人工智能導論（第4版）

第1章 緒論 1
1.1 人工智能的概念 2
1.1.1 智能的定義 2
1.1.2 人工智能的定義 3
1.2 人工智能的產生和發展 6
1.2.1 孕育期（20世紀50年代中期以前） 6
1.2.2 形成及第一個興旺期（20世紀50年代中期至60年代中期） 7
1.2.3 蕭條波折期（20世紀60年代中期至70年代中期） 8
1.2.4 第二個興旺期（20世紀70年代中期至80年代中期） 9
1.2.5 穩步增長期（20世紀80年代中期至今） 11
1.2.6 中國的人工智能發展 12
1.3 人工智能的主要學派 13
1.3.1 符號主義學派 13
1.3.2 連接主義學派 14
1.3.3 行為主義學派 15
1.4 人工智能的主要研究內容 16
1.5 人工智能的主要應用領域 19
本章小結 26
習題1 26
第2章 知識表示 27
2.1 知識表示概述 28
2.1.1 知識的概念 28
2.1.2 知識表示的概念 29
2.2 謂詞邏輯表示法 30
2.2.1 命題邏輯 30
2.2.2 謂詞邏輯 31
2.2.3 謂詞公式 32
2.2.4 謂詞邏輯表示 34
2.2.5 謂詞邏輯表示法的特點 37
2.3 產生式表示法 37
2.3.1 產生式表示的基本方法 37
2.3.2 產生式系統的基本結構 39
2.3.3 產生式系統的分類 40
2.3.4 產生式表示法的特點 41
2.4 語義網絡表示法 43
2.4.1 語義網絡的基本概念 43
2.4.2 語義網絡的基本語義關系 44
2.4.3 語義網絡表示知識的方法 46
2.4.4 語義網絡的推理過程 50
2.4.5 語義網絡表示法的特點 51
2.5 框架表示法 51
2.5.1 框架結構 51
2.5.2 框架表示 53
2.5.3 框架表示的推理過程 55
2.5.4 框架表示法的特點 55
2.6 腳本表示法 56
2.6.1 腳本的定義 56
2.6.2 腳本的組成 57
2.6.3 腳本表示法的特點 59
2.7 面向對象表示法 60
2.7.1 面向對象的基本概念 60
2.7.2 面向對象表示知識 61
本章小結 62
習題2 63
第3章 自動推理 65
3.1 推理概述 66
3.1.1 推理的概念 66
3.1.2 推理的分類 66
3.1.3 推理的控制策略 68
3.2 推理的邏輯基礎 70
3.2.1 謂詞公式的永真性和可滿足性 71
3.2.2 置換與合一 73
3.3 自然演繹推理 76
3.3.1 自然演繹推理的基本概念 76
3.3.2 三段論推理 76
3.3.3 兩類錯誤 77
3.4 歸結演繹推理 78
3.4.1 子句集 78
3.4.2 魯賓孫歸結原理 81
3.4.3 用歸結原理求取問題的答案 87
3.4.4 歸結演繹推理的歸結策略 88
本章小結 92
習題3 93
第4章 搜索策略 96
4.1 搜索概述 97
4.2 一般圖搜索 98
4.2.1 圖搜索的基本概念 98
4.2.2 狀態空間搜索 99
4.2.3 一般圖搜索過程 103
4.3 盲目搜索 105
4.3.1 寬度優先搜索 105
4.3.2 深度優先搜索 107
4.3.3 有界深度搜索和疊代加深搜索 109
4.3.4 搜索最優策略的比較 111
4.4 啟發式搜索 112
4.4.1 啟發性信息和評估函數 112
4.4.2 啟發式搜索A算法 112
4.4.3 實現啟發式搜索的關鍵因素 114
4.4.4 A*算法 116
4.4.5 疊代加深A*算法 119
4.5 爬山法和回溯搜索 120
4.5.1 爬山法 120
4.5.2 回溯策略 121
4.6 問題規約 122
4.7 與/或圖搜索 124
4.7.1 與/或圖的表示 124
4.7.2 與/或圖的啟發式搜索 126
4.8 博弈 131
4.8.1 極大極小過程 133
4.8.2 α-β過程 135
本章小結 136
習題4 137
第5章 不確定性推理 139
5.1 不確定性推理概述 140
5.1.1 不確定性推理的概念 140
5.1.2 知識不確定性的來源 140
5.1.3 不確定性推理要解決的基本問題 141
5.1.4 不確定性推理方法的分類 143
5.2 逆概率方法 144
5.2.1 概率論基礎 144
5.2.2 經典概率方法 145
5.2.3 逆概率方法 145
5.3 主觀貝葉斯方法 147
5.3.1 規則不確定性的表示 147
5.3.2 證據不確定性的表示 149
5.3.3 組合證據不確定性的計算 150
5.3.4 不確定性推理方法 150
5.3.5 結論不確定性的合成 152
5.3.6 主觀貝葉斯方法的特點 155
5.4 可信度方法 155
5.4.1 可信度的概念 156
5.4.2 規則不確定性的表示 158
5.4.3 證據不確定性的表示 158
5.4.4 組合證據不確定性的計算 158
5.4.5 不確定性的推理 159
5.4.6 結論不確定性的合成 159
5.4.7 可信度方法的擴展 161
5.4.8 可信度方法的特點 167
5.5 證據理論 168
5.5.1 證據理論的形式描述 168
5.5.2 證據理論的推理模型 172
5.5.3 規則不確定性的表示 174
5.5.4 證據不確定性的表示 174
5.5.5 組合證據的不確定性計算 174
5.5.6 推理的不確定性 174
5.5.7 結論不確定性的合成 175
5.5.8 證據理論的特點 177
5.6 模糊推理 178
5.6.1 模糊數學的基本知識 178
5.6.2 模糊規則的表示 180
5.6.3 模糊證據的匹配 181
5.6.4 簡單模糊推理 182
本章小結 183
習題5 184
第6章 機器學習 187
6.1 機器學習概述 188
6.1.1 學習與機器學習 188
6.1.2 學習系統 188
6.1.3 機器學習的發展簡史 190
6.1.4 機器學習的分類 191
6.1.5 機器學習的應用和研究目標 193
6.2 歸納學習 194
6.2.1 歸納學習的基本概念 194
6.2.2 變型空間學習 195
6.2.3 歸納偏置 197
6.3 決策樹學習 198
6.3.1 決策樹的組成及分類 199
6.3.2 決策樹的構造算法 200
6.3.3 基本的決策樹算法 201
6.3.4 決策樹的偏置 204
6.4 基於實例的學習 204
6.4.1 k-最近鄰算法 204
6.4.2 距離加權最近鄰法 205
6.4.3 基於範例的學習 206
6.5 強化學習 210
6.5.1 強化學習模型 211
6.5.2 馬爾可夫決策過程 211
6.5.3 Q學習 212
6.6 支持向量機 214
6.6.1 支持向量機概述 215
6.6.2 支持向量機的構造 216
6.6.3 核函數 220
6.6.4 支持向量機的應用 222
本章小結 223
習題6 224
第7章 神經計算 226
7.1 神經計算概述 227
7.2 感知器 229
7.2.1 感知器的結構 229
7.2.2 感知器的學習算法 230
7.3 反向傳播網絡 232
7.3.1 反向傳播網絡的結構 232
7.3.2 反向傳播網絡的學習算法 233
7.4 自組織映射神經網絡 236
7.4.1 SOM網絡結構 236
7.4.2 SOM網絡的學習算法 237
7.5 Hopfield網絡 238
7.6 脈沖耦合神經網絡 240
7.7 深度神經網絡 242
7.7.1 多層感知器 242
7.7.2 卷積神經網絡 243
7.7.3 循環神經網絡 245
7.7.4 註意力機制 246
本章小結 248
習題7 249
第8章 進化計算 250
8.1 進化計算概述 251
8.2 遺傳算法 252
8.2.1 遺傳算法的基本原理 252
8.2.2 遺傳算法的應用示例 253
8.2.3 模式定理 256
8.2.4 遺傳算法的改進 258
8.3 進化規劃 259
8.3.1 標準進化規劃及其改進 260
8.3.2 進化規劃的基本技術 261
8.4 進化策略 262
8.4.1 進化策略及其改進 263
8.4.2 進化策略的基本技術 264
8.5 遺傳算法、進化規劃、進化策略的異同 265
本章小結 266
習題8 266
第9章 模糊計算 268
9.1 模糊集合的概念 269
9.1.1 模糊集合的定義 269
9.1.2 模糊集合的表示方法 269
9.2 模糊集合的代數運算 274
9.3 正態模糊集和凸模糊集 276
9.4 模糊關系 277
9.5 模糊判決 278
9.6 模糊數學在模式識別中的應用 279
9.7 模糊綜合評判 281
9.7.1 模糊綜合評判概述 281
9.7.2 模糊綜合評判的模型 282
9.7.3 模糊綜合評判的步驟 283
9.7.4 模糊綜合評判的優缺點 285
9.7.4 模糊綜合評判的應用案例分析 285
本章小結 288
習題9 289
第10章 群智能 290
10.1 群智能概述 291
10.1.1 群智能優化算法定義 291
10.1.2 群智能優化算法原理 291
10.1.3 群智能優化算法特點 292
10.2 蟻群優化算法 292
10.2.1 蟻群優化算法概述 292
10.2.2 蟻群優化算法的數學模型 293
10.2.3 蟻群優化算法的改進 294
10.2.4 蟻群優化算法的應用示例 296
10.3 粒子群優化算法 297
10.3.1 粒子群優化算法基本思想 297
10.3.2 粒子群優化算法基本框架 297
10.3.3 粒子群優化算法參數分析與改進 298
10.3.4 粒子群優化算法的應用示例 299
10.4 其他群智能優化算法 301
10.4.1 人工魚群算法 301
10.4.2 細菌覓食算法 303
10.4.3 混合蛙跳算法 306
10.4.4 果蠅優化算法 308
本章小結 309
習題10 309

第11章 專家系統 310
11.1 專家系統概述 311
11.1.1 專家系統的特性 311
11.1.2 專家系統的結構和類型 311
11.2 基於規則的專家系統 314
11.3 基於框架的專家系統 316
11.4 基於模型的專家系統 318
11.5 專家系統的開發 320
11.5.1 專家系統的開發過程 320
11.5.2 專家系統的知識獲取 321
11.5.3 專家系統的開發工具和環境 322
11.6 專家系統設計舉例 324
11.6.1 專家知識概述 324
11.6.2 知識的使用 328
11.6.3 決策的解釋 330
11.6.4 MYCIN系統 331
11.7 新型專家系統 332
11.7.1 新型專家系統的共同特征 332
11.7.2 分布式專家系統 332
11.7.3 協同式專家系統 333
本章小結 334
習題11 334
第12章 生成式人工智能 335
12.1 生成式人工智能概述 336
12.2 生成對抗網絡 336
12.2.1 生成對抗網絡概述 337
12.2.2 生成對抗網絡的工作原理 338
12.2.3 生成對抗網絡的本質 339
12.2.4 生成對抗網絡的應用 341
12.3 ChatGPT 342
12.3.1 GPT的疊代發展歷程 342
12.3.2 ChatGPT的優勢和挑戰 343
12.4 生成式人工智能的應用 344
12.5 生成式人工智能的展望 345
本章小結 347
習題12 348
第13章 大模型 349
13.1 大模型概述 350
13.1.1 大模型的概念 350
13.1.2 大模型的分類 350
13.1.3 大模型的發展歷程 352
13.2 大模型的訓練 356
13.2.1 分布式訓練概述 356
13.2.2 分布式訓練並行策略 357
13.2.3 分布式訓練的集群架構 358
13.3 常見的大模型Transformer 359
13.3.1 Transformer模型概述 359
13.3.2 Transformer模型的結構和原理 360
13.3.3 Transformer模型的優勢和不足 361
13.4 大模型的評估和應用 362
13.4.1 大模型評估 362
13.4.2 大模型的應用場景 364
本章小結 365
習題13 366
第14章 爭論和展望 367
14.1 爭論 368
14.2 展望 370
本章小結 373
習題14 373
附錄A 習題解答 374
參考文獻 376