目录
第1章绪论

1.1人工智能的概念

1.1.1智能的定义

1.1.2人工智能的定义

1.2人工智能的诞生与发展

1.2.1孕育期

1.2.2形成期

1.2.3萧条期

1.2.4第二个兴旺期

1.2.5稳步增长期

1.2.6中国的人工智能发展

1.3人工智能的主要研究学派

1.3.1符号主义学派

1.3.2连接主义学派

1.3.3行为主义学派

1.4人工智能的主要研究内容

1.5人工智能的主要应用领域

1.6小结

习题

第2章知识表示

2.1知识表示概述

2.1.1知识的概念 

2.1.2知识表示的概念

2.2一阶谓词逻辑表示法

2.2.1命题

2.2.2谓词 

2.2.3谓词公式 

2.2.4谓词逻辑表示

2.2.5谓词逻辑表示法的特点

2.3产生式表示法

2.3.1产生式表示的基本方法

2.3.2产生式系统的基本结构

2.3.3产生式系统的分类

2.3.4产生式表示法的特点

2.4语义网络表示法

2.4.1语义网络的基本概念

2.4.2语义网络的基本语义关系

2.4.3语义网络表示知识的方法

2.4.4语义网络的推理过程

2.4.5语义网络表示法的特点

2.5框架表示法

2.5.1框架结构





2.5.2框架表示

2.5.3框架表示的推理过程

2.5.4框架表示法的特点

2.6脚本表示法

2.7面向对象表示法

2.7.1面向对象的基本概念

2.7.2面向对象方法学的主要观点

2.8小结

习题

第3章搜索策略

3.1搜索策略概述

3.2基于状态空间图的搜索技术

3.2.1图搜索的基本概念

3.2.2状态空间搜索

3.2.3一般图搜索过程

3.3盲目搜索

3.3.1宽度优先搜索

3.3.2深度优先搜索

3.3.3有界深度搜索和迭代加深搜索 

3.3.4搜索最优策略的比较 

3.4启发式搜索

3.4.1启发性信息和评估函数

3.4.2启发式搜索A算法

3.4.3实现启发式搜索的关键因素

3.4.4A*算法

3.4.5迭代加深A*算法 

3.5回溯搜索和爬山法

3.5.1爬山法

3.5.2回溯策略

3.6问题规约和与或图启发式搜索

3.6.1问题规约

3.6.2与或图表示

3.6.3与或图的启发式搜索

3.7博弈

3.7.1极大极小过程 

3.7.2αβ过程 

3.8小结

习题

第4章确定性推理

4.1推理概述

4.1.1推理的概念

4.1.2推理的分类

4.1.3推理的控制策略

4.2推理的逻辑基础

4.2.1谓词公式的永真性和可满足性

4.2.2置换与合一

4.3自然演绎推理

4.4归结演绎推理

4.4.1子句集

4.4.2鲁滨逊归结原理

4.4.3归结演绎推理的归结策略

4.4.4用归结原理求取问题的答案

4.5小结

习题

第5章不确定性推理

5.1不确定性推理概述

5.1.1什么是不确定性推理

5.1.2知识不确定性的来源

5.1.3不确定性推理方法分类

5.2不确定性推理的基本问题

5.2.1表示问题

5.2.2计算问题

5.2.3语义问题

5.3概率方法

5.3.1概率论基础

5.3.2经典概率方法

5.3.3逆概率方法

5.4主观Bayes方法

5.4.1规则不确定性的表示

5.4.2证据不确定性的表示

5.4.3组合证据不确定性的计算

5.4.4不确定性推理的计算

5.4.5结论不确定性的合成算法

5.5可信度方法

5.5.1可信度的定义和性质

5.5.2CF模型

5.5.3可信度方法的说明

5.6证据理论

5.6.1证据理论的形式描述

5.6.2证据理论的推理模型

5.6.3证据不确定性的表示

5.6.4规则不确定性的表示

5.6.5不确定性推理计算

5.6.6组合证据不确定性的计算

5.7模糊推理

5.7.1模糊数学的基本知识

5.7.2模糊假言推理

5.8小结

习题

第6章机器学习

6.1概述

6.1.1学习与机器学习

6.1.2学习系统

6.1.3机器学习的发展简史

6.1.4机器学习的分类

6.1.5机器学习的应用与研究目标

6.2归纳学习

6.2.1归纳学习的基本概念

6.2.2变型空间学习

6.2.3归纳偏置

6.3决策树学习

6.3.1决策树的组成及分类

6.3.2决策树的构造算法CLS

6.3.3基本的决策树算法ID3

6.3.4决策树的偏置

6.4基于实例的学习

6.4.1k近邻算法

6.4.2距离加权最近邻法

6.4.3基于范例的学习

6.5强化学习

6.5.1强化学习模型

6.5.2马尔可夫决策过程

6.5.3Q学习

6.6小结

习题

第7章支持向量机

7.1支持向量机概述

7.1.1支持向量机的概念

7.1.2支持向量机的基本思想

7.2统计学习理论

7.2.1学习问题的表示

7.2.2期望风险和经验风险

7.2.3VC维理论

7.2.4推广性的界

7.2.5结构风险最小化

7.3支持向量机的构造

7.3.1函数集结构的构造

7.3.2支持向量机求解

7.4核函数

7.4.1概述

7.4.2核函数的分类

7.5SVM的算法及多类SVM

7.6用于非线性回归的SVM

7.7支持向量机的应用

7.8小结

习题

第8章专家系统

8.1专家系统概述

8.1.1专家系统的主要特性

8.1.2专家系统的结构与类型

8.2基于规则的专家系统

8.2.1基于规则的专家系统的基本结构

8.2.2基于规则的专家系统的特点

8.2.3基于规则的专家系统举例

8.3基于框架的专家系统

8.3.1基于框架的专家系统简介

8.3.2基于框架的专家系统的继承、槽和方法

8.3.3基于框架的专家系统举例

8.4基于模型的专家系统

8.4.1基于模型的专家系统的概念

8.4.2基于模型的专家系统举例

8.5专家系统的开发

8.5.1开发步骤

8.5.2知识获取

8.5.3开发工具及环境

8.6专家系统设计举例

8.6.1专家知识的描述

8.6.2知识的使用

8.6.3决策的解释

8.6.4MYCIN系统

8.7新型专家系统

8.8小结

习题

第9章神经计算

9.1人工神经元模型

9.2感知器

9.2.1感知器的结构

9.2.2感知器学习算法

9.3反向传播网络

9.3.1BP网络的结构

9.3.2BP网络的学习算法

9.4自组织映射神经网络

9.4.1SOM网络结构

9.4.2SOM网络的学习算法

9.5Hopfield网络

9.5.1离散Hopfield网络的结构

9.5.2离散Hopfield 网络的稳定性

9.5.3离散Hopfield 网络的学习算法

9.6脉冲耦合神经网络

9.6.1PCNN的结构

9.6.2PCNN的学习算法

9.7面向时序数据的神经网络

9.7.1循环神经网络及其学习算法

9.7.2长短时记忆神经网络

9.8深度神经网络

9.8.1卷积神经网络

9.8.2注意力机制

9.9小结

习题

第10章进化计算

10.1进化计算概述

10.2遗传算法

10.2.1遗传算法的基本原理

10.2.2遗传算法的应用示例

10.2.3模式定理

10.2.4遗传算法的改进

10.3进化规划

10.3.1标准进化规划及其改进

10.3.2进化规划的基本技术

10.4进化策略

10.4.1进化策略及其改进

10.4.2进化策略的基本技术

10.5GA、EP、ES的异同

10.5.1GA、ES的异同

10.5.2EP和ES的异同

10.6小结

习题

第11章模糊计算

11.1模糊集合的概念

11.1.1模糊集合的定义

11.1.2模糊集合的表示方法

11.2模糊集合的代数运算

11.3正态模糊集和凸模糊集

11.4模糊关系

11.4.1模糊关系的概述

11.4.2模糊关系的性质

11.5模糊判决

11.6模糊数学在模式识别中的应用

11.6.1模糊模式识别的直接方法

11.6.2模糊模式识别的间接方法

11.7模糊综合评判

11.8小结

习题

第12章群智能

12.1群智能概述

12.1.1群智能优化算法定义

12.1.2群智能优化算法原理

12.1.3群智能优化算法特点

12.2蚁群优化算法

12.2.1蚁群优化算法概述

12.2.2蚁群优化算法的数学模型

12.2.3蚁群优化算法的改进

12.2.4蚁群优化算法的应用示例

12.3粒子群优化算法

12.3.1粒子群优化算法基本思想

12.3.2粒子群优化算法基本框架

12.3.3粒子群优化算法参数分析与改进

12.3.4粒子群优化算法的应用示例

12.4其他群智能优化算法

12.4.1人工鱼群算法

12.4.2细菌觅食算法

12.4.3混合蛙跳算法

12.4.4果蝇优化算法

12.5小结

习题

第13章争论与展望

13.1争论

13.1.1对人工智能理论的争论

13.1.2对人工智能方法的争论

13.1.3对人工智能技术路线的争论

13.1.4对强弱人工智能的争论

13.2展望

13.2.1更新的理论框架

13.2.2更好的技术集成

13.2.3更成熟的应用方法

13.2.4脑机接口

13.3小结

习题

参考文献