本書系統地闡述了人工智能的基本原理、實現技術及其應用，全面地反映了國內外人工智能研究領域的新進展和發展方向。全書共19章，分為4個部分：第1部分是搜索與問題求解，用8章的篇幅系統地敘述了人工智能中各種搜索方法求解的原理和方法，內容包括狀態空間和傳統的圖搜索算法、和聲算法、禁忌搜索算法、遺傳算法、免疫算法、粒子群算法、蟻群算法和Agent技術等；第2部分為知識與推理，用4章的篇幅討論各種知識表示和處理技術、各種典型的推理技術，還包括非經典邏輯推理技術和非協調邏輯推理技術；第3部分為學習與發現，用3章的篇幅討論傳統的機器學習算法、神經網絡學習算法、數據挖掘和知識發現技術；第4部分為領域應用，用3章分別討論專家系統開發技術和自然語言處理原理和方法。
這些內容能夠使讀者對人工智能的基本概念和人工智能系統的構造方法有一個比較清楚的認識，對人工智能研究領域里的*新成果有所了解。
本書強調先進性、實用性和可讀性，可作為計算機、信息處理、自動化和電信等IT相關專業的高年級本科生和研究生學習人工智能的教材，也可供從事計算機科學研究、開發和應用的教學和科研人員參考。
本書參考了許多較新的國外同類教材和其他文獻，力圖保持新穎性和實用性，強調基本概念和基本觀點，注重理論和實際相結合，配備有大量輔助教學的演示實例及推理系統。
本書作為大學本科學習人工智能的教科書,雖然內容較多,但可以選擇一些基本內容，如問題求解、知識表達、推理等基本方法與技術、數據挖掘技術等進行講授。本書也可以作為研究生教材和計算機專業工作者了解人工智能的自學用書。
人工智能作為研究機器智能和智能機器的一門綜合性高技術學科，產生于20世紀50年代，曾經在20世紀末經歷了一個轟轟烈烈的研究和發展時期，并且取得過不少令人鼓舞的成就，至今它仍然是計算機科學中備受人們重視和非常具有吸引力的前沿學科，并不斷衍生出很多新的研究方向。
使計算機程序具有智能，能夠模擬人的思維和行為，一直是計算機科學工作者的理想和追求。盡管人工智能的發展道路崎嶇不平，自始至終充滿了艱辛，但不畏艱難地從事人工智能研究的科學工作者們并沒有放棄對這個理想的追求；盡管計算機科學其他分支的發展也非常迅猛，并不斷出現些新的學科領域，但是當這些學科的發展進一步深化的時候，人們不會忘記這樣一個共同的目標：要使計算機更加智能化。所以不同知識背景和專業的人們都密切關注人工智能這門具有嶄新思想和實用價值的綜合性學科，并正從這個領域發現某些新思想和新方法。
人工智能的研究范疇不只局限于計算機科學和技術，而是涉及心理學、認知科學、思維科學、信息科學、系統科學和生物科學等多個學科，目前已在知識處理、模式識別、自然語言處理、博弈、自動定理證明、自動程序設計、專家系統、知識庫、智能機器人、智能計算、數據挖掘和知識發現等多個領域取得了舉世矚目的成果，并形成了多元化的發展方向。近幾年來，隨著計算機網絡，尤其是Internet的發展，多媒體、分布式人工智能和開放分布式環境下的多智體（multiagent）以及知識挖掘等計算機主流技術的興起，使得人工智能研究更加活躍，拓寬了其研究和應用的領域，正朝著健康和成熟的方向發展。
然而，也必須看到盡管人工智能取得了以上所述的許多成果，但是比起人工智能剛剛興起時許多專家的預想還相差甚遠，很多在當時過于樂觀的設想并沒有實現，探究其原因也許要追溯到目前人類對自身的思維規律和智能行為研究仍然處于探索階段，因此，人工智能研究要比這些專家的預想艱難、復雜得多。甚至到今天，對機器能否實現智能仍有爭論。這種狀況正如Lovelace女士一百多年前曾經說過的：
在考慮任何新穎課題時，常常存在一種傾向，先是過高估計已發現是有趣或值得注意的東西。接著，當發現所研究的概念已超過曾一度保持不變的那些概念時，作為一種自然的反應，就會過低估計該事件的真實狀況。
因此，我們必須清楚地認識到：人工智能研究道路的曲折和艱難以及許多尖銳的爭論并不表明人工智能學科沒有前景，它只是向我們表明理解人類認知和智能的機制，探索“智力的形成”是人類面臨的最困難、最復雜的課題之一。擺在人工智能學科面前的任務是極其艱巨和復雜的，這需要廣大的計算機科學工作者不畏艱難，勇于探索，辛勤耕耘，共同開創人工智能發展的美好未來。
本書系統地闡述了人工智能的基本原理、實現技術及其應用，全面地反映了國內外人工智能研究領域的最新進展和發展方向。全書共19章，分為4個部分。第1部分是搜索與問題求解，用8章的篇幅系統地敘述了人工智能中用各種搜索方法求解的原理和方法，內容包括狀態空間和傳統的圖搜索算法、和聲算法、禁忌搜索算法、遺傳算法、免疫算法、粒子群算法、蟻群算法和Agent技術等；第2部分為知識與推理，用4章的篇幅討論各種知識表示和處理技術、各種典型的推理技術，還包括非經典邏輯推理技術和非協調邏輯推理技術；第3部分為學習與發現，用3章的篇幅討論傳統的機器學習算法、神經網絡學習算法、數據挖掘和知識發現技術；第4部分為領域應用，用3章分別討論專家系統開發技術和自然語言處理原理和方法以及智能機器人技術。
本書參考了許多較新的國外同類教材和其他文獻，力求保持新穎性和實用性，強調基本概念和基本觀點，注重理論和實際相結合，配備有大量輔助教學的演示實例及推理系統。
本書作為大學本科學習人工智能的教科書,雖然內容較多,但可以選擇一些基本內容，如問題求解、知識表達、推理等基本方法與技術以及數據挖掘技術等進行講授。本書也可以作為研究生教材和計算機專業工作者了解人工智能的自學用書。
作者在編寫本書時經過了漫長的總結經驗和收集意見的過程，并與若干老師和同事合作編寫了多種同類教材，得到了他們大量的幫助，在此向這些老師和同事表示衷心的感謝。
在本書的編寫過程中,作者參考了劉娟博士、金濤博士的博士論文,在編寫和搜集資料方面還得到了朱三元、粟藩臣、金敏、楊云水、操郡、朱煒、王丁彬、李珂、賀亢、陳杰、方博、何淼、劉巖、林仁富、黃一釗、劉思等博士和碩士研究生的大力支持，在此向他們表示衷心感謝。
由于水平所限，書中難免存在不足之處，懇請讀者批評指正，使本書得以改進和完善。
作者
2016年10月于漢口學院
第1章概述
1.1人工智能概述
1.2AI的產生及主要學派
1.3人工智能、專家系統和知識工程
1.4AI模擬智能成功的標準
1.5人工智能應用系統
1.6人工智能的技術特征
習題1
第1部分搜索與問題求解
第2章用搜索求解問題的基本原理
2.1搜索求解問題的基本思路
2.2實現搜索過程的三大要素
2.2.1搜索對象
2.2.2擴展規則
2.2.3目標測試
2.3通過搜索求解問題
2.4問題特征分析
2.4.1問題的可分解性
2.4.2問題求解步驟的撤回
2.4.3問題全域的可預測性
2.4.4問題要求的解的滿意度
習題2
第3章搜索的基本策略
3.1盲目搜索方法
3.1.1寬度優先搜索
3.1.2深度優先搜索
3.1.3分支有界搜索
3.1.4迭代加深搜索
3.1.5一個盲目搜索問題的幾種實現
3.2啟發式搜索
3.2.1啟發式信息的表示
3.2.2幾種最基本的搜索策略
3.3隨機搜索
3.3.1模擬退火法
3.3.2其他典型的隨機搜索算法
習題3
第4章圖搜索策略
4.1或圖搜索策略
4.1.1通用或圖搜索算法
4.1.2A算法與A*算法
4.2與/或圖搜索
4.2.1問題歸約求解方法與“與/或圖”
4.2.2與/或圖搜索
4.2.3與/或圖搜索的特點
4.2.4與/或圖搜索算法AO*
4.2.5對AO*算法的進一步觀察
4.2.6用AO*算法求解一個智力難題
習題4
第5章博弈與搜索
5.1人機大戰
5.1.1國際象棋人機大戰
5.1.2圍棋人機大戰
5.2博弈與對策
5.3極小極大搜索算法
5.3.1極小極大搜索的思想
5.3.2極小極大搜索算法
5.3.3算法分析與舉例
5.4α-β剪枝算法
習題5
第6章演化搜索算法
6.1遺傳算法的基本概念
6.1.1遺傳算法的基本定義
6.1.2遺傳算法的基本流程
6.2遺傳編碼
6.2.1二進制編碼
6.2.2Gray編碼
6.2.3實數編碼
6.2.4有序編碼
6.2.5結構式編碼
6.3適應值函數
6.4遺傳操作
6.4.1選擇
6.4.2交叉操作
6.4.3變異操作
6.5初始化群體
6.6控制參數的選取
6.7算法的終止準則
6.8遺傳算法的基本理論
6.8.1模式定理
6.8.2隱含并行性
6.8.3構造塊假設
6.8.4遺傳算法的收斂性
6.9遺傳算法簡例
6.10遺傳算法的應用領域
6.11免疫算法
6.11.1免疫算法的發展
6.11.2免疫算法的基本原理
6.11.3生物免疫系統與人工免疫系統的對應關系
6.11.4免疫算法的基本類型和步驟
6.12典型免疫算法分析
6.12.1陰性選擇算法
6.12.2免疫遺傳算法
6.12.3克隆選擇算法
6.12.4基于疫苗的免疫算法
6.13免疫算法設計分析
6.14免疫算法與遺傳算法比較
6.14.1免疫算法與遺傳算法的基本步驟比較
6.14.2免疫算法與遺傳算法不同之處
6.14.3仿真實驗及討論
6.15免疫算法研究的展望
習題6
第7章群集智能算法
7.1群集智能算法的研究背景
7.2群集智能的基本算法介紹
7.2.1蟻群算法
7.2.2flock算法
7.2.3粒子群算法
7.3集智系統介紹
7.3.1人工魚
7.3.2Terrarium世界
7.4群集智能的優缺點
習題7
第8章記憶型搜索算法
8.1禁忌搜索算法
8.1.1禁忌搜索算法的基本思想
8.1.2禁忌搜索算法的基本流程
8.1.3禁忌搜索示例
8.1.4禁忌搜索算法的基本要素分析
8.1.5禁忌搜索算法流程的特點
8.1.6禁忌搜索算法的改進
8.2和聲搜索算法
8.2.1和聲搜索算法簡介和原理
8.2.2算法應用
8.2.3算法比較與分析
習題8
第9章基于Agent的搜索
9.1DAI概述
9.2分布式問題求解
9.3Agent的定義
9.3.1Agent的弱定義
9.3.2Agent的強定義
9.4Agent的分類
9.4.1按功能劃分
9.4.2按屬性劃分
9.5Agent通信
9.5.1Agent通信概述
9.5.2言語動作
9.5.3SHADE通信機制
9.6移動Agent
9.6.1移動Agent系統的一般結構
9.6.2移動Agent的分類
9.6.3移動Agent的優點
9.6.4移動Agent的技術難點
9.6.5移動Agent技術的標準化
9.7移動Agent平臺的介紹
9.7.1General Magic公司的Odysses
9.7.2IBM公司的Aglet
習題9
第2部分知識與推理
第10章知識表示與處理方法
10.1概述
10.1.1知識和知識表示的含義
10.1.2知識表示方法分類
10.1.3AI對知識表示方法的要求
10.1.4知識表示要注意的問題
10.2邏輯表示法
10.3產生式表示法
10.3.1產生式系統的組成
10.3.2產生式系統的知識表示
10.3.3產生式系統的推理方式
10.3.4產生式規則的選擇與匹配
10.3.5產生式表示的特點
10.4語義網絡表示法
10.4.1語義網絡結構
10.4.2二元語義網絡的表示
10.4.3多元語義網絡的表示
10.4.4連接詞和量詞的表示
10.4.5語義網絡的推理過程
10.4.6語義網絡的一般描述
10.5框架表示法
10.5.1框架理論
10.5.2框架結構
10.5.3框架表示下的推理
10.6過程式知識表示
習題10
第11章謂詞邏輯的歸結原理及其應用
11.1命題演算的歸結方法
11.1.1基本概念
11.1.2命題演算的歸結方法
11.2謂詞演算的歸結
11.2.1謂詞演算的基本問題
11.2.2將公式化成標準子句形式的步驟
11.2.3合一算法
11.2.4變量分離標準化
11.2.5謂詞演算的歸結算法
11.3歸結原理
11.3.1謂詞演算的基本概念
11.3.2歸結方法可靠性證明
11.3.3歸結方法的完備性
11.4歸結過程的控制策略
11.4.1簡化策略
11.4.2支撐集策略
11.4.3線性輸入策略
11.4.4幾種推理規則及其應用
11.5應用實例
11.5.1歸約在邏輯電路設計中的應用
11.5.2利用推理破案的實例
習題11
第12章非經典邏輯的推理
12.1非單調推理
12.1.1單調推理與非單調推理的概念
12.1.2默認邏輯
12.1.3默認邏輯非單調推理系統
12.2DempsterShater（DS）證據理論
12.2.1識別框架
12.2.2基本概率分配函數
12.2.3置信函數Bel(A)
12.2.4置信區間
12.2.5證據的組合函數
12.2.6DS理論的評價
12.3不確定性推理
12.3.1不確定性
12.3.2主觀概率貝葉斯方法
12.4MYCIN系統的推理模型
12.4.1理論和實際的背景
12.4.2MYCIN模型
12.4.3MYCIN模型分析
12.4.4MYCIN推理網絡的基本模式
12.4.5MYCIN推理模型的評價
12.5模糊推理
12.5.1模糊集論與模糊邏輯
12.5.2Fuzzy聚類分析
12.6基于案例的推理
12.6.1基于案例推理的基本思想
12.6.2案例的表示與組織
12.6.3案例的檢索
12.6.4案例的改寫
12.7歸納法推理
12.7.1歸納法推理的理論基礎
12.7.2歸納法推理的基本概念
12.7.3歸納法推理中的主要難點
12.7.4歸納法推理的應用
習題12
第13章次協調邏輯推理
13.1次協調邏輯的含義
13.1.1傳統的人工智能與經典邏輯
13.1.2人工智能中不協調的數據和知識庫
13.1.3次協調邏輯
13.2注解謂詞演算
13.2.1多真值格
13.2.2注解邏輯
13.2.3注解謂詞公式的語義
13.2.4APC中的不協調、非、蘊涵
13.3基于APC的SLDa推導和SLDa反駁
13.3.1SLDa推導和SLDa反駁
13.3.2注解邏輯推理方法
13.3.3注解邏輯推理舉例
13.4注解邏輯的歸結原理
13.5應用實例
13.6控制策略
習題13
第3部分學習與發現
第14章機器學習
14.1概述
14.1.1機器學習的定義和意義
14.1.2機器學習的研究簡史
14.1.3機器學習方法的分類
14.1.4機器學習中的推理方法
14.2歸納學習
14.2.1歸納概念學習的定義
14.2.2歸納概念學習的形式描述
14.2.3歸納概念學習算法的一般步驟
14.2.4歸納概念學習的基本技術
14.3基于解釋的學習
14.3.1基于解釋學習的基本原理
14.3.2基于解釋學習的一般框架
14.3.3基于解釋的學習過程
14.4基于類比的學習
14.4.1類比學習的一般原理
14.4.2類比學習的表示
14.4.3類比學習的求解
14.4.4逐步推理和監控的類比學習
習題14
第15章人工神經網絡
15.1人工神經網絡的特點
15.2人工神經網絡的基本原理
15.3人工神經網絡的基本結構模式
15.4人工神經網絡互連結構
15.5神經網絡模型分類
15.6幾種基本的神經網絡學習算法介紹
15.6.1Hebb型學習
15.6.2誤差修正學習方法
15.6.3隨機型學習
15.6.4競爭型學習
15.6.5基于記憶的學習
15.6.6結構修正學習
15.7幾種典型神經網絡簡介
15.7.1單層前向網絡
15.7.2多層前向網絡及BP學習算法
15.7.3Hopfield神經網絡
15.8人工神經網絡與人工智能其他技術的比較
15.9人工神經網絡的應用領域
習題15
第16章數據挖掘與知識發現
第17章專家系統
第18章自然語言處理
第19章智能機器人
第3章
搜索的基本策略
本章主要討論搜索的基本策略，即怎樣搜索才可以最有效地達到目標。搜索的基本策略根據擴展的利用問題的特征信息的方式可分為盲目搜索、啟發式搜索和隨機搜索。如果沒有利用問題的特征信息，一般的搜索方式與平時找東西在策略上可以說是相同的：
當我們在慌亂之中尋找東西的時候通常使用的就是隨機搜索。
當我們在清醒時，有條理地尋找東西的方法大致可以分成兩類： 一種是找眼鏡模式，它指的是眼鏡掉了的時候總是從最近的地方開始尋找，慢慢地擴大搜索的范圍； 另一種是走迷宮模式，它指的是在走迷宮的時候由于無法分身只有一條路走到底，走不通再回溯的走法。
這3種方法分別對應的就是隨機搜索、廣度搜索和深度搜索。
下面按是否利用問題的特征信息劃分搜索策略的方法，討論盲目搜索、啟發式搜索和隨機搜索。
3.1盲目搜索方法
盲目搜索方法又叫非啟發式搜索，是一種無信息搜索（uninformed search），一般只適用于求解比較簡單的問題。下面將要討論的幾個搜索方法，它們均屬于盲目搜索方法，雖然其他課程也討論類似的算法，但我們要注重在這里的算法表達方法。
3.1.1寬度優先搜索
在一個搜索樹中，如果搜索是以同層鄰近節點依次擴展節點的，那么這種搜索就叫寬度優先搜索（breathfirst search）。這種搜索是逐層進行的，在對下一層的任一節點進行搜索之前，必須搜索完本層的所有節點。
在本節討論的盲目搜索算法中存放節點都采用一種簡單的數據結構——表，表是將節點按一定的順序用逗號隔開放在一對括號中的一種數據結構，在表的首部和尾部都可以加入和刪除節點。
寬度優先搜索算法如下。
（1） 令N為一個由初始狀態構成的表。
�。�2） 若N為空退出，標志失敗。
（3） 令n為N中第一個節點，將n從N中刪除。
（4） 若n是目標，則退出，標志成功。
�。�5） 若n不是目標，將n的后繼節點加入到N表的末端，轉第（2）步。
寬度優先搜索的優點： 若問題有解，則可找出最優解。缺點： 效率低，組合爆炸問題難以解決。
3.1.2深度優先搜索
與寬度優先搜索對應的一種盲目搜索叫做深度優先搜索(depthfirst search)。在深度優先搜索中，首先擴展最新產生的（即最深的）節點到表中。深度相等的節點可以任意排列。
深度優先搜索算法如下。
（1） 令N為一個由初始狀態構成的表。
�。�2） 若N為空退出，標志失敗。
�。�3） 令n為N中第一個節點，將n從N中刪除。
（4） 若n是目標，則退出，標志成功。
（5） 若n不是目標，將n的后繼節點加入到N表的首部，轉第（2）步。
深度優先搜索的優點： 節省大量時間和空間。缺點： 不一定能找到解。因為在深度無限搜索樹的情況下，最壞的情況可能是不能停機。
廣度和深度優先搜索雖然在搜索的策略上走了兩個極端，但是它們在控制策略上的差異并不大。它們大都假設以隊列作為數據結構，每次選隊列的第一個節點進行拓展。廣度和深度優先搜索的區別在于： 廣度優先搜索把結果存在隊列的尾部； 而深度優先搜索則是把它存在首部，只有一字之差。
3.1.3分支有界搜索
分支有界搜索（branchandbound）也是一種深度優先搜索，但每個分支都規定了一個統一的搜索深度，搜索到這個深度后，如果沒有找到目標便自動退回到上一層，繼續按深度優先搜索。其算法如下。
�。�1） 令N為一由初始狀態構成的表。
（2） 若N為空退出，標志失敗。
（3） 令n為N中第一個節點，將n從N中刪除。
�。�4） 若n是目標，則退出，標志成功。
�。�5） 若n深度為預先定好的一個界dmax，則轉第（2）步。
�。�6） 若n不是目標，將n的后繼節點加入到N表的首部，轉第（2）步。
此方法若被搜索樹的深度遠大于目標點的深度，則快于深度優先搜索。
3.1.4迭代加深搜索
迭代加深搜索（iterative deepening）是在分支有界搜索的基礎上，對dmax進行迭代，即逐步加深。這是一種同時兼顧深度和寬度的搜索方法。在限定的深度內，保證了對寬度節點的搜索，如果沒有找到解，再加深深度。
3.1.5一個盲目搜索問題的幾種實現
這里給出一個簡單的盲目搜索問題： 對于中國象棋，如果“馬”（棋子的名稱）當前所在位置是(x,y)，它跳一步可能到達的位置最多有8個，如圖31所示。
要求設計一個算法，對于任意給定的棋盤上的坐標位置tp，輸出馬從當前位置cp出發通過搜索到達的該坐標位置tp。
……
新書資訊