本書主要闡述人工智能的基本原理、方法和應用技術。全書共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論與展望外，其余11章按照“基本智能+典型應用+計算智能”三個模塊編排內容。第一個模塊為人工智能經典的三大技術，分別為知識表示技術、搜索技術和推理技術，主要包括知識表示、確定性推理、搜索策略、不確定性推理；第二個模塊為人工智能的典型應用領域，包括機器學習、支持向量機和專家系統(tǒng)；第三個模塊為計算智能與群智能，包括神經計算、進化計算、模糊計算和群智能。本書力求科學性、模塊化、實用性。內容由淺入深、循序漸進，條理清晰，讓讀者在有限的時間內，掌握人工智能的基本原理、基本方法和應用技術。本書為教師提供習題答案。本書可作為計算機科學與技術、智能科學與技術、人工智能、自動化、機器人工程等相關專業(yè)的教材，也可供從事人工智能研究與應用的科技工作者學習參考。
丁世飛，男，畢業(yè)于中國科學院計算技術研究所，中國礦業(yè)大學教授，博士生導師。從事人工智能、機器學習、模式識別、數(shù)據(jù)挖掘、大數(shù)據(jù)智能分析、生物信息識別、粗糙集與軟計算等方面理論與應用研究。主持國家重點基礎研究計劃（973計劃）課題1項、國家自然科學基金面上項目2項、江蘇省自然科學基金項目1項、中國博士后科學基金1項、國家重點實驗室開放基金3項；參加國家”863”高技術項目1項、國家自然科學基金重點項目1項、國家自然科學基金面上項目3項等。近年來，出版專著4部，申請或授權發(fā)明專利10項，在國內外重要學術期刊上發(fā)表研究論文200余篇，其中被SCI檢索100余篇，其中被計算機學科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 人工智能的產生和發(fā)展 5
1.2.1 孕育期（20世紀50年代中期以前） 5
1.2.2 形成及第一個興旺期（20世紀50年代中期至60年代中期） 6
1.2.3 蕭條波折期（20世紀60年代中期至70年代中期） 7
1.2.4 第二個興旺期（20世紀70年代中期至80年代中期） 8
1.2.5 穩(wěn)步增長期（20世紀80年代中期至今） 10
1.2.6 中國的人工智能發(fā)展 11
1.3 人工智能的主要學派 12
1.3.1 符號主義學派 12
1.3.2 連接主義學派 13
1.3.3 行為主義學派 14
1.4 人工智能的主要研究內容 14
1.5 人工智能的主要應用領域 17
小結 24
習題1 24
第2章 知識表示 25
2.1 知識表示概述 25
2.1.1 知識的概念 25
2.1.2 知識表示的概念 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 33
2.3 產生式表示法 33
2.3.1 產生式表示的基本方法 33
2.3.2 產生式系統(tǒng)的基本結構 35
2.3.3 產生式系統(tǒng)的分類 36
2.3.4 產生式表示法的特點 37
2.4 語義網絡表示法 39
2.4.1 語義網絡的基本概念 39
2.4.2 語義網絡的基本語義關系 39
2.4.3 語義網絡表示知識的方法 41
2.4.4 語義網絡的推理過程 45
2.4.5 語義網絡表示法的特點 46
2.5 框架表示法 46
2.5.1 框架結構 46
2.5.2 框架表示 48
2.5.3 框架表示的推理過程 50
2.5.4 框架表示法的特點 50
2.6 腳本表示法 50
2.7 面向對象表示法 54
小結 56
習題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 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 歸結演繹推理 69
3.4.1 子句型 69
3.4.2 魯濱遜歸結原理 72
3.4.3 歸結演繹推理的歸結策略 76
3.4.4 用歸結原理求取問題的答案 81
小結 81
習題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)性信息和評估函數(shù) 99
4.4.2 啟發(fā)式搜索A算法 100
4.4.3 實現(xiàn)啟發(fā)式搜索的關鍵因素 102
4.4.4 A*算法 103
4.4.5 迭代加深A*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 極大極小過程 119
4.8.2 α?β過程 121
小結 122
習題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 知識不確定性的來源 125
5.1.3 不確定性推理要解決的基本問題 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 129
5.2.2 經典概率方法 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)不確定性的計算 135
5.3.4 不確定性推理 135
5.3.5 結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)的不確定性計算 152
5.6 模糊推理 155
5.6.1 模糊數(shù)學的基本知識 155
5.6.2 模糊假言推理 157
小結 160
習題5 161
第6章 機器學習 163
6.1 機器學習概述 163
6.1.1 學習與機器學習 163
6.1.2 學習系統(tǒng) 164
6.1.3 機器學習的發(fā)展簡史 166
6.1.4 機器學習的分類 167
6.1.5 機器學習的應用和研究目標 168
6.2 歸納學習 169
6.2.1 歸納學習的基本概念 169
6.2.2 變型空間學習 171
6.2.3 歸納偏置 173
6.3 決策樹學習 174
6.3.1 決策樹的組成及分類 174
6.3.2 決策樹的構造算法CLS 175
6.3.3 基本的決策樹算法ID3 177
6.3.4 決策樹的偏置 179
6.4 基于實例的學習 180
6.4.1 k?近鄰算法 180
6.4.2 距離加權最近鄰法 181
6.4.3 基于范例的學習 181
6.5 強化學習 186
6.5.1 強化學習模型 186
6.5.2 馬爾可夫決策過程 187
6.5.3 Q學習 188
小結 190
習題6 191
第7章 支持向量機 193
7.1 支持向量機概述 193
7.2 統(tǒng)計學習理論 194
7.2.1 學習問題的表示 194
7.2.2 期望風險和經驗風險 195
7.2.3 VC維理論 196
7.2.4 推廣性的界 197
7.2.5 結構風險最小化 198
7.3 支持向量機的構造 199
7.3.1 函數(shù)集結構的構造 199
7.3.2 支持向量機的模式 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 支持向量機的應用 207
小結 209
習題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)的結構和類型 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)的開發(fā) 219
8.5.1 專家系統(tǒng)的開發(fā)過程 219
8.5.2 專家系統(tǒng)的知識獲取 220
8.5.3 專家系統(tǒng)的開發(fā)工具和環(huán)境 222
8.6 專家系統(tǒng)設計舉例 224
8.6.1 專家知識的描述 224
8.6.2 知識的使用 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 233
習題8 234
第9章 神經計算 235
9.1 神經計算概述 235
9.2 感知器 237
9.2.1 感知器的結構 237
9.2.2 感知器的學習算法 238
9.3 反向傳播網絡 240
9.3.1 BP網絡的結構 240
9.3.2 BP網絡的學習算法 241
9.4 自組織映射神經網絡 244
9.4.1 SOM網絡結構 244
9.4.2 SOM網絡的學習算法 244
9.5 Hopfield網絡 246
9.5.1 離散Hopfield網絡的結構 246
9.5.2 離散Hopfield網絡的穩(wěn)定性 247
9.5.3 離散Hopfield 網絡的學習算法 247
9.6 脈沖耦合神經網絡 248
9.6.1 PCNN的結構 248
9.6.2 PCNN的學習算法 249
9.7 深度神經網絡 249
小結 250
習題9 251
第10章 進化計算 252
10.1 進化計算概述 252
10.2 遺傳算法 253
10.2.1 遺傳算法的基本原理 253
10.2.2 遺傳算法的應用示例 255
10.2.3 模式定理 257
10.2.4 遺傳算法的改進 259
10.3 進化規(guī)劃 260
10.3.1 標準進化規(guī)劃及其改進 261
10.3.2 進化規(guī)劃的基本技術 262
10.4 進化策略 263
10.4.1 進化策略及其改進 263
10.4.2 進化策略的基本技術 264
10.5 GA、EP、ES的異同 266
小結 267
習題10 267
第11章 模糊計算 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)運算 273
11.3 正態(tài)模糊集和凸模糊集 275
11.4 模糊關系 276
11.4.1 模糊關系的概述 276
11.4.2 模糊關系的性質 277
11.5 模糊判決 277
11.6 模糊數(shù)學在模式識別中的應用 278
11.6.1 最大隸屬度原則 278
11.6.2 擇近原則 279
小結 280
習題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 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)學模型 284
12.2.3 蟻群算法的改進 286
12.2.4 蟻群算法的應用示例 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 290
12.3.4 粒子群優(yōu)化算法的應用示例 291
12.4 其他群智能優(yōu)化算法 292
12.4.1 人工魚群算法 292
12.4.2 細菌覓食算法 295
12.4.3 混合蛙跳算法 297
12.4.4 果蠅優(yōu)化算法 298
小結 299
習題12 300
第13章 爭論與展望 301
13.1 爭論 301
13.1.1 對人工智能理論的爭論 301
13.1.2 對人工智能方法的爭論 302
13.1.3 對人工智能技術路線的爭論 302
13.1.4 對強弱人工智能的爭論 303
13.2 展望 304
13.2.1 更新的理論框架 304
13.2.2 更好的技術集成 305
13.2.3 更成熟的應用方法 305
13.2.4 腦機接口 306
小結 306
習題13 307
附錄A 參考答案 308
參考文獻 309
書單推薦
