人工智能原理与应用

第1章 绪论
1.1 人工智能的界定
1.1.1 什么是人工智能2
1.1.2 人工智能的研究目标4
1.1.3 人工智能中的通用问题求解方法5
1.2 人工智能的学科范畴8
1.2.1 人工智能的研究范畴8
1.2.2 人工智能技术的应用2
1.3 人工智能的研究方法5
1.3.1 人工智能研究的特点5
1.3.2 人工智能的研究途径5
1.4 人工智能的发展简史和趋势8
1.4.1 人工智能的发展简史8
1.4.2 人工智能发展趋势22
1.5 本书的目标和范围23
1.6 小结24
习题24
第2章 搜索技术25
2.1 引言25
2.2 通用问题求解方法26
2.2.1 宽度优先搜索27
2.2.2 深度优先搜索29
2.2.3 迭代加深搜索30
2.3 启发式搜索32
2.3.1 启发性信息和评估函数33
2.3.2 启发式OR图搜索算法33
2.4 问题归约和ANDOR图启发式搜索45
2.4.1 问题归约的描述45
2.4.2 ANDOR图表示45
2.4.3 AO算法47
人工智能原理与应用
2.5 博弈52
2.5.1 极大极小过程53
2.5.2 αβ过程55
2.6 约束满足搜索57
2.7 小结60
习题61
第3章 知识表示及逻辑推理63
3.1 概述63
3.1.1 知识和知识表示63
3.1.2 人工智能对知识表示方法的要求65
3.2 知识表示语言问题65
3.3 命题逻辑67
3.3.1 语法67
3.3.2 语义68
3.4 谓词逻辑70
3.4.1 语法70
3.4.2 语义76
3.5 逻辑推理78
3.5.1 谓词公式的等价性和永真蕴涵78
3.5.2 谓词公式的有效性和可满足性80
3.6 符号逻辑中的范式83
3.7 一阶谓词逻辑的应用84
3.8 小结86
习题87
第4章 归结原理及其应用89
4.1 引言89
4.2 命题演算中的归结〖WT〗〖ST〗90
4.2.1 归结推理规则90
4.2.2 归结反演91
4.2.3 命题逻辑归结反演的合理性和完备性93
4.2.4 归结反演的搜索策略93
4.3 谓词演算中的归结95
4.3.1 子句型95
4.3.2 置换和合一98
4.3.3 合一算法00
4.3.4 归结式02
4.3.5 归结反演03
4.3.6 答案的提取05
4.4 谓词演算归结反演的完备性和合理性08
4.4.1 Herbrand域08
4.4.2 Herbrand解释09
4.4.3 语义树10
4.4.4 Herbrand定理12
4.4.5 完备性和合理性14

目录
4.5 逻辑程序设计原理17
4.5.1 逻辑程序定义17
4.5.2 Prolog数据结构和递归18
4.5.3 SLD归结19
4.5.4 非逻辑成分：CUT21
4.5.5 其他逻辑程序设计语言23
4.6 小结24
习题24
第5章 缺省和非单调推理28
5.1 引言28
5.2 非单调推理29
5.3 封闭世界假设31
5.4 缺省推理33
5.5 限制理论37
5.6 非单调逻辑39
5.7 真值维护系统41
5.8 框架问题44
5.8.1 什么是框架问题45
5.8.2 框架问题的非单调解决方案49
5.9 小结54
习题55
第6章 不确定性推理57
6.1 概述57
6.1.1 什么是不确定推理57
6.1.2 不确定推理要解决的基本问题58
6.1.3 不确定性推理方法分类60
6.2 主观Bayes方法61
6.2.1 全概率公式和Bayes公式61
6.2.2 主观Bayes方法63
6.3 确定性理论71
6.3.1 建造医学专家系统时的问题71
6.3.2 CF模型72
6.3.3 确定性方法的说明77
6.4 证据理论78
6.4.1 假设的不确定性78
6.4.2 证据的不确定性82
6.4.3 证据的组合函数82
6.4.4 规则的不确定性83
6.4.5 不确定性的传递83
6.4.6 不确定性的组合84
6.4.7 证据理论的特点86
6.5 模糊逻辑和模糊推理86
6.5.1 模糊集合及其运算86
6.5.2 模糊关系88
6.5.3 语言变量89
6.5.4 模糊逻辑89
6.5.5 模糊推理90
6.6 小结98
习题99
第7章 产生式系统201
7.1 概述201
7.2 产生式专家系统CLIPS203
7.2.1 产生式系统语言CLIPS203
7.2.2 CLIPS中知识的表示模式203
7.2.3 CLIPS运行207
7.3 产生式系统的匹配算法209
7.3.1 索引记数法210
7.3.2 Rete算法210
7.3.3 书写规则时效率的考虑214
7.4 产生式系统的冲突消解策略216
7.5 元知识217
7.5.1 什么是元知识217
7.5.2 元知识的作用218
7.5.3 元知识的使用模式219
7.6 产生式系统的推理方向220
7.7 产生式系统的类型222
7.8 产生式系统的特点223
7.9 小结224
习题224
第8章 知识的结构化表示226
8.1 引言226
8.2 语义网络227
8.2.1 语义网络的基本概念227
8.2.2 基本事实的表示228
8.2.3 表示情况和动作230
8.2.4 多元语义网络的表示231
8.2.5 连接词与量词的表示231
8.2.6 语义网络的推理过程234
8.2.7 语义网络表示方法的特点238
8.3 框架239
8.3.1 框架理论239
8.3.2 框架240
8.3.3 框架系统243
8.3.4 框架中预先定义的槽245
8.3.5 框架中的推理247
8.3.6 框架表示方法的特点249
8.3.7 框架系统、语义网络、面向对象知识表示的比较250
8.4 Petri网251
8.5 概念依赖253
8.6 脚本255
8.7 小结256
习题257
第9章 专家系统259
9.1 专家系统概述〖ST〗〖WT〗259
9.1.1 什么是专家系统259
9.1.2 专家系统的结构260
9.2 问题求解组织结构263
9.2.1 议程表263
9.2.2 问题求解的黑板模型264
9.2.3 面向对象的问题组织结构266
9.3 知识获取266
9.3.1 知识获取的手工方法266
9.3.2 知识获取的机器学习方法269
9.4 有效性、验证和维护问题269
9.4.1 专家系统的有效性270
9.4.2 知识库的验证272
9.4.3 知识库的维护275
9.5 专家系统开发工具276
9.6 小结278
习题279
第10章 机器学习280
10.1 机器学习的概念和方法280
10.1.1 什么是机器学习280
10.1.2 机器学习研究概况281
10.1.3 机器学习研究方法282
10.2 归纳学习〖WT〗〖ST〗285
10.2.1 归纳学习的基本概念285
10.2.2 版本空间学习287
10.2.3 基于决策树的归纳学习方法289
10.2.4 Induce算法292
10.3 其他学习方法〖WT〗〖ST〗294
10.3.1 类比学习294
10.3.2 解释学习295
10.4 加强学习297
10.5 归纳逻辑程序设计学习300
10.6 基于范例的学习301
10.6.1 CBR的过程模型302
10.6.2 范例的表示和索引303
10.6.3 范例的推理304
10.6.4 范例的学习306
10.7 小结306
习题307
第11章 人工神经网络理论309
11.1 概述309
11.1.1 基本的神经网络模型309
11.1.2 神经网络的学习方法310
11.2 人工神经元及感知机模型〖WT〗〖ST〗311
11.2.1 基本神经元311
11.2.2 感知机模型312
11.3 前馈神经网络〖WT〗〖ST〗313
11.3.1 前馈神经网络模型313
11.3.2 多层前馈神经网络的误差反向传播（BP）算法314
11.3.3 BP算法的若干改进316
11.4 反馈神经网络317
11.4.1 离散Hopfield网络317
11.4.2 连续Hopfield网络322
11.4.3 Hopfield网络应用323
11.4.4 双向联想记忆(BAM)模型324
11.5 随机神经网络325
11.5.1 模拟退火算法325
11.5.2 玻尔兹曼机327
11.6 自组织特征映射神经网络330
11.6.1 网络的拓扑结构330
11.6.2 网络自组织算法331
11.6.3 有教师学习332
11.7 小结332
习题332
第12章 统计学习理论与支持向量机334
12.1 统计学习理论334
12.1.1 机器学习的表示334
12.1.2 学习过程一致性的条件335
12.1.3 VC维理论337
12.1.4 推广性的界337
12.1.5 结构风险最小化338
12.2 支持向量机339
12.2.1 最优分类超平面340
12.2.2 广义最优分类超平面341
12.2.3 支持向量机342
12.2.4 核函数343
12.2.5 SVM的算法及多类SVM344
12.2.6 〖WTBX〗ε〖WTBZ〗不敏感损失函数345
12.2.7 用于非线性回归的支持向量机346
12.2.8 SVM的应用研究348
12.3 小结348
习题349
第13章 遗传算法350
13.1 简介350
13.2 遗传算法的历史351
13.3 遗传算法的研究内容和取得的进展353
13.4 遗传算法的描述353
13.5 遗传算法的特点357
13.6 遗传算法的马尔柯夫链分析359
13.6.1 概率意义下的收敛359
13.6.2 有限Markov链的预备知识359
13.6.3 Markov链的分析方法回顾360
13.6.4 GA的收敛性分析361
13.7 遗传算法的研究展望362
13.8 小结364
习题364
第14章 智能Agent365
14.1 引言365
14.2 分布式人工智能366
14.2.1 分布式问题求解367
14.2.2 多Agent系统369
14.3 Agent与智能Agent369
14.3.1 什么是Agent370
14.3.2 什么是智能Agent371
14.3.3 Agent、专家系统与对象373
14.3.4 智能〖WTBZ〗Agent的抽象结构374
14.4 模态逻辑375
14.4.1 可能世界模型376
14.4.2 模态逻辑377
14.5 知道和信念逻辑381
14.5.1 知道和信念逻辑381
14.5.2 公共和分布式知识383
14.5.3 自认知逻辑384
14.6 逻辑万能问题388
14.6.1 演绎规则的不完全性方法389
14.6.2 隐式和显式信念391
14.7 理性Agent模型393
14.7.1 Cohen和Levesque的理性逻辑396
14.7.2 Rao和Georgeff的BDI逻辑399
14.7.3 KARO框架402
14.8 Agent结构403
14.8.1 基于逻辑的Agent404
14.8.2 反应Agent406
14.8.3 BDI Agent408
14.8.4 层次Agent410
14.9 小结412
习题412
第15章 多Agent系统414
15.1 引言414
15.2 Agent通信415
15.2.1 通信与DAI415
15.2.2 通信的层次417
15.2.3 言语动作417
15.2.4 知识查询处理语言KQML421
15.2.5 Agent通信语言ACL425
15.2.6 Agent通信与对话427
15.2.7 Agent通信与WWW429
15.3 协调与合作429
15.3.1 协调430
15.3.2 合作434
15.3.3 协商435
15.3.4 市场机制438
15.4 Agent的社会性439
15.4.1 识别(Recognition)439
15.4.2 团队形成441
15.4.3 规划形成442
15.4.4 团队行动443
15.5 小结443
习题444
第16章 自然语言理解445
16.1 自然语言理解的一般问题445
16.1.1 自然语言理解的概念及意义445
16.1.2 自然语言理解研究的发展446
16.1.3 自然语言理解的层次448
16.2 词法分析449
16.3 句法分析450
16.3.1 短语结构语法和Chomsky语法体系450
16.3.2 句法分析树452
16.3.3 转移网络453
16.3.4 转移网络的神经网络实现455
16.3.5 扩充转移网络456
16.4 语义分析459
16.4.1 语义文法459
16.4.2 格文法460
16.5 大规模真实文本的处理〖WT〗〖ST〗461
16.5.1 语料库语言学及其特点461
16.5.2 统计学方法的应用及所面临的问题464
16.5.3 汉语语料库加工的基本方法465
16.6 对话和语用分析468
16.7 小结469
习题469
参考文献470