人工智能導論（第3版）

第1章 緒論 1
1．1 人工智慧的概念 1
1．1．1 智慧的定義 1
1．1．2 人工智慧的定義 3
1．2 人工智慧的產生和發展 5
1．2．1 孕育期（20世紀50年代中期以前） 5
1．2．2 形成及第一個興旺期（20世紀50年代中期至60年代中期） 6
1．2．3 蕭條波折期（20世紀60年代中期至70年代中期） 7
1．2．4 第二個興旺期（20世紀70年代中期至80年代中期） 8
1．2．5 穩步增長期（20世紀80年代中期至今） 10
1．2．6 中國的人工智慧發展 11
1．3 人工智慧的主要學派 12
1．3．1 符號主義學派 12
1．3．2 連接主義學派 13
1．3．3 行為主義學派 14
1．4 人工智慧的主要研究內容 14
1．5 人工智慧的主要應用領域 17
小結 24
習題1 24

第2章 知識表示 25
2．1 知識表示概述 25
2．1．1 知識的概念 25
2．1．2 知識表示的概念 26
2．2 一階謂詞邏輯標記法 27
2．2．1 命題 27
2．2．2 謂詞 28
2．2．3 謂詞公式 29
2．2．4 謂詞邏輯表示 30
2．2．5 謂詞邏輯標記法的特點 33
2．3 產生式標記法 33
2．3．1 產生式表示的基本方法 33
2．3．2 產生式系統的基本結構 35
2．3．3 產生式系統的分類 36
2．3．4 產生式標記法的特點 37
2．4 語義網路標記法 39
2．4．1 語義網路的基本概念 39
2．4．2 語義網路的基本語義關係 39
2．4．3 語義網路表示知識的方法 41
2．4．4 語義網路的推理過程 45
2．4．5 語義網路標記法的特點 46
2．5 框架標記法 46
2．5．1 框架結構 46
2．5．2 框架表示 48
2．5．3 框架表示的推理過程 50
2．5．4 框架標記法的特點 50
2．6 腳本標記法 50
2．7 物件導向標記法 54
小結 56
習題2 57

第3章 確定性推理 59
3．1 推理概述 59
3．1．1 推理的概念 59
3．1．2 推理的分類 59
3．1．3 推理的控制策略 61
3．2 推理的邏輯基礎 63
3．2．1 謂詞公式的永真性和可滿足性 63
3．2．2 置換與合一 65
3．3 自然演繹推理 68
3．4 歸結演繹推理 69
3．4．1 子句型 69
3．4．2 魯濱遜歸結原理 72
3．4．3 歸結演繹推理的歸結策略 76
3．4．4　用歸結原理求取問題的答案 81
小結 81
習題3 82

第4章 搜索策略 85
4．1 搜索概述 85
4．2 一般圖搜索 86
4．2．1 圖搜索的基本概念 86
4．2．2 狀態空間搜索 87
4．2．3 一般圖搜索過程 91
4．3 盲目搜索 92
4．3．1 寬度優先搜索 93
4．3．2 深度優先搜索 95
4．3．3 有界深度搜索和反覆運算加深搜索 97
4．3．4 搜索最優策略的比較 98
4．4 啟發式搜索 99
4．4．1 啟發性資訊和評估函數 99
4．4．2 啟發式搜索A演算法 100
4．4．3 實現啟發式搜索的關鍵因素 102
4．4．4 A*演算法 103
4．4．5 反覆運算加深A*演算法 106
4．5 回溯搜索和爬山法 107
4．5．1 爬山法 107
4．5．2 回溯策略 108
4．6 問題規約 109
4．7 與/或圖搜索 111
4．7．1 與/或圖表示 111
4．7．2 與/或圖的啟發式搜索 113
4．8 博弈 117
4．8．1 極大極小過程 119
4．8．2 α?β過程 121
小結 122
習題4 123

第5章 不確定性推理 125
5．1 不確定性推理概述 125
5．1．1 不確定性推理的概念 125
5．1．2 知識不確定性的來源 125
5．1．3 不確定性推理要解決的基本問題 126
5．1．4 不確定性推理方法的分類 128
5．2 概率方法 129
5．2．1 概率論基礎 129
5．2．2 經典概率方法 130
5．2．3 逆概率方法 130
5．3 主觀貝葉斯方法 132
5．3．1 規則不確定性的表示 132
5．3．2 證據不確定性的表示 134
5．3．3 組合證據不確定性的計算 135
5．3．4 不確定性推理 135
5．3．5 結論不確定性的合成演算法 137
5．4 確定性理論 140
5．4．1 可信度 140
5．4．2 CF模型 142
5．4．3 確定性方法的說明 145
5．5 證據理論 146
5．5．1 證據理論的形式描述 147
5．5．2 證據理論的推理模型 150
5．5．3 證據不確定性的表示 152
5．5．4 規則不確定性的表示 152
5．5．5 不確定性的推理 152
5．5．6 組合證據的不確定性計算 152
5．6 模糊推理 155
5．6．1 模糊數學的基本知識 155
5．6．2 模糊假言推理 157
小結 160
習題5 161

第6章 機器學習 163
6．1 機器學習概述 163
6．1．1 學習與機器學習 163
6．1．2 學習系統 164
6．1．3 機器學習的發展簡史 166
6．1．4 機器學習的分類 167
6．1．5 機器學習的應用和研究目標 168
6．2 歸納學習 169
6．2．1 歸納學習的基本概念 169
6．2．2 變型空間學習 171
6．2．3 歸納偏置 173
6．3 決策樹學習 174
6．3．1 決策樹的組成及分類 174
6．3．2 決策樹的構造演算法CLS 175
6．3．3 基本的決策樹演算法ID3 177
6．3．4 決策樹的偏置 179
6．4 基於實例的學習 180
6．4．1 k?近鄰演算法 180
6．4．2 距離加權最近鄰法 181
6．4．3 基於範例的學習 181
6．5 強化學習 186
6．5．1 強化學習模型 186
6．5．2 瑪律可夫決策過程 187
6．5．3 Q學習 188
小結 190
習題6 191

第7章 支持向量機 193
7．1 支持向量機概述 193
7．2 統計學習理論 194
7．2．1 學習問題的表示 194
7．2．2 期望風險和經驗風險 195
7．2．3 VC維理論 196
7．2．4 推廣性的界 197
7．2．5 結構風險最小化 198
7．3 支持向量機的構造 199
7．3．1 函數集結構的構造 199
7．3．2 支援向量機的模式 200
7．4 核函數 203
7．4．1 核函數概述 203
7．4．2 核函數的分類 204
7．5 SVM的演算法及多類SVM 205
7．6 用於非線性回歸的SVM 206
7．7 支援向量機的應用 207
小結 209
習題7 209

第8章 專家系統 210
8．1 專家系統概述 210
8．1．1 專家系統的特性 210
8．1．2 專家系統的結構和類型 211
8．2 基於規則的專家系統 213
8．3 基於框架的專家系統 215
8．4 基於模型的專家系統 217
8．5 專家系統的開發 219
8．5．1 專家系統的開發過程 219
8．5．2 專家系統的知識獲取 220
8．5．3 專家系統的開發工具和環境 222
8．6 專家系統設計舉例 224
8．6．1 專家知識的描述 224
8．6．2 知識的使用 227
8．6．3 決策的解釋 230
8．6．4 MYCIN系統 230
8．7 新型專家系統 231
小結 233
習題8 234

第9章 神經計算 235
9．1 神經計算概述 235
9．2 感知器 237
9．2．1 感知器的結構 237
9．2．2 感知器的學習演算法 238
9．3 反向傳播網路 240
9．3．1 BP網路的結構 240
9．3．2 BP網路的學習演算法 241
9．4 自組織映射神經網路 244
9．4．1 SOM網路結構 244
9．4．2 SOM網路的學習演算法 244
9．5 Hopfield網路 246
9．5．1 離散Hopfield網路的結構 246
9．5．2 離散Hopfield網路的穩定性 247
9．5．3 離散Hopfield 網路的學習演算法 247
9．6 脈衝耦合神經網路 248
9．6．1 PCNN的結構 248
9．6．2 PCNN的學習演算法 249
9．7 深度神經網路 249
小結 250
習題9 251

第10章 進化計算 252
10．1 進化計算概述 252
10．2 遺傳演算法 253
10．2．1 遺傳演算法的基本原理 253
10．2．2 遺傳演算法的應用示例 255
10．2．3 模式定理 257
10．2．4 遺傳演算法的改進 259
10．3 進化規劃 260
10．3．1 標準進化規劃及其改進 261
10．3．2 進化規劃的基本技術 262
10．4 進化策略 263
10．4．1 進化策略及其改進 263
10．4．2 進化策略的基本技術 264
10．5 GA、EP、ES的異同 266
小結 267
習題10 267

第11章 模糊計算 268
11．1 模糊集合的概念 268
11．1．1 模糊集合的定義 268
11．1．2 模糊集合的表示方法 268
11．2 模糊集合的代數運算 273
11．3 正態模糊集和凸模糊集 275
11．4 模糊關係 276
11．4．1 模糊關係的概述 276
11．4．2 模糊關係的性質 277
11．5 模糊判決 277
11．6 模糊數學在模式識別中的應用 278
11．6．1 最大隸屬度原則 278
11．6．2 擇近原則 279
小結 280
習題11 280

第12章 群智能 282
12．1 群智能概述 282
12．1．1 群智慧優化演算法定義 282
12．1．2 群智慧優化演算法原理 283
12．1．3 群智慧優化演算法特點 283
12．2 蟻群演算法 283
12．2．1 蟻群演算法概述 283
12．2．2 蟻群演算法的數學模型 284
12．2．3 蟻群演算法的改進 286
12．2．4 蟻群演算法的應用示例 287
12．3 粒子群優化演算法 288
12．3．1 粒子群優化演算法基本思想 288
12．3．2 粒子群優化演算法基本框架 288
12．3．3 粒子群優化演算法參數分析與改進 290
12．3．4 粒子群優化演算法的應用示例 291
12．4 其他群智慧優化演算法 292
12．4．1 人工魚群演算法 292
12．4．2 細菌覓食演算法 295
12．4．3 混合蛙跳演算法 297
12．4．4 果蠅優化演算法 298
小結 299
習題12 300

第13章 爭論與展望 301
13．1 爭論 301
13．1．1 對人工智慧理論的爭論 301
13．1．2 對人工智慧方法的爭論 302
13．1．3 對人工智慧技術路線的爭論 302
13．1．4 對強弱人工智慧的爭論 303
13．2 展望 304
13．2．1 更新的理論框架 304
13．2．2 更好的技術集成 305
13．2．3 更成熟的應用方法 305
13．2．4 腦機介面 306
小結 306
習題13 307
附錄A 參考答案 308
參考文獻 309

人工智慧是一門研究如何用機器實現人類智慧的學科，即用人工的方法和技術研製智慧型機器或智慧系統來模仿、延伸和擴展人的智慧，實現智慧行為，誕生以來幾經起伏，已經走過了60餘年的曲折歷程。
　　
近年，隨著雲計算、大資料、深度學習等技術的快速發展，人工智慧又在算力支撐、資料驅動、演算法引領、需求牽引下強勢興起，並正在成為新一輪科技革命和產業變革的核心動力，以及全球科技實力競爭的重要標誌。
　　
繼美國政府2016年10月發佈《國家人工智慧研究與發展策略規劃》後，各國（或地區）政府先後發佈了自己國家的人工智慧發展規劃，將人工智慧上升為本國的國家戰略。2017年7月，國務院發佈《新一代人工智慧發展規劃》，在將人工智慧上升為我國國家戰略的同時，特別強調了人工智慧技術對我國科技進步和產業發展的引領作用。
　　
當今社會，人工智慧作為時代需求的核心生產力，正在逐步改變著人類的生產、生活方式和社會經濟活動模式，並必將成為人類認知自然、擴展智力、改變社會，走向智慧生活的重要工具。當然也應該看到，人工智慧之路還相當漫長，且充滿艱難曲折，人工智慧的光明前景還需要廣大教育工作者和科技工作者不懈的腳踏實地和辛勤耕耘。
　　
中國礦業大學丁世飛教授編著、中國科學院計算技術研究所史忠植研究員主審的著作《人工智慧導論（第3版）》系統地闡述了人工智慧的基本原理、方法和應用技術，全面反映了人工智慧領域國內外的最新研究進展和動態。本書是作者在多年教學與科研工作基礎上撰寫而成的，內容豐富、結構合理、深入淺出、學用結合，體現出“嚴肅、嚴密、嚴格”的優良作風，按照“基本智慧+典型應用+計算智慧”三個模組，以逐層深入的方式進行教學，以期達到不同專業之取捨、不同層次的教學研究之需要。
　　
相信本書能成為我國智慧科學與技術、人工智慧、自動化、機器人工程等新工科專業學生學習“人工智慧”或“人工智慧導論”課程的優秀教材，也可供從事人工智慧研究與應用的科技工作者學習參考。