《人工智能》主要介紹人工智能的基本理論、技術及其應用。全書共分為9章，前五章系統地介紹人工智能的基本內容，后四章簡要地介紹當前人工智能的幾個主要研究領域。其中，第2章到第5章是本書的重點，各章都是在知識表示技術的基礎上介紹相應的問題求解技術；第6章到第9章是擴展部分，對本科生來說，內容略有難度，可根據具體情況在章節和內容層次上進行選擇。
本書主要面向計算機科學與技術、軟件工程、自動化控制及系統工程等專業本科生，也可以作為相關專業研究生教材或參考書，以及科研人員和愛好者自學的指導書。
出版者的話
叢書序言
叢書編委會
前言
教學建議
第1章 緒論
1.1 什么是人工智能
1.1.1 人工智能
1.1.2 智能
1.1.3 人工智能的測試
1.2 人工智能的研究內容
1.2.1 學科結構
1.2.2 基本技術
1.2.3 基本內容
1.3 人工智能的研究目標
1.4 人工智能的研究途徑和方法
1.4.1 傳統劃分方法
1.4.2 現代劃分方法
1.5 人工智能的研究領域
1.5.1 博弈
1.5.2 自動定理證明
1.5.3 專家系統
1.5.4 模式識別
1.5.5 機器學習
1.5.6 計算智能
1.5.7 自然語言處理
1.5.8 分布式人工智能
1.5.9 機器人
1.6 人工智能的發展概況
1.6.1 誕生
1.6.2 發展
1.6.3 現狀與發展趨勢
習題
第2章 基于圖的知識表示與圖搜索技術
2.1 概述
2.1.1 知識與問題求解框架
2.1.2 知識表示
2.1.3 圖搜索技術
2.2 狀態空間圖表示
2.2.1 狀態空間圖
2.2.2 隱式狀態空間圖
2.3 狀態空間圖的盲目搜索
2.3.1 廣度優先搜索
2.3.2 深度優先搜索
2.4 狀態空間圖的啟發式搜索
2.4.1 啟發式搜索算法
2.4.2 啟發式搜索的A算法和A?算法
2.4.3 A?算法在游戲中的應用
2.5 與或圖表示及搜索技術
2.5.1 與或圖表示
2.5.2 與或樹的盲目搜索
2.5.3 與或樹的啟發式搜索
2.6 博弈樹及搜索技術
2.6.1 博弈樹
2.6.2 博弈樹搜索
2.6.3 剪枝技術在博弈問題中的應用
習題
第3章 基于謂詞邏輯的知識表示與機器推理技術
3.1 機器推理概述
3.2 謂詞邏輯簡介
3.2.1 基于命題邏輯的知識表示
3.2.2 謂詞邏輯
3.2.3 基于謂詞邏輯的知識表示
3.3 自然演繹推理
3.4 歸結演繹推理
3.4.1 子句集
3.4.2 命題邏輯中的歸結原理
3.4.3 替換與合一
3.4.4 謂詞邏輯中的歸結原理
3.4.5 利用歸結原理求解問題
3.4.6 歸結策略
3.5 歸結原理與Prolog語言
3.5.1 Horn子句
3.5.2 邏輯程序設計語言Prolog
3.6 基于規則的演繹推理
3.6.1 正向演繹推理
3.6.2 反向演繹推理
3.6.3 雙向演繹推理
習題
第4章 不確定性知識的表示與推理技術
4.1 不確定性知識的表示與推理概述
4.1.1 不確定性及其類型
4.1.2 不確定性推理
4.2 確定性理論
4.2.1 知識的不確定性表示
4.2.2 證據的不確定性表示
4.2.3 不確定性的傳播與計算
4.2.4 確定性理論的特點及進一步發展
4.3 主觀貝葉斯方法
4.3.1 知識的不確定性表示
4.3.2 證據的不確定性表示
4.3.3 不確定性的傳播與計算
4.3.4 主觀貝葉斯方法的特點
4.4 證據理論
4.4.1 D-S理論
4.4.2 證據理論的不確定性推理模型
4.5 基于貝葉斯網絡的推理
4.5.1 什么是貝葉斯網絡
4.5.2 貝葉斯網絡推理
4.6 模糊推理
4.6.1 模糊集合及模糊邏輯
4.6.2 簡單模糊推理
4.7 不確定性推理的應用
習題
第5章 產生式表示與專家系統
5.1 產生式與產生式系統
5.1.1 產生式表示
5.1.2 產生式系統結構
5.1.3 產生式系統工作過程
5.2 專家系統概述
5.2.1 什么是專家系統
5.2.2 專家系統的類型
5.2.3 專家系統的發展
5.3 專家系統結構及工作過程
5.3.1 專家系統的結構
5.3.2 專家系統工作過程
5.4 專家系統的開發
5.4.1 開發步驟和方法
5.4.2 知識獲取
5.4.3 推理機及解釋機構設計
5.4.4 開發工具及開發環境
5.5 專家系統的實例
5.6 新型專家系統
5.6.1 分布式專家系統
5.6.2 協同式專家系統
5.6.3 模糊專家系統
5.6.4 神經網絡專家系統
習題
第6章 機器學習
6.1 概述
6.1.1 機器學習的定義
6.1.2 機器學習系統的基本結構
6.1.3 一個學習系統的例子
6.2 概念學習
6.2.1 概念學習的FIND-S算法
6.2.2 FIND-S算法實例
6.3 決策樹
6.3.1 決策樹的表示
6.3.2 決策樹的學習--ID3算法
6.3.3 ID3算法實例
6.4 人工神經網絡
6.4.1 感知器
6.4.2 線性單元
6.4.3 多層網絡和反向傳播算法
6.4.4 反向傳播算法實例
6.5 遺傳算法
6.5.1 遺傳算法模型
6.5.2 遺傳算法實例
6.5.3 遺傳編程
6.5.4 遺傳編程舉例
習題
第7章 計算智能
7.1 人工免疫算法
7.1.1 自然免疫系統
7.1.2 人工免疫算法模型
7.1.3 人工免疫算法的應用
7.2 蟻群算法
7.2.1 螞蟻系統的原理
7.2.2 蟻群算法模型
7.2.3 蟻群算法的應用
7.3 粒子群算法
7.3.1 粒子群系統
7.3.2 粒子群算法模型
7.3.3 粒子群算法的應用
7.4 模擬退火算法
7.4.1 固體退火過程
7.4.2 模擬退火算法模型
7.4.3 模擬退火算法的應用
習題
第8章 自然語言處理
8.1 概述
8.1.1 自然語言的特點
8.1.2 自然語言處理涉及的層次
8.2 詞法分析
8.2.1 英語中詞的識別
8.2.2 漢語分詞
8.3 句法分析
8.3.1 短語結構語法
8.3.2 依存語法
8.4 語義分析
8.4.1 詞義消歧
8.4.2 語義角色標注
8.5 語言知識庫
8.5.1 現代漢語語法信息詞典
8.5.2 知網
8.5.3 現代漢語虛詞用法知識庫
8.6 自然語言處理的應用
8.6.1 機器翻譯
8.6.2 信息檢索
習題
第9章 分布式人工智能及其應用
9.1 DAI的特點
9.1.1 Agent及其特性
9.1.2 Agent分類
9.1.3 Agent的BDI模型
9.1.4 Agent聯盟
9.1.5 DAI系統特性
9.2 多Agent系統
9.2.1 多Agent系統分類
9.2.2 Agent的學習
9.2.3 多Agent通信
9.3 分布式問題求解
9.3.1 多Agent聯合求解過程
9.3.2 合同網
9.4 并行人工智能
9.4.1 并行人工智能的軟件支持
9.4.2 并行人工智能的硬件支持
9.5 分布式人工智能的應用
9.5.1 多Agent在軍事作戰指揮系統中的應用
9.5.2 多Agent在智能交通中的應用
9.5.3 多Agent在智能大廈中的應用
習題
實驗指導
基礎實驗部分
實驗一 求解八數碼問題
實驗二 使用極小極大分析方法實現井字棋游戲
實驗三 實現基于謂詞邏輯的歸結原理
實驗四 實現一個基于產生式系統的小型專家系統
擴展實驗部分
參考文獻
新書資訊