目 录 第1章 人工智能概述 1 1.1 人工智能的基本概念 1 1.1.1 智能的概念 1 1.1.2 人工智能的概念 3 1.1.3 人工智能的研究目标 3 1.2 人工智能的产生与发展 4 1.2.1 孕育期（1956年之前） 4 1.2.2 形成期（1956年到20世纪60年代末） 5 1.2.3 知识应用期（20世纪70年代初到80年代初） 5 1.2.4 从学派分立走向综合（20世纪80年代中到21世纪初） 7 1.2.5 机器学习和深度学习引领发展（21世纪初至今） 7 1.3 人工智能研究的基本内容 7 1.3.1 智能的脑与认知机理研究 7 1.3.2 智能模拟的理论、方法和技术研究 8 1.4 人工智能研究中的不同学派 9 1.4.1 符号主义 9 1.4.2 连接主义 10 1.4.3 行为主义 10 1.5 人工智能的研究和应用领域 11 1.5.1 机器思维 11 1.5.2 机器学习 12 1.5.3 机器感知 14 1.5.4 机器行为 15 1.5.5 计算智能 16 1.5.6 分布智能 17 1.5.7 智能系统 18 1.5.8 人工心理和人工情感 18 1.5.9 人工智能的典型应用 19 习题1 21 第2章 确定性知识系统 23 2.1 确定性知识系统概述 23 2.1.1 确定性知识表示概述 23 2.1.2 确定性知识推理概述 25 2.2 确定性知识表示方法 27 2.2.1 谓词逻辑表示法 27 2.2.2 产生式表示法 34 2.2.3 语义网络表示法 36 2.2.4 框架表示法 42 2.3 确定性知识推理方法 46 2.3.1 产生式推理 46 2.3.2 自然演绎推理 51 2.3.3 归结演绎推理 54 2.4 确定性知识系统简例 63 2.4.1 产生式系统简例 63 2.4.2 归结演绎系统简例 65 习题2 66 第3章 不确定性知识系统 70 3.1 不确定性推理概述 70 3.1.1 不确定性推理的含义 70 3.1.2 不确定性推理的基本问题 71 3.1.3 不确定性推理的类型 72 3.2 可信度推理 73 3.2.1 可信度的概念 73 3.2.2 可信度推理模型 73 3.2.3 可信度推理的例子 77 3.3 主观Bayes推理 78 3.3.1 主观Bayes方法的概率论基础 78 3.3.2 主观Bayes方法的推理模型 79 3.3.3 主观Bayes推理的例子 83 3.3.4 主观Bayes推理的特性 85 3.4 证据理论 85 3.4.1 证据理论的形式化描述 86 3.4.2 证据理论的推理模型 90 3.4.3 推理实例 91 3.4.4 证据理论推理的特性 93 3.5 模糊推理 93 3.5.1 模糊集及其运算 93 3.5.2 模糊关系及其运算 96 3.5.3 模糊知识表示 98 3.5.4 模糊概念的匹配 99 3.5.5 模糊推理的方法 100 3.6 概率推理 104 3.6.1 贝叶斯网络的概念及理论 105 3.6.2 贝叶斯网络推理的概念和类型 108 3.6.3 贝叶斯网络的精确推理 109 3.6.4 贝叶斯网络的近似推理 110 习题3 111 第4章 智能搜索技术 115 4.1 搜索概述 115 4.1.1 搜索的含义 115 4.1.2 状态空间问题求解方法 116 4.1.3 问题归约求解方法 119 4.1.4 进化搜索法概述 122 4.2 状态空间的启发式搜索 125 4.2.1 启发性信息和估价函数 125 4.2.2 A算法 126 4.2.3 A*算法 128 4.2.4 A*算法应用举例 132 4.3 与/或树的启发式搜索 133 4.3.1 解树的代价与希望树 133 4.3.2 与/或树的启发式搜索过程 135 4.4 博弈树的启发式搜索 136 4.4.1 概述 136 4.4.2 极大/极小过程 137 4.4.3 α-β剪枝 138 4.5 遗传算法 139 4.5.1 遗传算法中的基本概念 139 4.5.2 遗传算法的基本过程 139 4.5.3 遗传编码 140 4.5.4 适应度函数 142 4.5.5 基本遗传操作 143 4.5.6 遗传算法应用简例 148 习题4 151 第5章 机器学习 153 5.1 机器学习概述 153 5.1.1 学习的概念 153 5.1.2 机器学习的概念 154 5.1.3 机器学习系统的基本模型 156 5.2 记忆学习 157 5.3 示例学习 158 5.3.1 示例学习的类型 159 5.3.2 示例学习的模型 159 5.3.3 示例学习的归纳方法 161 5.4 决策树学习 162 5.4.1 决策树的概念 162 5.4.2 ID3算法 163 5.5 统计学习 169 5.5.1 小样本统计学习理论 169 5.5.2 支持向量机 171 5.6 集成学习 176 5.6.1 集成学习概述 176 5.6.2 AdaBoost算法 178 5.6.3 Bagging算法 184 5.7 粗糙集知识发现 185 5.7.1 粗糙集概述 185 5.7.2 粗糙集的基本理论 186 5.7.3 决策表的约简 188 习题5 192 第6章 人工神经网络与连接学习 194 6.1 概述 194 6.1.1 人工神经网络概述 194 6.1.2 连接学习概述 195 6.2 人工神经网络的生物机理 195 6.2.1 人脑神经元的结构及功能 196 6.2.2 学习的神经机理 198 6.3 人工神经元及人工神经网络的结构 200 6.3.1 人工神经元的结构及模型 200 6.3.2 人工神经网络的互连结构 202 6.4 人工神经网络的浅层模型 203 6.4.1 感知器模型 203 6.4.2 BP网络模型 206 6.4.3 Hopfield网络模型 207 6.5 深层神经网络模型 208 6.5.1 深度卷积神经网络 208 6.5.2 深度波尔茨曼机与深度信念网络 210 6.6 浅层连接学习 211 6.6.1 连接学习规则 211 6.6.2 感知器学习 213 6.6.3 BP网络学习 215 6.6.4 Hopfield网络学习 221 6.7 深度学习 224 6.7.1 深度学习概述 224 6.7.2 深度卷积神经网络学习 226 6.7.3 卷积神经网络学习的经典模型LeNet5 234 习题6 237 第7章 分布智能 239 7.1 分布智能概述 239 7.1.1 分布智能的概念 239 7.1.2 分布式问题求解 240 7.1.3 多Agent系统 241 7.2 Agent的结构 243 7.2.1 Agent的机理 243 7.2.2 反应Agent的结构