人工智能基礎教程(第二版)（簡體書）

《人工智能基礎教程(第2版)》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。《人工智能基礎教程(第2版)》共18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2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最新成果有所了解。
《人工智能基礎教程(第2版)》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。

第1章 概述
1.1 人工智能概述
1.2 ai的產生及主要學派
1.3 人工智能、專家系統和知識工程
1.4 ai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
4.1.2 a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 博弈與對策
5.2 極小極大搜索算法
5.2.1 極小極大搜索的思想
5.2.2 極小極大搜索算法
5.2.3 算法分析與舉例
5.3 α-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
6.2.2 gray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
6.1 0遺傳算法的應用領域
6.1 1免疫算法
6.1 1.1 免疫算法的發展
6.1 1.2 免疫算法的基本原理
6.1 1.3 生物免疫系統與人工免疫系統對應關系
6.1 1.4 免疫算法的基本類型和步驟
6.1 2典型免疫算法分析
6.1 2.1 陰性選擇算法
6.1 2.2 免疫遺傳算法
6.1 2.3 克隆選擇算法
6.1 2.4 基于疫苗的免疫算法
6.1 3免疫算法設計分析
6.1 4免疫算法與遺傳算法比較
6.1 4.1 免疫算法與遺傳算法的基本步驟比較
6.1 4.2 免疫算法與遺傳算法不同之處
6.1 4.3 仿真實驗及討論
6.1 5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
7.2.2 flock算法
7.2.3 粒子群算法
7.3 集智系統介紹
7.3.1 人工魚
7.3.2 terrarium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
9.1 dai概述
9.2 分布式問題求解
9.3 agent的定義
9.3.1 agent的弱定義
9.3.2 agent的強定義
9.4 agent的分類
9.4.1 按功能劃分
9.4.2 按屬性劃分
9.5 agent通信
9.5.1 agent通信概述
9.5.2 言語動作
9.5.3 shade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
9.7.1 generalmagic公司的odysses
9.7.2 ibm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
10.1.3 ai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tms
12.2 dempstershater（ds）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
12.2.6 ds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
12.4 mycin系統的推理模型
12.4.1 理論和實際的背景
12.4.2 mycin模型
12.4.3 mycin模型分析
12.4.4 mycin推理網絡的基本模式
12.4.5 mycin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
12.5.2 fuzzy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
13.2.4 apc中的不協調、非、蘊含
13.3 基于apc的slda-推導和slda-反駁
13.3.1 slda-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
15.6.1 hebb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
15.7.3 hopfield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
16.1 數據挖掘
16.1.1 數據挖掘的定義與發展
16.1.2 數據挖掘研究的主要內容
16.1.3 數據挖掘的特點
16.1.4 數據挖掘的分類
16.1.5 數據挖掘常用的技術
16.1.6 數據挖掘過程
16.1.7 數據挖掘研究面臨的困難
16.1.8 關聯規則挖掘
16.1.9 聚類分析
16.2 web挖掘
16.2.1 web挖掘概述
16.2.2 web內容挖掘
16.2.3 web結構挖掘
16.2.4 web使用挖掘
16.2.5 web數據挖掘的技術難點
16.2.6 xml與web數據挖掘技術
16.3 文本挖掘
16.3.1 文本挖掘的概念
16.3.2 文本挖掘預處理
16.3.3 文本挖掘的關鍵技術
16.3.4 文本挖掘系統的評價標準
習題16
第4部分領域應用

第17章 專家系統
17.1 專家系統概述
17.1.1 專家系統的定義
17.1.2 專家系統的結構
17.1.3 專家系統的特點
17.1.4 專家系統的類型
17.1.5 幾個成功的專家系統簡介
17.2 專家系統中的知識獲取
17.2.1 概述
17.2.2 知識獲取的直接方法
17.2.3 知識獲取的新進展
17.3 專家系統的解釋機制
17.3.1 預制文本解釋法
17.3.2 路徑跟蹤解釋法
17.3.3 自動程序員解釋法
17.3.4 策略解釋法
17.4 專家系統開發工具與環境
17.4.1 專家系統開發工具的基本概念
17.4.2 專家系統工具jess
17.4.3 jess中的rete匹配算法和逆向推理機制
17.5 專家系統開發
17.5.1 專家系統開發的步驟
17.5.2 專家系統開發方法
17.6 專家系統開發實例
17.6.1 動物識別專家系統
17.6.2 mycin專家系統
習題17

第18章 自然語言處理
18.1 語言的組成
18.1.1 自然語言的基本要素
18.1.2 實詞和虛詞
18.1.3 短語結構
18.2 上下文無關語法
18.2.1 重寫規則
18.2.2 語法分析
18.3 上下文無關語法分析
18.3.1 產生后繼狀態的算法
18.3.2 利用詞典
18.3.3 建立語法分析樹
18.4 特殊語法的分析
18.4.1 引進特征
18.4.2 特征匹配
18.5 利用圖表的高效語法分析
18.5.1 chart數據結構
18.5.2 有多種解釋的句子
18.6 語義解釋
18.6.1 詞的意思
18.6.2 利用特征的語義解釋
18.6.3 詞義排歧
18.7 生成自然語言
18.8 在上下文中的自然語言
18.8.1 言語的行為
18.8.2 創建引用
18.8.3 處理數據庫的斷言和問題
習題18
參考文獻