人工智能基础：模型与算法

理论和实践的紧密结合是人工智能领域的显著特点。为了降低初学者的学习门槛，引导初学者了解人工智能的基本概念，以实际应用促进感性认知，作者编写了本书。本书旨在打造一本体系完整、算法突出和教学资源丰富的人工智能教材，可帮助读者掌握人工智能知识的脉络体系，从算法和模型等方面了解人工智能具能、使能和赋能的原理。全书共8章，书中附有习题和编程题目。 本书紧跟人工智能技术动态，选取了人工智能中的典型应用案例，兼顾通识与技能，具有很强的可操作性和实用性。本书既可作为人工智能专业和计算机类相关专业本科生的基础导论课程教材，也可作为其他学科研究人员学习人工智能技术的参考用书。

目 录 第1章 绪论 1 1.1 人工智能的基本概念和特征 1 1.2 人工智能的发展历史 4 1.3 人工智能的三大流派及其发展 13 本章小结 17 习题 17 第2章 知识表示 18 2.1 知识与知识表示的概念 18 2.1.1 知识 18 2.1.2 知识表示 21 2.2 一阶谓词逻辑表示法 23 2.2.1 命题 23 2.2.2 知识的谓词逻辑表示法 26 2.2.3 一阶谓词逻辑表示法的特点 28 2.3 产生式表示法 28 2.3.1 产生式的基本形式 28 2.3.2 产生式系统 29 2.3.3 产生式系统推理 31 2.3.4 产生式表示法评价 32 2.4 框架表示法 33 2.4.1 框架结构 33 2.4.2 常用的槽名 35 2.4.3 框架系统的推理 37 2.4.4 框架表示法的特点 37 2.5 脚本表示法 38 2.5.1 概念依存理论 38 2.5.2 脚本的结构 39 2.5.3 脚本的推理 40 2.5.4 脚本表示法的特点 41 2.6 过程表示法 41 2.6.1 知识表示方法及过程规则 41 2.6.2 过程表示的问题求解过程 42 2.6.3 过程表示法的特点 43 2.6.4 过程性与说明性表示方法的比较 43 2.7 语义网络表示法 43 2.7.1 语义网络结构及基本的语义关系 43 2.7.2 语义网络的推理过程 45 2.7.3 语义网络表示法的特点 47 本章小结 48 习题 48 第3章 搜索策略 50 3.1 搜索概述 50 3.2 一般图搜索 51 3.2.1 图搜索的基本概念 51 3.2.2 状态空间搜索 52 3.2.3 一般图搜索过程 56 3.3 盲目搜索 57 3.3.1 宽度优先搜索 58 3.3.2 深度优先搜索 60 3.3.3 有界深度搜索和迭代加深搜索 62 3.3.4 搜索最优策略的比较 64 3.4 启发式搜索 64 3.4.1 启发性信息和评估函数 64 3.4.2 启发式搜索A算法 65 3.4.3 实现启发式搜索的关键因素 67 3.4.4 A*算法 69 3.4.5 迭代加深A*算法 72 3.5 爬山法和回溯策略 73 3.5.1 爬山法 73 3.5.2 回溯策略 74 3.6 问题规约 75 3.7 与/或图搜索 76 3.7.1 与/或图表示 77 3.7.2 与/或图的启发式搜索 79 3.8 博弈 84 3.8.1 极大极小过程 86 3.8.2 ?-?过程 87 本章小结 89 习题 89 第4章 知识推理与确定性推理 92 4.1 知识推理 92 4.1.1 推理的定义 92 4.1.2 推理的方式及分类 92 4.1.3 推理的方向 99 4.1.4 冲突消解策略 102 4.1.5 推理系统 103 4.2 确定性推理 113 4.2.1 命题逻辑 113 4.2.2 谓词逻辑 114 4.2.3 自然演绎推理方法 115 4.2.4 归结推理方法 117 本章小结 123 习题 123 第5章 不确定性推理 125 5.1 不确定性推理表示、问题与分类 125 5.1.1 不确定性推理的表示 125 5.1.2 不确定性的语义问题 126 5.1.3 不确定性的计算问题 127 5.1.4 不确定性推理方法的分类 128 5.2 不确定性推理方法 129 5.2.1 概率方法 129 5.2.2 主观贝叶斯方法 131 5.2.3 可信度方法 138 5.2.4 证据理论方法 142 5.2.5 模糊推理方法 148 本章小结 161 习题 162 第6章 计算智能 164 6.1 计算智能简介 165 6.1.1 计算智能的发展与现状 165 6.1.2 计算智能的特征与应用 167 6.2 进化计算 168 6.2.1 遗传算法 168 6.2.2 蚁群优化算法 176 6.2.3 免疫算法 183 6.2.4 分布估计算法 188 6.2.5 粒子群优化算法 191 6.2.6 进化规划 193 6.3 单点搜索 196 6.3.1 禁忌搜索算法 196 6.3.2 模拟退火算法 198 本章小结 200 习题 201 第7章 人工神经网络 202 7.1 神经元 202 7.1.1 生物神经元的结构 202 7.1.2 人工神经元数学模型 203 7.2 神经网络的学习方法 206 7.2.1 学习与机器学习 206 7.2.2 学习系统 206 7.2.3 神经网络的结构与工作方式 208 7.2.4 神经网络的学习规则 209 7.3 感知器 211 7.3.1 感知器模型 212 7.3.2 感知器学习策略 212 7.3.3 感知器学习算法 213 7.4 BP神经网络 219 7.4.1 BP神经网络的结构 219 7.4.2 BP学习算法 220 7.4.3 BP神经网络的应用 222 7.5 Hopfield神经网络 223 7.5.1 离散型Hopfield神经网络 223 7.5.2 连续型Hopfield神经网络 225 7.5.3 随机神经网络 227 7.5.4 Hopfield神经网络的应用 228 7.5.5 Hopfield神经网络优化方法 231 本章小结 234 习题 234 第8章 机器学习 234 8.1 机器学习的类型与应用 236 8.1.1 机器学习的分类 236 8.1.2 机器学习的应用和研究目标 238 8.2 基于规则的机器学习 239 8.2.1 决策树学习 240 8.2.2 随机森林 247 8.2.3 规则学习 249 8.3 基于数据统计的机器学习 257 8.3.1 支持向量机 257 8.3.2 浅层神经网络 263 8.3.3 贝叶斯分类器 264 本章小结 270 习题 270 参考文献 272