人工智能与知识工程

     目 录
   第一章 绪 论
    1.1人工智能的发展概况
    1.1.1什么是人工智能
    1.1.2人工智能的研究途径
    1.1.3人工智能学科的发展
    1.2人工智能的应用
    1.2.1人工智能的应用领域
    1.2.2专家系统
   第二章 人工智能程序设计语言
    2.1LISP语言
    2.1.1概 述
    2.1.2LISP的基本功能
    2.1.3递归与迭代
    2.1.4输入输出功能
    2.1.5LISP的其他功能
    2.2PROLOG语言
    2.2.1概 述
    2.2.2重复与递归
    2.2.3表处理方法
    2.2.4字符串处理方法
    2.2.5输入输出功能
    习 题
   第三章 知识表示
    3.1概 述
    3.1.1知识与知识表示
    3.1.2知识表示的方法
    3.2逻辑表示法
    3.2.1一阶谓词逻辑
    3.2.2谓词逻辑用于知识表示
    3.3规则表示法
    3.3.1产生式规则与产生式系统
    3.3.2Markov算法与Rete算法
    3.3.3控制策略的类型
    3.4语义网络表示法
    3.4.1语义网络的基本概念
    3.4.2语义网络的应用
    3.5框架表示法
    3.5.1框架的基本概念
    3.5.2框架表示的应用
    3.6概念从属与剧本表示法
    3.6.1概念从属
    3.6.2剧 本
    习 题
   第四章 基本的问题求解方法
    4.1状态空间搜索
    4.1.1概 述
    4.1.2回溯策略
    4.1.3图搜索策略
    4.1.4任一路径的图搜索
    4.1.5最佳路径的图搜索
    4.1.6与或图的搜索
    4.2博弈树搜索
    4.2.1概 述
    4.2.2极小极大过程
    4.2.3α－β过程
    4.3约束满足搜索
    4.3.1概 述
    4.3.2生长法
    4.3.3修改法
    4.4通用问题求解
    4.4.1手段目的分析
    4.4.2生成与测试（Generate－and－test）
    习 题
   第五章 基本的推理方法
    5.1归结反演系统
    5.1.1谓词演算基础
    5.1.2归结反演（refutation）
    5.1.3归结反演的控制策略
    5.1.4从归结反演中提取解答
    5.2基于规则的演绎系统
    5.2.1正向演绎系统
    5.2.2逆向演绎系统
    5.3规划生成系统
    5.3.1机器人问题求解
    5.3.2正向系统
    5.3.3规划的表示
    5.3.4逆向系统
    习 题
   第六章 实用推理技术
    6.1推理的类型
    6.1.1从逻辑基础上的分类
    6.1.2从推理方法上的分类
    6.2非单调推理
    6.2.1概 述
    6.2.2非单调逻辑
    6.2.3非单调系统
    6.3不精确推理
    6.3.1概 述
    6.3.2概率方法
    6.3.3可信度方法
    6.3.4主观Bayes方法
    6.3.5证据理论
    6.3.6可能性理论
    6.4基于模型的推理
    6.4.1基本原理
    6.4.2基于规则与模型的系统
    6.4.3基于模型的故障诊断系统
    6.5基于事例的推理
    6.5.1基本概念
    6.5.2基本方法
    6.5.3与基于规则的系统的比较
    6.5.4实例系统
    习 题
   第七章 专家系统
    7.1基本结构
    7.2元知识结构
    7.2.1什么是元知识
    7.2.2元知识的作用
    7.2.3元知识在专家系统中的应用
    7.3黑板系统结构
    7.3.1黑板模型
    7.3.2黑板结构
    7.3.3知识源
    7.3.4控制策略
    7.3.5黑板模型的优越性
    7.4黑板控制结构
    7.4.1基本概念
    7.4.2知识源的表示
    7.4.3控制黑板的组织
    7.4.4调度机制
    7.4.5黑板控制结构的优点与不足
    7.5实 例
    7.5.1MYCIN系统
    7.5.2AM系统
    习 题
   第八章 知识获取与机器学习
    8.1概 述
    8.1.1知识获取的基本过程
    8.1.2知识获取的主要手段
    8.1.3机器学习
    8.1.4知识获取工具
    8.2通过例子学习
    8.2.1概 述
    8.2.2学习单个概念
    8.2.3学习多个概念
    8.2.4学习执行多步任务
    8.3通过类比学习
    8.3.1概 述
    8.3.2类比学习与推理系统
    8.3.3转换类比与派生类比系统
    8.4基于解释的学习
    8.4.1概 述
    8.4.2基于解释的抽象
    8.5通过观察学习
    8.5.1合取概念聚类系统
    8.5.2结构对象的概念聚类
    8.6从数据库学习
    8.6.1数据库中的知识发现
    8.6.2数据挖掘方法
    习 题
   第九章 计算智能
    9.1演化计算
    9.1.1遗传算法概述
    9.1.2遗传算法的理论基础
    9.1.3演化策略与演化规划
    9.2连接计算
    9.2.1概 述
    9.2.2感知机
    9.2.3多层前向网络
    9.2.4Hopfield网络
    9.3混合系统
    9.3.1混合系统结构
    9.3.2用神经网络表示符号知识
   第十章 智能Agent
    10.1关于智能Agent
    10.1.1基本概念
    10.1.2Agent理论
    10.1.3Agent系统结构
    10.1.4Agent程序设计
    10.1.5Agent的应用
    10.2多Agent系统
    10.2.1概 述
    10.2.2多Agent系统的结构
    10.2.3Agent通信语言
    10.2.4多Agent系统的协商机制
   第十一章 分布式专家系统工具DEST
    11.1分布式系统结构
    11.2面向对象的知识表示
    11.2.1对象的表示
    11.2.2规则的表示
    11.2.3方法的表示
    11.3问题求解机制
    11.3.1概 述
    11.3.2模糊规则推理
    11.3.3模糊决策树推理
    11.3.4神经网络的模拟
    11.3.5实 例
   附录 DEST系统函数
   参考文献