人工智能与计算智能及其应用

本书四个部分，共10章，主要介绍了人工智能与计算智能概述、知识表示、用搜索求解问题、专家系统、逻辑学的原理及其应用、人工神经网络、机器学习、遗传算法、群集智能算法和记忆型搜索算法以及各章节的应用案例。系统地阐述了人工智能的基本原理、实现技术及其应用，全面地反映了国内外人工智能研究领域的新进展和发展方向。

第1篇总论
第1章人工智能与计算智能概述(3)
1.1人工智能与计算智能简介(3)
1.1.1人工智能简介(3)
1.1.2计算智能简介(4)
1.2人工智能的不同学派(4)
1.2.1符号主义(5)
1.2.2连接主义(5)
1.2.3行为主义(6)
1.3人工智能与计算智能的发展历史(6)
1.3.1人工智能的发展历史(6)
1.3.2计算智能的发展历史(10)
1.4人工智能与计算智能的应用领域(10)
第2篇符号主义
第2章知识表示(15)
2.1知识和知识表示的概念(15)
2.1.1知识的含义(15)
2.1.2知识表示的含义(16)
2.1.3影响知识表示方法选择的因素(17)
2.2状态空间表示法(17)
2.2.1状态空间的构成(18)
2.2.2状态空间图(18)
2.2.3利用状态空间表示法求解的具体思路和步骤(19)
2.3一阶谓词逻辑表示法(19)
2.3.1谓词逻辑(19)
2.3.2用谓词公式表示知识的一般步骤(21)
2.3.3一阶谓词逻辑表示法的特点(22)
2.4语义网络表示法(23)
2.4.1语义网络表示法的概念及其结构(23)
2.4.2语义网络中常用的语义联系(23)
2.4.3语义网络表示知识的方法(26)
2.4.4语义网络下的推理(27)
2.4.5语义网络表示法的特点(28)
2.5框架表示法(28)
2.5.1框架的一般表示形式(29)
2.5.2框架网络(29)
2.5.3框架中槽的设置与组织(30)
2.5.4求解问题的匹配推理步骤(31)
2.5.5框架表示法的特点(31)
2.6产生式表示法(32)
2.6.1产生式表示法基本形式(32)
2.6.2产生式系统的组成(33)
2.6.3产生式系统推理机的推理方式(34)
2.6.4产生式系统的分类(35)
2.6.5产生式系统求解问题的一般步骤(35)
2.6.6产生式表示法的特点(35)
2.7脚本表示法(36)
2.7.1脚本的定义(36)
2.7.2概念依赖关系(37)
2.7.3用脚本表示知识的步骤(37)
2.7.4脚本表示下的推论方式(37)
2.7.5脚本表示法的特点(38)
第3章用搜索求解问题(39)
3.1搜索过程的三大要素(39)
3.1.1搜索对象(39)
3.1.2扩展规则(40)
3.1.3目标测试(41)
3.2通过搜索求解问题的思路和步骤(41)
3.3问题的特征分析(42)
3.4搜索的基本策略(43)
3.4.1状态空间的盲目搜索(43)
3.4.2状态空间的启发式搜索(51)
3.4.3随机搜索(57)
3.5博弈搜索(60)
3.5.1基础概念(60)
3.5.2基础搜索算法(62)
3.5.3深度优先的αβ搜索及其增强算法(64)
3.6其他搜索算法(70)
3.6.1蒙特卡洛树搜索(70)
3.6.2在线机器学习(71)
3.6.3多臂匪徒模型与上限信心界策略(71)
第4章专家系统(75)
4.1专家系统的基本概念(75)
4.2专家系统的基本结构(76)
4.2.1专家系统的组成(76)
4.2.2专家系统的类型(77)
4.3知识获取(79)
4.3.1概述(79)
4.3.2知识获取的直接方法(81)
4.3.3知识获取的新进展(82)
4.4专家系统的解释机制(83)
4.5专家系统开发工具与环境(86)
4.5.1专家系统开发工具与环境的基本概念(86)
4.5.2专家系统工具JESS(88)
4.5.3JESS中的Rete匹配算法和逆向推理机制(91)
4.6专家系统开发与评价(91)
4.6.1专家系统开发步骤(91)
4.6.2专家系统开发方法(92)
4.6.3专家系统的评价(93)
第5章逻辑学的原理及其应用(96)
5.1思维、语言与逻辑(96)
5.2逻辑与逻辑学(98)
5.3逻辑学的研究对象(99)
5.3.1思维形式(99)
5.3.2逻辑规律与逻辑方法(100)
5.4逻辑学在人工智能中的应用(101)
第3篇机器学习与神经网络
第6章机器学习(107)
6.1概述(107)
6.1.1机器学习的定义和意义(107)
6.1.2机器学习的研究简史(107)
6.1.3机器学习的分类(112)
6.1.4学习形式分类(115)
6.2归纳学习(121)
6.2.1归纳学习概述(121)
6.2.2归纳学习的方法分类(123)
6.3基于解释的学习(123)
6.3.1基于解释的学习简介(124)
6.3.2基于解释的学习的工作原理(125)
6.4类比学习(130)
6.4.1类比学习简介(130)
6.4.2类比学习的过程及关键问题(130)
6.5深度学习(131)
6.5.1深度学习相关应用领域(132)
6.5.2深度学习常用模型(134)
6.5.3基于深度学习的优化方法(140)
6.5.4深度学习常用软件工具及平台(140)
第7章人工神经网络(143)
7.1概述(143)
7.1.1神经元模型(143)
7.1.2神经网络的学习规则(144)
7.1.3神经网络的结构分类(147)
7.2前馈型神经网络(147)
7.2.1感知器网络(148)
7.2.2反向传播神经网络(150)
7.2.3径向基函数神经网络(153)
7.3反馈型神经网络(153)
7.3.1Hopfield神经网络(154)
7.3.2Elman神经网络(158)
7.4卷积神经网络(159)
7.4.1卷积神经网络发展历史(159)
7.4.2基本概念和基本网络结构(160)
7.4.3卷积神经网络的工作原理(163)
7.4.4卷积神经网络的应用(164)
第4篇计算智能
第8章遗传算法(167)
8.1概述(167)
8.1.1遗传算法中的一些术语(167)
8.1.2遗传算法基本流程(169)
8.2遗传算法的基本要素(170)
8.2.1遗传编码(170)
8.2.2种群设定(173)
8.2.3适应度函数分析(174)
8.2.4遗传操作(176)
8.2.5算法的终止(181)
8.2.6模式定理(181)
8.3遗传算法的优点、主要问题及改进(182)
8.3.1遗传算法的优点(183)
8.3.2遗传算法的主要问题(183)
8.3.3遗传算法的改进(191)
8.3.4一些改进的遗传算法比较(193)
第9章群集智能算法(196)
9.1研究背景(196)
9.2算法概述(196)
9.3蚁群算法(198)
9.3.1蚁群算法详解(198)
9.3.2蚁群算法的特点及应用(200)
9.4粒子群算法(201)
9.4.1粒子群算法详解(201)
9.4.2粒子群算法的参数分析(203)
9.4.3粒子群算法与其他算法的比较(204)
9.5人工鱼群算法(205)
9.6人工蜂群算法(207)
第10章记忆型搜索算法(210)
10.1禁忌搜索算法(210)
10.1.1禁忌搜索算法的基本思想(210)
10.1.2禁忌搜索算法的构成要素(211)
10.1.3禁忌搜索算法的流程(214)
10.1.4禁忌搜索算法解决旅行商问题(214)
10.1.5禁忌搜索算法的特点(218)
10.1.6禁忌搜索算法的改进(218)
10.2和声搜索算法(219)
10.2.1和声搜索算法的简介(219)
10.2.2和声搜索算法的原理(220)
10.2.3和声搜索算法的相关参数(220)
10.2.4和声搜索算法的步骤(221)
10.2.5和声搜索算法的应用(222)
10.2.6算法比较与分析(227)
参考文献(228)