4.9 機器人學 12
1.5 本章小結 12
習題1 13

第2章 知識表示 14
2.1 概述 14
2.1.1 知識與知識表示 14
2.1.2 知識表示方法 15
2.2 謂詞邏輯表示法 16
2.2.1 命題邏輯 16
2.2.2 謂詞邏輯 18
2.3 產生式表示法 22
2.3.1 產生式可表示的知識種類及其基本形式 23
2.3.2 知識的表示方法 23
2.3.3 產生式系統的組成 24
2.3.4 產生式系統的推理方式 25
2.3.5 產生式表示法的特點 26
2.4 語義網絡表示法 28
2.4.1 語義網絡的概念及結構 28
2.4.2 語義網絡的基本語義聯系 29
2.4.3 語義網絡表示知識的方法及步驟 31
2.4.4 語義網絡知識表示舉例 34
2.4.5 語義網絡的推理過程 35
2.4.6 語義網絡表示法的特點 36
2.5 框架表示法 37
2.5.1 框架結構 37
2.5.2 框架表示知識舉例 39
2.5.3 推理方法 40
2.5.4 框架表示法的特點 40
2.6 腳本表示法 41
2.6.1 腳本的定義與組成 41
2.6.2 用腳本表示知識的步驟 43
2.6.3 用腳本表示知識的推理方法 44
2.6.4 腳本表示法的特點 45
2.7 狀態空間表示法 45
2.7.1 問題狀態空間的構成 45
2.7.2 用狀態空間表示問題的步驟 46
2.7.3 利用狀態空間求解問題的過程 46
2.8 面向對象的知識表示 48
2.8.1 面向對象的基本概念 48
2.8.2 面向對象的知識表示 49
2.8.3 面向對象方法學的主要觀點 50
2.9 本章小結 50
習題2 51

第3章 搜索策略 53
3.1 引言 53
3.2 基於狀態空間圖的搜索技術 54
3.2.1 圖搜索的基本概念 55
3.2.2 狀態空間搜索 55
3.2.3 一般圖的搜索算法 60
3.3 盲目搜索 61
3.3.1 寬度優先搜索 61
3.3.2 深度優先搜索 63
3.3.3 有界深度搜索和迭代加深搜索 65
3.3.4 搜索最優策略的比較 66
3.4 啟發式搜索 67
3.4.1 啟發性信息和評估函數 67
3.4.2 啟發式搜索a算法 68
3.4.3 實現啟發式搜索的關鍵因素和a*算法 69
3.4.4 迭代加深a*算法 72
3.4.5 爬山法和回溯策略 73
3.5 問題規約和與或圖啟發式搜索 74
3.5.1 問題規約 74
3.5.2 與或圖表示 76
3.5.3 與或圖的啟發式搜索 78
3.6 博弈 81
3.6.1 極大極小過程 83
3.6.2 α β 過程 85
3.7 本章小結 87
習題3 87

第4章 確定性推理 89
4.1 推理技術概述 89
4.1.1 推理的概述和類型 89
4.1.2 推理的控制策略 92
4.2 推理的邏輯基礎 93
4.2.1 謂詞與個體 93
4.2.2 謂詞公式的永真性和可滿足性 94
4.3 自然演繹推理 96
4.4 歸結演繹推理 97
4.4.1 子句型 97
4.4.2 魯濱遜歸結原理 100
4.4.3 歸結演繹推理的歸結策略 103
4.4.4 用歸結反演求取問題的答案 107
4.5 本章小結 108
習題4 109

第5章 不確定性推理 110
5.1 概述 110
5.1.1 什麼是不確定性推理 110
5.1.2 不確定性推理要解決的基本問題 111
5.1.3 不確定性推理方法分類 112
5.2 不確定性的表示和度量 113
5.2.1 知識的不確定性 113
5.2.2 證據的不確定性 114
5.2.3 不確定性的表示 114
5.3 主觀bayes方法 114
5.3.1 知識不確定性的表示 115
5.3.2 證據不確定性的表示 118
5.3.3 不確定性的更新 119
5.3.4 結論不確定性的合成算法 120
5.4 可信度方法 123
5.4.1 可信度模型 124
5.4.2 確定性方法的說明 129
5.5 證據理論 130
5.5.1 證據的不確定性 130
5.5.2 證據的組合函數 132
5.5.3 規則的不確定性 133
5.5.4 不確定性的組合 134
5.6 本章小結 136
習題5 137

第6章 機器學習 139
6.1 機器學習概述 139
6.1.1 機器學習的基本概念 139
6.1.2 機器學習的發展簡史 140
6.1.3 機器學習分類 141
6.1.4 機器學習的應用與研究目標 142
6.2 歸納學習 142
6.2.1 歸納學習的基本概念 143
6.2.2 變型空間學習 144
6.2.3 歸納偏置 146
6.3 決策樹學習 147
6.3.1 決策樹的組成及分類 147
6.3.2 決策樹的構造算法cls 148
6.3.3 基本的決策樹算法id3 150
6.3.4 決策樹的偏置 152
6.4 基於實例的學習 153
6.4.1 近鄰算法 153
6.4.2 距離加權最近鄰法 154
6.4.3 基於範例的學習 155
6.5 強化學習 159
6.5.1 強化學習模型 159
6.5.2 馬爾可夫決策過程 160
6.5.3 學習 161
6.6 本章小結 163
習題6 164

第2篇 高級人工智能
第7章 支持向量機 169
7.1 概述 169
7.2 統計學習理論 170
7.2.1 學習問題的表示 170
7.2.2 期望風險和經驗風險 171
7.2.3 vc維理論 172
7.2.4 推廣性的界 173
7.2.5 結構風險最小化 174
7.3 支持向量機 175
7.3.1 函數集結構的構造 175
7.3.2 支持向量機 176
7.4 核函數 179
7.4.1 概述 179
7.4.2 核函數的分類 180
7.5 svm的算法及多類svm 181
7.5.1 svm的算法 181
7.5.2 多類問題中的svm 181
7.6 svm的應用現狀 182
7.6.1 人臉檢測、驗證和識別 182
7.6.2 說話人/語音識別 182
7.6.3 文字/手寫體識別 182
7.6.4 圖像處理 183
7.7 本章小結 183

第8章 神經計算 185
8.1 人工神經元模型 185
8.2 感知器 187
8.2.1 感知器的結構 187
8.2.2 感知器學習算法 188
8.3 反向傳播網絡 190
8.3.1 bp網絡的結構 190
8.3.2 bp網絡的學習算法 190
8.4 自組織映射神經網絡 193
8.4.1 som網絡結構 193
8.4.2 som網絡的學習算法 194
8.5 hopfield網絡 196
8.5.1 離散hopfield網絡的結構 196
8.5.2 離散hopfield 網絡的穩定性 197
8.5.3 離散hopfield 網絡的學習算法 197
8.6 脈沖耦合神經網絡 198
8.6.1 pcnn的結構 198
8.6.2 pcnn的學習算法 198
8.7 神經計算的發展趨勢 199
8.8 本章小結 200
習題8 201

第9章 進化計算 202
9.1 概述 202
9.2 遺傳算法 203
9.2.1 遺傳算法的基本原理 203
9.2.2 遺傳算法的應用示例 204
9.2.3 模式定理 207
9.2.4 遺傳算法的改進 210
9.3 進化規劃 211
9.3.1 標準進化規劃及其改進 211
9.3.2 進化規劃的基本技術 213
9.4 進化策略 214
9.4.1 進化策略及其改進 214
9.4.2 進化策略的基本技術 215
9.5 ga、ep、es的異同 216
9.6 本章小結 217
習題9 218

第10章 模糊計算 219
10.1 模糊集合的概念 219
10.1.1 模糊集合的定義 219
10.1.2 模糊集合的表示方法 220
10.2 模糊集合的代數運算 223
10.3 正態模糊集和凸模糊集 226
10.4 模糊關係 226
10.4.1 模糊關係 226
10.4.2 模糊關係的性質 227
10.5 模糊邏輯推理 227
10.6 模糊判決 229
10.7 模糊計算在模式識別中的應用 230
10.7.1 最大隸屬度原則 230
10.7.2 擇近原則 231
10.8 本章小結 232
習題10 232

第11章 粗糙集 234
11.1 概述 234
11.2 基本粗糙集理論 236
11.3 粗糙集中的知識表示 238
11.4 知識約簡 239
11.5 知識的約簡算法 241
11.5.1 信息系統的知識約簡算法 241
11.5.2 決策表的知識約簡算法 242
11.6 本章小結 244
習題11 244

第12章 粒度計算 245
12.1 粒度計算概述 245
12.1.1 粒度計算的定義 245
12.1.2 粒度計算的基本成分 245
12.2 粒度計算的基本問題 247
12.3 幾個粒度計算的典型模型 248
12.3.1 基於粗糙集理論的粒度計算模型 248
12.3.2 基於商空間的粒度計算模型 250
12.3.3 基於模糊集合論的詞計算模型 253
12.3.4 三大模型之間的關係 256
12.4 本章小結 258
習題12 259

第3篇 展望
第13章 人工智能的爭論 263
13.1 人工智能的學派 263
13.2 對人工智能理論的爭論 264
13.3 對人工智能方法的爭論 265
13.4 對人工智能技術路線的爭論 265
13.5 對強弱人工智能的爭論 266
13.5.1 強弱人工智能 266
13.5.2 對強人工智能的哲學爭論 266
13.6 本章小結 267

第14章 人工智能的展望 268
14.1 人工智能的未來問題 268
14.1.1 更新的理論框架 268
14.1.2 更好的技術集成 269
14.1.3 更成熟的應用方法 269
14.2 腦機接口 270
14.3 本章小結 271
參考文獻272