人工智能

出版者的話
叢書序言
叢書編委會
前言
教學建議
第1章 緒論
1.1 什么是人工智能
　 1.1.1 人工智能
　 1.1.2 智能
　 1.1.3 人工智能的測試
1.2 人工智能的研究內容
　 1.2.1 學科結構
　 1.2.2 基本技術
　 1.2.3 基本內容
1.3 人工智能的研究目標
1.4 人工智能的研究途徑和方法
　 1.4.1 傳統(tǒng)劃分方法
　 1.4.2 現(xiàn)代劃分方法
1.5 人工智能的研究領域
　 1.5.1 博弈
　 1.5.2 自動定理證明
　 1.5.3 專家系統(tǒng)
　 1.5.4 模式識別
　 1.5.5 機器學習
　 1.5.6 計算智能
　 1.5.7 自然語言處理
　 1.5.8 分布式人工智能
　 1.5.9 機器人
1.6 人工智能的發(fā)展概況
　 1.6.1 誕生
　 1.6.2 發(fā)展
　 1.6.3 現(xiàn)狀與發(fā)展趨勢
習題
第2章 基于圖的知識表示與圖搜索技術
2.1 概述
　 2.1.1 知識與問題求解框架
　 2.1.2 知識表示
　 2.1.3 圖搜索技術
2.2 狀態(tài)空間圖表示
　 2.2.1 狀態(tài)空間圖
　 2.2.2 隱式狀態(tài)空間圖
2.3 狀態(tài)空間圖的盲目搜索
　 2.3.1 廣度優(yōu)先搜索
　 2.3.2 深度優(yōu)先搜索
2.4 狀態(tài)空間圖的啟發(fā)式搜索
　 2.4.1 啟發(fā)式搜索算法
　 2.4.2 啟發(fā)式搜索的A算法和A算法
　 2.4.3 A算法在游戲中的應用
2.5 與或圖表示及搜索技術
　 2.5.1 與或圖表示
　 2.5.2 與或樹的盲目搜索
　 2.5.3 與或樹的啟發(fā)式搜索
2.6 博弈樹及搜索技術
　 2.6.1 博弈樹
　 2.6.2 博弈樹搜索
　 2.6.3 剪枝技術在博弈問題中的應用
習題
第3章 基于謂詞邏輯的知識表示與機器推理技術
3.1 機器推理概述
3.2 謂詞邏輯簡介
　 3.2.1 基于命題邏輯的知識表示
　 3.2.2 謂詞邏輯
　 3.2.3 基于謂詞邏輯的知識表示
3.3 自然演繹推理
3.4 歸結演繹推理
　 3.4.1 子句集
　 3.4.2 命題邏輯中的歸結原理
　 3.4.3 替換與合一
　 3.4.4 謂詞邏輯中的歸結原理
　 3.4.5 利用歸結原理求解問題
　 3.4.6 歸結策略
3.5 歸結原理與Prolog語言
　 3.5.1 Horn子句
　 3.5.2 邏輯程序設計語言Prolog
3.6 基于規(guī)則的演繹推理
　 3.6.1 正向演繹推理
　 3.6.2 反向演繹推理
　 3.6.3 雙向演繹推理
習題
第4章 不確定性知識的表示與推理技術
4.1 不確定性知識的表示與推理概述
　 4.1.1 不確定性及其類型
　 4.1.2 不確定性推理
4.2 確定性理論
　 4.2.1 知識的不確定性表示
　 4.2.2 證據(jù)的不確定性表示
　 4.2.3 不確定性的傳播與計算
　 4.2.4 確定性理論的特點及進一步發(fā)展
4.3 主觀貝葉斯方法
　 4.3.1 知識的不確定性表示
　 4.3.2 證據(jù)的不確定性表示
　 4.3.3 不確定性的傳播與計算
　 4.3.4 主觀貝葉斯方法的特點
4.4 證據(jù)理論
　 4.4.1 D-S理論
　 4.4.2 證據(jù)理論的不確定性推理模型
4.5 基于貝葉斯網(wǎng)絡的推理
　 4.5.1 什么是貝葉斯網(wǎng)絡
　 4.5.2 貝葉斯網(wǎng)絡推理
4.6 模糊推理
　 4.6.1 模糊集合及模糊邏輯
　 4.6.2 簡單模糊推理
4.7 不確定性推理的應用
習題
第5章 產(chǎn)生式表示與專家系統(tǒng)
5.1 產(chǎn)生式與產(chǎn)生式系統(tǒng)
　 5.1.1 產(chǎn)生式表示
　 5.1.2 產(chǎn)生式系統(tǒng)結構
　 5.1.3 產(chǎn)生式系統(tǒng)工作過程
5.2 專家系統(tǒng)概述
　 5.2.1 什么是專家系統(tǒng)
　 5.2.2 專家系統(tǒng)的類型
　 5.2.3 專家系統(tǒng)的發(fā)展
5.3 專家系統(tǒng)結構及工作過程
　 5.3.1 專家系統(tǒng)的結構
　 5.3.2 專家系統(tǒng)工作過程
5.4 專家系統(tǒng)的開發(fā)
　 5.4.1 開發(fā)步驟和方法
　 5.4.2 知識獲取
　 5.4.3 推理機及解釋機構設計
　 5.4.4 開發(fā)工具及開發(fā)環(huán)境
5.5 專家系統(tǒng)的實例
5.6 新型專家系統(tǒng)
　 5.6.1 分布式專家系統(tǒng)
　 5.6.2 協(xié)同式專家系統(tǒng)
　 5.6.3 模糊專家系統(tǒng)
　 5.6.4 神經(jīng)網(wǎng)絡專家系統(tǒng)
習題
第6章 機器學習
6.1 概述
　 6.1.1 機器學習的定義
　 6.1.2 機器學習系統(tǒng)的基本結構
　 6.1.3 一個學習系統(tǒng)的例子
6.2 概念學習
　 6.2.1 概念學習的FIND-S算法
　 6.2.2 FIND-S算法實例
6.3 決策樹
　 6.3.1 決策樹的表示
　 6.3.2 決策樹的學習--ID3算法
　 6.3.3 ID3算法實例
6.4 人工神經(jīng)網(wǎng)絡
　 6.4.1 感知器
　 6.4.2 線性單元
　 6.4.3 多層網(wǎng)絡和反向傳播算法
　 6.4.4 反向傳播算法實例
6.5 遺傳算法
　 6.5.1 遺傳算法模型
　 6.5.2 遺傳算法實例
　 6.5.3 遺傳編程
　 6.5.4 遺傳編程舉例
習題
第7章 計算智能
7.1 人工免疫算法
　 7.1.1 自然免疫系統(tǒng)
　 7.1.2 人工免疫算法模型
　 7.1.3 人工免疫算法的應用
7.2 蟻群算法
　 7.2.1 螞蟻系統(tǒng)的原理
　 7.2.2 蟻群算法模型
　 7.2.3 蟻群算法的應用
7.3 粒子群算法
　 7.3.1 粒子群系統(tǒng)
　 7.3.2 粒子群算法模型
　 7.3.3 粒子群算法的應用
7.4 模擬退火算法
　 7.4.1 固體退火過程
　 7.4.2 模擬退火算法模型
　 7.4.3 模擬退火算法的應用
習題
第8章 自然語言處理
8.1 概述
　 8.1.1 自然語言的特點
　 8.1.2 自然語言處理涉及的層次
8.2 詞法分析
　 8.2.1 英語中詞的識別
　 8.2.2 漢語分詞
8.3 句法分析
　 8.3.1 短語結構語法
　 8.3.2 依存語法
8.4 語義分析
　 8.4.1 詞義消歧
　 8.4.2 語義角色標注
8.5 語言知識庫
　 8.5.1 現(xiàn)代漢語語法信息詞典
　 8.5.2 知網(wǎng)
　 8.5.3 現(xiàn)代漢語虛詞用法知識庫
8.6 自然語言處理的應用
　 8.6.1 機器翻譯
　 8.6.2 信息檢索
習題
第9章 分布式人工智能及其應用
9.1 DAI的特點
　 9.1.1 Agent及其特性
　 9.1.2 Agent分類
　 9.1.3 Agent的BDI模型
　 9.1.4 Agent聯(lián)盟
　 9.1.5 DAI系統(tǒng)特性
9.2 多Agent系統(tǒng)
　 9.2.1 多Agent系統(tǒng)分類
　 9.2.2 Agent的學習
　 9.2.3 多Agent通信
9.3 分布式問題求解
　 9.3.1 多Agent聯(lián)合求解過程
　 9.3.2 合同網(wǎng)
9.4 并行人工智能
　 9.4.1 并行人工智能的軟件支持
　 9.4.2 并行人工智能的硬件支持
9.5 分布式人工智能的應用
　 9.5.1 多Agent在軍事作戰(zhàn)指揮系統(tǒng)中的應用
　 9.5.2 多Agent在智能交通中的應用
　 9.5.3 多Agent在智能大廈中的應用
習題
實驗指導
基礎實驗部分
　 實驗一 求解八數(shù)碼問題
　 實驗二 使用極小極大分析方法實現(xiàn)井字棋游戲
　 實驗三 實現(xiàn)基于謂詞邏輯的歸結原理
　 實驗四 實現(xiàn)一個基于產(chǎn)生式系統(tǒng)的小型專家系統(tǒng)
擴展實驗部分
參考文獻