人工智能（簡體書）

全書共分為11章，除第1章人工智能概述外，其余內容劃分為四大部分。第一部分為確定性人工智能的三大基本技術，包括第2,3,4章的知識表示、確定性推理和搜索部分。第二部分包括第5章不確定性人工智能和第6章的智能算法。第三部分為人工智能的重要研究領域，包括第7章的分布式人工智能，第8章的機器學習，第9章的專家系統。第四部分為人工智能應用部分，包括第10章的人工智能設計語言和第11章的人工智能的應用舉例。

目 錄
第１章　人工智能概述
１.１　人工智能的定義和研究目標１
１.１.１　人工智能的定義１
１.１.２　人工智能的研究目標１
１.２　人工智能研究的基本內容及其特點２
１.２.１　人工智能研究的基本內容２
１.２.２　人工智能研究的特點３
１.３　人工智能的基本技術５
１.３.１　推理技術５
１.３.２　搜索技術５
１.３.３　知識表示與知識庫技術５
１.３.４　歸納技術５
１.３.５　聯想技術６
１.４　人工智能的發展史６
１.４.１　孕育期（１９５６年以前） ６
１.４.２　形成期（１９５６—１９７０年） ７
１.４.３　知識應用期（２０世紀７０年代到８０年代末） ９
１.４.４　綜合集成期（２０世紀８０年代末至今） １１
１.５　人工智能的研究與應用領域１１
１.６　人工智能研究的不同學派及其爭論１６
１.６.１　人工智能的三大學派１６
１.６.２　人工智能理論的爭論１８
１.６.３　人工智能研究方法的爭論１８
１.７　人工智能進展１９
１.７.１　人工智能發展面臨的困難１９
１.７.２　人工智能與云計算１９
１.７.３　人工智能與物聯網２１
１.７.４　人工智能發展的新趨勢２２
習題一２２
第２章　知識表示
２.１　一階謂詞邏輯表示法２４
２.１.１　一階謂詞邏輯表示法２４
２.１.２　一階謂詞邏輯表示法的特點３０
１
２.１.３　一階謂詞表示法的應用舉例３２
２.２　產生式表示法３４
２.２.１　產生式與產生式系統３４
２.２.２　產生式系統的分類及其特點３８
２.２.３　產生式表示法應用舉例４１
２.３　框架表示４２
２.３.１　框架與框架網絡４３
２.３.２　框架的推理及其特點４８
２.４　語義網絡表示法５２
２.４.１　語義網絡５２
２.４.２　語義網絡的推理及其特點５６
２.５　面向對象表示法５９
２.５.１　面向對象的知識表示５９
２.５.２　面向對象知識表示法的特點６２
習題二６４
第３章　經典邏輯推理
３.１　推理的基本概念６６
３.１.１　推理方式及其分類６６
３.１.２　推理的控制策略６８
３.１.３　模式匹配及其變量代換７１
３.２　自然演繹推理７４
３.３　歸結演繹推理７５
３.３.１　謂詞公式化為子句集的方法７５
３.３.２　海伯倫理論７７
３.３.３　魯賓遜歸結原理７８
３.３.４　歸結反演８１
３.３.５　基于歸結反演的問題求解８２
３.３.６　歸結反演策略８４
３.４　與／或形的演繹推理８７
３.４.１　與／或形的正向演繹推理８８
３.４.２　與／或形的逆向演繹推理９０
３.４.３　代換的一致性與剪枝策略９２
習題三９２
第４章　搜索策略
４.１　問題求解過程的形式表示９６
４.１.１　狀態空間表示法９６
４.１.２　與／或樹表示法９８
４.２　狀態空間的盲目搜索策略１００
４.２.１　寬度優先搜索１００
４.２.２　深度優先搜索１０１
４.２.３　有界深度優先搜索１０２
４.２.４　代價樹的寬度優先搜索１０３
４.２.５　代價樹的深度優先搜索１０４
４.３　狀態空間的啟發式搜索策略１０４
４.３.１　估價函數與擇優搜索１０５
４.３.２　圖的有序搜索與Ａ算法１０６
４.３.３　Ａ算法應用舉例１１０
４.４　與／或樹的搜索策略１１２
４.４.１　與／或樹的寬度優先搜索１１２
４.４.２　與／或樹的有界深度優先搜索１１３
４.４.３　與／或樹的有序搜索１１４
４.４.４　博弈樹的啟發式搜索１１７
４.５　搜索性能的量度１２０
習題四１２０
第５章　知識的不確定性與不確定推理
５.１　知識的不確定性１２５
５.１.１　證據的不確定性１２５
５.１.２　規則的不確定性１２６
５.１.３　推理的不確定性１２７
５.２　不確定推理的概率基礎１２８
５.３　確定性理論１２９
５.３.１　可信度的概念１２９
５.３.２　ＣＦ模型１３０
５.３.３　帶加權因子的可信度推理１３４
５.４　主觀Ｂａｙｅｓ方法１３６
５.４.１　知識不確定性的表示１３６
５.４.２　證據不確定性的表示１３８
５.４.３　組合證據不確定性的計算１３９
５.４.４　不確定性的更新１３９
５.４.５　結論不確定性的合成１４１
５.５　證據理論１４３
５.５.１　ＤＳ理論的形式描述１４３
５.５.２　證據理論的推理模型１４７
５.６　可能性理論和模糊推理１５４
５.６.１　模糊邏輯基礎１５４
５.６.２　模糊知識表示１５９
５.６.３　模糊概念的匹配１６１
５.６.４　模糊推理１６２
５.７　非單調推理１６６
習題五１６７
第６章　智能算法
６.１　爬山法１７０
６.１.１　爬山法的基本思想１７０
６.１.２　爬山法算法流程１７０
６.１.３　爬山法應用舉例１７１
６.１.４　爬山法的特點１７１
６.１.５　爬山法存在的問題１７１
６.２　模擬退火算法１７２
６.２.１　模擬退火算法的基本思想１７２
６.２.２　模擬退火算法流程１７２
６.２.３　模擬退火算法應用舉例１７３
６.２.４　模擬退火算法的特點１７４
６.３　禁忌搜索算法１７４
６.３.１　禁忌搜索算法的基本思想１７４
６.３.２　影響禁忌搜索算法性能的關鍵因素１７４
６.３.３　禁忌搜索算法流程１７８
６.３.４　禁忌搜索應用舉例１７９
６.３.５　禁忌搜索算法的特點１８２
６.４　蟻群算法１８２
６.４.１　蟻群覓食行為的啟示１８２
６.４.２　蟻群算法的基本思想１８２
６.４.３　蟻群算法流程１８３
６.４.４　蟻群算法的特點１８４
６.５　粒子群算法１８５
６.５.１　鳥群飛行方式的啟示１８５
６.５.２　粒子群算法的基本思想１８５
６.５.３　粒子群算法流程１８７
６.５.４　粒子群算法的應用舉例１８７
６.５.５　粒子群算法的特點１８９
６.６　遺傳算法１８９
６.６.１　遺傳算法的基本思想１８９
６.６.２　遺傳算法流程１９０
６.６.３　遺傳算法應用舉例１９０
６.６.４　遺傳算法的特點１９１
６.７　小結１９１
習題六１９２
第７章　分布式人工智能
７.１　分布式人工智能概述２０７
７.１.１　分布式人工智能的定義２０７
７.１.２　分布式人工智能的分類２０７
７.２　Ａｇｅｎｔ技術２０８
７.２.１　Ａｇｅｎｔ簡介２０８
７.２.２　移動Ａｇｅｎｔ技術２０９
７.３　多Ａｇｅｎｔ系統２１２
７.３.１　ＭＡＳ的概念及特性２１２
７.３.２　與ＭＡＳ有關的問題２１２
７.３.３　ＭＡＳ通信２１４
７.４　細胞膜計算技術２１６
７.４.１　細胞膜計算的基本情況２１６
７.４.２　細胞膜的化學組成和結構２１６
７.４.３　細胞膜計算的基本概念２１９
７.４.４　細胞膜計算應用舉例２２０
７.５　元胞自動機技術２２２
７.５.１　自動機簡介２２２
７.５.２　元胞自動機的定義２２３
７.５.３　元胞自動機的構成２２３
７.５.４　元胞自動機的特征２２６
７.５.５　經典元胞自動機模型２２７
７.６　小結２３０
習題七２３１
第８章　機器學習
８.１　機器學習的基本過程２３２
８.１.１　機器學習的定義２３２
８.１.２　西洋跳棋游戲２３３
８.１.３　西洋跳棋程序學習目標的確定２３３
８.１.４　西洋跳棋程序的具體學習過程２３３
８.１.５　機器學習的基本過程２３４
８.２　決策樹學習２３５
８.２.１　決策樹學習方法簡介２３５
８.２.２　信息增益２３６
８.２.３　基本的決策樹學習算法———ＩＤ３算法２３７
８.２.４　ＩＤ３算法舉例２３８
８.２.５　決策樹學習算法的特點２４０
８.３　人工神經網絡學習２４１
８.３.１　生物神經元２４１
８.３.２　人工神經元２４１
８.３.３　布爾函數的神經元實現２４３
８.３.４　神經網絡學習機制２４６
８.３.５　前饋型ＢＰ網絡２５０
８.３.６　反饋型Ｈｏｐｆｉｅｌｄ網絡２５５
８.３.７　Ｋｏｈｏｎｅｎ自組織網絡２５９
８.４　馬爾可夫模型２６１
８.４.１　馬爾可夫模型簡介２６１
８.４.２　基于馬爾可夫性質的學習法簡介２６２
８.４.３　基于馬爾可夫性質的學習法應用舉例２６３
８.４.４　基于馬爾可夫性質的學習法的適用問題２６５
８.５　貝葉斯學習法２６５
８.５.１　貝葉斯學習法的基本思想２６５
８.５.２　樸素貝葉斯分類器２６８
８.５.３　基于參數估計的貝葉斯分類方法２７０
８.５.４　貝葉斯方法的特點２７５
８.６　基于實例的學習２７５
８.６.１　Ｋ近鄰分類法２７５
８.６.２　距離加權最近鄰算法２７６
８.６.３　局部加權回歸２７６
８.６.４　徑向基函數２７８
８.６.５　基于實例的學習方法的特點２７８
８.７　小結２７９
習題八２８０
第９章　專家系統
９.１　專家系統的概念２８１
９.１.１　什么是專家系統２８１
９.１.２　專家系統的特點２８１
９.１.３　專家系統的類型２８２
９.１.４　專家系統與知識系統２８３
９.１.５　專家系統與知識工程２８３
９.１.６　專家系統與人工智能２８４
９.２　專家系統的結構２８４
９.２.１　概念結構２８４
９.２.２　實際結構２８５
９.２.３　分布式結構２８６
９.２.４　黑板模型２８６
９.３　專家系統的應用與發展概況２８８
９.３.１　專家系統的意義２８８
９.３.２　專家系統的應用２８８
９.３.３　專家系統的發展概況２８９
９.４　專家系統設計與實現２９３
９.４.１　一般步驟與方法２９３
９.４.２　快速原型與增量式開發２９３
９.４.３　知識獲取２９３
９.４.４　知識表示與知識描述語言設計２９４
９.４.５　知識庫與知識庫管理系統設計２９５
９.４.６　推理機與解釋功能設計２９６
９.４.７　系統結構設計２９７
９.４.８　人機界面設計２９８
９.５　專家系統開發工具與環境２９８
９.５.１　專家系統開發工具２９９
９.５.２　專家系統開發環境３００
９.６　新一代專家系統研究３０１
９.６.１　深層知識專家系統３０１
９.６.２　模糊專家系統３０１
９.６.３　神經網絡專家系統３０２
９.６.４　大型協同分布式專家系統３０２
９.６.５　網上（多媒體）專家系統３０３
９.６.６　事務處理專家系統３０３
９.７　小結３０３
習題九３０４
第１０章　人工智能程序設計語言
１０.１　ＬＩＳＰ語言３０５
１０.１.１　Ｓｃｈｅｍｅ語言的基本概念３０６
１０.１.２　Ｓｃｈｅｍｅ語言的數據類型３０６
１０.１.３　Ｓｃｈｅｍｅ語言的過程定義３１３
１０.１.４　Ｓｃｈｅｍｅ語言的常用控制結構３１４
１０.２　Ｐｒｏｌｏｇ語言３１８
１０.２.１　Ｐｒｏｌｏｇ語言及其基本結構３１８
１０.２.２　Ｐｒｏｌｏｇ程序的簡單例子３１９
１０.３　Ｐｒｏｌｏｇ語言的常用版本３２１
１０.４　小結３２２
習題十３２２
第１１章　人工智能應用舉例
１１.１　專家系統實例３２３
１１.１.１　ＰＲＯＳＰＥＣＴＯＲ的功能與結構３２３
１１.１.２　知識表示３２４
１１.１.３　控制策略３２６
１１.１.４　解釋系統３２７
１１.２　智能算法運行與“云端”的設想３２８
１１.２.１　并行計算到云計算的演變３２８
１１.２.２　云計算智能與ＭｏｎｔｅＣａｒｌｏ方法３２９
１１.２.３　模擬諧振子算法３２９
１１.２.４　云計算系統與智能算法３３４
１１.３　元胞自動機在城市交通流中的應用３３４
１１.３.１　快速公交系統簡介３３４
１１.３.２　蘭州快速公交模型建立３３５
１１.３.３　數值模擬與仿真分析３３６
　參考文獻３３９