圖書簡介
本書系統地闡述了人工智慧的基本原理、實現技術及其套用，全面地反映了國內外人工智慧研究領域的最新進展和發展方向。全書共18章，分為4個部分，第1部分是搜尋與問題求解，用8章的篇幅系統地敘述了人工智慧中各種搜尋方法求解的原理和方法，內容包括狀態空間和傳統的圖搜尋算法、和聲算法、禁忌搜尋算法、遺傳算法、免疫算法、粒子群算法、蟻群算法和Agent技術等；第2部分為知識與推理，用4章的篇幅討論各種知識表示和處理技術、各種典型的推理技術，還包括非經典邏輯推理技術和非協調邏輯推理技術；第3部分為學習與發現，用3章的篇幅討論傳統的機器學習算法、神經網路學習算法、數據挖掘和知識發現技術；第4部分為領域套用，用2章分別討論專家系統開發技術和自然語言處理原理和方法。
圖書目錄
第1章概述
1.1人工智慧概述
1.2AI的產生及主要學派
1.3人工智慧、專家系統和知識工程
1.4AI模擬智慧型成功的標準
1.5人工智慧套用系統
1.6人工智慧的技術特徵
習題1
第1部分搜尋與問題求解
第2章用搜尋求解問題的基本原理
2.1搜尋求解問題的基本思路
2.2實現搜尋過程的三大要素
2.2.1搜尋對象
2.2.2擴展規則
2.2.3目標測試
2.3通過搜尋求解問題
2.4問題特徵分析
2.4.1問題的可分解性
2.4.2問題求解步驟的撤回
2.4.3問題全域的可預測性
2.4.4問題要求的解的滿意度
習題2
第3章搜尋的基本策略
3.1盲目搜尋方法
3.1.1寬度優先搜尋
3.1.2深度優先搜尋
3.1.3分支有界搜尋
3.1.4疊代加深搜尋
3.1.5一個盲目搜尋問題幾種實現
3.2啟發式搜尋
3.2.1啟發式信息的表示
3.2.2幾種最基本的搜尋策略
3.3隨機搜尋
3.3.1模擬退火法
3.3.2其他典型的隨機搜尋算法
習題3
目錄
人工智慧基礎教程(第二版)
第4章圖搜尋策略
4.1或圖搜尋策略
4.1.1通用或圖搜尋算法
4.1.2A算法與A*算法
4.2與/或圖搜尋
4.2.1問題歸約求解方法與“與/或圖”
4.2.2與/或圖搜尋
4.2.3與/或圖搜尋的特點
4.2.4與/或圖搜尋算法AO*
4.2.5對AO*算法的進一步觀察
4.2.6用AO*算法求解一個智力難題
習題4
第5章博弈與搜尋
5.1博弈與對策
5.2極小極大搜尋算法
5.2.1極小極大搜尋的思想
5.2.2極小極大搜尋算法
5.2.3算法分析與舉例
5.3α-β剪枝算法
習題5
第6章演化搜尋算法
6.1遺傳算法的基本概念
6.1.1遺傳算法的基本定義
6.1.2遺傳算法的基本流程
6.2遺傳編碼
6.2.1二進制編碼
6.2.2Gray編碼
6.2.3實數編碼
6.2.4有序編碼
6.2.5結構式編碼
6.3適應值函式
6.4遺傳操作
6.4.1選擇
6.4.2交叉操作
6.4.3變異操作
6.5初始化群體
6.6控制參數的選取
6.7算法的終止準則
6.8遺傳算法的基本理論
6.8.1模式定理
6.8.2隱含並行性
6.8.3構造塊假設
6.8.4遺傳算法的收斂性
6.9遺傳算法簡例
6.10遺傳算法的套用領域
6.11免疫算法
6.11.1免疫算法的發展
6.11.2免疫算法的基本原理
6.11.3生物免疫系統與人工免疫系統對應關係
6.11.4免疫算法的基本類型和步驟
6.12典型免疫算法分析
6.12.1陰性選擇算法
6.12.2免疫遺傳算法
6.12.3克隆選擇算法
6.12.4基於疫苗的免疫算法
6.13免疫算法設計分析
6.14免疫算法與遺傳算法比較
6.14.1免疫算法與遺傳算法的基本步驟比較
6.14.2免疫算法與遺傳算法不同之處
6.14.3仿真實驗及討論
6.15免疫算法研究的展望
習題6
第7章群集智慧型算法
7.1群集智慧型算法的研究背景
7.2群集智慧型的基本算法介紹
7.2.1蟻群算法
7.2.2flock算法
7.2.3粒子群算法
7.3集智系統介紹
7.3.1人工魚
7.3.2Terrarium世界
7.4群集智慧型的優缺點
習題7
第8章記憶型搜尋算法
8.1禁忌搜尋算法
8.1.1禁忌搜尋算法的基本思想
8.1.2禁忌搜尋算法的基本流程
8.1.3禁忌搜尋示例
8.1.4禁忌搜尋算法的基本要素分析
8.1.5禁忌搜尋算法流程的特點
8.1.6禁忌搜尋算法的改進
8.2和聲搜尋算法
8.2.1和聲搜尋算法簡介和原理
8.2.2算法套用
8.2.3算法比較與分析
習題8
第9章基於Agent的搜尋
9.1DAI概述
9.2分散式問題求解
9.3Agent的定義
9.3.1Agent的弱定義
9.3.2Agent的強定義
9.4Agent的分類
9.4.1按功能劃分
9.4.2按屬性劃分
9.5Agent通信
9.5.1Agent通信概述
9.5.2言語動作
9.5.3SHADE通信機制
9.6移動Agent
9.6.1移動Agent系統的一般結構
9.6.2移動Agent的分類
9.6.3移動Agent的優點
9.6.4移動Agent的技術難點
9.6.5移動Agent技術的標準化
9.7移動Agent平台的介紹
9.7.1General Magic公司的Odysses
9.7.2IBM公司的Aglet
習題9
第2部分知識與推理
第10章知識表示與處理方法
10.1概述
10.1.1知識和知識表示的含義
10.1.2知識表示方法分類
10.1.3AI對知識表示方法的要求
10.1.4知識表示要注意的問題
10.2邏輯表示法
10.3產生式表示法
10.3.1產生式系統的組成
10.3.2產生式系統的知識表示
10.3.3產生式系統的推理方式
10.3.4產生式規則的選擇與匹配
10.3.5產生式表示的特點
10.4語義網路表示法
10.4.1語義網路結構
10.4.2二元語義網路的表示
10.4.3多元語義網路的表示
10.4.4連線詞和量詞的表示
10.4.5語義網路的推理過程
10.4.6語義網路的一般描述
10.5框架表示法
10.5.1框架理論
10.5.2框架結構
10.5.3框架表示下的推理
10.6過程式知識表示
習題10
第11章謂詞邏輯的歸結原理及其套用
11.1命題演算的歸結方法
11.1.1基本概念
11.1.2命題演算的歸結方法
11.2謂詞演算的歸結
11.2.1謂詞演算的基本問題
11.2.2將公式化成標準子句形式的步驟
11.2.3合一算法
11.2.4變數分離標準化
11.2.5謂詞演算的歸結算法
11.3歸結原理
11.3.1謂詞演算的基本概念
11.3.2歸結方法可靠性證明
11.3.3歸結方法的完備性
11.4歸結過程的控制策略
11.4.1簡化策略
11.4.2支撐集策略
11.4.3線性輸入策略
11.4.4幾種推理規則及其套用
11.5套用實例
11.5.1歸約在邏輯電路設計中的套用
11.5.2利用推理破案的實例
習題11
第12章非經典邏輯的推理
12.1非單調推理
12.1.1單調推理與非單調推理的概念
12.1.2默認邏輯
12.1.3默認邏輯非單調推理系統TMS
12.2DempsterShater（DS）證據理論
12.2.1識別框架
12.2.2基本機率分配函式
12.2.3置信函式Bel(A)
12.2.4置信區間
12.2.5證據的組合函式
12.2.6DS理論的評價
12.3不確定性推理
12.3.1不確定性
12.3.2主觀機率貝葉斯方法
12.4MYCIN系統的推理模型
12.4.1理論和實際的背景
12.4.2MYCIN模型
12.4.3MYCIN模型分析
12.4.4MYCIN推理網路的基本模式
12.4.5MYCIN推理模型的評價
12.5模糊推理
12.5.1模糊集論與模糊邏輯
12.5.2Fuzzy聚類分析
12.6基於案例的推理
12.6.1基於案例推理的基本思想
12.6.2案例的表示與組織
12.6.3案例的檢索
12.6.4案例的改寫
12.7歸納法推理
12.7.1歸納法推理的理論基礎
12.7.2歸納法推理的基本概念
12.7.3歸納法推理中的主要難點
12.7.4歸納法推理的套用
習題12
第13章次協調邏輯推理
13.1次協調邏輯的含義
13.1.1傳統的人工智慧與經典邏輯
13.1.2人工智慧中不協調的數據和知識庫
13.1.3次協調邏輯
13.2註解謂詞演算
13.2.1多真值格
13.2.2註解邏輯
13.2.3註解謂詞公式的語義
13.2.4APC中的不協調、非、蘊含
13.3基於APC的SLDa推導和SLDa反駁
13.3.1SLDa推導和SLDa反駁
13.3.2註解邏輯推理方法
13.3.3註解邏輯推理舉例
13.4註解邏輯的歸結原理
13.5套用實例
13.6控制策略
習題13
第3部分學習與發現
第14章機器學習
14.1概述
14.1.1機器學習的定義和意義
14.1.2機器學習的研究簡史
14.1.3機器學習方法的分類
14.1.4機器學習中的推理方法
14.2歸納學習
14.2.1歸納概念學習的定義
14.2.2歸納概念學習的形式描述
14.2.3歸納概念學習算法的一般步驟
14.2.4歸納概念學習的基本技術
14.3基於解釋的學習
14.3.1基於解釋學習的基本原理
14.3.2基於解釋學習的一般框架
14.3.3基於解釋的學習過程
14.4基於類比的學習
14.4.1類比學習的一般原理
14.4.2類比學習的表示
14.4.3類比學習的求解
14.4.4逐步推理和監控的類比學習
習題14
第15章人工神經網路
15.1人工神經網路的特點
15.2人工神經網路的基本原理
15.3人工神經網路的基本結構模式
15.4人工神經網路互連結構
15.5神經網路模型分類
15.6幾種基本的神經網路學習算法介紹
15.6.1Hebb型學習
15.6.2誤差修正學習方法
15.6.3隨機型學習
15.6.4競爭型學習
15.6.5基於記憶的學習
15.6.6結構修正學習
15.7幾種典型神經網路簡介
15.7.1單層前向網路
15.7.2多層前向網路及BP學習算法
15.7.3Hopfield神經網路
15.8人工神經網路與人工智慧其他技術的比較
15.9人工神經網路的套用領域
習題15
第16章數據挖掘與知識發現
16.1數據挖掘
16.1.1數據挖掘的定義與發展
16.1.2數據挖掘研究的主要內容
16.1.3數據挖掘的特點
16.1.4數據挖掘的分類
16.1.5數據挖掘常用的技術
16.1.6數據挖掘過程
16.1.7數據挖掘研究面臨的困難
16.1.8關聯規則挖掘
16.1.9聚類分析
16.2Web挖掘
16.2.1Web挖掘概述
16.2.2Web內容挖掘
16.2.3Web結構挖掘
16.2.4Web使用挖掘
16.2.5Web數據挖掘的技術難點
16.2.6XML與Web數據挖掘技術
16.3文本挖掘
16.3.1文本挖掘的概念
16.3.2文本挖掘預處理
16.3.3文本挖掘的關鍵技術
16.3.4文本挖掘系統的評價標準
習題16
第4部分領域套用
第17章專家系統
17.1專家系統概述
17.1.1專家系統的定義
17.1.2專家系統的結構
17.1.3專家系統的特點
17.1.4專家系統的類型
17.1.5幾個成功的專家系統簡介
17.2專家系統中的知識獲取
17.2.1概述
17.2.2知識獲取的直接方法
17.2.3知識獲取的新進展
17.3專家系統的解釋機制
17.3.1預製文本解釋法
17.3.2路徑跟蹤解釋法
17.3.3自動程式設計師解釋法
17.3.4策略解釋法
17.4專家系統開發工具與環境
17.4.1專家系統開發工具的基本概念
17.4.2專家系統工具JESS
17.4.3JESS中的Rete匹配算法和逆向推理機制
17.5專家系統開發
17.5.1專家系統開發的步驟
17.5.2專家系統開發方法
17.6專家系統開發實例
17.6.1動物識別專家系統
17.6.2MYCIN專家系統
習題17
第18章自然語言處理
18.1語言的組成
18.1.1自然語言的基本要素
18.1.2實詞和虛詞
18.1.3短語結構
18.2上下文無關語法
18.2.1重寫規則
18.2.2語法分析
18.3上下文無關語法分析
18.3.1產生後繼狀態的算法
18.3.2利用詞典
18.3.3建立語法分析樹
18.4特殊語法的分析
18.4.1引進特徵
18.4.2特徵匹配
18.5利用圖表的高效語法分析
18.5.1chart數據結構
18.5.2有多種解釋的句子
18.6語義解釋
18.6.1詞的意思
18.6.2利用特徵的語義解釋
18.6.3詞義排歧
18.7生成自然語言
18.8在上下文中的自然語言
18.8.1言語的行為
18.8.2創建引用
18.8.3處理資料庫的斷言和問題
習題18
參考文獻
