目　录

第 1章　人工智能概述　1
1.1　人工智能的基本概念　1
1.1.1　智能的概念　1
1.1.2　人工智能的概念　2
1.1.3　人工智能的研究目标　4
1.2　人工智能的基本内容　5
1.2.1　与脑科学和认知科学的交叉研究　5
1.2.2　智能模拟的方法和技术研究　6
1.3　人工智能的历史回顾　7
1.3.1　孕育期　7
1.3.2　形成期　7
1.3.3　知识应用期　8
1.3.4　从学派分立走向综合　9
1.3.5　智能科学技术学科的兴起　9
1.4　人工智能研究中的不同学派　10
1.4.1　符号主义学派　10
1.4.2　联结主义学派　10
1.4.3　行为主义　11
1.5　人工智能的研究应用领域　11
1.5.1　机器思维　12
1.5.2　机器感知　13
1.5.3　机器行为　14
1.5.4　机器学习　15
1.5.5　计算智能　16
1.5.6　分布智能　17
1.5.7　智能系统　18
1.5.8　人工心理与人工情感　18
1.5.9　人工智能的典型应用　19
1.6　人工智能的现状与思考　20
习题　22

第 2章　确定性知识表示　23
2.1　知识表示的基本概念　23
2.1.1　知识的概念　23
2.1.2　知识表示和知识表示方法的概念　24
2.2　谓词逻辑表示法　25
2.2.1　谓词逻辑表示的逻辑学基础　25
2.2.2　谓词逻辑表示的方法　27
2.2.3　谓词逻辑表示的经典例子　28
2.2.4　谓词逻辑表示的特性　30
2.3　产生式表示法　31
2.3.1　产生式表示的基本方法　31
2.3.2　产生式表示的简单例子　32
2.3.3　产生式表示的特性　32
2.4　语义网络表示法　33
2.4.1　语义网络的基本概念　33
2.4.2　事物和概念的表示　35
2.4.3　情况和动作的表示　37
2.4.4　语义网络的基本过程　38
2.4.5　语义网络表示法的特征　38
2.5　框架表示法　39
2.5.1　框架理论　39
2.5.2　框架结构和框架表示　39
2.5.3　框架系统　43
2.5.4　框架系统的基本过程　43
2.5.5　框架表示法的特性　44
2.6　面向对象表示法　45
2.6.1　面向对象的基本概念　45
2.6.2　知识的面向对象表示　46
2.6.3　面向对象表示与框架表示的区别　46
习题　46

第3章　确定性推理　48
3.1　推理概述　48
3.1.1　推理的概念　48
3.1.2　推理方法及其分类　49
3.1.3　推理控制策略及其分类　50
3.2　产生式系统　51
3.2.1　产生式系统的基本结构　51
3.2.2　产生式系统的推理过程　51
3.2.3　产生式系统的示例　55
3.3　自然演绎推理　56
3.3.1　自然演绎推理的逻辑基础　57
3.3.2　自然演绎推理方法　59
3.4　归结演绎推理　60
3.4.1　归结演绎推理的逻辑基础　61
3.4.2　子句集及其应用　61
3.4.3　鲁滨逊归结原理　65
3.4.4　归结演绎推理的方法　68
3.4.5　归结演绎推理的归结策略　71
3.4.6　用归结反演求取问题的答案　75
习题　76

第4章　搜索策略　79
4.1　搜索概述　79
4.1.1　搜索的含义　79
4.1.2　状态空间法　79
4.1.3　问题归约法　83
4.2　状态空间的盲目搜索　85
4.2.1　广度优先和深度优先搜索　86
4.2.2　代价树搜索　87
4.3　状态空间的启发式搜索　89
4.3.1　启发性信息和估价函数　89
4.3.2　A算法　89
4.3.3　A*算法　91
4.3.4　A*算法的特性　91
4.3.5　A*算法应用举例　94
4.4　与/或树的盲目搜索　95
4.4.1　与/或树的一般搜索　95
4.4.2　与/或树的广度优先和深度优先搜索　96
4.5　与/或树的启发式搜索　97
4.5.1　解树的代价与希望树　97
4.5.2　与/或树的启发式搜索过程　98
4.6　博弈树的启发式搜索　100
4.6.1　概述　100
4.6.2　极大极小过程　101
4.6.3　α-β剪枝　102
习题　103

第5章　计算智能　106
5.1　概述　106
5.1.1　什么是计算智能　106
5.1.2　计算智能的产生与发展　107
5.1.3　计算智能与人工智能的关系　107
5.2　神经计算　108
5.2.1　神经计算基础　108
5.2.2　人工神经网络的互连结构　111
5.2.3　人工神经网络的典型模型　113
5.3　进化计算　117
5.3.1　进化计算概述　118
5.3.2　遗传算法　121
5.3.3　遗传算法应用简例　129
5.4　模糊计算　132
5.4.1　模糊集及其运算　132
5.4.2　模糊关系及其运算　135
5.5　粗糙集　137
5.5.1　粗糙集概述　137
5.5.2　粗糙集的基本理论　137
5.5.3　决策表的约简　139
习题　144

第6章　不确定性推理　146
6.1　不确定性推理的基本概念　146
6.1.1　不确定性推理的含义　146
6.1.2　不确定性推理的基本问题　147
6.1.3　不确定性推理的类型　148
6.2　可信度方法　148
6.2.1　可信度的概念　149
6.2.2　可信度推理模型　149
6.2.3　可信度推理的例子　153
6.3　主观Bayes方法　154
6.3.1　主观Bayes方法的概率论基础　154
6.3.2　主观Bayes方法的推理模型　155
6.3.3　主观Bayes推理的例子　159
6.4　模糊推理　161
6.4.1　模糊知识表示　161
6.4.2　模糊概念的匹配　163
6.4.3　模糊推理方法　164
6.5　概率推理　168
6.5.1　贝叶斯网络的概念及理论　168
6.5.2　贝叶斯网络推理的概念和类型　171
6.5.3　贝叶斯网络的精确推理　171
习题　173

第7章　机器学　175
7.1　机器学习概述　175
7.1.1　机器学习的概念及其发展过程　175
7.1.2　学习系统的概念及模型　177
7.1.3　机器学习的类型　179
7.2　记忆学习　179
7.3　示例学习　180
7.3.1　示例学习的类型　180
7.3.2　示例学习的模型　181
7.3.3　示例学习的归纳方法　182
7.4　决策树学习　184
7.4.1　决策树的概念　184
7.4.2　ID3算法　185
7.5　联结学习　188
7.5.1　联结学习的心理学基础　188
7.5.2　联结学习的学习规则　188
7.5.3　感知器学习　190
7.5.4　BP网络学习　192
7.5.5　Hopfield网络学习　195
习题　197

第8章　自然语言理解　198
8.1　自然语言理解的基本概念　198
8.1.1　自然语言的含义与组成　198
8.1.2　自然语言理解的含义及任务　199
8.1.3　自然语言理解的发展过程　199
8.1.4　自然语言理解的层次　200
8.2　词法分析　201
8.3　句法分析　201
8.3.1　句法规则的表示方法　202
8.3.2　自顶向下与自底向上分析　204
8.3.3　扩充转移网络分析　205
8.4　语义分析　207
8.4.1　语义文法　207
8.4.2　格文法　208
8.5　自然语言理解系统的层次模型　209
习题　210

第9章　分布智能　212
9.1　分布智能概述　212
9.1.1　分布智能的概念　212
9.1.2　分布式问题求解　213
9.1.3　多Agent系统　213
9.2　Agent的结构　216
9.2.1　Agent的机理　216
9.2.2　反应Agent的结构　217
9.2.3　认知Agent的结构　217
9.2.4　混合Agent的结构　218
9.3　Agent通信　218
9.3.1　Agent通信的基本问题　218
9.3.2　Agent通信方式　219
9.3.3　Agent通信语言KQML　220
9.4　多Agent合作　223
9.4.1　Agent的协调　223
9.4.2　Agent的协作　224
9.4.3　Agent的协商　226
9.4.4　多Agent应用示例　227
9.5　移动Agent　228
9.5.1　移动Agent系统的一般结构　228
9.5.2　移动Agent的实现技术及应用　229
习题　231

第 10章　新型专家系统　232
10.1　专家系统概述　232
10.1.1　专家系统的产生与发展　232
10.1.2　新型专家系统的特征与类型　233
10.2　专家系统基础　234
10.2.1　专家系统的基本结构　235
10.2.2　基于规则的专家系统　236
10.2.3　基于框架的专家系统　237
10.3　典型的新型专家系统　238
10.3.1　模糊专家系统　238
10.3.2　神经网络专家系统　239
10.3.3　基于Web的专家系统　241
10.3.4　分布式专家系统　242
10.3.5　协同式专家系统　243
10.4　专家系统的开发　244
10.4.1　开发步骤　244
10.4.2　知识获取　245
10.4.3　开发工具与环境　246
习题　248

附录A　人工智能实验　250
参考文献　255