本书主要阐述人工智能的基本原理、方法和应用技术。全书共13章，除第1章讨论人工智能基本概念、第13章讨论人工智能的争论与展望外，其余11章按照“基本智能+典型应用+计算智能”三个模块编排内容。第一个模块为人工智能经典的三大技术，分别为知识表示技术、搜索技术和推理技术，主要包括知识表示、确定性推理、搜索策略、不确定性推理；第二个模块为人工智能的典型应用领域，包括机器学习、支持向量机和专家系统；第三个模块为计算智能与群智能，包括神经计算、进化计算、模糊计算和群智能。本书力求科学性、模块化、实用性。内容由浅入深、循序渐进，条理清晰，让读者在有限的时间内，掌握人工智能的基本原理、基本方法和应用技术。本书为教师提供习题答案。本书可作为计算机科学与技术、智能科学与技术、人工智能、自动化、机器人工程等相关专业的教材，也可供从事人工智能研究与应用的科技工作者学习参考。
丁世飞，男，毕业于中国科学院计算技术研究所，中国矿业大学教授，博士生导师。从事人工智能、机器学习、模式识别、数据挖掘、大数据智能分析、生物信息识别、粗糙集与软计算等方面理论与应用研究。主持国家重点基础研究计划（973计划）课题1项、国家自然科学基金面上项目2项、江苏省自然科学基金项目1项、中国博士后科学基金1项、国家重点实验室开放基金3项；参加国家”863”高技术项目1项、国家自然科学基金重点项目1项、国家自然科学基金面上项目3项等。近年来，出版专著4部，申请或授权发明专利10项，在国内外重要学术期刊上发表研究论文200余篇，其中被SCI检索100余篇，其中被计算机学科ESI检索20余篇。
目 录
第1章 绪论 1
1.1 人工智能的概念 1
1.1.1 智能的定义 1
1.1.2 人工智能的定义 3
1.2 人工智能的产生和发展 5
1.2.1 孕育期（20世纪50年代中期以前） 5
1.2.2 形成及第一个兴旺期（20世纪50年代中期至60年代中期） 6
1.2.3 萧条波折期（20世纪60年代中期至70年代中期） 7
1.2.4 第二个兴旺期（20世纪70年代中期至80年代中期） 8
1.2.5 稳步增长期（20世纪80年代中期至今） 10
1.2.6 中国的人工智能发展 11
1.3 人工智能的主要学派 12
1.3.1 符号主义学派 12
1.3.2 连接主义学派 13
1.3.3 行为主义学派 14
1.4 人工智能的主要研究内容 14
1.5 人工智能的主要应用领域 17
小结 24
习题1 24
第2章 知识表示 25
2.1 知识表示概述 25
2.1.1 知识的概念 25
2.1.2 知识表示的概念 26
2.2 一阶谓词逻辑表示法 27
2.2.1 命题 27
2.2.2 谓词 28
2.2.3 谓词公式 29
2.2.4 谓词逻辑表示 30
2.2.5 谓词逻辑表示法的特点 33
2.3 产生式表示法 33
2.3.1 产生式表示的基本方法 33
2.3.2 产生式系统的基本结构 35
2.3.3 产生式系统的分类 36
2.3.4 产生式表示法的特点 37
2.4 语义网络表示法 39
2.4.1 语义网络的基本概念 39
2.4.2 语义网络的基本语义关系 39
2.4.3 语义网络表示知识的方法 41
2.4.4 语义网络的推理过程 45
2.4.5 语义网络表示法的特点 46
2.5 框架表示法 46
2.5.1 框架结构 46
2.5.2 框架表示 48
2.5.3 框架表示的推理过程 50
2.5.4 框架表示法的特点 50
2.6 脚本表示法 50
2.7 面向对象表示法 54
小结 56
习题2 57
第3章 确定性推理 59
3.1 推理概述 59
3.1.1 推理的概念 59
3.1.2 推理的分类 59
3.1.3 推理的控制策略 61
3.2 推理的逻辑基础 63
3.2.1 谓词公式的永真性和可满足性 63
3.2.2 置换与合一 65
3.3 自然演绎推理 68
3.4 归结演绎推理 69
3.4.1 子句型 69
3.4.2 鲁滨逊归结原理 72
3.4.3 归结演绎推理的归结策略 76
3.4.4 用归结原理求取问题的答案 81
小结 81
习题3 82
第4章 搜索策略 85
4.1 搜索概述 85
4.2 一般图搜索 86
4.2.1 图搜索的基本概念 86
4.2.2 状态空间搜索 87
4.2.3 一般图搜索过程 91
4.3 盲目搜索 92
4.3.1 宽度优先搜索 93
4.3.2 深度优先搜索 95
4.3.3 有界深度搜索和迭代加深搜索 97
4.3.4 搜索最优策略的比较 98
4.4 启发式搜索 99
4.4.1 启发性信息和评估函数 99
4.4.2 启发式搜索A算法 100
4.4.3 实现启发式搜索的关键因素 102
4.4.4 A*算法 103
4.4.5 迭代加深A*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 问题规约 109
4.7 与/或图搜索 111
4.7.1 与/或图表示 111
4.7.2 与/或图的启发式搜索 113
4.8 博弈 117
4.8.1 极大极小过程 119
4.8.2 α?β过程 121
小结 122
习题4 123
第5章 不确定性推理 125
5.1 不确定性推理概述 125
5.1.1 不确定性推理的概念 125
5.1.2 知识不确定性的来源 125
5.1.3 不确定性推理要解决的基本问题 126
5.1.4 不确定性推理方法的分类 128
5.2 概率方法 129
5.2.1 概率论基础 129
5.2.2 经典概率方法 130
5.2.3 逆概率方法 130
5.3 主观贝叶斯方法 132
5.3.1 规则不确定性的表示 132
5.3.2 证据不确定性的表示 134
5.3.3 组合证据不确定性的计算 135
5.3.4 不确定性推理 135
5.3.5 结论不确定性的合成算法 137
5.4 确定性理论 140
5.4.1 可信度 140
5.4.2 CF模型 142
5.4.3 确定性方法的说明 145
5.5 证据理论 146
5.5.1 证据理论的形式描述 147
5.5.2 证据理论的推理模型 150
5.5.3 证据不确定性的表示 152
5.5.4 规则不确定性的表示 152
5.5.5 不确定性的推理 152
5.5.6 组合证据的不确定性计算 152
5.6 模糊推理 155
5.6.1 模糊数学的基本知识 155
5.6.2 模糊假言推理 157
小结 160
习题5 161
第6章 机器学习 163
6.1 机器学习概述 163
6.1.1 学习与机器学习 163
6.1.2 学习系统 164
6.1.3 机器学习的发展简史 166
6.1.4 机器学习的分类 167
6.1.5 机器学习的应用和研究目标 168
6.2 归纳学习 169
6.2.1 归纳学习的基本概念 169
6.2.2 变型空间学习 171
6.2.3 归纳偏置 173
6.3 决策树学习 174
6.3.1 决策树的组成及分类 174
6.3.2 决策树的构造算法CLS 175
6.3.3 基本的决策树算法ID3 177
6.3.4 决策树的偏置 179
6.4 基于实例的学习 180
6.4.1 k?近邻算法 180
6.4.2 距离加权最近邻法 181
6.4.3 基于范例的学习 181
6.5 强化学习 186
6.5.1 强化学习模型 186
6.5.2 马尔可夫决策过程 187
6.5.3 Q学习 188
小结 190
习题6 191
第7章 支持向量机 193
7.1 支持向量机概述 193
7.2 统计学习理论 194
7.2.1 学习问题的表示 194
7.2.2 期望风险和经验风险 195
7.2.3 VC维理论 196
7.2.4 推广性的界 197
7.2.5 结构风险最小化 198
7.3 支持向量机的构造 199
7.3.1 函数集结构的构造 199
7.3.2 支持向量机的模式 200
7.4 核函数 203
7.4.1 核函数概述 203
7.4.2 核函数的分类 204
7.5 SVM的算法及多类SVM 205
7.6 用于非线性回归的SVM 206
7.7 支持向量机的应用 207
小结 209
习题7 209
第8章 专家系统 210
8.1 专家系统概述 210
8.1.1 专家系统的特性 210
8.1.2 专家系统的结构和类型 211
8.2 基于规则的专家系统 213
8.3 基于框架的专家系统 215
8.4 基于模型的专家系统 217
8.5 专家系统的开发 219
8.5.1 专家系统的开发过程 219
8.5.2 专家系统的知识获取 220
8.5.3 专家系统的开发工具和环境 222
8.6 专家系统设计举例 224
8.6.1 专家知识的描述 224
8.6.2 知识的使用 227
8.6.3 决策的解释 230
8.6.4 MYCIN系统 230
8.7 新型专家系统 231
小结 233
习题8 234
第9章 神经计算 235
9.1 神经计算概述 235
9.2 感知器 237
9.2.1 感知器的结构 237
9.2.2 感知器的学习算法 238
9.3 反向传播网络 240
9.3.1 BP网络的结构 240
9.3.2 BP网络的学习算法 241
9.4 自组织映射神经网络 244
9.4.1 SOM网络结构 244
9.4.2 SOM网络的学习算法 244
9.5 Hopfield网络 246
9.5.1 离散Hopfield网络的结构 246
9.5.2 离散Hopfield网络的稳定性 247
9.5.3 离散Hopfield 网络的学习算法 247
9.6 脉冲耦合神经网络 248
9.6.1 PCNN的结构 248
9.6.2 PCNN的学习算法 249
9.7 深度神经网络 249
小结 250
习题9 251
第10章 进化计算 252
10.1 进化计算概述 252
10.2 遗传算法 253
10.2.1 遗传算法的基本原理 253
10.2.2 遗传算法的应用示例 255
10.2.3 模式定理 257
10.2.4 遗传算法的改进 259
10.3 进化规划 260
10.3.1 标准进化规划及其改进 261
10.3.2 进化规划的基本技术 262
10.4 进化策略 263
10.4.1 进化策略及其改进 263
10.4.2 进化策略的基本技术 264
10.5 GA、EP、ES的异同 266
小结 267
习题10 267
第11章 模糊计算 268
11.1 模糊集合的概念 268
11.1.1 模糊集合的定义 268
11.1.2 模糊集合的表示方法 268
11.2 模糊集合的代数运算 273
11.3 正态模糊集和凸模糊集 275
11.4 模糊关系 276
11.4.1 模糊关系的概述 276
11.4.2 模糊关系的性质 277
11.5 模糊判决 277
11.6 模糊数学在模式识别中的应用 278
11.6.1 最大隶属度原则 278
11.6.2 择近原则 279
小结 280
习题11 280
第12章 群智能 282
12.1 群智能概述 282
12.1.1 群智能优化算法定义 282
12.1.2 群智能优化算法原理 283
12.1.3 群智能优化算法特点 283
12.2 蚁群算法 283
12.2.1 蚁群算法概述 283
12.2.2 蚁群算法的数学模型 284
12.2.3 蚁群算法的改进 286
12.2.4 蚁群算法的应用示例 287
12.3 粒子群优化算法 288
12.3.1 粒子群优化算法基本思想 288
12.3.2 粒子群优化算法基本框架 288
12.3.3 粒子群优化算法参数分析与改进 290
12.3.4 粒子群优化算法的应用示例 291
12.4 其他群智能优化算法 292
12.4.1 人工鱼群算法 292
12.4.2 细菌觅食算法 295
12.4.3 混合蛙跳算法 297
12.4.4 果蝇优化算法 298
小结 299
习题12 300
第13章 争论与展望 301
13.1 争论 301
13.1.1 对人工智能理论的争论 301
13.1.2 对人工智能方法的争论 302
13.1.3 对人工智能技术路线的争论 302
13.1.4 对强弱人工智能的争论 303
13.2 展望 304
13.2.1 更新的理论框架 304
13.2.2 更好的技术集成 305
13.2.3 更成熟的应用方法 305
13.2.4 脑机接口 306
小结 306
习题13 307
附录A 参考答案 308
参考文献 309
书单推荐
