人工智能 第3版·微课视频版

"“十三五”江苏省高等学校重点教材，配套200分钟微课视频、教学课件、习题答案、教学质量标准等资源。 （1）聚焦前沿，深入浅出。从专业角度，循序渐进、深入浅出地梳理人工智能的发展历程，阐述人工智能经典理论与技术。采用适当的例题正确讲解知识概念，全面反映人工智能领域国内外的研究进展与动态，并探讨其未来发展的可能性。以精炼的文字揭秘人工智能的终极逻辑，适合于大众读者。 （2）延续经典，夯实基础。梳理知识框架，构建完整知识体系，精选重点题目，以通俗易懂的语言展示人工智能的核心算法和理论。本书可为高等院校计算机科学与技术、电子科学与技术、智能科学与技术、人工智能、数据科学与大数据技术、自动化等学科领域的研究人员提供参考，以及作为相关专业本科生及研究生教学的参考书，同时可供硕士研究生入学专业考试参考。 （3）微课视频，优质资源。“严肃、严格、严谨”制作微课视频，配合精选例题，引导式探索，归纳式总结，浅显易懂，帮助读者自主学习。同时，以合理结构编写配套PPT课件等教学资料，纸质内容与数字化资源一体设计、紧密配合，方便教师线上线下混合教学。 （4）配套习题，学以致用。每章配有相当数量的习题，题型覆盖教材中的重点、难点和疑点，讲与练无缝衔接，触类旁通、活学活用。书末附有习题答案，供读者自测学习效果，促进复习和知识巩固，提高分析与解决问题的能力，便于掌握人工智能基础知识和基本规律。 "

本书主要阐述人工智能的基本原理、方法和应用技术。全书共13章，除第1章讨论人工智能的基本概念、第13章讨论人工智能的争论与展望外，其余11章均按照“基本智能+典型应用+计算智能”三个模块编写。第一个模块为人工智能经典的三大技术，分别为知识表示技术、搜索技术和推理技术，主要包括知识表示、搜索策略、确定性推理和不确定性推理； 第二个模块为人工智能的典型应用领域，包括机器学习、支持向量机和专家系统； 第三个模块为计算智能与群智能，包括神经计算、进化计算、模糊计算和群智能。 本书力求科学性、模块化、实用性。内容由浅入深、循序渐进、条理清晰，能让读者在有限的时间内掌握人工智能的基本原理、基本方法和应用技术。本书为教师提供习题答案。 本书可作为计算机科学与技术、智能科学与技术、人工智能、数据科学与大数据技术、自动化、机器人工程等专业的教材，也可供从事人工智能研究与应用的科技工作者学习参考。

"丁世飞，博士，中国矿业大学教授、博士生导师，中国科学院计算技术研究所客座研究员，中国矿业大学—中国科学院智能信息处理联合实验室负责人。长期从事人工智能与模式识别、机器学习与数据挖掘、大数据智能分析等理论与应用研究。主持或参加“973”课题2项、国家自然科学基金6项、国家“863”高技术项目1项。已发表学术论文260篇，出版专著6部，授权发明专利4项。 曾获全国优秀博士学位论文提名奖、山东省优秀博士学位论文奖、山东省省级教学成果奖1项、吴文俊人工智能科学技术奖1项、江苏省科学技术奖1项、江苏省优秀硕士学位论文指导教师奖（2次）。入选2017年全球前10万科学家榜单、2020年全球很好前10万科学家榜单、2020年中国高被引学者（爱思唯尔）、2021年全球前2%很好科学家榜单（斯坦福大学）。 担任CCF理事、杰出会员，CAAI理事、高级会员，CCF和CAAI多个专委会委员或常委委员。担任国家自然科学奖通讯与会评专家、国家科技创新2030—“新一代人工智能”重大项目会评专家、国家“863计划”“973计划”评审专家、重量人才计划评审专家、国家自然科学基金评审专家等。"

第1章 绪论
1．1 人工智能的概念
1．1．1 智能的定义
1．1．2 人工智能的定义
1．2 人工智能的诞生与发展
1．2．1 孕育期
1．2．2 形成期
1．2．3 萧条期
1．2．4 第二个兴旺期
1．2．5 稳步增长期
1．2．6 中国的人工智能发展
1．3 人工智能的主要研究学派
1．3．1 符号主义学派
1．3．2 连接主义学派
1．3．3 行为主义学派
1．4 人工智能的主要研究内容
1．5 人工智能的主要应用领域
1．6 小结
习题

第2章 知识表示
2．1 知识表示概述
2．1．1 知识的概念
2．1．2 知识表示的概念
2．2 一阶谓词逻辑表示法
2．2．1 命题
2．2．2 谓词
2．2．3 谓词公式
2．2．4 谓词逻辑表示
2．2．5 谓词逻辑表示法的特点
2．3 产生式表示法
2．3．1 产生式表示的基本方法
2．3．2 产生式系统的基本结构
2．3．3 产生式系统的分类
2．3．4 产生式表示法的特点
2．4 语义网络表示法
2．4．1 语义网络的基本概念
2．4．2 语义网络的基本语义关系
2．4．3 语义网络表示知识的方法
2．4．4 语义网络的推理过程
2．4．5 语义网络表示法的特点
2．5 框架表示法
2．5．1 框架结构
2．5．2 框架表示
2．5．3 框架表示的推理过程
2．5．4 框架表示法的特点
2．6 脚本表示法
2．7 面向对象表示法
2．7．1 面向对象的基本概念
2．7．2 面向对象方法学的主要观点
2．8 小结
习题
……

第3章 搜索策略
第4章 确定性推理
第5章 不确定性推理
第6章 机器学习
第7章 支持向量机
第8章 专家系统
第9章 神经计算
第10章 进化计算
第11章 模糊计算
第12章 群智能
第13章 争论与展望

参考文献

     第3章 搜索策略 从工程应用的角度讲，开发人工智能技术的一个主要目的就是解决非平凡问题，即难以用常规(数值计算、数据库应用等)技术直接解决的问题。这些问题的求解依赖于问题本身的描述和应用领域相关知识的应用。广义地说，人工智能问题可以看成一个问题求解的过程，因此问题求解是人工智能的核心问题，其要求是在给定条件下，寻求一个能在有限步骤内解决某类问题的算法。 按解决问题所需的领域特有知识的多少，问题求解系统可以划分为两大类： 知识贫乏系统和知识丰富系统。前者必须依靠搜索技术去解决问题，后者则求助于推理技术。 搜索直接关系到智能系统的性能与运行效率，因而美国人工智能专家尼尔森(N.J.Nilsson)把它列为人工智能研究的四个核心问题(知识的模型化和表示，常识性推理、演绎和问题求解，启发式搜索，人工智能系统和语言)之一。 现在，搜索技术渗透在各种人工智能系统中，在专家系统、自然语言理解、自动程序设计、模式识别、机器人学、信息检索和博弈等领域都广泛使用，可以说，没有一种人工智能系统应用不到搜索方法。 本章首先讨论搜索的有关概念，然后着重介绍状态空间的知识表示和搜索策略，主要有基于状态空间图的搜索、盲目搜索、启发式搜索和与或图的搜索，最后讨论博弈问题的智能搜索算法。 3.1 搜索策略概述 智能系统要解决的问题各种各样，其中大部分是结构不良或非结构化问题，对这样的问题一般没有算法可以求解，只能利用已有的知识一步步地摸索。此过程中存在如何寻找可用知识的问题。即如何确定推理路线，使其付出的代价尽可能地少，且问题又能得到较好的解决。例如，在推理中可能存在多条路线都可实现对问题的求解，这就存在按哪一条路线进行求解可以获得较高的运行效率的问题。 因此，对于给定的问题，智能系统的行为一般是找到能够达到所希望目标的动作序列，并使其所付出的代价最小、性能优选。搜索就是找到智能系统的动作序列的过程。 在智能系统中，即使对于结构性能较好、理论上有算法可依的问题，由于问题本身的复杂性以及计算机在时间、空间上的局限性，有时也需要通过搜索来求解。 在人工智能中，搜索问题一般包括两个重要的问题： 搜索什么、在哪里搜索。前者通常指的是搜索目标，而后者通常指的是搜索空间。搜索空间通常是指一系列状态的汇集，因此也称为状态空间。与通常的搜索空间不同，人工智能中大多数问题的状态空间在问题求解之前不一定全部知道。所以，人工智能中的搜索可以分成两个阶段： 状态空间的生成阶段及该状态空间中对所求问题状态的搜索阶段。 根据在问题求解过程中是否运用启发性知识，搜索被分为盲目搜索和启发式搜索。 盲目搜索是指在问题的求解过程中，不运用启发性知识，只按照一般的逻辑法则或控制性知识，在预定的控制策略下进行搜索，在搜索过程中获得的中间信息不用来改进控制策略。由于搜索总是按预先规定的路线进行，没有考虑问题本身的特性，这种方法缺乏对求解问题的针对性，需要进行全方位的搜索，所以没有选择很优的搜索途径。因此，这种搜索具有盲目性，效率较低，容易出现“组合爆炸”问题。典型的盲目搜索有深度优先搜索和宽度优先搜索。 启发式搜索是指在问题的求解过程中，为了提高搜索效率，运用与问题有关的启发性知识，即解决问题的策略、技巧、窍门等实践经验和知识，指导搜索朝着最有希望的方向前进，加速问题求解过程并找到很优解。典型的启发式搜索有A算法和A*算法。 搜索问题中主要的工作是找到正确的搜索策略。搜索策略可以通过如下准则来评价。 （1） 完备性： 如果存在一个解答，该策略是否保证能够找到？ （2） 时间复杂性： 需要多长时间可以找到解答？ （3） 空间复杂性： 执行搜索需要多少存储空间？ （4） 很优性： 如果存在不同的解答，该策略是否可以发现优选质量的解答？ 搜索策略反映了状态空间或问题空间的扩展方法，也决定了状态或问题的访问顺序。搜索策略不同，人工智能中搜索问题的命名也不同。例如，考虑一个问题的状态空间为一棵树的形式。如果根结点首先扩展，再扩展根结点生成的所有结点，然后是这些结点的后继，如此反复下去。这就是宽度优先搜索。另外，在树的最深一层的结点中扩展一个结点。只有当搜索遇到一个死亡结点(非目标结点且无法扩展)的时候，才返回上一层选择其他结点搜索。这就是深度优先搜索。无论是宽度优先搜索还是深度优先搜索，结点遍历的顺序一般都是固定的，即一旦搜索空间给定，结点遍历的顺序就固定了。这类遍历成为“确定性”的，也就是盲目搜索。而对于启发式搜索，在计算每个结点的参数之前都无法确定先选 1+b+b2+…+bd－1=(bd－1)/(b－1) 而在找到目标结点之前可能扩展的优选结点数目为 1+b+b2+…+bd－1+bd=(bd+1－1)/(b－1) 对于d层，目标结点可能是第一个状态，也可能是最后一