人工智能

出版者的话序言前言第1章 导论1.1 人工智能的定义与基础1.1.1 何谓人工智能？1.1.2 ai基础简史1.1.3 ai与唯理主义和经验主义传统1.1.4 形式逻辑的发展1.1.5 图灵测试1.1.6 智能的生物与社会模型agent理论1.2 ai应用领域概述1.2.1 博弈1.2.2 自动推理与定理证明1.2.3 专家系统1.2.4 自然语言理解1.2.5 模拟人的性能1.2.6 规划与机器人1.2.7 ai语言和环境1.2.8 机器学习1.2.9 神经网络与遗传算法1.2.1 0ai与哲学1.3 人工智能概要练习第2章 表示与搜索导引2.1 表示系统2.2 搜索第3章 谓词演算3.1 命题演算3.1.1 语法3.1.2 语义3.2 谓词演算3.2.1 语法3.2.2 语义3.3 谓词演算的推断规则3.3.1 推断规则3.3.2 一致化3.4 应用：基于逻辑的家庭财务咨询系统练习第4章 状态空间搜索4.1 状态空间搜索的结构4.1.1 图论4.1.2 有限状态机4.1.3 问题的状态空间表示4.2 状态空间搜索策略4.2.1 数据驱动和目标驱动的搜索4.2.2 广度优先和深度优先搜索4.2.3 逐步加深的深度优先搜索4.3 与/或图和逻辑推理4.4 应用：家庭财务咨询系统练习第5章 启发式搜索5.1 爬山法和动态规划5.1.1 爬山法5.1.2 动态规划5.2 最好优先搜索算法5.2.1 实现最好优先搜索5.2.2 实现启发估价函数5.2.3 启发式搜索与专家系统5.3 可采纳性、单调性及信息度5.3.1 可采纳性5.3.2 单调性5.3.3 a*算法的比较5.4 搜索博弈图5.4.1 极小极大程序5.4.2 固定深度的minimax5.4.3 αβ剪枝5.5 计算复杂度问题练习第6章 状态空间搜索的控制算法6.1 基于递归的搜索6.1.1 递归搜索6.1.2 递归搜索示例：模式驱动的推理6.2 产生式系统6.2.1 定义及简史6.2.2 产生式系统示例6.2.3 搜索的控制6.2.4 产生式系统的优点6.3 问题求解的黑板体系练习第7章 知识表示7.1 ai表示研究简史7.1.1 含义的联想主义理论7.1.2 语义网络的早期工作7.1.3 网络关系的标准化7.1.4 脚本7.1.5 框架7.2 概念图7.2.1 概念图导引7.2.2 类型、个体和名称7.2.3 类型的层次结构7.2.4 概念图的操作7.2.5 命题节点7.2.6 概念图与逻辑7.3 替代显式表示7.3.1 brooks的包容体系7.3.2 多种表示、本体论与知识服务7.4 基于agent的分布式问题求解7.4.1 面向agent的问题求解：一种定义7.4.2 agent范型的示例及其存在问题练习第8章 知识系统8.1 专家系统技术概述8.1.1 设计基于规则的专家系统8.1.2 问题领域的选择与知识工程过程8.1.3 概念模型及其在知识获取中的作用8.2 基于规则的专家系统8.2.1 产生式系统与目标驱动的问题求解8.2.2 目标驱动的推理的解释与透明性8.2.3 产生式系统与数据驱动的推理8.2.4 专家系统的启发性与控制8.3 基于模型、基于事例和混合系统8.3.1 基于模型的推理导引8.3.2 基于模型的推理：nasa的例子8.3.3 基于事例的推理导引8.3.4 混合设计8.4 规划8.4.1 strips8.4.2 目的反应式规划8.4.3 规划：nasa的例子练习第9章 不确定推理9.1 基于逻辑的反绎推理9.1.1 非单调推理逻辑9.1.2 真值维护系统9.1.3 基于最小模型的逻辑9.1.4 集合覆盖与基于逻辑的反绎9.2 反绎：替代逻辑9.2.1 肯定因数代数9.2.2 模糊推理9.2.3 dempster和shafer的证据论9.3 不确定性的随机途径9.3.1 有向图模型：贝叶斯信念网络9.3.2 有向图模型：d分隔9.3.3 有向图模型：推理算法9.3.4 有向图模型：动态贝叶斯网络9.3.5 markov模型：离散markov过程9.3.6 markov模型：改型练习第10章 基于符号的机器学习10.1 基于符号的学习框架10.2 版本空间搜索10.2.1 一般化操作与概念空间10.2.2 候选排除算法10.2.3 lex：归纳搜索启发式10.2.4 候选排除算法的评价10.3 id3决策树归纳算法10.3.1 自顶向下归纳决策树10.3.2 信息论的测试选择10.3.3 评价id310.3.4 决策树的数据问题10.4 归纳偏向与学习能力10.4.1 归纳偏向10.4.2 学习能力理论10.5 知识与学习10.5.1 基于解释的学习10.5.2 类比推理10.6 无监督的学习10.6.1 发现与无监督的学习10.6.2 概念聚类10.6.3 cobweb与分类知识的结构10.7 增强式学习10.7.1 增强式学习的成分10.7.2 示例：井字棋博弈10.7.3 增强式学习的推理算法练习第11章 神经网络11.1 神经网络基础11.2 感知器学习11.2.1 感知器训练算法11.2.2 感知器学习用于分类11.2.3 梯度下降法与δ规则11.3 反向传播学习11.3.1 反向传播算法11.3.2 例1：nettalk11.3.3 例2：异或函数11.4 竞争学习11.4.1 分类的wta学习算法11.4.2 kohonen的学习原型网络11.4.3 重复传播网络11.5 hebb的叠合学习11.5.1 无监督hebb学习示例11.5.2 有监督hebb学习11.5.3 结合存储与线性结合器11.6 吸引状态网络11.6.1 双向结合存储11.6.2 bam处理示例11.6.3 自结合存储与hopfield网络练习第12章 学习的遗传与浮现模型12.1 遗传算法12.1.1 遗传算法示例12.1.2 遗传算法的评价12.2 分类器系统与遗传程序设计12.2.1 分类器系统12.2.2 遗传程序设计12.3 人工生命和基于社会的学习12.3.1 “生命博弈”12.3.2 进化规划12.3.3 浮现的专题研究练习第13章 自动推理13.1 通用问题求解器13.2 归结定理证明器13.2.1 谓词演算表达式化为短句集合13.2.2 归结证明程序13.2.3 归结策略和简化技术13.2.4 由归结反驳抽取答案13.3 prolog与自动推理练习第14章 自然语言理解14.1 理解语言的符号途径14.2 语法14.2.1 上下文无关文法的规范与分析14.3 跃迁网分析器与语义14.3.1 跃迁网分析器14.3.2 chomsky层次与上下文有关文法14.3.3 语义：atn分析器14.3.4 用atn组合语法和语义知识14.4 语言理解的随机工具14.4.1 语法分析的概率途径14.4.2 概率上下文无关分析器14.5 自然语言的应用14.5.1 故事理解与回答问题14.5.2 数据库前端14.5.3 对web的信息抽取和摘要系统练习第15章 结束语：评述与展望15.1 对ai几种途径的评述15.1.1 智能与物理符号系统假设15.1.2 连接主义计算15.1.3 agent、浮现与智能15.1.4 概率模型和随机技术15.2 现代认知科学15.2.1 心理学的约束15.2.2 认识论问题15.3 ai：当前的挑战与未来方向附录a 随机方法导论附录b 随机方法的应用参考文献

　　《人工智能》较全面地介绍了人工智能领域的各种课题，其中包括使用神经网络和遗传算法的感知和适应性、附有本体论的智能agent、自动推理、自然语言分析，以及机器学习的随机途径。论述的许多技术和策略可用于应对现今计算机科学面临的众多挑战。此外，《人工智能》进一步从哲学、心理学和神经生理学等角度讨论了人工智能研究工作。　　《人工智能》可作为大学本科生和研究生的教材，还可供从事人工智能研究和应用的专业人员参考。【作者简介】　　刘凤岐，国防科技大学原计算机系教授，长期从事计算机应用和人工智能的教学和研究工作。自上世纪80年代中期至上世纪末一直带领学生承担国家“863”计划中关于“人工智能程序设计与环境”、“专家系统开发工具”等的研究课题，获省、部级科技进步奖六项。发表论文20余篇，并编著了《逻辑程序设计原理和方法》。1990年获国家“中青年有突出贡献专家”称号，享受政府特殊津贴。