人工智能導論（第3版）

丁世飛，男，畢業於中國科學院計算技術研究所，中國礦業大學教授，博士生導師。從事人工智能、機器學習、模式識別、數據挖掘、大數據智能分析、生物信息識別、粗糙集與軟計算等方面理論與應用研究。主持國家重點基礎研究計劃（973計劃）課題1項、國家自然科學基金面上項目2項、江蘇省自然科學基金項目1項、中國博士後科學基金1項、國家重點實驗室開放基金3項；參加國家”863”高技術項目1項、國家自然科學基金重點項目1項、國家自然科學基金面上項目3項等。近年來，出版專著4部，申請或授權發明專利10項，在外重要學術期刊上發表研究論文200餘篇，其中被SCI檢索100餘篇，其中被計算機學科ESI檢索20餘篇。

目 錄
第1章 緒論1
1．1 人工智能的概念1
1．1．1 智能的定義1
1．1．2 人工智能的定義3
1．2 人工智能的產生和發展5
1．2．1 孕育期（20世紀50年代中期以前）5
1．2．2 形成及□□個興旺期（20世紀50年代中期至60年代中期）6
1．2．3 蕭條波折期（20世紀60年代中期至70年代中期）7
1．2．4 第二個興旺期（20世紀70年代中期至80年代中期）8
1．2．5 穩步增長期（20世紀80年代中期至今）10
1．2．6 中國的人工智能發展11
1．3 人工智能的主要學派12
1．3．1 符號主義學派12
1．3．2 連接主義學派13
1．3．3 行為主義學派14
1．4 人工智能的主要研究內容14
1．5 人工智能的主要應用領域17
小結24
習題124
第2章 知識表示25
2．1 知識表示概述25
2．1．1 知識的概念25
2．1．2 知識表示的概念26
2．2 一階謂詞邏輯表示法27
2．2．1 命題27
2．2．2 謂詞28
2．2．3 謂詞公式29
2．2．4 謂詞邏輯表示30
2．2．5 謂詞邏輯表示法的特點33
2．3 產生式表示法33
2．3．1 產生式表示的基本方法33
2．3．2 產生式系統的基本結構35
2．3．3 產生式系統的分類36
2．3．4 產生式表示法的特點37
2．4 語義網絡表示法39
2．4．1 語義網絡的基本概念39
2．4．2 語義網絡的基本語義關係39
2．4．3 語義網絡表示知識的方法41
2．4．4 語義網絡的推理過程45
2．4．5 語義網絡表示法的特點46
2．5 框架表示法46
2．5．1 框架結構46
2．5．2 框架表示48
2．5．3 框架表示的推理過程50
2．5．4 框架表示法的特點50
2．6 腳本表示法50
2．7 面向對象表示法54
小結56
習題257
第3章 確定性推理59
3．1 推理概述59
3．1．1 推理的概念59
3．1．2 推理的分類59
3．1．3 推理的控制策略61
3．2 推理的邏輯基礎63
3．2．1 謂詞公式的永真性和可滿足性63
3．2．2 置換與合一65
3．3 自然演繹推理68
3．4 歸結演繹推理69
3．4．1 子句型69
3．4．2 魯濱遜歸結原理72
3．4．3 歸結演繹推理的歸結策略76
3．4．4　用歸結原理求取問題的答案81
小結81
習題382
第4章 搜索策略85
4．1 搜索概述85
4．2 一般圖搜索86
4．2．1 圖搜索的基本概念86
4．2．2 狀態空間搜索87
4．2．3 一般圖搜索過程91
4．3 盲目搜索92
4．3．1 寬度優先搜索93
4．3．2 深度優先搜索95
4．3．3 有界深度搜索和迭代加深搜索97
4．3．4 搜索□優策略的比較98
4．4 啟發式搜索99
4．4．1 啟發性信息和評估函數99
4．4．2 啟發式搜索A算法100
4．4．3 實現啟發式搜索的關鍵因素102
4．4．4 A*算法103
4．4．5 迭代加深A*算法106
4．5 回溯搜索和爬山法107
4．5．1 爬山法107
4．5．2 回溯策略108
4．6 問題規約109
4．7 與/或圖搜索111
4．7．1 與/或圖表示111
4．7．2 與/或圖的啟發式搜索113
4．8 博弈117
4．8．1 極大極小過程119
4．8．2 α?β過程121
小結122
習題4123
第5章 不確定性推理125
5．1 不確定性推理概述125
5．1．1 不確定性推理的概念125
5．1．2 知識不確定性的來源125
5．1．3 不確定性推理要解決的基本問題126
5．1．4 不確定性推理方法的分類128
5．2 概率方法129
5．2．1 概率論基礎129
5．2．2 經典概率方法130
5．2．3 逆概率方法130
5．3 主觀貝葉斯方法132
5．3．1 規則不確定性的表示132
5．3．2 證據不確定性的表示134
5．3．3 組合證據不確定性的計算135
5．3．4 不確定性推理135
5．3．5 結論不確定性的合成算法137
5．4 確定性理論140
5．4．1 可信度140
5．4．2 CF模型142
5．4．3 確定性方法的說明145
5．5 證據理論146
5．5．1 證據理論的形式描述147
5．5．2 證據理論的推理模型150
5．5．3 證據不確定性的表示152
5．5．4 規則不確定性的表示152
5．5．5 不確定性的推理152
5．5．6 組合證據的不確定性計算152
5．6 模糊推理155
5．6．1 模糊數學的基本知識155
5．6．2 模糊假言推理157
小結160
習題5161
第6章 機器學習163
6．1 機器學習概述163
6．1．1 學習與機器學習163
6．1．2 學習系統164
6．1．3 機器學習的發展簡史166
6．1．4 機器學習的分類167
6．1．5 機器學習的應用和研究目標168
6．2 歸納學習169
6．2．1 歸納學習的基本概念169
6．2．2 變型空間學習171
6．2．3 歸納偏置173
6．3 決策樹學習174
6．3．1 決策樹的組成及分類174
6．3．2 決策樹的構造算法CLS175
6．3．3 基本的決策樹算法ID3177
6．3．4 決策樹的偏置179
6．4 基於實例的學習180
6．4．1 k?近鄰算法180
6．4．2 距離加權□近鄰法181
6．4．3 基於範例的學習181
6．5 強化學習186
6．5．1 強化學習模型186
6．5．2 馬爾可夫決策過程187
6．5．3 Q學習188
小結190
習題6191
第7章 支持向量機193
7．1 支持向量機概述193
7．2 統計學習理論194
7．2．1 學習問題的表示194
7．2．2 期望風險和經驗風險195
7．2．3 VC維理論196
7．2．4 推廣性的界197
7．2．5 結構風險□小化198
7．3 支持向量機的構造199
7．3．1 函數集結構的構造199
7．3．2 支持向量機的模式200
7．4 核函數203
7．4．1 核函數概述203
7．4．2 核函數的分類204
7．5 SVM的算法及多類SVM205
7．6 用於非線性回歸的SVM206
7．7 支持向量機的應用207
小結209
習題7209
第8章 專家系統210
8．1 專家系統概述210
8．1．1 專家系統的特性210
8．1．2 專家系統的結構和類型211
8．2 基於規則的專家系統213
8．3 基於框架的專家系統215
8．4 基於模型的專家系統217
8．5 專家系統的開發219
8．5．1 專家系統的開發過程219
8．5．2 專家系統的知識獲取220
8．5．3 專家系統的開發工具和環境222
8．6 專家系統設計舉例224
8．6．1 專家知識的描述224
8．6．2 知識的使用227
8．6．3 決策的解釋230
8．6．4 MYCIN系統230
8．7 新型專家系統231
小結233
習題8234
第9章 神經計算235
9．1 神經計算概述235
9．2 感知器237
9．2．1 感知器的結構237
9．2．2 感知器的學習算法238
9．3 反向傳播網絡240
9．3．1 BP網絡的結構240
9．3．2 BP網絡的學習算法241
9．4 自組織映射神經網絡244
9．4．1 SOM網絡結構244
9．4．2 SOM網絡的學習算法244
9．5 Hopfield網絡246
9．5．1 離散Hopfield網絡的結構246
9．5．2 離散Hopfield網絡的穩定性247
9．5．3 離散Hopfield 網絡的學習算法247
9．6 脈衝耦合神經網絡248
9．6．1 PCNN的結構248
9．6．2 PCNN的學習算法249
9．7 深度神經網絡249
小結250
習題9251
第10章 進化計算252
10．1 進化計算概述252
10．2 遺傳算法253
10．2．1 遺傳算法的基本原理253
10．2．2 遺傳算法的應用示例255
10．2．3 模式定理257
10．2．4 遺傳算法的改進259
10．3 進化規劃260
10．3．1 標准進化規劃及其改進261
10．3．2 進化規劃的基本技術262
10．4 進化策略263
10．4．1 進化策略及其改進263
10．4．2 進化策略的基本技術264
10．5 GA、EP、ES的異同266
小結267
習題10267
第11章 模糊計算268
11．1 模糊集合的概念268
11．1．1 模糊集合的定義268
11．1．2 模糊集合的表示方法268
11．2 模糊集合的代數運算273
11．3 正態模糊集和凸模糊集275
11．4 模糊關係276
11．4．1 模糊關係的概述276
11．4．2 模糊關係的性質277
11．5 模糊判決277
11．6 模糊數學在模式識別中的應用278
11．6．1 □大隸屬度原則278
11．6．2 擇近原則279
小結280
習題11280
第12章 群智能282
12．1 群智能概述282
12．1．1 群智能優化算法定義282
12．1．2 群智能優化算法原理283
12．1．3 群智能優化算法特點283
12．2 蟻群算法283
12．2．1 蟻群算法概述283
12．2．2 蟻群算法的數學模型284
12．2．3 蟻群算法的改進286
12．2．4 蟻群算法的應用示例287
12．3 粒子群優化算法288
12．3．1 粒子群優化算法基本思想288
12．3．2 粒子群優化算法基本框架288
12．3．3 粒子群優化算法參數分析與改進290
12．3．4 粒子群優化算法的應用示例291
12．4 其他群智能優化算法292
12．4．1 人工魚群算法292
12．4．2 細菌覓食算法295
12．4．3 混合蛙跳算法297
12．4．4 果蠅優化算法298
小結299
習題12300
第13章 爭論與展望301
13．1 爭論301
13．1．1 對人工智能理論的爭論301
13．1．2 對人工智能方法的爭論302
13．1．3 對人工智能技術路線的爭論302
13．1．4 對強弱人工智能的爭論303
13．2 展望304
13．2．1 更新的理論框架304
13．2．2 更好的技術集成305
13．2．3 更成熟的應用方法305
13．2．4 腦機接口306
小結306
習題13307
附錄A 參考答案308
參考文獻309