本書(shū)主要闡述人工智能的基本原理、方法和應(yīng)用技術(shù)。全書(shū)共13章，除第1章討論人工智能基本概念、第13章討論人工智能的爭(zhēng)論與展望外，其余11章按照“基本智能+典型應(yīng)用+計(jì)算智能”三個(gè)模塊編排內(nèi)容。第一個(gè)模塊為人工智能經(jīng)典的三大技術(shù)，分別為知識(shí)表示技術(shù)、搜索技術(shù)和推理技術(shù)，主要包括知識(shí)表示、確定性推理、搜索策略、不確定性推理；第二個(gè)模塊為人工智能的典型應(yīng)用領(lǐng)域，包括機(jī)器學(xué)習(xí)、支持向量機(jī)和專家系統(tǒng)；第三個(gè)模塊為計(jì)算智能與群智能，包括神經(jīng)計(jì)算、進(jìn)化計(jì)算、模糊計(jì)算和群智能。本書(shū)力求科學(xué)性、模塊化、實(shí)用性。內(nèi)容由淺入深、循序漸進(jìn)，條理清晰，讓讀者在有限的時(shí)間內(nèi)，掌握人工智能的基本原理、基本方法和應(yīng)用技術(shù)。本書(shū)為教師提供習(xí)題答案。本書(shū)可作為計(jì)算機(jī)科學(xué)與技術(shù)、智能科學(xué)與技術(shù)、人工智能、自動(dòng)化、機(jī)器人工程等相關(guān)專業(yè)的教材，也可供從事人工智能研究與應(yīng)用的科技工作者學(xué)習(xí)參考。
丁世飛，男，畢業(yè)于中國(guó)科學(xué)院計(jì)算技術(shù)研究所，中國(guó)礦業(yè)大學(xué)教授，博士生導(dǎo)師。從事人工智能、機(jī)器學(xué)習(xí)、模式識(shí)別、數(shù)據(jù)挖掘、大數(shù)據(jù)智能分析、生物信息識(shí)別、粗糙集與軟計(jì)算等方面理論與應(yīng)用研究。主持國(guó)家重點(diǎn)基礎(chǔ)研究計(jì)劃（973計(jì)劃）課題1項(xiàng)、國(guó)家自然科學(xué)基金面上項(xiàng)目2項(xiàng)、江蘇省自然科學(xué)基金項(xiàng)目1項(xiàng)、中國(guó)博士后科學(xué)基金1項(xiàng)、國(guó)家重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金3項(xiàng)；參加國(guó)家”863”高技術(shù)項(xiàng)目1項(xiàng)、國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目1項(xiàng)、國(guó)家自然科學(xué)基金面上項(xiàng)目3項(xiàng)等。近年來(lái)，出版專著4部，申請(qǐng)或授權(quán)發(fā)明專利10項(xiàng)，在國(guó)內(nèi)外重要學(xué)術(shù)期刊上發(fā)表研究論文200余篇，其中被SCI檢索100余篇，其中被計(jì)算機(jī)學(xué)科ESI檢索20余篇。
目 錄
第1章 緒論 1
1.1 人工智能的概念 1
1.1.1 智能的定義 1
1.1.2 人工智能的定義 3
1.2 人工智能的產(chǎn)生和發(fā)展 5
1.2.1 孕育期（20世紀(jì)50年代中期以前） 5
1.2.2 形成及第一個(gè)興旺期（20世紀(jì)50年代中期至60年代中期） 6
1.2.3 蕭條波折期（20世紀(jì)60年代中期至70年代中期） 7
1.2.4 第二個(gè)興旺期（20世紀(jì)70年代中期至80年代中期） 8
1.2.5 穩(wěn)步增長(zhǎng)期（20世紀(jì)80年代中期至今） 10
1.2.6 中國(guó)的人工智能發(fā)展 11
1.3 人工智能的主要學(xué)派 12
1.3.1 符號(hào)主義學(xué)派 12
1.3.2 連接主義學(xué)派 13
1.3.3 行為主義學(xué)派 14
1.4 人工智能的主要研究?jī)?nèi)容 14
1.5 人工智能的主要應(yīng)用領(lǐng)域 17
小結(jié) 24
習(xí)題1 24
第2章 知識(shí)表示 25
2.1 知識(shí)表示概述 25
2.1.1 知識(shí)的概念 25
2.1.2 知識(shí)表示的概念 26
2.2 一階謂詞邏輯表示法 27
2.2.1 命題 27
2.2.2 謂詞 28
2.2.3 謂詞公式 29
2.2.4 謂詞邏輯表示 30
2.2.5 謂詞邏輯表示法的特點(diǎn) 33
2.3 產(chǎn)生式表示法 33
2.3.1 產(chǎn)生式表示的基本方法 33
2.3.2 產(chǎn)生式系統(tǒng)的基本結(jié)構(gòu) 35
2.3.3 產(chǎn)生式系統(tǒng)的分類 36
2.3.4 產(chǎn)生式表示法的特點(diǎn) 37
2.4 語(yǔ)義網(wǎng)絡(luò)表示法 39
2.4.1 語(yǔ)義網(wǎng)絡(luò)的基本概念 39
2.4.2 語(yǔ)義網(wǎng)絡(luò)的基本語(yǔ)義關(guān)系 39
2.4.3 語(yǔ)義網(wǎng)絡(luò)表示知識(shí)的方法 41
2.4.4 語(yǔ)義網(wǎng)絡(luò)的推理過(guò)程 45
2.4.5 語(yǔ)義網(wǎng)絡(luò)表示法的特點(diǎn) 46
2.5 框架表示法 46
2.5.1 框架結(jié)構(gòu) 46
2.5.2 框架表示 48
2.5.3 框架表示的推理過(guò)程 50
2.5.4 框架表示法的特點(diǎn) 50
2.6 腳本表示法 50
2.7 面向?qū)ο蟊硎痉?54
小結(jié) 56
習(xí)題2 57
第3章 確定性推理 59
3.1 推理概述 59
3.1.1 推理的概念 59
3.1.2 推理的分類 59
3.1.3 推理的控制策略 61
3.2 推理的邏輯基礎(chǔ) 63
3.2.1 謂詞公式的永真性和可滿足性 63
3.2.2 置換與合一 65
3.3 自然演繹推理 68
3.4 歸結(jié)演繹推理 69
3.4.1 子句型 69
3.4.2 魯濱遜歸結(jié)原理 72
3.4.3 歸結(jié)演繹推理的歸結(jié)策略 76
3.4.4 用歸結(jié)原理求取問(wèn)題的答案 81
小結(jié) 81
習(xí)題3 82
第4章 搜索策略 85
4.1 搜索概述 85
4.2 一般圖搜索 86
4.2.1 圖搜索的基本概念 86
4.2.2 狀態(tài)空間搜索 87
4.2.3 一般圖搜索過(guò)程 91
4.3 盲目搜索 92
4.3.1 寬度優(yōu)先搜索 93
4.3.2 深度優(yōu)先搜索 95
4.3.3 有界深度搜索和迭代加深搜索 97
4.3.4 搜索最優(yōu)策略的比較 98
4.4 啟發(fā)式搜索 99
4.4.1 啟發(fā)性信息和評(píng)估函數(shù) 99
4.4.2 啟發(fā)式搜索A算法 100
4.4.3 實(shí)現(xiàn)啟發(fā)式搜索的關(guān)鍵因素 102
4.4.4 A*算法 103
4.4.5 迭代加深A(yù)*算法 106
4.5 回溯搜索和爬山法 107
4.5.1 爬山法 107
4.5.2 回溯策略 108
4.6 問(wèn)題規(guī)約 109
4.7 與/或圖搜索 111
4.7.1 與/或圖表示 111
4.7.2 與/或圖的啟發(fā)式搜索 113
4.8 博弈 117
4.8.1 極大極小過(guò)程 119
4.8.2 α?β過(guò)程 121
小結(jié) 122
習(xí)題4 123
第5章 不確定性推理 125
5.1 不確定性推理概述 125
5.1.1 不確定性推理的概念 125
5.1.2 知識(shí)不確定性的來(lái)源 125
5.1.3 不確定性推理要解決的基本問(wèn)題 126
5.1.4 不確定性推理方法的分類 128
5.2 概率方法 129
5.2.1 概率論基礎(chǔ) 129
5.2.2 經(jīng)典概率方法 130
5.2.3 逆概率方法 130
5.3 主觀貝葉斯方法 132
5.3.1 規(guī)則不確定性的表示 132
5.3.2 證據(jù)不確定性的表示 134
5.3.3 組合證據(jù)不確定性的計(jì)算 135
5.3.4 不確定性推理 135
5.3.5 結(jié)論不確定性的合成算法 137
5.4 確定性理論 140
5.4.1 可信度 140
5.4.2 CF模型 142
5.4.3 確定性方法的說(shuō)明 145
5.5 證據(jù)理論 146
5.5.1 證據(jù)理論的形式描述 147
5.5.2 證據(jù)理論的推理模型 150
5.5.3 證據(jù)不確定性的表示 152
5.5.4 規(guī)則不確定性的表示 152
5.5.5 不確定性的推理 152
5.5.6 組合證據(jù)的不確定性計(jì)算 152
5.6 模糊推理 155
5.6.1 模糊數(shù)學(xué)的基本知識(shí) 155
5.6.2 模糊假言推理 157
小結(jié) 160
習(xí)題5 161
第6章 機(jī)器學(xué)習(xí) 163
6.1 機(jī)器學(xué)習(xí)概述 163
6.1.1 學(xué)習(xí)與機(jī)器學(xué)習(xí) 163
6.1.2 學(xué)習(xí)系統(tǒng) 164
6.1.3 機(jī)器學(xué)習(xí)的發(fā)展簡(jiǎn)史 166
6.1.4 機(jī)器學(xué)習(xí)的分類 167
6.1.5 機(jī)器學(xué)習(xí)的應(yīng)用和研究目標(biāo) 168
6.2 歸納學(xué)習(xí) 169
6.2.1 歸納學(xué)習(xí)的基本概念 169
6.2.2 變型空間學(xué)習(xí) 171
6.2.3 歸納偏置 173
6.3 決策樹(shù)學(xué)習(xí) 174
6.3.1 決策樹(shù)的組成及分類 174
6.3.2 決策樹(shù)的構(gòu)造算法CLS 175
6.3.3 基本的決策樹(shù)算法ID3 177
6.3.4 決策樹(shù)的偏置 179
6.4 基于實(shí)例的學(xué)習(xí) 180
6.4.1 k?近鄰算法 180
6.4.2 距離加權(quán)最近鄰法 181
6.4.3 基于范例的學(xué)習(xí) 181
6.5 強(qiáng)化學(xué)習(xí) 186
6.5.1 強(qiáng)化學(xué)習(xí)模型 186
6.5.2 馬爾可夫決策過(guò)程 187
6.5.3 Q學(xué)習(xí) 188
小結(jié) 190
習(xí)題6 191
第7章 支持向量機(jī) 193
7.1 支持向量機(jī)概述 193
7.2 統(tǒng)計(jì)學(xué)習(xí)理論 194
7.2.1 學(xué)習(xí)問(wèn)題的表示 194
7.2.2 期望風(fēng)險(xiǎn)和經(jīng)驗(yàn)風(fēng)險(xiǎn) 195
7.2.3 VC維理論 196
7.2.4 推廣性的界 197
7.2.5 結(jié)構(gòu)風(fēng)險(xiǎn)最小化 198
7.3 支持向量機(jī)的構(gòu)造 199
7.3.1 函數(shù)集結(jié)構(gòu)的構(gòu)造 199
7.3.2 支持向量機(jī)的模式 200
7.4 核函數(shù) 203
7.4.1 核函數(shù)概述 203
7.4.2 核函數(shù)的分類 204
7.5 SVM的算法及多類SVM 205
7.6 用于非線性回歸的SVM 206
7.7 支持向量機(jī)的應(yīng)用 207
小結(jié) 209
習(xí)題7 209
第8章 專家系統(tǒng) 210
8.1 專家系統(tǒng)概述 210
8.1.1 專家系統(tǒng)的特性 210
8.1.2 專家系統(tǒng)的結(jié)構(gòu)和類型 211
8.2 基于規(guī)則的專家系統(tǒng) 213
8.3 基于框架的專家系統(tǒng) 215
8.4 基于模型的專家系統(tǒng) 217
8.5 專家系統(tǒng)的開(kāi)發(fā) 219
8.5.1 專家系統(tǒng)的開(kāi)發(fā)過(guò)程 219
8.5.2 專家系統(tǒng)的知識(shí)獲取 220
8.5.3 專家系統(tǒng)的開(kāi)發(fā)工具和環(huán)境 222
8.6 專家系統(tǒng)設(shè)計(jì)舉例 224
8.6.1 專家知識(shí)的描述 224
8.6.2 知識(shí)的使用 227
8.6.3 決策的解釋 230
8.6.4 MYCIN系統(tǒng) 230
8.7 新型專家系統(tǒng) 231
小結(jié) 233
習(xí)題8 234
第9章 神經(jīng)計(jì)算 235
9.1 神經(jīng)計(jì)算概述 235
9.2 感知器 237
9.2.1 感知器的結(jié)構(gòu) 237
9.2.2 感知器的學(xué)習(xí)算法 238
9.3 反向傳播網(wǎng)絡(luò) 240
9.3.1 BP網(wǎng)絡(luò)的結(jié)構(gòu) 240
9.3.2 BP網(wǎng)絡(luò)的學(xué)習(xí)算法 241
9.4 自組織映射神經(jīng)網(wǎng)絡(luò) 244
9.4.1 SOM網(wǎng)絡(luò)結(jié)構(gòu) 244
9.4.2 SOM網(wǎng)絡(luò)的學(xué)習(xí)算法 244
9.5 Hopfield網(wǎng)絡(luò) 246
9.5.1 離散Hopfield網(wǎng)絡(luò)的結(jié)構(gòu) 246
9.5.2 離散Hopfield網(wǎng)絡(luò)的穩(wěn)定性 247
9.5.3 離散Hopfield 網(wǎng)絡(luò)的學(xué)習(xí)算法 247
9.6 脈沖耦合神經(jīng)網(wǎng)絡(luò) 248
9.6.1 PCNN的結(jié)構(gòu) 248
9.6.2 PCNN的學(xué)習(xí)算法 249
9.7 深度神經(jīng)網(wǎng)絡(luò) 249
小結(jié) 250
習(xí)題9 251
第10章 進(jìn)化計(jì)算 252
10.1 進(jìn)化計(jì)算概述 252
10.2 遺傳算法 253
10.2.1 遺傳算法的基本原理 253
10.2.2 遺傳算法的應(yīng)用示例 255
10.2.3 模式定理 257
10.2.4 遺傳算法的改進(jìn) 259
10.3 進(jìn)化規(guī)劃 260
10.3.1 標(biāo)準(zhǔn)進(jìn)化規(guī)劃及其改進(jìn) 261
10.3.2 進(jìn)化規(guī)劃的基本技術(shù) 262
10.4 進(jìn)化策略 263
10.4.1 進(jìn)化策略及其改進(jìn) 263
10.4.2 進(jìn)化策略的基本技術(shù) 264
10.5 GA、EP、ES的異同 266
小結(jié) 267
習(xí)題10 267
第11章 模糊計(jì)算 268
11.1 模糊集合的概念 268
11.1.1 模糊集合的定義 268
11.1.2 模糊集合的表示方法 268
11.2 模糊集合的代數(shù)運(yùn)算 273
11.3 正態(tài)模糊集和凸模糊集 275
11.4 模糊關(guān)系 276
11.4.1 模糊關(guān)系的概述 276
11.4.2 模糊關(guān)系的性質(zhì) 277
11.5 模糊判決 277
11.6 模糊數(shù)學(xué)在模式識(shí)別中的應(yīng)用 278
11.6.1 最大隸屬度原則 278
11.6.2 擇近原則 279
小結(jié) 280
習(xí)題11 280
第12章 群智能 282
12.1 群智能概述 282
12.1.1 群智能優(yōu)化算法定義 282
12.1.2 群智能優(yōu)化算法原理 283
12.1.3 群智能優(yōu)化算法特點(diǎn) 283
12.2 蟻群算法 283
12.2.1 蟻群算法概述 283
12.2.2 蟻群算法的數(shù)學(xué)模型 284
12.2.3 蟻群算法的改進(jìn) 286
12.2.4 蟻群算法的應(yīng)用示例 287
12.3 粒子群優(yōu)化算法 288
12.3.1 粒子群優(yōu)化算法基本思想 288
12.3.2 粒子群優(yōu)化算法基本框架 288
12.3.3 粒子群優(yōu)化算法參數(shù)分析與改進(jìn) 290
12.3.4 粒子群優(yōu)化算法的應(yīng)用示例 291
12.4 其他群智能優(yōu)化算法 292
12.4.1 人工魚(yú)群算法 292
12.4.2 細(xì)菌覓食算法 295
12.4.3 混合蛙跳算法 297
12.4.4 果蠅優(yōu)化算法 298
小結(jié) 299
習(xí)題12 300
第13章 爭(zhēng)論與展望 301
13.1 爭(zhēng)論 301
13.1.1 對(duì)人工智能理論的爭(zhēng)論 301
13.1.2 對(duì)人工智能方法的爭(zhēng)論 302
13.1.3 對(duì)人工智能技術(shù)路線的爭(zhēng)論 302
13.1.4 對(duì)強(qiáng)弱人工智能的爭(zhēng)論 303
13.2 展望 304
13.2.1 更新的理論框架 304
13.2.2 更好的技術(shù)集成 305
13.2.3 更成熟的應(yīng)用方法 305
13.2.4 腦機(jī)接口 306
小結(jié) 306
習(xí)題13 307
附錄A 參考答案 308
參考文獻(xiàn) 309
書(shū)單推薦
